---

  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.

  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 ۱۵۰ نفر از بیماران مرکز فوق تخصصی قلب مازندران استفاده شد. سپس شبکه عصبی مصنوعی با ساختار(۱-۱۲-۱۴) NN ، تابع انتقال سیگموئید و ۱۵۰۰ سیکل آموزشی بر اساس۸۰ درصد داده‌های موجود طراحی و آموزش داده شد. برای طراحی شبکه عصبی مصنوعی از نرم افزار Pythia-Neural Network استفاده شد.

  یافته ‌ ها: میانگین مربعات خطای مشاهده شده در مرحله تست به مقدار ۰۲۳۸/۰ کاهش یافت و حساسیت و ویژگی به ترتیب ۹۶/۰ و ۱ 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.

  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.

---

سابقه و هدف: در ‌طول تاریخ، بیماری‌ها بزرگ‌ترین تهدید برای بشر به‌شمار می‌روند. در این میان بیماری‌های قلبی از توجه ‏بیشتری در مطالعات پزشکی برخوردارند. در سال‌های اخیر، دسته‌بندی و تشخیص امراض قلبی به ‌عنوان یک مبحث کلیدی بررسی شده ‏و تحقیقات بسیاری در زمینه افزایش‌دقت و کاهش‌خطا در این‌گونه تصمیم‌گیری‌ها صورت گرفته ‌است. با ایجاد سیستم‌های هوشمند ‏یادگیر، این سیستم‌ها در پشتیبانی از تصمیمات و کاهش‌خطا نقش بزرگی را ایفا کرده‌اند.‏ مواد و روش‌ها: در این تحقیق، یک مدل ترکیبی ساده از رگرسیون‌ منطقی و شبکه ‌عصبی ‌پرسپترون تک‌ لایه ارایه شده‌است که با ‏چهار قانون یادگیری مختلف (به ‌صورت مجزا) آموزش می‌بیند. این مدل برای بهبود دسته‌بندی و بازشناسی الگوهای بیماری قلب، روی ‏اطلاعات بالینی ۲۷۰ بیمار از کلینیک کلیولند (‏Cleveland Clinic‏) (سایت ‏UCI‏) استفاده شد. این روش از نرمال ‌سازی آماری بهره ‏می‌گیرد و پس از تشخیص داده‌های مخدوش، آموزش شبکه فقط با ۲۰ درصد از داده‌های موجود انجام می‌شود. پیاده‌سازی مدل در ‏نرم‌افزار ‏Matlab‏ صورت گرفته است.‏ یافته‌ها: میانگین خطای مشاهده شده‌ مدل پیشنهادی روی کل مجموعه داده‌ها ۱۱/۱۱ درصد به ‌دست آمد که بهبود قابل ‏ملاحظه‌ای را نسبت به روش‌های مشابه اخیر نشان می‌دهد. همچنین، یافته‌ها نشان داد که مدل پیشنهادی در برخورد با اختلالات موجود ‏در داده‌ها بسیار توانمند عمل می‌کند.‏ استنتاج: تکنیک خطی مطرح شده تأثیر زیادی بر کاهش‌خطا در دسته‌بندی و شناسایی افراد بیمار نسبت به روش‌های متداول و غیر ‏خطی پیچیده با دقتی بیشتر و در زمانی کمتر داشته است. این روش برای تشخیص زود هنگام بیماری و یا به‌ عنوان یک سیستم پشتیبان ‏تصمیم می‌تواند به پزشک یاری رساند.‏

