دوره 11، شماره 2 - ( 3-1394 )
جلد 11 شماره 2 صفحات 359-349 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Andaieshgar B, Sedehi M, Kheiri S, Farahani Nia M. Comparsion of Classical Discriminant Methods with Artificial Neural Network Using Different Algoritm to the Diagnosis of Myocardial Infarction. J Health Syst Res 2015; 11 (2) :349-359
URL: http://hsr.mui.ac.ir/article-1-775-fa.html
URL: http://hsr.mui.ac.ir/article-1-775-fa.html
بهاره اندایش گر ، مرتضی سدهی ، سلیمان خیری ، مرحمت فراهانی نیا . مقایسه‌ی روش های ممیزی کلاسیک با شبکه ی عصبی مصنوعی به وسیله چند الگوریتم مختلف در تشخیص بیماری انفارکتوس میوکارد. مجله تحقیقات نظام سلامت. 1394; 11 (2) :349-359
1- دانشجوی کارشناسی ارشد آمار زیستی دانشگاه علوم پزشکی شهرکرد، شهرکرد، ایران
2- استادیار گروه آمار زیستی دانشکده بهداشت، دانشگاه علوم پزشکی شهرکرد، شهرکرد، ایران
3- دانشیار گروه آمار زیستی دانشکده بهداشت، دانشگاه علوم پزشکی شهرکرد، شهرکرد، ایران
4- مربی، عضو هیأت علمی دانشکده پرستاری و مامایی علوم پزشکی ایران، تهران، ایران
2- استادیار گروه آمار زیستی دانشکده بهداشت، دانشگاه علوم پزشکی شهرکرد، شهرکرد، ایران
3- دانشیار گروه آمار زیستی دانشکده بهداشت، دانشگاه علوم پزشکی شهرکرد، شهرکرد، ایران
4- مربی، عضو هیأت علمی دانشکده پرستاری و مامایی علوم پزشکی ایران، تهران، ایران
چکیده: (1099 مشاهده)
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
نوع مطالعه: پژوهشي |
موضوع مقاله:
آموزش بهداشت و ارتقاء سلامت
دریافت: 1399/4/26 | پذیرش: 1394/3/25 | انتشار: 1394/3/25
دریافت: 1399/4/26 | پذیرش: 1394/3/25 | انتشار: 1394/3/25
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
