Rezaei M, Fakhri N, Shahsavari S, Rajati F. Comparison of Gestational Diabetes Prediction Between Logistic Regression, Discriminant Analysis, Decision Tree and Artificial Neural Network Models. irje 2020; 15 (4) :362-371
URL:
http://irje.tums.ac.ir/article-1-6427-fa.html
رضایی منصور، فخری نگین، شهسواری سوده، رجعتی فاطمه. مقایسه پیشبینی ابتلا به دیابت بارداری با مدلهای رگرسیون لجستیک، تحلیل ممیزی، درخت تصمیم و شبکه عصبی مصنوعی. مجله اپیدمیولوژی ایران. 1398; 15 (4) :362-371
URL: http://irje.tums.ac.ir/article-1-6427-fa.html
1- استاد آمار زیستی، مرکز تحقیقات باروری و ناباروری، دانشگاه علوم پزشکی کرمانشاه، کرمانشاه، ایران
2- کارشناسی ارشد آمار زیستی، کمیته تحقیقات دانشجویی، دانشگاه علوم پزشکی کرمانشاه، کرمانشاه، ایران ، n.fakhri94@yahoo.com
3- استادیار، دانشکده پیراپزشکی، دانشگاه علوم پزشکی کرمانشاه، کرمانشاه، ایران
4- دانشیار، مرکز تحقیقات عوامل محیطی مؤثر بر سلامت، دانشگاه علوم پزشکی کرمانشاه، کرمانشاه، ایران
چکیده: (3472 مشاهده)
مقدمه و اهداف: دیابت بارداری شایعترین اختلال متابولیک دوران بارداری است. در صورت تشخیص زودرس این بیماری میتوان از برخی عوارض آن جلوگیری کرد. هدف این پژوهش پیشبینی زودرس ابتلا به دیابت بارداری بوسیله مدلهای رگرسیون لجستیک، تحلیل ممیزی، درخت تصمیم و شبکه عصبی مصنوعی پرسپترون و مقایسه این مدلها بود.
روش کار: پرونده 420 خانم باردار ( 1391-1389 ) دارای پرونده در مراکز بهداشتی کرمانشاه، با روش نمونهگیری در دسترس بررسی شد. اطلاعات جمعیت شناختی، متغیرهای مربوط به دوره بارداری و نتایج آزمایشها و ابتلا به دیابت بارداری با معیار قند خون ناشتا بزرگتر یا مساوی 92 از پرونده آنان گردآوری شد. پس از برازش چهار مدل فوق به دادهها، عملکرد مدلها باهم مقایسه گردید و با توجه به معیارهای صحت، حساسیت و ویژگی بر اساس منحنی ROC، مدل برتر معرفی شد.
یافتهها: پس از برازش مدلهای رگرسیون لجستیک، تحلیل ممیزی، درخت تصمیم و شبکه عصبی مصنوعی به مجموعه دادهها، معیار صحت برای مدلهای مذکور به ترتیب برابر 81/0، 83/0، 78/0 و 83/0 ، حساسیت 50/0، 63/0، 58/0و 58/0، ویژگی 96/0، 93/0، 87/0 و 94/0 و سطح زیر منحنی ROC به ترتیب برابر 86/0، 78/0، 73/0 و 87/0 محاسبه گردید.
نتیجهگیری: در پیشبینی و ردهبندی ابتلا و عدم ابتلا به دیابت بارداری، مدل شبکه عصبی مصنوعی دارای نرخ دستهبندی اشتباه کمتر و سطح زیر منحنی ROC بیشتری نسبت به سایر مدلها بود. میتوان نتیجه گرفت که این مدل دارای پیشبینیهای صحیحتر و نزدیک به واقعیت نسبت به سایر مدلها است.
نوع مطالعه:
پژوهشي |
موضوع مقاله:
اپیدمیولوژی دریافت: 1398/11/12 | پذیرش: 1398/11/12 | انتشار: 1398/11/12
ارسال پیام به نویسنده مسئول