fa تشخیص بیماری عروق کرونر قلب با استفاده از روش ترکیب خبره‌ها هوش مصنوعی در حوزه سلامت Artificial Intelligence in Healthcare پژوهشي اصیل Original Article <div style="text-align: justify;"><span style="color:#000000;"><span style="font-family:Tahoma;"><strong>مقدمه</strong>: بیماری عروق کرونر قلب، شایعترین بیماری قلبی است و از علل اصلی مرگ در زنان و مردان است. این مطالعه با هدف پیش بینی وضعیت این بیماری با استفاده از روش ترکیب شبکه های عصبی (ترکیب خبره ها) انجام شد.<br> <strong>روش</strong>: این تحقیق از نوع تشخیصی و بر روی 200 نفر از مراجعین به مرکز تخصصی قلب و عروق شهرستان تربت حیدریه انجام شد. پرونده مراجعین حاوی اطلاعات دموگرافیک بیماران شامل 13 ریسک فاکتور بود. تولید مدل پیش بینی بیماری عروق کرونر قلب بر اساس شبکه های عصبی پرسپترون چندلایه و سپس جمع بندی نظرات آنها انجام شد.<br> <strong>نتایج</strong>: در ابتدا از یک شبکه عصبی پرسپترون چندلایه با الگوریتم پس انتشار خطا استفاده گردید. بهترین معماری توانست با دقت 71/7% بسته بودن عروق کرونر قلب را پیش بینی کند. سپس با افزایش تعداد شبکه ها و تعلیم آنها، ترکیب نتایج با یکدیگر انجام شد. ترکیب خبره ها با روش خطی رأی اکثریت و غیرخطی شبکه عصبی راه گاهی انجام و دقت پیش بینی به ترتیب 75/8 %و 78/3 %به دست آمد.<br> <strong>نتیجه گیری</strong>: آنژیوگرافی یک روش تهاجمی و همراه با ریسک هایی مانند سکته قلبی و مغزی است؛ لذا باید از روش های غیرتهاجمی در تشخیص عروق کرونر قلب استفاده کرد. در این مطالعه با افزایش تعداد یادگیرها و سپس ترکیب غیرخطی آنها دقت تشخیص افزایش یافت.</span></span></div> <div style="text-align: justify;"><span style="color:#000000;"><strong>Introduction</strong>: Coronary Artery Disease (CAD) is one of the most common heart diseases and the main cause of mortality in men and women. This study aimed to predict the disease status using Neural Network compound (mixture of experts).<br> <strong>Methods</strong>: The present study was a diagnostic study conducted on 200 patients referred to a heart specialty center in Torbat-e-Heydarieh. Patients&#39; files contained their demographic information including13 risk factors. A model for predicting CAD based on multilayer perceptron neural network and mixture of experts was produced.<br> <strong>Results</strong>: First, we used a neural network of multilayer perceptron with Propagation algorithm by different architectures. The best architecture could predict closed coronary artery with the accuracy of 71.7%. Then, by increasing the number of neural networks and training process, results were combined. Mixture of experts by liner method (majority voting) and nonlinear method (gating network) was applied and the accuracy rates of 75.8 percent and 78.3 percent were respectively obtained.<br> <strong>Conclusion</strong>: Angiography is an invasive diagnostic procedure with risk factors such as stroke and heart attack. Therefore, non-invasive methods should be used for the diagnosis of CAD. In this study, with increasing the number of learners and their nonlinear mixture, the accuracy of diagnosis was increased.</span></div> بیماری عروق کرونر قلب, شبکه عصبی مصنوعی, ترکیب خبره‌ها Diagnosing Coronary Heart Disease, Artificial Neural Network, Mixture of expert 274 285 http://jhbmi.ir/browse.php?a_code=A-10-259-3&slc_lang=fa&sid=1 Majid Hassanzadeh مجید حسن زاده m.hassanzadeh@gmail.com 10031947532846005931 10031947532846005931 No Ph.D in Higher Education Management, Assistant Professor, Nursing Dept., Torbat Heydarieh University of Medical Sciences, Torbat Heydarieh, Iran دانشجوی دکتری کامپیوتر، دانشکده برق و کامپیوتر، واحد تهران شمال، دانشگاه آزاد اسلامی، تهران، ایران Iman Zabbah ایمان ذباح imanzabbah@gmail.com 10031947532846005932 10031947532846005932 Yes PhD Student in Computer, School of Electrical and Computer, Tehran North Branch, Islamic Azad University, Tehran, Iran دکتری مدیریت آموزش عالی ،گروه پرستاری، دانشگاه علوم پزشکی تربت حیدریه، تربت حیدریه، ایران Kamran Layeghi کامران لایقی kamilayeghi@gmail.com 10031947532846005933 10031947532846005933 No Ph.D. in Computer, Assistant Professor, Department of Computer, North Tehran Branch, Islamic Azad University, Tehran, Iran. دکتری کامپیوتر، استادیار گروه کامپیوتر، دانشکده برق و کامپیوتر، واحد تهران شمال، دانشگاه آزاد اسلامی، تهران، ایران