---

سابقه و هدف: امروزه بیماری‌هایی مانند پوکی استخوان که بدون هیچ علامتی ناگهان فرد مبتلا را به شکستگی‌های زیادی در نواحی مختلف بدن از جمله ستون فقرات، قفسه سینه، دست‌ها و پاها دچار می‌سازد و در نهایت باعث مرگی دردناک می‌شود در اغلب سالخوردگان مشاهده می‌شود. به گزارش وزارت بهداشت ۶/۴ درصد افراد ۲۰ تا ۷۰ سال در ایران به پوکی استخوان در ستون فقرات مبتلا هستند. هدف این مقاله تعیین عوامل تأثیرگذار در بروز پوکی استخوان و نیز ارائه مدل پیش‌بینی‌کننده‌ای برای تشخیص این بیماری به منظور افزایش سرعت تشخیص و نیز کاهش هزینه‌های تشخیصی می‌باشد. مواد و روش ها: اطلاعات مربوط به ۶۷۰ بیمار در چهار بخش اطلاعات فردی، سبک زندگی و اطلاعات بیماری‌ها و نتایج دستگاه DEXA بررسی شده است. در این مقاله مدل جدیدی بر اساس متدولوژی استاندارد CRISP ارائه شده است. در بخش مدل سازی از سه روش شناخته شده در داده کاوی به نام های درخت تصمیم CHAID و C۵,۰ و شبکه عصبی مصنوعی استفاده شده است. برای تحلیل داده ها از نرم افزار Celementine ۱۲.۰ استفاده شده است. یافته ها: در این تحقیق برای اولین بار در ایران ویژگی‌های تاثیرگذار بر پوکی استخوان در بیماران مورد بررسی قرار گرفته است. با استفاده از داده کاوی و روش‌های آن ویژگی‌های تاثیرگذار بر این بیماری شناسایی شده‌اند. به کمک درخت تصمیم ایجاد شده، قوانینی استخراج شده اند که می تواند به عنوان الگویی برای پیش بینی وضعیت بیماران از آن‌ها استفاده کرد. دقت مدل‌های ساخته شده با استفاده از الگوریتم‌های C.۵.۰، CHAID و شبکه عصبی مصنوعی با یکدیگر مقایسه شده‌اند. نتایج این مقایسه نشان می‌دهد هریک از این الگوریتم‌ها در پیش‌بینی گروهی از افراد بهتر عمل می‌کند. استنتاج: به طور کلی دقت الگوریتم‌های شبکه عصبی مصنوعی از الگوریتم‌های درخت تصمیم بیش‌تر است. بیش‌ترین عوامل تأثیر گذار بر پوکی استخوان شناسایی شدند. با توجه به قوانین ایجاد شده برای یک نمونه جدید با ویژگی‌های مشخص، می‌توان پیش‌بینی کرد بیمار احتمالا دچار پوکی استخوان خواهد شد یا خیر.

---

سابقه و هدف: به علت تنوع علائم آپاندیسیت حاد و اشتراک آن با بسیاری از بیماری‌های شکم، تشخیص آپاندیسیت حاد مشکل است. تاخیر در تأیید تشخیص آپاندیسیت می‌تواند، نتیجه ای مهلک برای بیماران داشته باشد. این مطالعه با هدف مقایسه مدل شبکه عصبی مصنوعی با آزمایش‌های متداول در تشخیص آپاندیسیت حاد انجام گرفت. مواد و روش‌ها: ۱۰۰ بیمار مشکوک به آپاندیسیت حاد وارد مطالعه شدند. تعداد گلبول‌های سفیدخون (WBC)، پروکلسیتونین (PCT)، پروتین واکنشی C (CRP) و درصد نوتروفیلی (PMN) عنوان آزمایش‌های متداول و مدل شبکه عصبی مصنوعی به عنوان یک روش ترکیبی و نتیجه گزارش پاتولوژی بافت آپاندیس، مبنای تشخیص بیماری در نظر گرفته شد. به منظور مقایسه دقت تشخیصی هر یک از آزمایش‌ها از منحنی راک ROC)) و جدول حساسیت و ویژگی استفاده گردید. یافته‌ها: میانگین سنی افراد در این مطالعه ۶۸/۱۲±۰۱/۲۸ سال بود که از این تعداد ۷۱ نفر (۷۱ درصد) مرد بودند. در تحلیل منحنی راک بیشترین سطح زیر منحنی مربوط به مدل شبکه عصبی بود. حساسیت مدل شبکه عصبی ۵۹/۹۷ درصد و میزان حساسیت آزمایش‌های CRP و WBC نیز به ترتیب برابر ۷۷/۹۲ درصد و ۵۴/۸۵ درصد به دست آمد. بالاترین دقت تشخیصی در میان روش‌های متداول تشخیص آپاندیسیت حاد، مربوط به مدل شبکه عصبی بود (۸۸ درصد). استنتاج: این مطالعه نشان داد استفاده از روش‌های ترکیبی ومدل شبکه عصبی می‌تواند نتایج بهتری برای تشخیص آپاندیسیت حاد به دنبال داشته باشد.

---

سابقه و هدف: اخیراً روش های هوشمند نظیر شبکه‌های عصبی مصنوعی به عنوان یک مدل کارآمد جهت پیش‌بینی و طبقه‌بندی تومورها مورد استفاده قرار گرفته‌اند. تشخیص خوش خیمی و یا بدخیمی توده‌های پستانی بر اساس خصوصیات مورفولوژیک، بالینی و دموگرافیک و بدون استفاده از روش‌های تهاجمی پاراکلینیکی بسیار با اهمیت است. هدف این پژوهش ارائه یک مدل شبکه عصبی برای پیش‌بینی وضعیت تومورهای پستان و مقایسه کارآمدی آن با مدل رایج رگرسیونی می‌باشد.

