fa کاربرد شبکه عصبی مصنوعی جهت ارزیابی بیماری عروق کرونری قلب پژوهشي-کامل Research(Original) <p>  سابقه و هدف: از آن‌جا یی که پیش‌بینی صحیح وضعیت بیماری افراد از اهمیت زیادی برخوردار است، لذا برای این پیش بینی بایستی از آن دسته مدل‌هایی استفاده کرد که دارای حداقل خطا و حداکثر اطمینان باشد. لذا در این مطالعه از روش شبکه عصبی مصنوعی که روش قوی‌تری نسبت به روش‌های موجود است جهت ارزیابی بسته‌بودن یا نبودن عروق کرونری قلب استفاده شد. </p><p>  مواد و روش ‌ ها: در این تحقیق از شبکه عصبی مصنوعی پرسپترون چند لایه با الگوریتم پس انتشار خطا جهت ارزیابی وضعیت بیماری عروق کرونری قلب در بین 150 نفر از بیماران مرکز فوق تخصصی قلب مازندران استفاده شد. سپس شبکه عصبی مصنوعی با ساختار(1-12-14) NN ، تابع انتقال سیگموئید و 1500 سیکل آموزشی بر اساس80 درصد داده‌های موجود طراحی و آموزش داده شد. برای طراحی شبکه عصبی مصنوعی از نرم افزار Pythia-Neural Network استفاده شد. </p><p>  یافته ‌ ها: میانگین مربعات خطای مشاهده شده در مرحله تست به مقدار 0238/0 کاهش یافت و حساسیت و ویژگی به ترتیب 96/0 و 1 به دست آمد. در نهایت مدل به دست آمده، افراد سالمی که نیاز به آنژیوگرافی و درمان‌های مربوط به عروق کرونری قلب نداشتند را به درستی طبقه‌بندی کرد. </p><p>  استنتاج: این روش به علّت ویژگی بالا می تواند از عوارض و آسیب‌های احتمالی آنژیوگرافی در بیمارانی که نیاز به آن ندارند را جلوگیری نماید. از طرف دیگر می‌تواند به علّت حساسیت بالا در بیمارانی که به‌طور واقعی به این اقدامات تشخیصی و درمانی نیاز دارند را جدا نماید. </p> Background and purpose: Since the human health is an essential issue in medical sciences, accurate predicting the individual's disease status is of great importance. Therefore, predicting with models minimum error and maximum certainty should be used. This study used artificial neural network model for predicting coronary artery disease (CAD) because it is more precise Comared to after models. Materials and methods: Multilayer perceptron (MLP) with post propagation error algorithm (EBP) for assessing the coronary artery disease was implemented on 150 patients admitted to the Mazandaran Heart Center, Sari. Then, based on the 80% of the available data, an artificial neural network with NN (14, 12, 1), sigmoid transfer function and 1500 epochs were designed and trained. The data were fed into Excel program and then softwares for artificial neural network designing such as Pythia-Neural Network were employed. Results: Mean square of the error in training step was decreased to the level of 0.0238 and sensitivity and specificity rates obtained were 0.96 and 1. In the end, the model correctly categorized some healthy individuals who did not require angiography and the treatment related to coronary artery diseases. Conclusion: Due to the high specificity index, this model prevents side effects of angiography in patients who do not require such interventions. Moreover, due to high sensitivity, it can diagnose the patients who really need such diagnostic measures. بیماری عروق کرونری قلب، شبکه عصبی مصنوعی، پرسپترون چند لایه Çoronary artery disease, artificial neural network, multilayer perceptron 9 17 http://jmums.mazums.ac.ir/browse.php?a_code=A-10-31-50&slc_lang=fa&sid=1 Reza ali Mohammadpour رضا علی محمد پور تهمتن 10031947532846007663 10031947532846007663 No Mohammad hadi Esmaeili محمدهادی اسماعیلی HadiËsmaeili@yahoo.com 10031947532846007664 10031947532846007664 Yes Ali Ghaemian علی قائمیان 10031947532846007665 10031947532846007665 No Javad Esmaeili جواد اسمعیلی 10031947532846007666 10031947532846007666 No