other مقایسه پیش‌بینی ابتلا به دیابت بارداری با مدل‌های شبکه عصبی مصنوعی و درخت تصمیم مقاله اصیل Original Article <div style="text-align: justify;"><span style="font-family:yekanyw;"><strong><span style="font-size:10.0pt;">زمینه و هدف:</span></strong><span style="font-size:10.0pt;"> دیابت بارداری از شایعترین اختلالات متابولیک بارداری است که با عوارض خطرناکی همراه است. در صورت تشخیص زودرس آن می‌توان از برخی عوارض مادری و جنینی جلوگیری کرد. هدف این پژوهش پیش‌بینی زودرس دیابت بارداری توسط مدل‌های آماری شبکه عصبی مصنوعی و درخت تصمیم و نیز مقایسه این مدل‌ها در تشخیص دیابت بارداری بود.</span><br> <strong><span style="font-size:10.0pt;">روش بررسی:</span></strong> <span style="font-size:10.0pt;">در این مطالعه مدلسازی، از پرونده‌های زنان باردار در مراکز بهداشتی شهر کرمانشاه (۱۳۹۱-۱۳۸۹)، ۴۰۰ پرونده که بدون داده‌های گمشده بود بررسی شد. اطلاعات دموگرافیک، رتبه بارداری، دیابت، پارامترهای باروری و نتایج آزمایشات از پرونده آنان گردآوری شد. مدل‌های شبکه عصبی مصنوعی پرسپترون و درخت تصمیم به داده‌ها برازش داده شد و عملکرد آن‌ها با هم مقایسه گردید. براساس معیارهای صحت، حساسیت، ویژگی و سطح زیر منحنی راک (</span><span dir="LTR"><span style="font-size:8.0pt;">Receiver operating characteristic, ROC</span></span><span style="font-size:10.0pt;">)، مدل برتر معرفی شد.</span><br> <strong><span style="font-size:10.0pt;">یافته‌ها:</span></strong> <span style="font-size:10.0pt;">پس از برازش مدل‌های شبکه عصبی مصنوعی و درخت تصمیم، مقادیر معیارها محاسبه شد. مقدار تمام معیارها در شبکه عصبی بیشتر از درخت تصمیم بود. به‌ترتیب برای مدل‌های یادشده، صحت برابر ۰/۸۳ و ۰/۷۷، حساسیت ۰/۶۲ و ۰/۵۶، ویژگی ۰/۹۵ و ۰/۸۷ بود. سطح زیر منحنی راک مدل شبکه عصبی به‌طور معناداری بیشتر از درخت تصمیم بود (۰/۷۹، ۰/۷۴ و ۰/۰۳</span><span dir="LTR"><span style="font-size:8.0pt;">P=</span></span><span style="font-size:10.0pt;">).</span><br> <strong><span dir="RTL"><span style="font-size:10.0pt;">نتیجه‌گیری:</span></span></strong> <span dir="RTL"><span style="font-size:10.0pt;">در پیش‌بینی دیابت بارداری، مدل شبکه عصبی مصنوعی دارای صحت، حساسیت، ویژگی و سطح زیر منحنی راک بالاتری نسبت به درخت تصمیم بود. می‌توان نتیجه گرفت که مدل شبکه عصبی مصنوعی پرسپترون دارای پیش‌بینی‌های صحیح‌تر و نزدیک‌تر به واقعیت نسبت به درخت تصمیم است.</span></span></span></div> <div style="text-align: justify;"><strong>Background</strong>: Gestational diabetes mellitus (GDM) is one of the most common metabolic disorders in pregnancy, which is associated with serious complications. In the event of early diagnosis of this disease, some of the maternal and fetal complications can be prevented. The aim of this study was to early predict gestational diabetes mellitus by two statistical models including artificial neural network (ANN) and decision tree and also comparing these models in the diagnosis of GDM.<br> <strong>Methods</strong>: In this modeling study, among the cases of pregnant women who were monitored by health care centers of Kermanshah City, Iran, from 2010 to 2012, four hundred cases were selected, therefore the information in these cases was analyzed in this study. Demographic information, mother&#39;s maternal pregnancy rating, having diabetes at the beginning of pregnancy, fertility parameters and biochemical test results of mothers was collected from their records. Perceptron ANN and decision tree with CART algorithm models were fitted to the data and those performances were compared. According to the accuracy, sensitivity, specificity criteria and surface under the receiver operating characteristic (ROC) curve (AUC), the superior model was introduced.<br> <strong>Results</strong>: Following the fitting of an artificial neural network and decision tree models to data set, the following results were obtained. The accuracy, sensitivity, specificity and area under the ROC curve were calculated for both models. All of these values were more in the neural network model than the decision tree model. The accuracy criterion for these models was 0.83, 0.77, the sensitivity 0.62, 0.56 and specificity 0.95, 0.87, respectively. The surface under the ROC curve in ANN model was significantly higher than decision tree (0.79, 0.74, P=0.03).<br> <strong>Conclusion</strong>: In predicting and categorizing the presence and absence of gestational diabetes mellitus, the artificial neural network model had a higher accuracy, sensitivity, specificity, and surface under the receiver operating characteristic curve than the decision tree model. It can be concluded that the perceptron artificial neural network model has better predictions and closer to reality than the decision tree model.</div> دیابت بارداری, شبکه عصبی مصنوعی, درخت تصمیم, صحت, حساسیت gestational diabetes mellitus, artificial neural network, decision tree, accuracy, sensitivity 359 367 http://tumj.tums.ac.ir/browse.php?a_code=A-10-4414-4&slc_lang=other&sid=1 Mansour Rezaei منصور رضایی No Department of Biostatistics, Social Development and Health Promotion Research Center, School of Public Health, Kermanshah University of Medical Sciences, Kermanshah, Iran. گروه آمار زیستی، مرکز تحقیقات توسعه اجتماعی و ارتقاء سلامت، دانشکده بهداشت، دانشگاه علوم پزشکی کرمانشاه، کرمانشاه، ایران. Negin Fakhri نگین فخری n.fakhri94@yahoo.com Yes Department of Biostatistics, Student’s Research Committee, School of Public Health, Kermanshah University of Medical Sciences, Kermanshah, Iran. گروه آمار زیستی، کمیته تحقیقات دانشجویی، دانشکده بهداشت، دانشگاه علوم پزشکی کرمانشاه، کرمانشاه، ایران. Fateme Rajati فاطمه رجعتی No Research Center for Environmental Determinants of Health, Health Institute, Kermanshah University of Medical Sciences, Kermanshah, Iran. مرکز تحقیقات عوامل محیطی موثر بر سلامت، پژوهشکده سلامت، دانشگاه علوم پزشکی کرمانشاه، کرمانشاه، ایران. Soodeh Shahsavari سوده شهسواری No Department of Health Information Technology, Faculty of Para Medicine, Kermanshah University of Medical Sciences, Kermanshah, Iran. گروه فناوری اطلاعات سلامت، دانشکده پیراپزشکی، دانشگاه علوم پزشکی کرمانشاه، کرمانشاه، ایران.