مقاله مدل پیش بینی بیماری عروق کرونر با استفاده از شبکه های عصبی و گزینش متغیر مبتنی بر درخت رگرسیون و طبقه بندی که چکیده‌ی آن در زیر آورده شده است، در آذر و دی ۱۳۹۲ در مجله دانشگاه علوم پزشکی شهرکرد از صفحه ۴۷ تا ۵۶ منتشر شده است.
نام: مدل پیش بینی بیماری عروق کرونر با استفاده از شبکه های عصبی و گزینش متغیر مبتنی بر درخت رگرسیون و طبقه بندی
این مقاله دارای ۱۰ صفحه می‌باشد، که برای تهیه‌ی آن می‌توانید بر روی گزینه‌ی خرید مقاله کلیک کنید.
کلمات مرتبط / کلیدی:
مقاله بیماری عروق کرونر
مقاله مدل سازی بیماری
مقاله شبکه های عصبی
مقاله گزینش متغیر

نویسنده(ها):
جناب آقای / سرکار خانم: محمودی عیسی
جناب آقای / سرکار خانم: عسکری مقدم رضا
جناب آقای / سرکار خانم: معظم محمدهادی
جناب آقای / سرکار خانم: صادقیان سعید

چکیده و خلاصه‌ای از مقاله:
زمینه و هدف: با توجه به آنکه خطرات اجرای روش های تشخیص تهاجمی در بیماری عروق کرونر از جمله آنژیوگرافی قابل ملاحظه می باشد و از طرفی تجارب موفقیت آمیزی در مورد روش های داده کاوی در پزشکی حاصل شده است؛ لذا این مطالعه با هدف تولید مدلی مبتنی بر تکنیک داده کاوی شبکه های عصبی که قابلیت پیش بینی بیماری عروق کرونر را داشته باشد انجام شده است.
روش بررسی: در این مطالعه توصیفی-تحلیلی، مجموعه داده ای شامل ۹ ریسک فاکتور از اطلاعات ۱۳۲۲۸ نفر که در مرکز قلب تهران آنژیوگرافی شده بودند (۴۰۵۹ نفر فاقد بیماری عروق کرونر و ۹۱۶۹ نفر مبتلا به این بیماری) مورد استفاده قرار گرفت. تولید مدل پیش بینی بیماری عروق کرونر بر اساس شبکه عصبی پرسپترون چند لایه و روش گزینش متغیر، مبتنی بر درخت رگرسیون و طبقه بندی می باشد که هر دو با استفاده از نرم افزار Statistica انجام شده است. برای مقایسه و انتخاب بهترین مدل از آنالیز منحنی راک استفاده گردید.
یافته ها: پس از هفت مرتبه مدل سازی و مقایسه مدل های تولید شده، مدل نهایی تشکیل شده از کل ریسک فاکتورهای موجود با سطح زیر منحنی راک ۰٫۷۵۴، دقت ۷۴٫۱۹%، حساسیت ۹۲٫۴۱% و ویژگی ۳۳٫۲۵% بدست آمد. در نتیجه انجام گزینش متغیر نیز مدلی متشکل از ۴ ریسک فاکتور با سطح زیر منحنی راک ۰٫۷۳۷، دقت ۷۴٫۱۹%، حساسیت ۹۳٫۳۴% و ویژگی ۳۱٫۱۷% تولید شد.
نتیجه گیری: در این مطالعه مدل بدست آمده مبتنی بر شبکه های عصبی، علاوه بر توانایی بالا در تشخیص افراد بیمار، تعداد قابل قبولی از افرادی که فاقد بیماری عروق کرونر بودند را نیز شناسایی کرد. همچنین، بکار گیری تکنیک های گزینش متغیر در این مطالعه نیز نتایج خوبی در زمینه کاهش پیچیدگی مدل به همراه داشت و منجر به تولید مدلی متشکل از تنها چهار ریسک فاکتور سن، جنس، دیابت و فشارخون بالا گردید.