مواد و روش‌ها: Wisconsin Breast Cancer Database به عنوان مجموعه داده‌ای این تحقیق، مورد استفاده قرار گرفته است. این مجموعه، از طریق نتایج سیتولوژی تومورهای ناحیه پستان ۶۸۳ بیمار مختلف به دست آمده است. ویژگی‌هایی هم‌چون ضخامت توده، یکنواختی اندازه و شکل سلول و ... به عنوان متغیرهای ورودی مدل پیشنهادی به کار رفته‌اند. از الگوریتم ژنتیک (GA) برای تعیین بهترین ساختار و نیز آموزش مدل شبکه عصبی چند لایه استفاده و پیاده سازی آن در نرم‌افزار MATLAB انجام گردیده است. کارایی مدل شبکه عصبی پیشنهادی با رگرسیون لجستیک مقایسه و برازش مدل رگرسیون لجستیک در نرم‌افزار SPSS انجام شده است. برای محاسبه دقیق کارایی مدل‌ها از تکنیک
۵-fold cross validation استفاده شده است.

یافته‌ها: نتایج نشان داد که GA توانایی تعیین بهترین ساختار برای یک شبکه چند لایه را دارد و شبکه را نیز به نحو مطلوب آموزش می‌دهد. بر اساس نتایج حاصله، پس از اجراهای مختلف، بهترین مدل شبکه عصبی با ساختار NN(۹-۸-۶-۱) به دست آمد که دقت، حساسیت، ویژگی و سطح زیر منحنیROC آن به‌طور میانگین به‌ترتیب۹۷۱/۰، ۹۸۸/۰و۹۶۲/۰ و ۹۹۵۵/۰ بود. ضمن آن که مقادیر همین پارامترها برای رگرسیون لجستیک به ترتیب ۹۶۸/۰، ۹۷۵/۰، ۹۶۴/۰ و ۹۹۵۴/۰ به دست آمد.

استنتاج: بدین ترتیب مدل شبکه عصبی به دست آمده می‌تواند در کنار روش های تشخیصی غیر تهاجمی معمول، به عنوان یک سیستم پشتیبان تشخیص با حساسیت و ویژگی بالا، جهت شناسایی تومورهای خوش خیم و بدخیم پستان مورد استفاده قرار گیرد.

---

سابقه و هدف: علی رغم پیشرفت سریع در درمان‌های طبی و تکنولوژی مراقبت‌های حاد طی ۳۰ ساله اخیر در کنار افزایش هزینه‌های مراقبت‌های طبی، ‌آنالیز پیامدها از جمله پیش‌بینی خطر مرگ‌و‌میر از چالش‌های بخش‌های مراقبت ویژه بوده است. لذا هدف از مطالعه حاضر پیش‌بینی مرگ‌‌و‌‌میر نوزادان نارس بستری در NICU با استفاده از مدل شبکه عصبی مصنوعی است.

مواد و روش‌ها: این مطالعه روی پرونده  نوزادان نارس با سن حاملگی کم تر از ۳۷ هفته در بیمارستان قائم شهر طی سال های ۱۳۸۹-۱۳۸۶ با استفاده از نرم‌ابزار MATLAB انجام شد. ۱۰۰ پرونده نوزاد نارس با استفاده از ۲۱ متغیر، که ۸۰ درصد برای آموزش شبکه عصبی مصنوعی و و ۲۰ درصد برای آزمون مدل طراحی شده مورد استفاده قرار گرفت. برای جلوگیری از پراکندگی اطلاعات از سیستم کد‌بندی اطلاعات استفاده شد و از این کدها برای طراحی و آزمون مدل شبکه عصبی مصنوعی استفاده شد.

یافته‌ها: به ازای ۶۰ نورون و ۲۰ تکرار، صحت به حد مطلوب خود (صحت ۲/۹۵در صد در مرحله آموزش و صحت ۵۶/۹۴ درصد در مرحله آزمایش) رسید. در صورتی که تعداد تکرار از این حد بیش‌تر می‌شد الگوریتم به سمت پدیده آموزش بیش از حد (overtraining) پیش می‌رفت.

استنتاج: در اینجا روشی برای ایجاد مدل‌های ANN برای برآورد احتمال مرگ‌ومیر در نوزادان نارس با استفاده از ۲۱ متغیر معرفی شد. این مدل می‌تواند بالقوه برای پیش‌بینی بسیاری دیگر از پیامدهای NICU مانند پیش‌بینی طول دوره تهویه مکانیکی وعوارضی چون ناهنجاری‌های موجود در تصویربرداری عصبی، انتروکولیت نکروزان و دیسپلازی برونکوپولمونر مورد استفاده قرار گیرد.