تحقیقات نظام سلامت، جلد ۱۱، شماره ۲، صفحات ۳۴۹-۳۵۹

عنوان فارسی مقایسه‌ی روش های ممیزی کلاسیک با شبکه ی عصبی مصنوعی به وسیله چند الگوریتم مختلف در تشخیص بیماری انفارکتوس میوکارد
چکیده فارسی مقاله 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 15/10، 85/89، 8888/0، 9083/0 ، 922/0 و در روش رگرسیون لجستیک برابر با 88/10، 12/89، 8743/0، 9110/0، 941/0 و برای شبکه عصبی مصنوعی منتخب برابر با 97/3، 03/96، 9561/0، 9644/0، 966/0 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. واژه‌های کلیدی: ممیزی درجه دو، رگرسیون لجستیک، شبکه عصبی مصنوعی، انفارکتوس میوکارد
کلیدواژه‌های فارسی مقاله

عنوان انگلیسی Comparsion of Classical Discriminant Methods with Artificial Neural Network Using Different Algoritm to the Diagnosis of Myocardial Infarction
چکیده انگلیسی مقاله Background: Discriminant analysis, as one of the classification methods, is one of the most practical statistical methods used in medical studies. In the case of classic statistical models which restricted to application, models such as artificial neural networks (ANNs) can be used for prediction and classification. In this study we compare the accuracy of ANN models against discriminant analysis and logistic regression models in Diagnosis of myocardial infarction.Methods: In this study the participants are 1000 case-control data, who suffered from Myocardial Infarction. Logistic regression, discriminant analysis and ANN models were fitted to the data. In ANN model three different algorithms used for training. The accuracy of models was compared using ROC analysis. SPSS, STATISTICA and SAS used for analysis.Findings: For quadratic discriminant method, prediction error percent, prediction correct percent, sensitivity, specificity and area under the ROC curve were 10.15, 89.85, 0.88, 0.90 and 0.92, respectively. Based on logistic regression method these measurements were 10.88, 89.12, 0.87, 0.91, and 0.94 , respectively. The results of ANN model showed that, these measurements were 3.97, 96.03, 0.95, 0.96 and 0.96, respectively. Between three training algorithms in ANN model, BFGS had the best performance.Conclusion: Findings demonestrad that the artificial nervation is more accurate for diagnosising Myocardial Infarction compared with logistic regression and quadratic discriminant methods. Key Words: Quadratic Discriminant, Logistic Regression, Artificial Nneural Network, Myocardial Infarction
کلیدواژه‌های انگلیسی مقاله

نویسندگان مقاله بهاره اندايش گر |
دانشجوي کارشناسي ارشد آمار زيستي دانشگاه علوم پزشکي شهرکرد، شهرکرد، ايران

مرتضي سدهي |
استاديار گروه آمار زيستي دانشکده بهداشت، دانشگاه علوم پزشکي شهرکرد، شهرکرد، ايران

سليمان خيري |
دانشيار گروه آمار زيستي دانشکده بهداشت، دانشگاه علوم پزشکي شهرکرد، شهرکرد، ايران

مرحمت فراهاني نيا |
مربي، عضو هيأت علمي دانشکده پرستاري و مامايي علوم پزشکي ايران، تهران، ايران


نشانی اینترنتی http://hsr.mui.ac.ir/index.php/jhsr/article/view/2160
فایل مقاله دریافت فایل مقاله
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده مقاله پژوهشی اصیل
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات