دوره 79، شماره 4 - ( تیر 1400 )
جلد 79 شماره 4 صفحات 305-299 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Rezaei M, Afshari D, Fakhri N, Razazian N. Comparison of disability score estimation in multiple sclerosis patients with artificial neural network and decision tree models. Tehran Univ Med J 2021; 79 (4) :299-305
URL: http://tumj.tums.ac.ir/article-1-11271-fa.html
URL: http://tumj.tums.ac.ir/article-1-11271-fa.html
رضایی منصور، افشاری داریوش، فخری نگین، رزازیان نازنین. مقایسه برآورد نمره ناتوانی بیماران مالتیپل اسکلروزیس با مدل‌های شبکه عصبی
مصنوعی و درخت تصمیم. مجله دانشکده پزشکی، دانشگاه علوم پزشکی تهران. 1400; 79 (4) :299-305
منصور رضایی1 
، داریوش افشاری2 ، نگین فخری3 ، نازنین رزازیان* 4
، داریوش افشاری2 ، نگین فخری3 ، نازنین رزازیان* 4
1- گروه آمار زیستی، مرکز تحقیقات توسعه اجتماعی و ارتقاء سلامت، دانشگاه علوم پزشکی کرمانشاه، کرمانشاه، ایران.
2- گروه مغز و اعصاب، بیمارستان امام رضا (ع)، دانشکده پزشکی، دانشگاه علوم پزشکی کرمانشاه، کرمانشاه، ایران.
3- گروه آمار زیستی، کمیته تحقبقات دانشجویی، دانشکده بهداشت، دانشگاه علوم پزشکی کرمانشاه، کرمانشاه، ایران.
4- گروه مغز و اعصاب، بیمارستان امام رضا (ع)، دانشکده پزشکی، دانشگاه علوم پزشکی کرمانشاه، کرمانشاه، ایران ،nrazazian@gmail.com
2- گروه مغز و اعصاب، بیمارستان امام رضا (ع)، دانشکده پزشکی، دانشگاه علوم پزشکی کرمانشاه، کرمانشاه، ایران.
3- گروه آمار زیستی، کمیته تحقبقات دانشجویی، دانشکده بهداشت، دانشگاه علوم پزشکی کرمانشاه، کرمانشاه، ایران.
4- گروه مغز و اعصاب، بیمارستان امام رضا (ع)، دانشکده پزشکی، دانشگاه علوم پزشکی کرمانشاه، کرمانشاه، ایران ،
چکیده: (1432 مشاهده)
زمینه و هدف: مالتیپل اسکلروزیس Multiple sclerosis, MS)) جزو ناتوان‌کننده‌ترین بیماری در بالغین جوان است. آگاهی از نمره ناتوانی این بیماران (Expanded disability status scale, EDSS)، در انتخاب روند درمانی آنان مفید است. محاسبه EDSS وقت زیادی از پزشک متخصص می‌گیرد. هدف از این مطالعه برآورد نمره EDSS بیماران MS با استفاده از مدل‌های شبکه عصبی مصنوعی (ANN) و درخت تصمیم (DT) بود.
روش بررسی: این مطالعه مقطعی بر روی داده‌های مطالعه رجیستری MS استان کرمانشاه از اردیبهشت 1396 تا آذر 1397 انجام شد. 12 متغیر شامل اطلاعات دموگرافیک، اطلاعاتی در مورد بیماری MS افراد و نمره EDSS آنان از مجموعه داده‌ها استخراج گردید. نمره EDSS افراد توسط مدل‌های ANN و DT نیز برآورد شد. عملکرد مدل‌ها از نظر خطای برآورد، همبستگی و میانگین نمره برآورد شده، مورد مقایسه قرار گرفت. از (Waikato Environment for Knowledge Analysis (Weka), University of Waikato, New Zealand) و SPSS software, version 25 (IBM SPSS, Armonk, NY, USA) استفاده شد.
یافته‌ها: 353 نفر با میانگین‌های سن 47/36±1/9 سال، سن شروع بیماری 34/30±2/9 سال، طول دوره بیماری 20/6±7/5 سال و نمره 8/1±46/2 EDSS بررسی شدند. خطاهای برآورد در مدل DT کمتر از مدل ANN بود. نمره EDSS واقعی همبستگی معنی داری با نمره برآورد شده توسط (571/0DT (r= و (623/0ANN (r= داشت. میانگین EDSS برآورد شده توسط DT (46/2±1/1) تفاوت معناداری با میانگین EDSS واقعی نداشت (621/0P=). میانگین EDSS برآورد شده توسط ANN (87/2±3/1) به‌طور معناداری بیشتر از میانگین EDSS واقعی بود (05/0P<).
نتیجه‌گیری: مدل DT نسبت به مدل ANN، نمره EDSS را بهتر برآورد کرد و به نمرات واقعی EDSS نزدیکتر بود. با مدل DT می‌توان EDSS بیماران MS را با دقت مناسبی تخمین زد.
روش بررسی: این مطالعه مقطعی بر روی داده‌های مطالعه رجیستری MS استان کرمانشاه از اردیبهشت 1396 تا آذر 1397 انجام شد. 12 متغیر شامل اطلاعات دموگرافیک، اطلاعاتی در مورد بیماری MS افراد و نمره EDSS آنان از مجموعه داده‌ها استخراج گردید. نمره EDSS افراد توسط مدل‌های ANN و DT نیز برآورد شد. عملکرد مدل‌ها از نظر خطای برآورد، همبستگی و میانگین نمره برآورد شده، مورد مقایسه قرار گرفت. از (Waikato Environment for Knowledge Analysis (Weka), University of Waikato, New Zealand) و SPSS software, version 25 (IBM SPSS, Armonk, NY, USA) استفاده شد.
یافته‌ها: 353 نفر با میانگین‌های سن 47/36±1/9 سال، سن شروع بیماری 34/30±2/9 سال، طول دوره بیماری 20/6±7/5 سال و نمره 8/1±46/2 EDSS بررسی شدند. خطاهای برآورد در مدل DT کمتر از مدل ANN بود. نمره EDSS واقعی همبستگی معنی داری با نمره برآورد شده توسط (571/0DT (r= و (623/0ANN (r= داشت. میانگین EDSS برآورد شده توسط DT (46/2±1/1) تفاوت معناداری با میانگین EDSS واقعی نداشت (621/0P=). میانگین EDSS برآورد شده توسط ANN (87/2±3/1) به‌طور معناداری بیشتر از میانگین EDSS واقعی بود (05/0P<).
نتیجه‌گیری: مدل DT نسبت به مدل ANN، نمره EDSS را بهتر برآورد کرد و به نمرات واقعی EDSS نزدیکتر بود. با مدل DT می‌توان EDSS بیماران MS را با دقت مناسبی تخمین زد.
نوع مطالعه: مقاله اصیل |
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
