en رویکردی برای مدیریت سلامت و تشخیص پزشکی با استفاده از یک سیستم بیماری تشخیص ترکیبی مدیریت اطلاعات بهداشتی Health information management پژوهشي Research <p dir="RTL"><strong>زمینه:</strong> در این مقاله، به منظور ساده&shy;سازی تبادل اطلاعات در فرایند تشخیص پزشکی و بدون نیاز به حضور فیزیکی متخصصان پزشکی، از عامل&shy;های نرم&shy;افزاری استفاده شده است. هدف از استفاده از عامل&shy;ها، اجازه برقراری تبادل اطلاعات بطورخودکار میان متخصصین پزشکی در حوزه&shy;های متفاوت می&shy;باشد.</p> <p dir="RTL"><strong>روش:</strong> این مقاله&nbsp; یک ساختار ترکیبی برای تشخیص بیماری ارائه داده و از یک روش رایانش نرم، جهت ایجاد یک پایگاه اطلاعات پزشکی استفاده می&shy;کند. این سیستم بر پایه توانایی های شبکه های عصبی مصنوعی، منطق فازی و الگوریتم ژنتیک ارائه شده، که برای پوشش ضعف های یکدیگر با هم ترکیب می شوند. برای تمام عامل&shy;ها در یک سیستم، ورودی علائم بیماری و خروجی، تشخیص بیماری می&shy;باشد.</p> <p dir="RTL"><strong>یافته&shy;ها:</strong> نتایج آزمایشات بر روی پایگاه داده سرطان سینه نشان داده شده است. برای بررسی الگوریتم یادگیری ترکیبی و مقایسه آن با دیگر روشها، ۶۹۹ نمونه در هر آزمایش بررسی شدند که در آن ۶۰٪ برای آموزش ، ۲۰٪ برای ارزیابی متقابل و ۲۰٪ برای تست (۱۳۹ نمونه). نتایج نشان می&shy;دهندکه عملکرد روش ارائه شده از روش ترکیب شبکه عصبی با منطق فازی بهتر است ، اما روش شبکه عصبی با الگوریتم ژنتیک از روش ترکیبی نتایج بهتری بدست می&shy;دهد.</p> <p dir="RTL"><strong>نتیجه گیری</strong><strong><span dir="LTR">:</span></strong> ساده&shy;سازی فرایند تشخیص بیماری با تفکیک مفاهیم حوزه&shy;ی پزشکی (مانند: علل، تأثیرات، علائم، آزمایش&shy;ها) در سیستم&shy;های مختلف بدن انسان مانند تنفسی، قلبی- عروقی از طریق ارتباط دهی بین علائم مشترک بیماری&shy;ها امکان&shy;پذیر می&shy;شود. بنابراین، تشخیص متخصصین مختلف بطور موازی رخ می&shy;دهد و مشاهدات آنلاین بر روی مفاهیم مشترک بین این سیستم&shy;ها بطور خودکار در پایگاه داده به اشتراک گذاشته می&shy;شود. این مسئله در سطح مفاهیم تشخیص، یک پایداری مشترک از عامل&shy;های را در سیستم ایجاد می&shy;کند.</p> <p><strong>Introduction:</strong> In order to simplify the information exchange within the medical diagnosis process, a collaborative software agent&rsquo;s framework is presented. The purpose of the framework is to allow the automated information exchange between different medicine specialists.</p> <p><a name="_GoBack"></a><strong>Methods: </strong>This study presented architecture of a hybrid disease diagnosis system. The architecture employed a learning algorithm and used soft computing to build a medical knowledge base. These machine intelligences are combined in a complementary approach to overcome the weakness of each other. To evaluate the hybrid learning algorithm and compare it with other methods, 699 samples were used in each experiment, where 60% was for training, 20% was for cross validation, and 20% for testing.</p> <p><strong>Results:</strong> The results were obtained from the experiments on the breast cancer dataset. Different methods of soft computing system were merged to create diagnostic software functionality. As it is shown in the structure, the system has the ability to learn and collect knowledge that can be used in the detection of new images. Currently, the system is at the design stage. The system is to evaluate the performance of hybrid learning algorithm. The preliminary results showed a better performance of this system than other methods. However, the results can be tested with hybrid system on larger data sets to improve hybrid learning algorithm.</p> <p><strong>Conclusion:</strong> The purpose of this paper was to simplify the diagnosis process of a patient by splitting the medical domain concepts (e.g., causes, effects, symptoms, tests) in human body systems (e.g., respiratory, cardiovascular), though maintaining the holistic perspective through the links between common concepts.</p> <p></p> تشخیص پزشکی, رایانش نرم , شبکه عصبی مصنوعی , منطق فازی , الگوریتم ژنتیک , عامل های نرم افزاری Medical diagnosis, Diagnosis process, Genetic algorithms, Ontology 18 33 http://jhr.ssu.ac.ir/browse.php?a_code=A-10-1149-3&slc_lang=en&sid=1 Hodjat Hamidi حجت اله حمیدی h_hamidi@kntu.ac.ir Yes Department of Information Technology, Faculty of Industrial Engineering, K. N. Toosi University of Technology, Tehran, Iran گروه فناوری اطلاعات، دانشکده مهندسی صنایع، دانشگاه صنعتی خواجه نصیر طوسی، تهران، ایران Maryam Jahanshhi مریم جهانشاهی hamidi_h1389@yahoo.com No Department of Information Technology, Faculty of Industrial Engineering, K. N. Toosi University of Technology, Tehran, Iran گروه فناوری اطلاعات، دانشکده مهندسی صنایع، دانشگاه صنعتی خواجه نصیر طوسی، تهران، ایران