SavedAdd your journal

Journals / Ankara Üniversitesi Tıp Fakültesi Mecmuası / 2007 / Cilt: 60 Sayı: 3

Radial Basis Function Neural Network and Logistic Regression Analysis For Prognostic Classifi cation of Coronary Artery Disease Koroner Arter Hastalığının Sınıfl anmasında Radial Basis Fonsiyonu Sinir

Koroner Arter Hastalığının Sınıflanmasında Radial Basis Fonsiyonu Sinir Ağı ve Lojistik Regresyon Analizi

Şeref SAĞIROĞLU
Cemil ÇOLAK
M. Cengiz ÇOLAK
M. Ali ATICI
Necati ALASULU
Pages
97–102
Publication Date
2007-03-01
DOI
—
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

Daha kesin karşılaştırma sonuçları elde edebilmek için, simülasyon çalışmaları değişik yöntemler kullanılarak yapılmalıdır.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Amaç: Önceki çalışmalarda geriye yayılım algoritması ile eğitilen yapay sinir ağları yaygın olarak incelenmiştir.
📊
Key Findings & Data:Yöntem: Kardiyoloji bölümüne müracaat eden ardışık 237 bireyin kayıtları analizde kullanılmıştır.
💡
Conclusion & Impact:Daha kesin karşılaştırma sonuçları elde edebilmek için, simülasyon çalışmaları değişik yöntemler kullanılarak yapılmalıdır.
🔬Design:Modeling & Simulation
📍Scope:237 birey
⚙️Variables:Lojistik regresyon analizi · koroner arter hastalığı · radial basis fonksiyonu sinir ağı

Özet

Amaç: Önceki çalışmalarda geriye yayılım algoritması ile eğitilen yapay sinir ağları yaygın olarak incelenmiştir. Bu çalışmada, koroner arter hastalığının (KAH) sınıflanmasında radial basis fonksiyonu sinir ağı ve lojistik regresyon analizi tanıtılmaktadır. Yöntem: Kardiyoloji bölümüne müracaat eden ardışık 237 bireyin kayıtları analizde kullanılmıştır. Koroner arter hastalığının sınıflanmasında radial basis fonksiyonu sinir ağı ve lojistik regresyon analizi kullanılmıştır. Bulgular: Çalışmanın bulguları, radial basis fonksiyonu sinir ağı ve lojistik regresyon analizinin sınıflamada oldukça başarılı olduğunu ve incelenen klinik değişkenlere dayalı olarak koroner arter gibi hastalıkların sınıflanmasında invaziv olmayan bir biçimde kullanılabileceğini göstermiştir. Sonuç: İncelenen KAH’a ait verilerde, lojistik regresyon analizi, radial basis fonksiyonu sinir ağından daha iyi sonuçlar vermiştir. Ancak, daha büyük örnek çapları söz konusu olduğunda radial basis fonksiyonu sinir ağı daha iyi sınıflama sonuçları verebilir. Daha kesin karşılaştırma sonuçları elde edebilmek için, simülasyon çalışmaları değişik yöntemler kullanılarak yapılmalıdır.

🔖

Cite This Article

SAĞIROĞLU, Ş., ÇOLAK, C., ÇOLAK, M. C., ATICI, M. A., ALASULU, N. (2007). Radial Basis Function Neural Network and Logistic Regression Analysis For Prognostic Classifi cation of Coronary Artery Disease Koroner Arter Hastalığının Sınıfl anmasında Radial Basis Fonsiyonu Sinir. Ankara Üniversitesi Tıp Fakültesi Mecmuası, Cilt: 60 Sayı: 3, 97–102. https://ajindex.com/articles/981960

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (10)

  1. 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; 95:178- 81. Bigi R, Gregori D, Cortigiani L, et al. Artifi- cial neural networks and robust Bayesian classifiers for risk stratification following uncomplicated myocardial infarction. Int J Cardiol 2005; 101: 481-487. Dubey AK. Using rough sets, neural networks, and logistic regression to pre- dict compliance with cholesterol guideli- nes goals in patients with coronary artery disease. AMIA Annu Symp Proc 2003; 834. Linlon MF, Fazio S. A practical approach Eapen BR. ‘Neural network’ algorithm to predict severity in epidermolysis bullosa simplex. Indian J Dermatol Venereol Lep- rol 2005; 71: 106-108.
  2. Itchhaporia D, Snow PB, Almassy RJ, et al. Artificial Neural Networks: Current Status in Cardiovascular Medicine. JACC 1996; 28: 515-21.
  3. Scott JA, Aziz K, Yasuda T, et al. Integrati- on of clinical and imaging data to predict the presence of coronary artery disease with the use of neural networks. Coron Artery Dis 2004; 15(7):427-34.
  4. Tham CK, Heng CK, Chin WC. Predicting risk of coronary artery disease from DNA microarray-based genotyping using neu- ral networks and other statistical analysis tool. J Bioinform Comput Biol 2003; 1: 521-39.
  5. Haykin S. “Neural Networks: A Compre- hensive Foundation”. New York, USA, 18. Kim HK, Chang SA, Choi EK, et al. Asso- Macmillan College Publishing Company, ISBN 0-0235-2761-7, 1994.
  6. Hosmer DW, Lemeshow S. Applied Logis- tic Regression, John Wiley & Sons, 1989.
  7. Kleinbaum, DG. Logistic Regression: A self-Learning Text, New York, 1992.
  8. Gupta R, Sarna M, Thanvi J, et al. High Prevalence of Multiple Coronary Risk Fac- tors in Punjabi Bhatia Community: Jaipur Heart Watch-3, Indian Heart J 2004; 56: 646–652. to risk assesment to prevent coronary ar- tery disease and its complications. Am J Cardiol 2003; 92: 191-261. Onat A. Risk Factors and cardiovascular disease in Turkey, Atherosclerosis 2001; 156: 1-10.
  9. Shaw LJ, Peterson ED, Shaw LK, et al. Use of a Prognostic Treadmill Score in Iden- tifying Diagnostic Coronary Disease Subg- roups. Circulation 1998; 98: 1622-1630.
  10. Yologlu S, Sezgin AT, Ozdemir R, et al. Identifying Risk Factors in a Patient Popu- lation Mostly Overweight with Coronery Artery Disease. Angiology 2003; 54: 181- 6. Mobley BA, Schechter E, Moore WE, et al. Predictions of coronary artery stenosis by artificial neural netwo