پیش بینی بیماری قلبی با استفاده از شبکه عصبی مصنوعی بهبود یافته

مقدمه: پیش بینی صحیح بیماری قلبی افراد از اهمیت زیادی برخوردار است، لذا برای این پیش بینی بایستی از آن دسته مدل هایی استفاده کرد که دارای حداقل خطا و حداکثر اطمینان باشد .از این رو در این مطالعه از ترکیب شبکه عصبی مصنوعی با الگوریتم ژنتیک جهت ارزیابی مبتلا بودن افراد به سکته قلبی و نارسایی احتقانی استفاده شد.مواد و روش ها: در این تحقیق از شبکه عصبی مصنوعی پرسپترون چندلایه با الگوریتم پس انتشار خطا که با الگوریتم ژنتیک ترکیب شده جهت ارزیابی وضعیت دو بیماری قلبی استفاده شد. در این مقاله با استفاده از روش نمونه گیری خوشه ای اطلاعات بیمارستان آیت الله گلپایگانی قم که شامل 497 بیمار قلبی بود جمع آوری شد و نتایج با استفاده از نمودار راک مورد ارزیابی قرار گرفت. در نهایت داده ها که مشتمل بر متغیرهای فردی و بالینی مانند سن، جنسیت، تنگی نفس، تغییرات فشارخون و تعدادی آزمایش خون بود توسط تابع انتقال سیگموئید و تانژانت سیگموئید انتخاب و با تعداد 19 نرون ورودی و پنج نرون لایه میانی شبکه عصبی آموزش داده شد. یافته‌ های پژوهش: بررسی ‌ها نشان داد که شبکه عصبی با پنج نرون لایه میانی دارای دقت بالاتری نسبت به سایر حالت ‌ها می‌ باشد و می ‌توان با ارائه این شبکه عصبی با دقت 97.7 درصد بیماران سکته قلبی را پیش بینی کرد.بحث و نتیجه گیری: در این مطالعه با ترکیب شبکه عصبی و الگوریتم ژنتیک مدلی جهت پیش بینی بیماری قلبی ارائه شد. در این پژوهش سعی شد که از فاکتورهای مهم و کم هزینه جهت پیش بینی بیماری قلبی استفاده شود به‌ طوری که با کمترین هزینه شخص از بیماری خود آگاهی پیدا کند.

Prediction of Cardiovascular Diseases Usingan Optimized Artificial Neural Network

Introduction: It is of utmost importance to predict cardiovascular diseases correctly. Therefore, it is necessary to utilize those models with a minimum error rate and maximum reliability. This study aimed to combine an artificial neural network with the genetic algorithm to assess patients with myocardial infarction and congestive heart failure. Materials Methods: This study utilized a multilayer perceptron artificial neural network and a backpropagation algorithm combined with a genetic algorithm to assess the condition of two patients with cardiovascular diseases. The medical records of 497 patients with cardiovascular diseases at Ayatollah Golpayegani Hospital, Qom, Iran, were collected using a clustering sampling method. The data were analyzed using a Receiver Operating Characteristics Curve. Eventually, the data, including personal and clinical variables of patients (i.e., age, gender, dyspnea, blood pressure variations, and blood test results) were selected using sigmoidtransfer and tangentsigmoid functions. Following that, the neural network was trained with 19 input neurons and 5 middlelayer neurons. Findings: According to the results, a neural network with 5 middlelayer neurons has more precision, compared to other modes. Therefore, it is possible to predict myocardial infarction in the patients using this neural network with a minimum of 97.7% precision. Discussion Conclusions: An artificial neural network was combined with a genetic algorithm and proposed as a model to predict myocardial infarction in this study. Moreover, it was attempted to utilize important and costeffective factors for cardiovascular diseases. As a result, the patients can be aware of their disease at the lowest cost.