en مدل احتمالی برای تشخیص بیماری های مزمن ریوی و فنوتایپهای آن با استفاده از شبکه های بیزین مدیریت اطلاعات بهداشتی Health information management پژوهشي Research <p style="color: rgb(51, 51, 51); font-family: Tahoma, Arial, Verdana; font-size: 13px; line-height: 20.8px;">هدف: این پژوهش به منظور مدلی برای تشخیص COPD و دسته بندی موارد به فنوتایپهای آن که به طور کلی شامل برونشیت مزمن، آمفیزم و آسم با استفاده از شبکه های بیزین&nbsp;<span style="line-height: 20.8px;">ارائه&nbsp;</span>می شود.</p> <p style="color: rgb(51, 51, 51); font-family: Tahoma, Arial, Verdana; font-size: 13px; line-height: 20.8px;">مواد و روشها: ساختار این مدل از طریق ایجاد ساختار شبکه های بیزین و نمونه سازی پارامترها برای هر کدام از متغیرها بدست آمده است. به منظور ارزیابی نتایج، از همان مجموعه داده در نرم افزار شبکه عصبی با استفاده از الگوریتم لونبرگ استفاده شد.. علاوه بر این cardDign ایجاد شد، نرم افزار C++ ما را برای دسته بندی COPD به فنوتایپ ها و به تصویر کشیدن روابط بین فنوتایپ های COPD قادر می سازد.</p> <p style="color: rgb(51, 51, 51); font-family: Tahoma, Arial, Verdana; font-size: 13px; line-height: 20.8px;">یافته ها: نتایج نشان می دهد که شبکه بیزین می تواند به منظور ایجاد یک مدل احتمالی برای تشخیص و دسته بندی موارد COPD به فنوتایپ مربوطه به طور موفق به کار گرفته شود.</p> <p style="color: rgb(51, 51, 51); font-family: Tahoma, Arial, Verdana; font-size: 13px; line-height: 20.8px;">نتیجه گیری: مدلی برای دسته بندی COPD به فنوتایپ ها شامل برونشیت مزمن، آمفیزم، آسم با موفقیت ایجاد شد. به علاوه یافته ها برای ارائه بازنمایی گرافیکی فنوتایپ های COPD و چگونگی روابط فنوتایپ ها با یکدیگر یاری رسان باشد. همچنین دیده شد که COPD بیشترین رابطه را با افراد 40 ساله یا مسن تر داشت. به طور کلی سیگار دلیل اصلی COPD است.</p> <p><strong>Introduction:</strong> This research was meant to provide a model for COPD diagnosis and to classify the cases into phenotypes; General COPD, Chronic bronchitis, Emphysema, and the Asthmatic COPD using a Bayesian Network (BN).</p> <p><strong>Methods:</strong> The model was constructed through developing the Bayesian Network structure and instantiating the parameters for each of the variables. In order to validate the achieved results, the same data set was applied to a neural network application using the Levenberge- Marquardt algorithm. Furthermore, a card Diag, a C++ application that enables graphical classification of COPD into phenotypes and depicts the relationships of COPD phenotypes was developed.</p> <p><strong>Results:</strong> The results showed that a Bayesian Network can be successfully applied to develop a probabilistic model for diagnosis and classification of COPD cases into the corresponding phenotypes.</p> <p><strong>Conclusions:</strong> A model that classifies COPD cases into phenotypes of general COPD, Chronic bronchitis, Emphysema, and Asthmatic COPD was successfully developed. Moreover, the achieved results also helped to represent graphical representations of COPD phenotypes and explained how the phenotypes relate to each other. It was also observed that COPD is mostly associated with people aged 40 years or older. Overall, smoking is the major cause of COPD.</p> شبکه های بیزین, تشخیص بیماری مزمن ریوی, فنوتایپ,Noisy-OR CPD Bayesian networks,COPD Diagnosis, COPD Phenotypes, Noisy-OR CPD 34 43 http://jhr.ssu.ac.ir/browse.php?a_code=A-10-1167-1&slc_lang=en&sid=1 Leila Shahmoradi لیلا شاهمرادی No Tehran University of Medical Sciences-International Campus (TUMS-IC), Tehran, Iran دانشگاه تهران - دانشگاه بین المللی تهران (TUMS-IC)، تهران، ایران Amos Otieno Olwendo آموس آلوندو No Tehran University of Medical Sciences-International Campus (TUMS-IC), Tehran, Iran دانشگاه تهران - دانشگاه بین المللی تهران (TUMS-IC)، تهران، ایران Hussein Arab-Alibeik حسین عرب- علی بیک No Tehran University of Medical Sciences-International Campus (TUMS-IC), Tehran, Iran دانشگاه تهران - دانشگاه بین المللی تهران (TUMS-IC)، تهران، ایران Khosrow Agin خسرو اجین No Tehran University of Medical Sciences-International Campus (TUMS-IC), Tehran, Iran دانشگاه تهران - دانشگاه بین المللی تهران (TUMS-IC)، تهران، ایران sougand setareh سوگند ستاره Yes Department of Medical Informatics, Tarbiat Modares University of Medical Science, Tehran, Iran. گروه انفورماتیک پزشکی ،دانشکده علوم پزشکی،، دانشگاه تربیت مدرس، تهران، ایران