این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
پیاورد سلامت، جلد ۱۰، شماره ۵، صفحات ۴۵۳-۴۶۰
عنوان فارسی بررسی افتراقی مننژیت باکتریال از انواع دیگر مننژیت به روش منطق فازی و شبکه ی عصبی
چکیده فارسی مقاله زمینه و هدف: تشخیص افتراقی مننژیت باکتریال امری پیچیده است، زیرا ویژگی های تشخیصی زیادی در آن دخالت دارد. از سوی دیگر، امروزه منطق فازی و شبکه های عصبی مبنای بسیاری از سیستم های هوشمند هستند و ظرفیت لازم را برای حل مشکلات تشخیصی این بیماری دارند. هدف این مقاله، مقایسه ی منطق فازی و شبکه های عصبی مصنوعی در افتراق مننژیت باکتریال از سایر مننژیت هاست. روش بررسی: در این مطالعه برای تشخیص افتراقی مننژیت باکتریال از سایر مننژیت ها، ابتدا 6 فاکتور اصلی با مشورت پزشکان انتخاب شد. در مرحله دوم از نرم افزار MatLab برای طراحی سیستم ها استفاده شد و سپس با استفاده از داده های 26 بیمار هر دو سیستم ارزیابی گردید. یافته ها: تشخیص افتراقی مننژیت باکتریال از دیگر مننژیت ها در سیستم مبتنی بر منطق فازی، صحت، ویژگی و حساسیت تشخیص 88، 92 و 100، و در سیستم مبتنی بر شبکه ی عصبی نیز 92، 94 و 88 درصد را نشان داد. آزمون کاپای این دو به ترتیب 0/830(0/001>p) و 0/830 با (0/001>p) و فضای زیر منحنی ROC نیز معادل و 0/940 و 0/910 بود. نتیجه گیری: حساسیت، میزان تطابق و عملکرد روش منطق فازی نسبت به روش شبکه عصبی بهتر است. اگر چه، منطق فازی برای تشخیص افتراقی مننژیت باکتریال قابل اعتمادتر بود. اما از آنجایی که دو سیستم با استفاده از داده های 26 بیمار و از یک مرکز مورد ارزیابی قرار گرفته، بهتر است در مطالعات آینده موارد بیشتری بررسی شود.
کلیدواژه‌های فارسی مقاله منطق فازی، شبکه عصبی، مننژیت باکتریال
عنوان انگلیسی Assessment of Differential Diagnosis of Bacterial Meningitis from other Types of Meningitis Using Fuzzy Logic and Neural Networks
چکیده انگلیسی مقاله Background and Aim: Bacterial meningitis detection is a complicated problem because of having several components in order to be diagnosed and distinguished from other types of meningitis. Fuzzy logic and neural network, frequently used in expert systems, are able to distinguish such diseases. The purpose of this paper is to compare Fuzzy logic and artificial neural networks for distinguishing bacterial meningitis from other types of meningitis. Materials and Methods: In this study to detect and distinguish bacterial meningitis from other types of meningitis, in the first step 6 attributes were selected by infectious disease specialists. In the second step, systems were designed by Matlab software. The systems were evaluated by 26 records of meningitis patients, and results were analyzed by SPSS software. Results: The evaluation showed that the accuracy, specificity and sensitivity of fuzzy method were 88%, 92% and 100% respectively and those of neural network methods were 92%, 94% and 88% respectively. The Kappa test result in fuzzy and neural network methods were 0.83 (p< 0.001) and 0.83 (p< 0.001). The areas under the ROC curves were 0.94 and 0.91 respectively. Conclusion: The sensitivity, the Kappa test results and the areas under the ROC curve of the fuzzy logic method were better than neural network method. However the fuzzy logic method is more reliable to distinguish bacterial meningitis from other type of Meningitis, the evaluation result were obtained from 26 records of meningitis patient which were hospitalized in the same center leads to the study be still open.
کلیدواژه‌های انگلیسی مقاله Fuzzy Logic, Neural Network, Bacterial Meningitis
نویسندگان مقاله مصطفی لنگری زاده | mostafa langarizadeh
assistant professor, health information management, school of health management and information sciences, iran university of medical sciences, tehran, iran
استادیار گروه مدیریت اطلاعات بهداشتی درمانی، دانشکده مدیریت و اطلاع رسانی پزشکی، دانشگاه علوم پژشکی ایران، تهران، ایران
سازمان اصلی تایید شده: دانشکده مدیریت و اطلاع رسانی پزشکی

عصمت خواجه پور | esmat khajehpour
master of science in medical informatics, vice chancellery of clinical affairs, rafsanjan university of medical sciences, rafsanjan, iran
کارشناس ارشد انفورماتیک پزشکی، معاونت درمان، دانشگاه علوم پزشکی رفسنجان، رفسنجان، ایران
سازمان اصلی تایید شده: دانشگاه علوم پزشکی رفسنجان (Rafsanjan university of medical sciences)

راحله سالاری | rahele salari
ph.d. student in medical informatics, school of allied medical sciences, tehran university of medical sciences, tehran, iran
دانشجوی دکتری انفورماتیک پزشکی، دانشکده پیراپزشکی، دانشگاه علوم پزشکی تهران، تهران، ایران
سازمان اصلی تایید شده: دانشگاه علوم پزشکی تهران (Tehran university of medical sciences)

حسن خواجه پور | hassan khajehpour
ph.d. student in medical engineering, school of medicine, tehran university of medical sciences, tehran, iran
دانشجوی دکتری مهندسی پزشکی، داشکده پزشکی، دانشگاه علوم پزشکی تهران، تهران، ایران
سازمان اصلی تایید شده: دانشگاه علوم پزشکی تهران (Tehran university of medical sciences)

نشانی اینترنتی http://payavard.tums.ac.ir/browse.php?a_code=A-10-1-195&slc_lang=fa&sid=fa
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/157/article-157-330545.pdf
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده فناوری اطلاعات سلامت
نوع مقاله منتشر شده پژوهشی
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات