مقدمه: تحلیل ممیزی و رده بندی یکی از پرکاربردترین بخش های آماری در حوزه های مختلف علمی است. در این مورد روش های کلاسیک آماری دارای پیش فرض هایی هستند که در صورت برقرار نبودن آن ها استفاده از این روش ها با خطاهای قابل توجه ای همراه است. از طرفی روش شبکه عصبی مصنوعی با محدودیت کمتری روبرو است، و از آن جا که تحلیل داده های پزشکی دارای حساسیت بالایی است و اشتباه در رده بندی منجر به خطاهای جبران ناپذیری خواهد شد اهمیت دارد که دقیق ترین روش با کم ترین خطا را برای تحلیل این داده ها به کار برد.روش ها: برای مقایسه سه روش ممیزی درجه دو، رگرسیون لجستیک و شبکه عصبی مصنوعی در تشخیص بیماری از 1000 داده مربوط به بیماری انفارکتوس میوکارد استفاده شد. ارزیابی شبکه عصبی، با ملاک حداقل مربعات خطای پیش بینی صورت پذیرفت و از الگوریتم پس انتشار خطا استفاده شد. در ادامه عملکرد سه الگوریتم مختل (BFGS یا ,Conjugate gradient (Broyden-Fletcher-Goldfarb-Shanne وGradient descent از شبکه عصبی در تشخیص و پیش بینی بیماری، مورد مقایسه قرار گرفت. تحلیل داده ها با نرم افزارهای SPSS, R, SAS, STATISTICA انجام شد.یافته ها: درصد خطا، درصد صحت پیش بینی، حساسیت، ویژگی و سطح زیرمنحنی راک به ترتیب در روش ممیزی درجه دو برابر با 10.15، 89.85، 0.8888، 0.9083، 0.922 و در روش رگرسیون لجستیک برابر با 10.88، 89.12، 0.8743، 0.9110، 0.941 و برای شبکه عصبی مصنوعی منتخب برابر با 3.97، 96.03، 0.9561، 0.9644، 0.966 به دست آمد. تفاوت معنی داری بین سطح زیرمنحنی راک برای سه روش وجود داشت. هم چنین از بین سه الگوریتم مختلف شبکه عصبی الگوریتم BFGS بر اساس معیارهای ذکرشده عملکرد بهتری داشته است و تفاوت معنی داری بین سطح زیرمنحنی راک برای سه الگوریتم وجود داشت.نتیجه گیری: با توجه به این که محدودیتی برای استفاده از شبکه عصبی مصنوعی وجود ندارد می توان نتیجه گرفت که این روش دقت پیش بینی و غربالگری بهتری نسبت به روش های ممیزی لجستیک و ممیزی درجه دو در تشخیص و پیش بینی بیماری انفارکتوس میوکارد داشته است.