مقایسه‌ی روش های ممیزی کلاسیک با شبکه ی عصبی مصنوعی به وسیله چند الگوریتم مختلف در تشخیص بیماری انفارکتوس میوکارد

مقدمه: تحلیل ممیزی و رده‌بندی یکی از پرکاربردترین بخش‌های آماری در حوزه های مختلف علمی است. در این مورد روش‌های کلاسیک آماری دارای پیش‌فرض‌هایی هستند که در صورت برقرار نبودن آن‌ها استفاده از این روش‌ها با خطاهای قابل توجه‌ای همراه است. از طرفی روش شبکه عصبی مصنوعی با محدودیت کمتری روبرو است، و از آن‌جا که تحلیل داده‌های پزشکی دارای حساسیت بالایی است و اشتباه در رده‌بندی منجر به خطاهای جبران‌ناپذیری خواهد شد اهمیت دارد که دقیق‌ترین روش با کم‌ترین خطا را برای تحلیل این داده‌ها به کار برد.روش‌ها: برای مقایسه‌ی سه روش ممیزی درجه دو، رگرسیونلجستیک و شبکه عصبی مصنوعی در تشخیص بیماری از 1000 داده مربوط به بیماری انفارکتوس میوکارد استفاده شد. ارزیابی شبکه عصبی، با ملاک حداقل مربعات خطای پیش‌بینی صورت پذیرفت و از الگوریتم پس‌انتشار خطا استفاده شد. در ادامه عملکرد سه الگوریتم مختلف (bfgs یا broyden-fletcher-goldfarb-shanne) , conjugate gradient و gradient descent از شبکه عصبی در تشخیص و پیش‌بینی بیماری، مورد مقایسه قرار گرفت. تحلیل داده‌ها با نرم افزارهایspss, r, sas, statistica انجام شد.یافته‌ها: درصد خطا، درصد صحت پیش‌بینی، حساسیت، ویژگی و سطح زیر منحنی راک به ترتیب در روش ممیزی درجه دو برابر با 10/15، 89/85، 0/8888، 0/9283 ، 0/922 و در روش رگرسیون لجستیک برابر با 10/88، 89/12، 0/8743، 0/9110، 0/941 و برای شبکه عصبی مصنوعی منتخب برابر با 3/97، 96/03، 0/9561، 0/9644، 0/966 به دست آمد. تفاوت معنی‌داری بین سطح زیر منحنی راک برای سه روش وجود داشت. هم‌چنین از بین سه الگوریتم مختلف شبکه عصبی الگوریتم bfgs بر اساس معیارهای ذکر شده عملکرد بهتری داشته است و تفاوت معنی‌داری بین سطح زیر منحنی راک برای سه الگوریتم وجود داشت.نتیجه‌گیری: با توجه به این‌که محدودیتی برای استفاده از شبکه عصبی مصنوعی وجود ندارد می‌توان نتیجه گرفت که این روش دقت پیش‌بینی و غربالگری بهتری نسبت به روش‌های ممیزی لجستیک و ممیزی درجه دو در تشخیص و پیش‌بینی بیماری انفارکتوس میوکارد داشته است.