Academic Journal
Predicting coronary artery disease using different artificial neural network models.
| Τίτλος: | Predicting coronary artery disease using different artificial neural network models. |
|---|---|
| Alternate Title: | Koroner arter hastalığının değişik yapay sinir ağı modelleri ile tahmini. (Turkish) |
| Συγγραφείς: | Çolak, M. Cengiz, Çolak, Cemil, Kocatürk, Hasan, Sağıroglu, şeref, Barutçu, rfan |
| Πηγή: | Anatolian Journal of Cardiology / Anadolu Kardiyoloji Dergisi; Aug2008, Vol. 8 Issue 4, p249-254, 6p, 1 Black and White Photograph, 5 Charts |
| Θεματικοί όροι: | Artificial neural networks, Algorithms, Coronary disease, Coronary artery stenosis, Coronary arteries, Patients |
| Abstract (English): | Objective: Eight different learning algorithms used for creating artificial neural network (ANN) models and the different ANN models in the prediction of coronary artery disease (CAD) are introduced. Methods: This work was carried out as a retrospective case-control study. Overall, 124 consecutive patients who had been diagnosed with CAD by coronary angiography (at least 1 coronary stenosis > 50% in major epicardial arteries) were enrolled in the work. Angiographically, the 113 people (group 2) with normal coronary arteries were taken as control subjects. Multi-layered perceptrons ANN architecture were applied. The ANN models trained with different learning algorithms were performed in 237 records, divided into training (n=171) and testing (n=66) data sets. The performance of prediction was evaluated by sensitivity, specificity and accuracy values based on standard definitions. Results: The results have demonstrated that ANN models trained with eight different learning algorithms are promising because of high (greater than 71%) sensitivity, specificity and accuracy values in the prediction of CAD. Accuracy, sensitivity and specificity values varied between 83.63% - 100%, 86.46% - 100% and 74.67% - 100% for training, respectively. For testing, the values were more than 71% for sensitivity, 76% for specificity and 81% for accuracy. Conclusions: It may be proposed that the use of different learning algorithms other than backpropagation and larger sample sizes can improve the performance of prediction. The proposed ANN models trained with these learning algorithms could be used a promising approach for predicting CAD without the need for invasive diagnostic methods and could help in the prognostic clinical decision. [ABSTRACT FROM AUTHOR] |
| Abstract (Turkish): | Amaç: Bu çalışmada, koroner arter hastalığının (KAH) tahmin edilebilmesi için değişik sekiz öğrenme algoritması ile farklı yapay sinir ağı modelleri oluşturulmuş ve tanıtılması amaçlanmıştır. Yöntemler: Bu çalışma geriye dönük bir vaka kontrol araştırması olarak gerçekleştirilmiştir. Çalışmaya, anjiyografik olarak majör epikardiyal arterlerin en az bir tanesinde %50'den fazla darlığı olan 124 ardışık birey dâhil edildi. Anjiyografik olarak normal koroner arterlere sahip olan 113 birey ise kontrol grubu olarak alınmıştır. Çok katmanlı "perseptron" yapay sinir ağları uygulandı. Değişik sekiz öğrenme algoritması ile eğitilen farklı yapay sinir ağı modelleri, toplam 237 kayıtta, 171'i eğitimde ve 66'sı ise teste kullanılarak oluşturuldu. Tahminin performansı, duyarlılık, seçicilik ve doğruluk oranlarına dayalı olarak değerlendirilmiştir. Bulgular: Çalışmanın sonuçları, oluşturulan yapay sinir ağı modelleri ile KAH'ın tahmininde yüksek oranda (%71.0'den daha yüksek) duyarlılık, seçicilik ve doğruluk oranları elde edildiği için modellerin performansının iyi olduğunu göstermiştir. Doğruluk, duyarlılık ve seçicilik değerleri eğitimde sırasıyla %83.63 - %100, %86.46 - %100 ve %74.67 - %100 arasında iken, testte ise duyarlılık %71'den daha büyük, seçicilik %76'dan daha büyük ve doğruluk %81'den daha büyük olarak elde edilmiştir. Sonuç: Geriye yayılım algoritmasından başka farklı öğrenme algoritmalarının ve daha büyük örnek çaplarının kullanılması, tahminin performansını artırabilir. Değişik sekiz öğrenme algoritması ile eğitilen farklı yapay sinir ağı modelleri, KAH'ın tahmin edilmesinde ümit verici sonuçlar vermektedir ve ileriye yönelik klinik tanı sürecinde kullanılabilir. [ABSTRACT FROM AUTHOR] |
