افزايش دقت و سرعت پيش بيني نتايج آنژيوگرافي با استفاده از تركيب سيستم استنتاج عصبي-فازي و الگوريتم بهينه سازي ازدحام ذرات بر اساس داده هاي شهريور ماه سال 1392 بيمارستان كوثر شيراز

Increasing the Speed and Precision of Prediction of the Results of Angiography by Using Combination of Adaptive Neuro-Fuzzy Inference System and Particle Swarm Optimization Algorithm based on Data from Kowsar Hospital of Shiraz

امروزه استفاده از يافته هاي هوش مصنوعي و داده كاوي براي كمك به پيش بيني زودهنگام بيماري عروق كرنري قلب مورد توجه پزشكان قرار گرفته است. هدف از اين مقاله افزايش دقت و سرعت پيش بيني نتايج آنژيوگرافي با سيستم استنتاج فازي و الگوريتم بهينه سازي ازدحام ذرات است. مواد و روش ها در اين مقاله سيستم جديدي با تركيب استنتاج فازي و الگوريتم بهينه سازي ازدحام ذرات پيشنهاد و با نرم افزار MATLAB نسخه 2015 (8/5/0/197613) شبيه سازي گرديده است. جامعه آماري اين پژوهش شامل 152 ركورد از اطلاعات پايگاه داده واقعي افرادي بود كه در شهريورماه سال 1392 شمسي در بيمارستان كوثر شيراز تحت آنژيوگرافي عروق كرنري قرار گرفته بودند. داده هاي جمع آوري شده با نرم افزار اكسل نسخه 2010 آناليز شده و پارامترهاي مورد نياز سيستم پيشنهادي محاسبه گرديد. يافته هاي پژوهش: داده ها به 20 دسته، شامل داده هاي آموزش و آزمون متفاوت، به صورت تصادفي از كل مجموعه داده تقسيم شدند. در هر دسته، 85 درصد براي مرحله آموزش و 15 درصد باقيمانده براي مرحله آزمون در نظر گرفته شد و شبيه سازي براي هر دسته داده به طور جداگانه صورت گرفت. نتايج حاصل بر اساس شاخص هاي حساسيت، اختصاصيت، دقت و صحت در دسته بندي افراد، به طور ميانگين به ترتيب معادل اعداد 0/8422، 0/9192، 0/8554 و 0/8888 بوده است و در بهترين حالت معادل عدد 1 به دست آمده است. بحث و نتيجه گيري: نتايج نشان مي دهد سيستم پيشنهادي عملكرد مناسبي در پيش بيني نتايج آنژيوگرافي دارد و مي تواند به منظور دسته بندي افراد به دو كلاس نرمال و بيمار استفاده شود. به كارگيري سيستم عصبي-فازي و تركيب آن با الگوريتم بهينه سازي ازدحام ذرات موجب بهبود سرعت و دقت در اين مطالعه شده است.

With regards to the importance of early prognosis of coronary artery diseases, in recent years the use of the latest artificial intelligence and data mining findings is considered to assist physicians. The purpose of this study was to increase the precision and prediction speed for the results of angiography by using a combination of fuzzy inference systems and particle swarm optimization algorithm. Materials & Methods: A new system consisting of a combination of fuzzy inferences and particle swarm optimization algorithm was proposed and simulated by MATLAB software R2015a (8.5.0.197613). The samples consisted of 152 patients who were randomly selected from those undergone coronary artery angiographies in Kowsar Hospital of Shiraz, Iran, in August 2013. The data were then analyzed by Excel 2010 and the essential parameters of the proposed system were extracted. Findings: The data were then randomly divided into 20 groups for training and testing. These groups were selected randomly in a manner that 85% of the data were used for training and 15% for testing, and each group was simulated individually. The results of the simulation after 20 rounds of simulation with different training and testing data in system performance indicators displayed that the average of sensitivity, specificity, precision, and accuracy was 0.8422, 0.9192, 0.8554, and 0.8888, respectively, and it was equal to 1 in the most optimal situations. Discussion & Conclusions: High performance indicators prove that the proposed system has a satisfactory performance in predicting the results of angiography and classifying them into two classes of normal and patient. In fact, in this study, prediction speed and precision were improved by using the proposed system, which was based on neuro-fuzzy inference system in combination with particle swarm optimization meta-heuristic algorithm.