Persian Abstract

زمینه و هدف: بیماری عروق کرونری قلب، از شایع­ترین بیماری­ها در جوامع مختلف است. بهترین روش ارزیابی بیماری کرونر قلبی آنژیوگرافی است. مطالعه حاضر با هدف بررسی تأثیر پارامترهای بیماری با استفاده از روش­های هوشمند به منظور پیشگویی وضعیت عروق کرونری قلب انجام شده است. روش ­ها: این مطالعه از نوع تحلیلی بوده و پایگاه داده آن شامل 200 رکورد از نوع غیر قابل انتساب می­باشد. در این پژوهش از شبکه­ های عصبی­ مختلف MLP و LVQ و  BRبه منظور پیش­بینی بسته بودن یا نبودن عروق کرونری قلب استفاده شده است. همچنین اهمیت تأثیر ریسک فاکتورهای پیوسته بیماری کرونر قلب مورد بررسی قرار گرفته است. نتایج: مهم ­ترین معیارهای سیستم­ های تشخیص بیماری، دو شاخص ویژگی (Specificity) و حساسیت (Sensitivity) می­باشند. در این مطالعه، این دو شاخص در مرحله تست و آزمون مورد محاسبه قرار گرفتند. بهترین صحت مدل مربوط به شبکه عصبی پرسپترون چندلایه با قانون پس انتشار خطا و معادل 88 درصد بوده است. همچنین مشاهده شد که حذف پارامترهای گسسته در سرعت همگرایی شبکه عصبی تأثیر مثبت دارد و می ­تواند دقت پیش­ بینی را تا 85 درصد ارتقاء بخشد. نتیجه­ گیری: آنژیوگرافی یک روش تهاجمی است و علاوه بر هزینه گران آن همراه با ریسک­ هایی چون مرگ، سکته قلبی و سکته مغزی است. بنابراین باید از روش­ های غیر تهاجمی استفاده شود که پیش­ بینی بر اساس آن­ها دارای کمترین خطا و بیشترین اطمینان باشد. استفاده از روش­ های نوین داده­ کاوی می­ تواند به کاهش این عوارض کمک کند.

Title

The Effect of Continuous Parameters on the Diagnosis of Coronary Artery Disease Using Artificial Neural Networks

Abstract

Background & Aim: Coronary artery disease is among the common diseases in societies. The best method of assessing coronary artery diseases is through angiography. This study aimed at investigating the effect of disease parameters on the diagnosis of coronary artery disease using artificial neural networks. Methods: This analytic study included a database of 200 non-attributable records. In this research, different neural networks such as MLP, LVQ and BR were used to predict whether the coronary arteries were blocked or not. In addition, the importance of the continuous risk factors of coronary artery disease was studied. Results: The most important criteria of the diagnosis systems are the specificity and sensitivity indicators. In this study, these two indicators were calculated in the test. The best accuracy was observed in MLP, with a back-error propagation of 88%. It was also observed that the removal of discrete parameters positively affects neural network convergence speed so that the prediction accuracy could reach 85%. Conclusion: Angiography is a high-cost invasive procedure with risk factors such as death, stroke and heart attack. Therefore, noninvasive methods should be applied in order to minimize   error and maximize reliability to predict the disease. Using data mining methods can decrease the complications of the disease.