| Copyright of Anatolian Journal of Cardiology / Anadolu Kardiyoloji Dergisi is the property of KARE Publishing and its content may not be copied or emailed to multiple sites without the copyright holder's express written permission. Additionally, content may not be used with any artificial intelligence tools or machine learning technologies. However, users may print, download, or email articles for individual use. This abstract may be abridged. No warranty is given about the accuracy of the copy. Users should refer to the original published version of the material for the full abstract. (Copyright applies to all Abstracts.) | |
| Βάση Δεδομένων: | Complementary Index |
| FullText | Text: Availability: 0 CustomLinks: – Url: https://resolver.ebsco.com/c/fiv2js/result?sid=EBSCO:edb&genre=article&issn=21492263&ISBN=&volume=8&issue=4&date=20080801&spage=249&pages=249-254&title=Anatolian Journal of Cardiology / Anadolu Kardiyoloji Dergisi&atitle=Predicting%20coronary%20artery%20disease%20using%20different%20artificial%20neural%20network%20models.&aulast=%C3%87olak%2C%20M.%20Cengiz&id=DOI: Name: Full Text Finder (for New FTF UI) (ns324271) Category: fullText Text: Full Text Finder MouseOverText: Full Text Finder |
|---|---|
| Header | DbId: edb DbLabel: Complementary Index An: 33718924 RelevancyScore: 833 AccessLevel: 6 PubType: Academic Journal PubTypeId: academicJournal PreciseRelevancyScore: 833.203796386719 |
| IllustrationInfo | |
| Items | – Name: Title Label: Title Group: Ti Data: Predicting coronary artery disease using different artificial neural network models. – Name: TitleAlt Label: Alternate Title Group: TiAlt Data: Koroner arter hastalığının değişik yapay sinir ağı modelleri ile tahmini. (Turkish) – Name: Author Label: Authors Group: Au Data: <searchLink fieldCode="AR" term="%22Çolak%2C+M%2E+Cengiz%22">Çolak, M. Cengiz</searchLink><br /><searchLink fieldCode="AR" term="%22Çolak%2C+Cemil%22">Çolak, Cemil</searchLink><br /><searchLink fieldCode="AR" term="%22Kocatürk%2C+Hasan%22">Kocatürk, Hasan</searchLink><br /><searchLink fieldCode="AR" term="%22Sağıroglu%2C+şeref%22">Sağıroglu, şeref</searchLink><br /><searchLink fieldCode="AR" term="%22Barutçu%2C+rfan%22">Barutçu, rfan</searchLink> – Name: TitleSource Label: Source Group: Src Data: Anatolian Journal of Cardiology / Anadolu Kardiyoloji Dergisi; Aug2008, Vol. 8 Issue 4, p249-254, 6p, 1 Black and White Photograph, 5 Charts – Name: Subject Label: Subject Terms Group: Su Data: <searchLink fieldCode="DE" term="%22Artificial+neural+networks%22">Artificial neural networks</searchLink><br /><searchLink fieldCode="DE" term="%22Algorithms%22">Algorithms</searchLink><br /><searchLink fieldCode="DE" term="%22Coronary+disease%22">Coronary disease</searchLink><br /><searchLink fieldCode="DE" term="%22Coronary+artery+stenosis%22">Coronary artery stenosis</searchLink><br /><searchLink fieldCode="DE" term="%22Coronary+arteries%22">Coronary arteries</searchLink><br /><searchLink fieldCode="DE" term="%22Patients%22">Patients</searchLink> – Name: AbstractNonEng Label: Abstract (English) Group: Ab Data: Objective: Eight different learning algorithms used for creating artificial neural network (ANN) models and the different ANN models in the prediction of coronary artery disease (CAD) are introduced. Methods: This work was carried out as a retrospective case-control study. Overall, 124 consecutive patients who had been diagnosed with CAD by coronary angiography (at least 1 coronary stenosis > 50% in major epicardial arteries) were enrolled in the work. Angiographically, the 113 people (group 2) with normal coronary arteries were taken as control subjects. Multi-layered perceptrons ANN architecture were applied. The ANN models trained with different learning algorithms were performed in 237 records, divided into training (n=171) and testing (n=66) data sets. The performance of prediction was evaluated by sensitivity, specificity and accuracy values based on standard definitions. Results: The results have demonstrated that ANN models trained with eight different learning algorithms are promising because of high (greater than 71%) sensitivity, specificity and accuracy values in the prediction of CAD. Accuracy, sensitivity and specificity values varied between 83.63% - 100%, 