Iranian Journal of Epidemiology

fa پیش‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎بینی بقای بیماران مبتلا به سرطان پستان با استفاده از دو مدل رگرسیون لجستیک و شبکه عصبی مصنوعی Prediction of Breast Cancer Survival by Logistic Regression and Artificial Neural Network Models عمومى General پژوهشي Research <div style="BORDER-BOTTOM: windowtext 1pt solid BORDER-LEFT: medium none PADDING-BOTTOM: 1pt PADDING-LEFT: 0cm PADDING-RIGHT: 0cm MARGIN-LEFT: 0cm BORDER-TOP: windowtext 1pt solid MARGIN-RIGHT: 87.6pt BORDER-RIGHT: medium none PADDING-TOP: 1pt mso-element: para-border-div mso-border-top-alt: solid windowtext .5pt mso-border-bottom-alt: solid windowtext .5pt"><p class="IJE-F-Abstract" style="BORDER-BOTTOM: medium none BORDER-LEFT: medium none PADDING-BOTTOM: 0cm MARGIN: 0cm 0cm 0pt PADDING-LEFT: 0cm PADDING-RIGHT: 0cm BORDER-TOP: medium none BORDER-RIGHT: medium none PADDING-TOP: 0cm mso-border-top-alt: solid windowtext .5pt mso-border-bottom-alt: solid windowtext .5pt mso-hyphenate: auto mso-padding-alt: 1.0pt 0cm 1.0pt 0cm" dir="rtl">مقدمه و اهداف: در سال‎های اخیر، توجه قابل ملاحظه‎ای به مدل‎های آماری برای طبقه‎بندی داده‎های پزشکی با توجه به بیماری‎های مختلف و پیامدهای آن‎ها شده است. شبکه‎های عصبی مصنوعی به دلیل عدم نیاز به پیش‌فرض با موفقیت برای تشخیص الگو و پیش‎بینی در برخی از مطالعه‌های بالینی استفاده شده‎اند. هدف از این مطالعه، مقایسه دو مدل آماری شبکه عصبی مصنوعی و رگرسیون لجستیک برای پیش‌بینی بقای بیماران مبتلا به سرطان پستان است.<p class="IJE-F-Abstract" style="BORDER-BOTTOM: medium none BORDER-LEFT: medium none PADDING-BOTTOM: 0cm MARGIN: 0cm 0cm 0pt PADDING-LEFT: 0cm PADDING-RIGHT: 0cm BORDER-TOP: medium none BORDER-RIGHT: medium none PADDING-TOP: 0cm mso-border-top-alt: solid windowtext .5pt mso-border-bottom-alt: solid windowtext .5pt mso-hyphenate: auto mso-padding-alt: 1.0pt 0cm 1.0pt 0cm" dir="rtl">روش کار: دو مدل برای داده‎های ثبت سرطان کرمان، جنوب شرق ایران، برای پیش‌بینی بقای هر بیمار به کار برده شدند. داده‎‎‎‎‎‎‎های مورد استفاده در این مطالعه شامل 712 بیمار مبتلا به سرطان پستان در گروه سنی 85-15 سال بود. برای مقایسه پیش‌بینی بقا در داده‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎های یاد شده، از مدل رگرسیون لجستیک و مدل شبکه عصبی مصنوعی پرسپترون سه لایه استفاده شد. برای مقایسه و تعیین تفاوت دو مدل، از حساسیت، ویژگی، صحت پیش‎بینی و سطح زیر منحنی مشخصه عملکرد (ROC) (Receiver Operative Characteristics) استفاده گردید.<p class="IJE-F-Abstract" style="BORDER-BOTTOM: medium none BORDER-LEFT: medium none PADDING-BOTTOM: 0cm MARGIN: 0cm 0cm 0pt PADDING-LEFT: 0cm PADDING-RIGHT: 0cm BORDER-TOP: medium none BORDER-RIGHT: medium none PADDING-TOP: 0cm mso-border-top-alt: solid windowtext .5pt mso-border-bottom-alt: solid windowtext .5pt mso-hyphenate: auto mso-padding-alt: 1.0pt 0cm 1.0pt 0cm" dir="rtl">نتایج: در این مطالعه، حساسیت و ویژگی دو مدل رگرسیون لجستیک و شبکه عصبی مصنوعی به ترتیب (594/0 و 70/0) و (621/0 و 723/0) به دست آمد. هم‌چنین صحت و سطح زیر منحنی راک به ترتیب (688/0و 725/0) و (70/0و 725/0) برای دو مدل رگرسیون لجستیک و شبکه عصبی پرسپترون بود.<p class="IJE-F-Abstract" style="BORDER-BOTTOM: medium none BORDER-LEFT: medium none PADDING-BOTTOM: 0cm MARGIN: 0cm 0cm 0pt PADDING-LEFT: 0cm PADDING-RIGHT: 0cm BORDER-TOP: medium none BORDER-RIGHT: medium none PADDING-TOP: 0cm mso-border-top-alt: solid windowtext .5pt mso-border-bottom-alt: solid windowtext .5pt mso-hyphenate: auto mso-padding-alt: 1.0pt 0cm 1.0pt 0cm" dir="rtl">نتیجه‏گیری: یافته‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎ها نشان می‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎دهند اگرچه تفاوت کمی در دو مدل وجود دارد، اما در این‎گونه داده‎ها برای پیش‎بینی بقای بیماران مبتلا به سرطان پستان، مدل شبکه عصبی مصنوعی ابزار مناسب‌تری می‌باشد.</div> Background and Objectives : recent years, considerable attention has been paid to statistical models for classification of medical data according to various diseases and their outcomes. Artificial neural networks have been successfully used for pattern recognition and prediction since they are not based on prior assumptions in clinical studies. This study compared two statistical models, artificial neural network and logistic regression, to predict the survival of patients with breast cancer. Methods: Two models were applied on cancer registry data, Kerman, southeast of Iran, to predict survival. The data of 712 breast cancer patients in the age group 15 to 85 years was used in this study. The logistic regression and three-layer perceptron neural network models were compared in terms of predicting the survival. Sensitivity, specificity, prediction accuracy, and the area under ROC curve were used for comparing the two models. Results : In this study, the sensitivity and specificity of logistic regression and artificial neural network models were (0.594, 0.70) and (0.621, 0.723), respectively. Prediction accuracy and the area under ROC curve for two models were (0.688, 0.725) and (0.70, 0.725), respectively. Conclusion: Although there were insignificant differences in the performance of the two models for predicting the survival of the patients with breast cancer, the corresponding results of artificial neural network were more appropriate for predicting survival in such data. رگرسیون لجستیک, شبکه عصبی مصنوعی, پیش‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎بینی ‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎بقای, سرطان پستان Logistic Regression, Artificial Neural Network, Survival, Brest Cancer 1 8 http://irje.tums.ac.ir/browse.php?a_code=A-10-25-5078&slc_lang=fa&sid=1 A Asadabadi آذر اسد آبادی No مرکز تحقیقات مدل‌سازی در سلامت دانشگاه علوم پزشکی کرمان A Bahrampour عباس بهرامپور abahrampour@yahoo.com Yes مرکز تحقیقات مدل‌سازی در سلامت دانشگاه علوم پزشکی کرمان AA Haghdoost علی اکبر حقدوست No دانشکده بهداشت و مرکز تحقیقات مدل‌سازی در سلامت دانشگاه علوم پزشکی کرمان