Öz: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.
Abstract:Objective: Artificial Neural Networks (ANNs) trained with backpropagation learning algorithm have been used commonly in previous studies. This study presents radial basis function neural network (RBFNN), a special kind of neural network, and logistic regression analysis (LRA) for prognostic classification of Coronary Artery Disease (CAD). Methods: The records of 237 consecutive people who had been referred for the department of Cardiology were used in the analysis. Radial basis function neural network and logistic regression analysis were used for CAD classification. Results: The results have shown that LRA and RBFNN were both successful for classification and might be used for non-invasively based on clinical variables in the classification of diseases like CAD. Conclusions: The work can be concluded that LRA performed the classification better than RBFNN for prognostic CAD classification in the present CAD data. However, RBFNN, utilizing larger sample sizes, can have better classification accuracy. For more definite comparison, simulation studies should be carried out using various methods.
