Cemil ÇOLAK, M. Ali ATICI, M. Cengiz ÇOLAK

Ateroskleroz'un tahmini için bir yapay sinir ağı

Amaç; Bu çalışmada, ateroskleroz'un tahmin edilebilmesi için bir yapay sinir ağı oluşturulması amaçlanmıştır. Gereç ve Yöntem: Haziran 2003 ile Kasım 2003 tarihleri arasında, kesikli ve sürekli değişkenlerden oluşan yirmi adet klinik parametre, radial arterde ateroskleroz saptanan on hasta ile radial arterde ateroskleroz saptanmayan on beş hastadan elde edilmiştir. Yapay sinir ağları, ateroskleroz verilerine uygulanmıştır. Bulgular: Geliştirilen yapay sinir ağının toplam ayrımsama oranı, eğitim ve test verisinde sırasıyla % 86.6 ve % 80 olarak bulunmuştur. Sonuç: Yapay sinir ağlarının ateroskleroz'un tahmin edilmesinde oldukça yararlı olacağı sonucuna varılabilir. Ancak örnek sayısının az olması göz önünde bulundurulduğunda, daha güvenilir sonuçlar elde edebilmek için örnek sayısının artırılması önerilebilir.

An artificial meural for the prediction of atherosclerosis

Aim: An artificial neural network was aimed to develop for the prediction of atherosclerosis. Material and Method: Between June 2003 and November 2003, twenty clinical parameters containing contlnuousanddiscrete variables wereobtained ten patientsforwhomatherrosderosis was determined in radial artery and fifteen patients for whom atherrosclerosis does not exist. Artificial neural network was applied to atherosclerosis data. Results: Accuracy values of artificial neural network on training and testing data were 86.6% and 80% respectively. Conclusion: The developed artificial neural network may be very useful for the prediction of atherosclerosis. However, in view of small sample size, it may be proposed to increase the sample size to obtain more reliable results.

PDF

___

1. Vaina S, Stefanadis C. Detection of the vulnerable coronary atheromatous plaque. Where are we now? Int J Cardiovasc Intervent 2005;7:75-87.
2. Akgül E, Aydemir K. Inflamasyon ve ateroskleroz. Türk Kardiyoloji seminerleri. 2003; 5:492-505.
3. Hunink MG, Goldman L, Tosteson AN et al. The recent decline in mortality from coronary heart disease, 1980-1990: the effect of secular trends in risk factors and treatment. JAMA 1997; 277:535-42.
4. Jenus ED, Postiglione A, Singh RB et al. The modernization of Asia: implications for coronary heart disease. Circulation 1996; 94:2671-3.
5. Türe M, Kurt İ, Yavuz E et al. Hipertansiyonun tahmini için çoklu tahmin modellerinin karşılaştırılması (Sinir ağları, lojistik regresyon ve esnek ayırma analizleri). Anadolu Kardiyol Derg 2005; 5:24-8. 6. Sağıroğlu Ş, Beşdok E, Erler M. Mühendislikte Yapay Zeka Uygulamaları-1 Yapay Sinir Ağları. Kayseri, 2003. 7. de Paula AR Jr, Sathaiah S. Raman spectroscopy for diagnosis of atherosclerosis: a rapid analysis using neural Networks. Med Eng Phys 2005; 27:237-44. 8. Allison JS, Heo J, Iskandrian AE. Artificial neural network modeling of stress single-photon emission computed tomographic imaging for detecting extensive coronary artery disease. Am J Cardiol 2005; 15:95:178-81. 9. Kotel'nikova EV, Gridnev VI, Dobgalevskii Pla et al. Prognostication of coronary atherosclerosis for selection of tactics of management of patients with ischemic heart disease. Kardiologiia 2004; 44:15-9.
10. Stachowska E, Gutowska I, Dolegowska B et al. Exchange of unsaturated fatty acids between adipose tissue and atherosclerotic plaque studied with artificial neural networks. Prostaglandins Leukot Essent Fatty Acids 2004; 70:59-66.
11. Yao X. Evolving Artificial Neural Networks. Proceedings of the Ieee 1999; 87:1423-44.
12. Rebrova OIu, Maksimova MIu, Piradov MA. The neural network algorithm for diagnosis of ischemic stroke pathogenetic subtypes. [Abstract] Zh Nevrol Psikhiatr im S S Korsakova 2004; 12: 23-8
13. George J, Ahmed A, Patnaik M et al. The prediction of coronary atherosclerosis employing artificial neural networks. Clin Cardiol 2000; 23:453-6.
14. Lapuerta P, Azen SP, LaBree L. Use of neural networks in predicting the risk of coronary artery disease. Comput Biomed Res 1995; 28:38-52.