دوره 5، شماره 4 - ( زمستان 1397 )
جلد 5 شماره 4 صفحات 468-457 |
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:
Mousavi R, Sepehri M M. Comparison of Three Decision-Making Models in Differentiating Five Types of Heart Disease: A Case Study in Ghaem Sub-Specialty Hospital. jhbmi 2019; 5 (4) :457-468
URL: http://jhbmi.ir/article-1-314-fa.html
URL: http://jhbmi.ir/article-1-314-fa.html
موسوی راحیل، سپهری محمدمهدی. مقایسه سه مدل تصمیم‌گیری در افتراق پنج نوع بیماری قلبی (مطالعه موردی: بیمارستان فوق تخصصی قائم کرج). مجله انفورماتیک سلامت و زیست پزشکی. 1397; 5 (4) :457-468
دانشجوی دکتری مهندسی صنایع، دانشکده فنی و مهندسی، دانشگاه علوم و تحقیقات، تهران، ایران
چکیده: (5110 مشاهده)
مقدمه: بیماریهای قلبی- عروقی در حال تبدیلشدن به اصلیترین عامل مرگ‌ومیر و ناتوانی بشر در اغلب کشورهای دنیا هستند. هدف از انجام این پژوهش، پیشبینی انواع بیماریهای قلبی جهت تشخیص دقیقتر به وسیله تکنیکهای داده‌کاوی و شبکه عصبی میباشد.
روش: این پژوهش به صورت کاربردی-پیمایشی انجام و پس از پیشپردازش دادهها از سه رویکرد شبکه عصبی، درخت تصمیم‌گیری و الگوریتم ساده بیزی برای پیشبینی و تشخیص در نرم افزار Rapid miner و از مدل شبکه عصبی مصنوعی برای پیشبینی در نرمافزار Matlab استفاده شد.
نتایج: از الگوریتم ژنتیک برای انتخاب متغیرهای مؤثر و برای پیشبینی انواع بیماری قلبی، در داده‌کاوی از مدلهای شبکه عصبی مصنوعی، درخت تصمیم‌گیری و الگوریتم ساده بیزی استفاده شد. همچنین از مدل AHP برای تعیین مدل با بهترین عملکرد پیشبینی انواع بیماریهای قلبی استفاده شد.
نتیجه گیری: شبکه عصبی عملکرد بسیار بهتری نسبت به مدلهای داده‌کاوی دیگر ارائه شده در تشخیص انواع بیماریهای قلبی در این پژوهش دارد. همچنین در تشخیص بیماری به وسیله شبکه عصبی مصنوعی، مدل با دقت بالای 80 درصد، خوب و مورد قبول واقع شد.
روش: این پژوهش به صورت کاربردی-پیمایشی انجام و پس از پیشپردازش دادهها از سه رویکرد شبکه عصبی، درخت تصمیم‌گیری و الگوریتم ساده بیزی برای پیشبینی و تشخیص در نرم افزار Rapid miner و از مدل شبکه عصبی مصنوعی برای پیشبینی در نرمافزار Matlab استفاده شد.
نتایج: از الگوریتم ژنتیک برای انتخاب متغیرهای مؤثر و برای پیشبینی انواع بیماری قلبی، در داده‌کاوی از مدلهای شبکه عصبی مصنوعی، درخت تصمیم‌گیری و الگوریتم ساده بیزی استفاده شد. همچنین از مدل AHP برای تعیین مدل با بهترین عملکرد پیشبینی انواع بیماریهای قلبی استفاده شد.
نتیجه گیری: شبکه عصبی عملکرد بسیار بهتری نسبت به مدلهای داده‌کاوی دیگر ارائه شده در تشخیص انواع بیماریهای قلبی در این پژوهش دارد. همچنین در تشخیص بیماری به وسیله شبکه عصبی مصنوعی، مدل با دقت بالای 80 درصد، خوب و مورد قبول واقع شد.
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
