تشخیص بیماری عروق کرونری
طاهره مصطفویدر۱۴۰۳/۲/۱۸
(سیارک) بیماری قلبی عروقی، گروهی از اختلالات قلب و عروق خونی آن می باشند از جمله بیماری عروق کرونر (CAD)، بیماری عروق مغزی، بیماری شریانی محیطی، بیماری روماتیسمی قلب، بیماری مادرزادی قلبی، آمبولی ریه. در میان این بیماریها، CAD عمومی ترین نوع بیماری قلبی عروقی است که سالانه باعث 600.000 مرگ در اتحادیه اروپا (Wilson et al., 1998) می شود. این بیماری، بزرگ ترین قاتل مردان و زنان آمریکایی است که در سال 2006، از هر 6 مرگ، یک مورد به این بیماری مربوط می شد. هزینه محاسباتی مستقیم و غیرمستقیم CAD در آمریکا در سال 2010، 177.1میلیارد دلار بود (American Heart Association, 2010). در انگلستان، CAD باعث بیش از 120.000 مرگ درسال 2001 شد (British Heart Foundation, 2003). در سراسرجهان، از آنجاییکه کشورهای درحال توسعه انتقال اپیدمولوژیکی را از قحطی به بیماری دژنراتیو تجربه می کنند، بیماری عروق کرونری بصورت بیماری همه گیر در می آید. بعلاوه، CAD بر جمعیت جوانتر تاثیر گذاشته و می تواند بصورت منفی بر تولید و نیروی کار تاثیرگذار باشد. سازمان بهداشت جهانی، حدود 11.1 میلیون مرگ از CAD را برای سال 2020 برآورد می کند.
در CAD، تغییرات در یک یا چند عروق کرونری، باعث جریان خون نامناسب به قلب می شود که این نیز به توسعه پلاک های آترواسکلروتیک در دیوارهای عروق کرونری، باریک شدن لومن عروق کرونری و در نتیجه انسداد و انفارکتوس میوکاردی یا مرگ ناگهانی می شود. شناسایی عوامل ریسک قلبی عروقی، اقدامات بازدارنده، تشخیص آن، و درمان به موقع، اهمیت بالایی برای کاهش عوارض قلبی و مرگ و میر دارند.
چندین روش تشخیص کامپیوتری در آثار برای تشخیص CAD پیشنهاد شده اند. بویژه، استفاده از روشهایی همچون شبکه های عصبی مصنوعی (Patil& Kumaraswamy, 2009; Resul, Ibrahim, & Abdulkadir, 2009; Ture,Kurt, & Kurum, 2008)، نایو بیز، ماشین بردار پشتیبان، درخت تصمیم گیری قبلا گزارش شده اند.
حتی اگر این روشها، دقت طبقه بندی خوبی داشته باشند، تفسیر نتایج سخت است.
آنها را روش جعبه سیاه می نامند چون تنها بر دقت طبقه بندی تاکید دارند.
اگرچه سیستم های طبقه بندی کننده مبتنی بر قوانین، که درTsipouras et al. (2008) و Adeli and Neshatگزارش شده اند، قوانین قابل تفسیری ارائه می دهند، فاقد استحکام داده های از دست رفته می باشند.
سیستم های تخصصی، شاخه ای از هوش مصنوعی هستند که مشکلات را در سطح تخصص انسان حل کرده و از دانش خاص ارائه شده توسط مجموعه قوانین استفاده می کنند. فازی بودن و عدم دقت که در ذات بیوشیمی می باشند را می توان با منطق فازی حل کرد. سیستم تخصص فازی (FES)، سیستم تخصصی ساده ای می باشد که شامل مجموعه قوانین فازی و توابع عضویت می باشد همچون کسب دانش، که مهمترین مسئله در طراحی سیستم تخصص فازی است. بطور کلی، دانش را می توان از متخصصین در زمینه خاص کسب کرد. زمانیکه افزایشی در تعداد قوانین FES وجود دارد، تعریف مجموعه قوانین کامل برای متخصصین سخت است. همچنین، عملکر سیستم را می توان با تنظیم تابع عضویت و با استفاده از الگوریتم های بهینه سازی افزایش داد .
این مقاله، سیستم تخصصی فازی مبتنی بر بهینه سازی ازدحام ذره جدید را پیشنهاد می دهد که شامل چهار مرحله می باشد. در مرحله اول، داده های از دست رفته، با استفاده از نزدیک ترین hot deck imputation مجاور بسته می شوند درحالیکه در مرحله دوم، رسانش درخت تصمیم گیری و مجموعه قوانین، از آن استخراج می شود. در مرحله سوم، قوانین قطعی به قانون پایه فازی و با استفاده از توابع عضویت فازی تبدیل می شوند. در نهایت، در مرحله چهارم، تابع عضویت فازی به وسیله PSO تنظیم می شود. مدل فازی با پارامترهای بهینه، به FES نهایی منجر می شود. از آنجاییکه FES تولیدی براساس مجموعه قوانین می باشد، قادر به ارائه تفاسیری برای تصمیمات خود هستند.
استفاده از درخت تصمیم گیری در مرحله اول، دارای مزیت کشف دانش جدید بوده و تکنیک موثری برای وظایف طبقه بندی است. این مقاله ادامه دارد..... ترجمه itrans.ir
در سیارک بخوانیم:
بیماری قلبی عروقی
اندوکاردیت عفونی قلب (علائم و درمان)
عرق شدید نشانه اولیه حمله قلبی است
وضعیت قلب ناسالم 5 علامت
رابطه اضطراب سلامتی و احتمال افزایش بیماری قلبی
عوامل تشکیل دهنده حملات قلبی
سرمای هوا باعث تشديد بيماريهاي قلبی و عروقی می شود
