پيش بيني بيماري قلبي با استفاده از شبكه عصبي مصنوعي بهبود يافته

Prediction of Cardiovascular Diseases Using an Optimized Artificial Neural Network

مقدمه: پيش بيني صحيح بيماري قلبي افراد از اهميت زيادي برخوردار است، لذا براي اين پيش بيني بايستي از آن دسته مدل هايي استفاده كرد كه داراي حداقل خطا و حداكثر اطمينان باشد .از اين رو در اين مطالعه از تركيب شبكه عصبي مصنوعي با الگوريتم ژنتيك جهت ارزيابي مبتلا بودن افراد به سكته قلبي و نارسايي احتقاني استفاده شد. مواد و روش ها: در اين تحقيق از شبكه عصبي مصنوعي پرسپترون چندلايه با الگوريتم پس انتشار خطا كه با الگوريتم ژنتيك تركيب شده جهت ارزيابي وضعيت دو بيماري قلبي استفاده شد. در اين مقاله با استفاده از روش نمونه گيري خوشه اي اطلاعات بيمارستان آيت الله گلپايگاني قم كه شامل 497 بيمار قلبي بود جمع آوري شد و نتايج با استفاده از نمودار راك مورد ارزيابي قرار گرفت. در نهايت داده ها كه مشتمل بر متغيرهاي فردي و باليني مانند سن، جنسيت، تنگي نفس، تغييرات فشارخون و تعدادي آزمايش خون بود توسط تابع انتقال سيگموئيد و تانژانت سيگموئيد انتخاب و با تعداد 19 نرون ورودي و پنج نرون لايه مياني شبكه عصبي آموزش داده شد. يافته‌ هاي پژوهش: بررســــي ‌ها نشان داد كه شبكه عصبي با پنج نرون لايه مياني داراي دقت بالاتري نسبت به ساير حالت ‌ها مي‌ باشد و مي ‌توان با ارائه اين شبكه عصبي با دقت 7/97 درصد بيماران سكته قلبي را پيش بيني كرد. بحث و نتيجه گيري: در اين مطالعه با تركيب شبكه عصبي و الگوريتم ژنتيك مدلي جهت پيش بيني بيماري قلبي ارائه شد. در اين پژوهش سعي شد كه از فاكتورهاي مهم و كم هزينه جهت پيش بيني بيماري قلبي استفاده شود به‌ طوري كه با كمترين هزينه شخص از بيماري خود آگاهي پيدا كند.

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 multi-layer 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 sigmoid-transfer and tangent-sigmoid functions. Following that, the neural network was trained with 19 input neurons and 5 middle-layer neurons. Findings: According to the results, a neural network with 5 middle-layer 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 cost-effective factors for cardiovascular diseases. As a result, the patients can be aware of their disease at the lowest cost.