fa ارائه مدلی هوشمند برای تشخیص بیماران مبتلا به بیماری های تیروئید از افراد سالم با ترکیب الگوریتم بهینه سازی ازدحام ذرات و شبکه عصبی مصنوعی تخصصي Special پژوهشي Research <div style="text-align: justify;"><span style="font-size:14px;"><span style="font-family:Tahoma;"><span style="line-height:2;"><strong>هدف </strong>بیماری‌های ﺗﯿﺮوﺋﯿﺪ در ﺳﺮاﺳﺮ ﺟﻬﺎن ﮔﺴﺘﺮده شده اﺳﺖ. ﻣﻄﺎﻟﻌﺎت ﺗﺤﻘﯿﻘﺎﺗﯽ ﻣﺨﺘﻠﻒ ﻧﺸﺎن می‌دهد ﺗﻌﺪاد زیﺎدی از اﻓﺮاد در ﺟﻮاﻣﻊ ﻣﺨﺘﻠﻒ ﺑﻪ ایﻦ ﺑﯿﻤﺎری دﭼﺎر ﻣﯽﺷﻮﻧﺪ. همچنین، تشخیص به موقع این بیماری و کنترل آن می‌تواند جلوی پیشرفت آن را بگیرد و پیامدهای ناشی از آن را کاهش دهد. در این راستا، مطالعه پیش‌رو یک الگوریتم ترکیبی تکاملی حاصل از آمیختگی الگوریتم بهینه&shy;‌سازی ازدحام ذرات و شبکه عصبی مصنوعی جهت تشخیص به موقع این بیماری ارائه کرده است.<br> <strong>روش ها</strong> پژوهش حاضر از نوع کاربردی‌پیمایشی است که در سال 1401 انجام شده است. در اینجا از روش مجموعه داده‌های اولیه برای جمع‌آوری داده‌ها استفاده شد. جامعه آماری موردنظر شامل 400 مورد اطلاعات ثبت‌شده بیماران از سال 1400 تا 1401 در تحقیقی میدانی از افراد مراجعه‌کننده به بیمارستان امام رضا (ع) شهرستان لارستان است. از این میان، 300 نفر دارای بیماری تیروئید و 100 نفر سالم بودند. در این پژوهش برای پیاده‌&shy;سازی مدل یادگیری پیشنهادی و همچنین تجزیه‌وتحلیل و بررسی نتایج از نرم‌&shy;افزار متلب استفاده شده است.<br> <strong>یافته ها</strong> نتایج نشان داد، ضریب رگرسیون مدل پیشنهادی در 3 حالت آموزش، اعتبارسنجی و تست به‌ترتیب دارای مقادیر (0/98، 0/97 و 0/95)، منحی راک برابر با 0/98، میزان خطا برابر با 0/004 و دقت کل سیستم برابر با 96 درصد می&shy;‌باشد.<br> <strong>نتیجه گیری</strong> باتوجه‌به نتایج حاصله، مدل پیشنهادی می‌&shy;تواند با دقت قابل قبولی، پیش‌بینی بیماری تیروئید در افراد را انجام دهد و باعث کاهش میزان اشتباه شود. همچنین از این مدل می&shy;‌توان به‌عنوان یک ابزار مفید در پیش‌بینی تیروئید به کار برده شود.</span></span></span></div> <div style="text-align: justify;"><span style="font-size:14px;"><span style="font-family:Tahoma;"><span style="line-height:2;"><strong>Objective </strong>Thyroid diseases are common disorders worldwide. The timely diagnosis and control of this disease can prevent its progression and reduce associated complications. This study proposes a novel hybrid method by combining particle swarm optimization (PSO) algorithm and artificial neural network (ANN) for the timely detection of thyroid disorders.<br> <strong>Methods </strong>This is an applied survey study, conducted in 2022. In this study, the target population consisted of the data of 400 patients referred to Imam Reza Hospital in Lar County, Iran from 2021 to 2022 which were collected by field study. Among them, 300 had thyroid disease and 100 were healthy. MATLAB software was used for implementing the proposed learning model and analyzing the results.<br> <strong>Results </strong>The regression coefficient of the proposed model in there modes of training, validation, and testing were 0.98, 0.97, and 0.95, respectively. The area under the ROC curve was 0.98, the error rate was 0.004, and the overall accuracy was 96%.<br> <strong>Conclusion </strong>The proposed model can distinguish patients with thyroid disease from healthy individuals with acceptable accuracy and low errors. This model can be used as a useful tool in predicting thyroid diseases.</span></span></span></div> پیش‌بینی, بیماری تیروئید, تشخیص بیماری, الگوریتم تکاملی, مدل یادگیر Prediction, Thyroid disease, Disease diagnosis, Evolutionary algorithm, Learning model 222 233 http://jmis.hums.ac.ir/browse.php?a_code=A-10-567-2&slc_lang=fa&sid=1 Mohammadjavad Hosseinpoor محمدجواد حسین پور mj.hosseinpoor@iau.ac.ir 100319475328460011452 100319475328460011452 Yes Department of Computer Engineering, Faculty of Computer Engineering, Estahban Branch, Islamic Azad University, Estahban, Iran. گروه مهندسی کامپیوتر، دانشکده مهندسی کامپیوتر، واحد استهبان، دانشگاه آزاد اسلامی، استهبان، ایران.