طراحی شبکه عصبی مصنوعی برای مدل بندی پاسخ های دو متغیره آمیخته و کاربرد آن در داده های پزشکی

مقدمه و اهداف: زمانی که در یک مطالعه متغیرهای پاسخ دارای مقیاس اندازه گیری متفاوت باشند، پاسخ ها را چندمتغیره آمیخته می گویند. با توجه به محدودیت ها و برقرارنبودن برخی پیش فرض ها، روش های کلاسیک آماری برای مدل بندی و پیش بینی این نوع پاسخ ها کارایی ندارند. هدف این مطالعه، طراحی شبکه عصبی مصنوعی برای مدل بندی و پیش ینی پاسخ های دومتغیره آمیخته است. روش کار: این مطالعه شامل سه مرحله طراحی مدل، شبیه سازی و برازش مدل بر داده های واقعی است. پس از طراحی مدل، با در نظر گرفتن پارامترهای مختلف، دو مجموعه داده شبیه سازی و مدل های یک متغیره و دومتغیره مورد ارزیابی قرار گرفتند. برای آموزش شبکه از الگوریتم شیب توام مقیاس شده و برای تعیین مناسب ترین مدل از معیار صحت پیش بینی استفاده شد. مدل پیشنهادی برای پیش بینی توام سندرم متابولیک و شاخص مقاومت به انسولین در مطالعه قند و لیپید تهران به کار گرفته شد. برنامه های رایانه ای در نرم افزارهایr 2.9.0 و matlab 7.6 طراحی و اجرا گردید. نتایج: در مجموعه شبیه سازی اول، صحت پیش بینی در مدل های یک متغیره و دومتغیره تقریبا یکسان ولی در مجموعه شبیه سازی دوم، در مدل های دو متغیره نسبت به مدل های یک متغیره بیشتر است. در مدل های دو متغیره، صحت پیش بینی مدل با افزایش همبستگی متغیرهای پاسخ، بیشتر می شود. در داده های واقعی مدل با 10 گره در لایه میانی دارای بیشترین صحت پیش بینی است. نتیجه گیری: تحقیق نشان داد، در حالتی که دو متغیر پاسخ با متغیرهای کمکی ارتباط دارند مدل دومتغیره نسبت به یک متغیره مناسب تر است و با افزایش همبستگی، صحت پیش بینی افزایش می یابد.