افزایش دقت و سرعت پیش بینی نتایج آنژیوگرافی با استفاده از ترکیب سیستم استنتاج عصبی-فازی و الگوریتم بهینه سازی ازدحام ذرات بر اساس داده های شهریور ماه سال ۱۳۹۲ بیمارستان کوثر شیراز

مقدمه: امروزه استفاده از یافته های هوش مصنوعی و داده کاوی برای کمک به پیش بینی زودهنگام بیماری عروق کرنری قلب مورد توجه پزشکان قرار گرفته است. هدف از این مقاله افزایش دقت و سرعت پیش بینی نتایج آنژیوگرافی با سیستم استنتاج فازی و الگوریتم بهینه سازی ازدحام ذرات است. مواد و روش ها: در این مقاله سیستم جدیدی با ترکیب استنتاج فازی و الگوریتم بهینه سازی ازدحام ذرات پیشنهاد و با نرم افزار MATLAB نسخه ۲۰۱۵ (۱۹۷۶۱۳/۰/۵/۸) شبیه سازی گردیده است. جامعه آماری این پژوهش شامل ۱۵۲ رکورد از اطلاعات پایگاه داده واقعی افرادی بود که در شهریورماه سال ۱۳۹۲ شمسی در بیمارستان کوثر شیراز تحت آنژیوگرافی عروق کرنری قرار گرفته بودند. داده های جمع آوری شده با نرم افزار اکسل نسخه ۲۰۱۰ آنالیز شده و پارامترهای مورد نیاز سیستم پیشنهادی محاسبه گردید. یافته های پژوهش: داده ها به ۲۰ دسته، شامل داده های آموزش و آزمون متفاوت، به صورت تصادفی از کل مجموعه داده تقسیم شدند. در هر دسته، ۸۵ درصد برای مرحله آموزش و ۱۵ درصد باقیمانده برای مرحله آزمون در نظر گرفته شد و شبیه سازی برای هر دسته داده به طور جداگانه صورت گرفت. نتایج حاصل بر اساس شاخص های حساسیت، اختصاصیت، دقت و صحت در دسته بندی افراد، به طور میانگین به ترتیب معادل اعداد ۸۴۲۲/۰، ۹۱۹۲/۰، ۸۵۵۴/۰ و ۸۸۸۸/۰ بوده است و در بهترین حالت معادل عدد ۱ به دست آمده است. بحث و نتیجه گیری: نتایج نشان می دهد سیستم پیشنهادی عملکرد مناسبی در پیش بینی نتایج آنژیوگرافی دارد و می تواند به منظور دسته بندی افراد به دو کلاس نرمال و بیمار استفاده شود. به کارگیری سیستم عصبی-فازی و ترکیب آن با الگوریتم بهینه سازی ازدحام ذرات موجب بهبود سرعت و دقت در این مطالعه شده است.  

Keywords:

Particle swarm optimization , Coronary artery disease , Adaptive neuro-fuzzy inference system , الگوریتم بهینه سازی ازدحام ذرات , بیماری عروق کرنری , سیستم استنتاج عصبی-فازی