پیش‌بینی احتمال سکته‌ی مغزی با استفاده از کلاسبند فازی

بیماری سکته مغزی یکی از عوامل اصلی مرگ‌ومیر و ناتوانی سراسر جهان به‌شمار می‌رود. پیش‌بینی به‌موقع و دقیق این بیماری می‌تواند نقش موثری در پیشگیری، درمان زودهنگام و کاهش عوارض آن ایفا کند. در این مقاله، یک مدل ترکیبی به‌منظور افزایش دقت در پیش‌بینی سکته مغزی طراحی و پیاده‌سازی شده است. ساختار این مدل بر مبنای کلاسبند فازی است که با استفاده از الگوریتم بهینه‌سازی ازدحام ذرات ، بهینه‌سازی شده است. تابع هدف این الگوریتم بر مبنای بیشینه‌سازی دقت کلاسبندی تعریف گردیده است. پس از اعمال الگوریتم بهینه‌سازی ازدحام ذرات ، سه ویژگی سن، فشار خون و بیماری قلبی به عنوان مهم‌ترین عوامل در بروز سکته انتخاب شدند. نتایج شبیه‌سازی نشان داد که استفاده از این ویژگی‌ها باعث افزایش دقت و کاهش پیچیدگی مدل گردید. در این مقاله از سیستم فازی به جای مدل‌های متداولی مانند شبکه‌های عصبی استفاده شده است. دلیل این انتخاب، قابلیت سیستم فازی در ارائه خروجی پیوسته و بیان احتمال وقوع رخداد به جای پاسخ‌های گسسته است. این ویژگی، امکان ارزیابی میزان ریسک و تصمیم‌گیری تدریجی را فراهم کرده و با ماهیت نامعین و احتمالاتی داده‌های پزشکی همخوانی بیشتری دارد. در نهایت، مدل طراحی‌شده میتواند به عنوان یک ابزار تصمیمیار در سیستم‌های پشتیبان تصمیم پزشکی مورد استفاده قرار گیرد.

predicting the probability of stroke using fuzzy classifiers

stroke is one of the main causes of mortality and disability worldwide. timely and accurate prediction of this disease can play an effective role in prevention, early treatment, and reduction of its complications. in this paper, a hybrid model is designed and implemented to increase the accuracy of stroke prediction. the structure of this model is based on a fuzzy classifier that is optimized using the particle swarm optimization algorithm. the objective function of this algorithm is defined based on maximizing the classification accuracy. after applying the particle swarm optimization algorithm, three features of age, blood pressure, and heart disease were selected as the most important factors in stroke incidence. simulation results showed that using these features increased the accuracy and reduced the complexity of the model. in this paper, a fuzzy system is used instead of conventional models such as neural networks. the reason for this choice is the ability of the fuzzy system to provide continuous output and express the probability of occurrence of an event instead of discrete responses. this feature allows for risk assessment and gradual decision-making, and is more consistent with the uncertain and probabilistic nature of medical data. finally, the designed model can be used as a decision-support tool in medical decision support systems.