مقایسه‌ی مدل شبکه عصبی مصنوعی و رگرسیون کاکس در پیش‌بینی بقای بیماران مبتلا به سرطان معده

سابقه و هدف: یکی از روش‌های آماری تحلیل داده‌های بقا، مدل رگرسیونی کاکس است که نیازمند پذیره‌هایی مانند متناسب بودن مخاطرات است. در چند دهه اخیر به‌کارگیری مدل شبکه عصبی مصنوعی برای پیش‌بینی داده‌های بقا، افزایش یافته است. این مطالعه به منظور پیش‌بینی بقای بیماران مبتلا به سرطان معده به کمک دو مدل رگرسیونی کاکس و شبکه عصبی مصنوعی انجام شده است. مواد و روش‌ها: طی سال‌های 1381 لغایت 1385، تعداد 436 بیمار مراجعه‌کننده با تشخیص قطعی سرطان معده که در بخش گوارش بیمارستان طالقانی تحت عمل جراحی قرار گرفتند به صورت هم‌گروه تاریخی مطالعه شدند. داده‌ها به طور تصادفی به دو گروه آموزشی و آزمایشی (اعتبارسنجی) تقسیم شدند. برای تحلیل داده‌ها از روش کاپلان-مایر، مدل مخاطرات متناسب کاکس و یک مدل شبکه‌ی عصبی مصنوعی سه لایه استفاده شد. برای مقایسه‌ی پیش‌بینی‌های دو مدل، از سطح زیر منحنی مشخصه عمل‌کرد و صحت کلاس‌بندی استفاده شد. یافته‌ها: صحت پیش‌بینی مدل شبکه عصبی برابر 51/81 درصد و مدل رگرسیونی کاکس برابر 60/72 درصد گردید. سطح زیر منحنی مشخصه عمل‌کرد برای مدل شبکه‌ی عصبی و رگرسیون کاکس به ترتیب برابر 6/82 درصد و 4/75 درصد به دست آمد. نتیجه‌گیری: مدل شبکه‌ی عصبی مصنوعی نسبت به مدل رگرسیون کاکس پیش‌بینی‌های بهتری نتیجه داد. لذا به‌کارگیری مدل شبکه عصبی مصنوعی در زمینه پیش‌بینی بقا پیشنهاد می‌شود. این امر در تحقیقات مرتبط با حوزه‌ی سلامت و به‌خصوص در تخصیص منابع درمانی لازم برای افرادی‌که پرمخاطره پیش‌بینی می‌شوند با اهمیت است.