Management Strategies in Health System

fa طراحی سیستم تصمیم یار جهت تشخیص و پیش بینی بیماری قلبی با استفاده از شبکه عصبی مصنوعی؛ مطالعه موردی (بیمارستان آیت الله گلپایگانی قم) Design of a Decision Support System to Diagnose and Predict Heart Disease using Artificial Neural Network; a case study (Ayatollah Golpayegani Hospital in Qom) تخصصي Special پژوهشي Research <div style="text-align: justify;">زمینه و هدف: با توجه به شیوع زیاد بیماری‌های قلبی عروقی در کشور و زیاد بودن بار مرگ و میر این بیماری، پیش بینی صحیح وضعیت بیماری افراد از اهمیت زیادی برخوردار است، لذا برای این پیش بینی بایستی از مدل‌هایی استفاده کرد که دارای حداقل خطا و حداکثر اطمینان باشد. از این‌رو در این مطالعه از روش شبکه عصبی مصنوعی جهت ارزیابی مبتلا بودن افراد به سکته قلبی و نارسایی احتقانی استفاده شد. روش پژوهش: در مطالعه مقطعی حاضر ابتدا تمام پرونده‌های 2 سال اخیر بیماران قلبی بیمارستان آیت الله گلپایگانی قم ( 497 نفر) مورد بررسی قرار گرفت. 19 ویژگی مهم از پرونده‌ها استخراج و از شبکه عصبی مصنوعی پرسپترون چند لایه با الگوریتم پس انتشار خطا جهت ارزیابی وضعیت بیماری قلبی استفاده شد. تابع انتقال سیگموئید و تانژانت سیگموئید انتخاب و با تعداد 19 نورون لایه ورودی، 6 نورون لایه میانی و 75 درصد داده‌های موجود، شبکه عصبی در Matlab آموزش داده شد. یافته‌ها: در ابتدا میانگین مربعات خطا 0/35 بود که با نرمال‌ سازی داده‌ها از طریق روش کمینه بیشینه به 0/04 کاهش یافت و مدل ارائه شده به دقت 89/50 درصد دست پیدا کرد. با توجه به نتایج به دست آمده و مناسب بودن مقادیر حساسیت و ویژگی، مدل پیشنهادی می‌تواند سکته قلبی و نارسایی احتقانی را به درستی طبقه بندی کند. نتیجه گیری: این مطالعه شبکه عصبی را طراحی کرد که با دقت مناسب بیماری قلبی را پیش بینی کرد. این پیش بینی بر اساس استفاده از یک سری متغیرهای فردی و بالینی مانند سن، جنسیت، تنگی نفس، تغییرات فشارخون و تعدادی آزمایش خون انجام شد. در این پژوهش سعی شد که از فاکتورهای مهم و کم هزینه جهت پیش بینی بیماری قلبی استفاده شود به‌طوریکه با کمترین هزینه شخص می‌تواند از بیماری خود اگاهی پیدا کند.</div> <div style="text-align: justify;">Background: Considering the prevalence of cardiovascular diseases in Iran and the high rate of death caused by these diseases, correct prediction of patients' situation is important. So, it is necessary to use the prediction models with minimum error and maximum reliability. Artificial neural network (ANN) was used to evaluate the patients who had myocardial infarction or congestive heart failure. Methods: In this study, data of 497 patients were extracted from medical records who they  were hospitalized in Ayatollah Golpayegani Hospital in Qom in 2018. In this regard, 19 important features of these profiles were extracted and a particular type of ANN called the Multi-Layer Perceptron (MLP) with Back propagation algorithm was used to evaluate the status of patients with heart failure. The sigmoid transfer function and tangent sigmoid transfer function were selected and trained using 19 neurons in the input layer, 6 neurons in the middle layer, and 75 % of the existing data. Neural network training was done using Matlab software. Results: The mean square error was 0.35 prior to data normalization, which reduced to 0.04 after data standardizing using the minimum and maximum method. The accuracy of the predictive model reached 89.50 % on the validation dataset. Considering the high sensitivity and specificity of the predictive model, it seems to have a good predictive power to classify patients accurately. Conclusion: This study, a neural network model was developed, which could predict heart failures accurately. The prediction is based on the use of a series of individual and clinical variables such as age, gender, shortness of breath, changes in blood pressure, and some blood tests. In this study, we tried to use important and low-cost factors for predicting heart disease, so that all people can be aware of their diseases with a lowest cost.  </div> بیماری‌ قلبی, داده کاوی, مدل شبکه عصبی Heart disease, Data mining, Neural network model 320 331 http://mshsj.ssu.ac.ir/browse.php?a_code=A-10-1-75&slc_lang=fa&sid=1 Jalal Rezaenoor جلال رضایی نور 0000-0002-3759-2607 Yes Associate Professor, Department of Industrial Engineering, School of Technology and Engineering, University of Qom, Qom, Iran دانشیار، گروه مهندسی صنایع، دانشکده فنی و مهندسی، دانشگاه قم، قم، ایران Ghofran Saadi غفران سعدی 0000-0003-4554-8558 No MSc in Industrial Engineering, School of Technology and Engineering, University of Qom, Qom, Iran کارشناس ارشد مهندسی صنایع، دانشکده فنی و مهندسی، دانشگاه قم، قم، ایران Amirhosein Akbari امیرحسین اکبری 0000-0002-2242-3130 No MSc in Industrial Engineering, School of Technology and Engineering, Qom University of Technology, Qom, Iran کارشناس ارشد مهندسی صنایع، دانشکده فنی و مهندسی، دانشگاه صنعتی قم، قم، ایران