مقایسه ی مدل شبکه عصبی مصنوعی و رگرسیون کاکس در پیش بینی بقای بیماران مبتلا به سرطان معده

سابقه و هدف: یکی از روش های آماری تحلیل داده های بقا، مدل رگرسیونی کاکس است که نیازمند پذیره هایی مانند متناسب بودن مخاطرات است. در چند دهه اخیر به کارگیری مدل شبکه عصبی مصنوعی برای پیش بینی داده های بقا، افزایش یافته است. این مطالعه به منظور پیش بینی بقای بیماران مبتلا به سرطان معده به کمک دو مدل رگرسیونی کاکس و شبکه عصبی مصنوعی انجام شده است. مواد و روش ها: طی سال های 1381 لغایت 1385، تعداد 436 بیمار مراجعه کننده با تشخیص قطعی سرطان معده که در بخش گوارش بیمارستان طالقانی تحت عمل جراحی قرار گرفتند به صورت هم گروه تاریخی مطالعه شدند. داده ها به طور تصادفی به دو گروه آموزشی و آزمایشی (اعتبارسنجی) تقسیم شدند. برای تحلیل داده ها از روش کاپلان-مایر، مدل مخاطرات متناسب کاکس و یک مدل شبکه ی عصبی مصنوعی سه لایه استفاده شد. برای مقایسه ی پیش بینی های دو مدل، از سطح زیر منحنی مشخصه عمل کرد و صحت کلاس بندی استفاده شد. یافته ها: صحت پیش بینی مدل شبکه عصبی برابر 51/81 درصد و مدل رگرسیونی کاکس برابر 60/72 درصد گردید. سطح زیر منحنی مشخصه عمل کرد برای مدل شبکه ی عصبی و رگرسیون کاکس به ترتیب برابر 6/82 درصد و 4/75 درصد به دست آمد. نتیجه گیری: مدل شبکه ی عصبی مصنوعی نسبت به مدل رگرسیون کاکس پیش بینی های بهتری نتیجه داد. لذا به کارگیری مدل شبکه عصبی مصنوعی در زمینه پیش بینی بقا پیشنهاد می شود. این امر در تحقیقات مرتبط با حوزه ی سلامت و به خصوص در تخصیص منابع درمانی لازم برای افرادی که پرمخاطره پیش بینی می شوند با اهمیت است.