پیش بینی مقاومت عروق ریوی و فشار داخلی بطن راست بر مبنای داده های اکوکاردیوگرافی و شبکه ی عصبی مصنوعی

سال انتشار: 1398
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 17

فایل این مقاله در 11 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_IJBM-13-2_002

تاریخ نمایه سازی: 16 اسفند 1404

چکیده مقاله:

امروزه جهت تصمیمگیری در مورد بسیاری از عمل های جراحی قلب و بررسی شرایط و آمادگی بیمار برای انجام عمل جراحی، از روش اندازه گیری مقاومت عروق ریوی استفاده می شود. اگر مقدار این مقاومت از یک حد آستانه بالاتر باشد، بیمار به عنوان غیرقابل عمل در نظر گرفته شده و حتی گاهی درمان هایی برای کاهش مقاومت عروق ریوی در مراحل اولیه ی بیماریهای این عروق انجام می شود که برای پیگیری کاهش مقاومت عروق ریوی نیز لازم است تا این پارامتر مجددا اندازه گیری شود. در حال حاضر تنها معیار برای اندازه گیری این پارامتر، استفاده از روش های کاتتریسم است که روشی تهاجمی بوده و با عوارض جانبی زیادی همراه است. هدف از انجام این تحقیق، ارائه ی یک روش غیرتهاجمی به جای روش تهاجمی کاتتریزاسیون قلبی، از طریق پیش بینی مقاومت عروق ریوی بر مبنای داده های اکوکاردیوگرافی توسط شبکه های عصبی مصنوعی می باشد. این تحقیق روی ۵۹۱ بیمار صورت گرفته است. پس از انجام اکوکاردیوگرافی برای تمامی بیماران، داده های اکوکاردیوگرافی (mPAP، dPAP، sPAP، PCWP، CO) به عنوان ورودی شبکه ی عصبی و مقاومت عروق ریوی تمام بیماران (حاصل از کاتتریزاسیون قلبی) به عنوان خروجی شبکه ی عصبی مورد ارزیابی قرار گرفته و در نهایت ارتباط بین داده های اکوکاردیوگرافی و PVRcath به دست آمده است. برای بررسی عمل کرد شبکه ی عصبی پیشنهادی، به طور معمول از ۷۵% داده ها برای آموزش و از ۲۵% داده ها برای آزمون استقاده شده و هم چنین برای آموزش بهتر شبکه ی عصبی، این نسبت ها تغییر داده شده است. در نتایج پیاده سازی، میانگین مربعات خطا به ترتیب برای داده های آموزش و آزمون شبکه ی عصبی پیشنهادی در مدل اول برابر با ۳۷/۰ و ۲۷/۰، در مدل دوم برابر با ۶۷/۱۴ و ۷۶/۱۰ و در مدل سوم برابر با ۸۲/۱۵ و ۵۸/۹ به دست آمده است.

کلیدواژه ها:

نویسندگان

حامد عباسی

دانشجوی کارشناسی ارشد، گروه مهندسی پزشکی، واحد تهران مرکزی، دانشگاه آزاد اسلامی، تهران، ایران

شاهرخ شجاعی

استادیار، گروه مهندسی پزشکی، واحد تهران مرکزی، دانشگاه آزاد اسلامی، تهران، ایران

نسیم نادری

دانشیار، گروه قلب و پیوند قلب، قلب و عروق شهید رجایی، مرکز پزشکی و پژوهشی، دانشگاه علوم پزشکی تهران، تهران,ایران

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • تشنه لب، محمد، شبکه های عصبی و کنترل کننده های ...
  • N. Ajam, Heart Diseases Diagnoses using Artificial Neural Network. IISTE ...
  • Y. Sharafi, S. Setayeshi, A. Falahiazar, An Improved Model of ...
  • E. Choi, A. Schuetz, W.F. Stewart, and J. Sun, Using ...
  • P. Naing, H. Kuppusamy, G. Scalia, G.S. Hillis, G.S. Playford, ...
  • K. Yasui, S. Yuda, K. Abe, A. Muranaka, M. Otsuka, ...
  • Y. Chaowu, X. Zhongying, J. Jinglin, L. Jinglin, L. Qiong,.et ...
  • A.E. Abbas, L.M. Franey, T. Marwick, M.T. Maeder, D.M. Kaye, ...
  • P. Lindqvist, S. Söderberg, M. C. Gonzalez, E. Tossavainen, M.Y. ...
  • R.R. Vanderpool, and R. Naeije, Hematocrit-corrected Pulmonary Vascular Resistance. American ...
  • N. Naderi, Z. Ojaghi Haghighi, A. Amin, Naghashzadeh, H. Bakhshandeh, ...
  • W. Huang, R.K. Oliveira, H. Lei, D.M. Systrom, and Waxman, ...
  • L.R. Bekhet, Y. Wu, N. Wang, X. Geng, W.J. Zheng, ...
  • Y. Cheng, F. Wang, P. Zhang, and J. Hu, June. ...
  • Acharya, U.R., Fujita, H., Oh, S.L., Hagiwara, Y., Tan, J.H., ...
  • D. Markush, R.D. Ross, R. Thomas, and S. Aggarwal, Noninvasive ...
  • J, Muneuchi, Y. Ochiai, N. Masaki, S. Okada, C. Iida, ...
  • D.P. Perrin, A. Bueno, A. Rodriguez, G.R. Marx, and J. ...
  • طبقه بندی اتوماتیک تومور مغزی در تصاویر MRI با استفاده از شبکه عصبی مصنوعی ANN [مقاله کنفرانسی]
  • نمایش کامل مراجع