fa یک سیستم خبره تشخیص بیماری قلبی مبتنی بر ترکیب شواهد در داده‌کاوی تخصصي Special پژوهشي اصیل Original Article <p dir="RTL" style="text-align: justify;"><strong>مقدمه:</strong> بیماری عروق کرونری، شایع‌ترین نوع بیماری قلبی و عامل اصلی مرگ و میر در کشورهای صنعتی می باشد. این پژوهش با هدف طراحی یک سیستم خبره‌ی‌ با دقت بالا برای تشخیص بیماری عروق کرونری قلب انجام شد.</p> <p dir="RTL" style="text-align: justify;"><strong>روش:</strong> &nbsp;این مطالعه از نوع کاربردی بوده و از 14 ویژگی مربوط به 303 نفر که تحت آنژیوگرافی کرونری قرار گرفتند استفاده شده است. برای تشخیص دقیق‌تر بیماری عروق کرونری، نتایج سه روش کلاسه‌بندی شبکه‌های عصبی، بیزین ساده و نزدیکترین <span dir="LTR">k</span> همسایه با استفاده از تئوری ترکیب شواهد دمستر‌-<span dir="LTR">‌</span>شافر ترکیب شده است. از نسخه 7.<span dir="LTR">‌</span>3 نرم افزار داده‌کاوی&nbsp; <span dir="LTR">Weka</span> و همچنین زبان برنامه نویسی <span dir="LTR">C#</span>‌ در محیط <span dir="LTR">.Net Framework</span> برای پیاده سازی روش استفاده گردید. برای ارزیابی کارایی، روش <span dir="LTR">10-Fold cross validation</span> بکار برده شد.</p> <p dir="RTL" style="text-align: justify;"><strong>نتایج:</strong> نتایج نشان داد که میانگین دقت (<span dir="LTR">Accuracy</span>)، حساسیت (<span dir="LTR">Sensitivity</span>) و ویژگی (<span dir="LTR">Specificity</span>) در روش پیشنهادی به ترتیب 90/1 درصد، 89/09 درصد و 91/3 درصد می باشد که این مقادیر در مقایسه با هر یک از کلاسه‌بندهای شرکت‌کننده در ترکیب بیشتر بود و همچنین نسبت به تحقیقات مشابه، دقت بهتری در تشخیص افراد دارای بیماری عروق کرونری داشت.</p> <p dir="RTL" style="text-align: justify;"><strong>نتیجه گیری:</strong> تحلیل نتایج نشان می‌دهند که در جامعه آماری مورد مطالعه، روش پیشنهادی عملکرد بهتری در تشخیص بیماری عروق کرونری دارد و می تواند بعنوان یک سیستم خبره، توسط متخصصین بالینی درگیر با بیماری قلبی، با هدف کمک به تصمیم<span dir="LTR">‌</span>گیری‌های بالینی و کاهش خطاها، بهبود زمان انتظار در تشخیص بیماری و کاهش آزمایشات غیرضروری پزشکی استفاده گردد.</p> <div style="text-align: justify;"><strong>Introduction:</strong> Coronary Artery disease is the most common type of heart disease and one of the leading causes of death in industrialized countries.&nbsp; The aim of this study was to design an expert system with high accuracy for Coronary artery disease diagnosis.<br> <strong>Methods:</strong> In this applied study, 14 features of 303 patients underwent coronary angiography were used. Dempster-Shafer theory of evidence combination was used to combine the results of three classifying methods including Decision Tree, K-Nearest Neighbor and Neural Network, in order to design a more accurate coronary artery disease diagnostic system. The data mining tool (Weka version 3.7) and C# in Net Framework environment were used for the implementation of model. The 10-fold cross-validation was used for the efficiency assessment.<br> <strong>Results:</strong> According to the results, mean accuracy, sensitivity, and specificity of the proposed system were 90.1%, 89.09% and 91.3% respectively. These values were higher in comparison with each of the participated classifiers in the combination. Moreover, in comparison to the similar studies, this method showed higher accuracy for the diagnosis of coronary artery disease.<br> <strong>Conclusion</strong>: The results of this research indicates that in the studied population, the proposed method has better accuracy in the diagnosis of coronary heart disease. This method, as an expert system, can help clinicians in making decisions, reducing clinical errors, improving the time to get a diagnostic through reducing waiting time and reducing unnecessary medical tests.</div> بیماری عروق کرونری, سیستم خبره, تشخیص پزشکی, تئوری دمستر-شافر, کلاسه‌بندی Coronary artery disease, Expert system, Medical diagnosis, Dempster-Shafer theory, Classification 251 258 http://jhbmi.ir/browse.php?a_code=A-10-104-2&slc_lang=fa&sid=1 Hamidreza Tahmasbi حمیدرضا طهماسبی ithrt20@gmail.com 10031947532846003561 10031947532846003561 No Islamic Azad University دانشگاه آزاد Mehrdad Jalali مهرداد جلالی jalali@mshdiau.ac.ir 10031947532846003562 10031947532846003562 Yes Ph.D. in Computer Engineering, Assistant Professor, Computer Engineering Dept., Islamic Azad University of Mashhad, Mashhad, Iran ستادیار، دکترای مهندسی کامپیوتر، گروه مهندسی کامپیوتر، دانشگاه آزاد اسلامی واحد مشهد، مشهد، ایران. Hassan Shakeri حسن شاکری shakeri@mshdiau.ac.ir 10031947532846003563 10031947532846003563 No دانشگاه آزاد