86.46% - 100% and 74.67% - 100% for training, respectively. For testing, the values were more than 71% for sensitivity, 76% for specificity and 81% for accuracy. Conclusions: It may be proposed that the use of different learning algorithms other than backpropagation and larger sample sizes can improve the performance of prediction. The proposed ANN models trained with these learning algorithms could be used a promising approach for predicting CAD without the need for invasive diagnostic methods and could help in the prognostic clinical decision. [ABSTRACT FROM AUTHOR] – Name: AbstractNonEng Label: Abstract (Turkish) Group: Ab Data: Amaç: Bu çalışmada, koroner arter hastalığının (KAH) tahmin edilebilmesi için değişik sekiz öğrenme algoritması ile farklı yapay sinir ağı modelleri oluşturulmuş ve tanıtılması amaçlanmıştır. Yöntemler: Bu çalışma geriye dönük bir vaka kontrol araştırması olarak gerçekleştirilmiştir. Çalışmaya, anjiyografik olarak majör epikardiyal arterlerin en az bir tanesinde %50'den fazla darlığı olan 124 ardışık birey dâhil edildi. Anjiyografik olarak normal koroner arterlere sahip olan 113 birey ise kontrol grubu olarak alınmıştır. Çok katmanlı "perseptron" yapay sinir ağları uygulandı. Değişik sekiz öğrenme algoritması ile eğitilen farklı yapay sinir ağı modelleri, toplam 237 kayıtta, 171'i eğitimde ve 66'sı ise teste kullanılarak oluşturuldu. Tahminin performansı, duyarlılık, seçicilik ve doğruluk oranlarına dayalı olarak değerlendirilmiştir. Bulgular: Çalışmanın sonuçları, oluşturulan yapay sinir ağı modelleri ile KAH'ın tahmininde yüksek oranda (%71.0'den daha yüksek) duyarlılık, seçicilik ve doğruluk oranları elde edildiği için modellerin performansının iyi olduğunu göstermiştir. Doğruluk, duyarlılık ve seçicilik değerleri eğitimde sırasıyla %83.63 - %100, %86.46 - %100 ve %74.67 - %100 arasında iken, testte ise duyarlılık %71'den daha büyük, seçicilik %76'dan daha büyük ve doğruluk %81'den daha büyük olarak elde edilmiştir. Sonuç: Geriye yayılım algoritmasından başka farklı öğrenme algoritmalarının ve daha büyük örnek çaplarının kullanılması, tahminin performansını artırabilir. Değişik sekiz öğrenme algoritması ile eğitilen farklı yapay sinir ağı modelleri, KAH'ın tahmin edilmesinde ümit verici sonuçlar vermektedir ve ileriye yönelik klinik tanı sürecinde kullanılabilir. [ABSTRACT FROM AUTHOR] – Name: Abstract Label: Group: Ab Data: <i>Copyright of Anatolian Journal of Cardiology / Anadolu Kardiyoloji Dergisi is the property of KARE Publishing and its content may not be copied or emailed to multiple sites without the copyright holder's express written permission. Additionally, content may not be used with any artificial intelligence tools or machine learning technologies. However, users may print, download, or email articles for individual use. This abstract may be abridged. No warranty is given about the accuracy of the copy. Users should refer to the original published version of the material for the full abstract.</i> (Copyright applies to all Abstracts.) |
| PLink | https://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edb&AN=33718924 |
| RecordInfo | BibRecord: BibEntity: Languages: – Code: eng Text: English PhysicalDescription: Pagination: PageCount: 6 StartPage: 249 Subjects: – SubjectFull: Artificial neural networks Type: general – SubjectFull: Algorithms Type: general – SubjectFull: Coronary disease Type: general – SubjectFull: Coronary artery stenosis Type: general – SubjectFull: Coronary arteries Type: general – SubjectFull: Patients Type: general Titles: – TitleFull: Predicting coronary artery disease using different artificial neural network models. Type: main BibRelationships: HasContributorRelationships: – PersonEntity: Name: NameFull: Çolak, M. Cengiz – PersonEntity: Name: NameFull: Çolak, Cemil – PersonEntity: Name: NameFull: Kocatürk, Hasan – PersonEntity: Name: NameFull: Sağıroglu, şeref – PersonEntity: Name: NameFull: Barutçu, rfan IsPartOfRelationships: – BibEntity: Dates: – D: 01 M: 08 Text: Aug2008 Type: published Y: 2008 Identifiers: – Type: issn-print Value: 21492263 Numbering: – Type: volume Value: 8 – Type: issue Value: 4 Titles: – TitleFull: Anatolian Journal of Cardiology / Anadolu Kardiyoloji Dergisi Type: main |
| ResultId | 1 |