مقایسه ی شبکه ی عصبی مصنوعی با رگرسیون لجستیک در پیش بینی اختلالات روانی بعد از تروما در بیماران دچار آسیب مغزی خفیف
Authors
Abstract:
هرچند آسیب مغزی شدید میتواند افراد را مستعد ابتلا به اختلال روانی کند، در مورد آسیب تروماتیک مغزی خفیف هنوز جای بحث و بررسی وجود دارد. هدف این پژوهش مقایسه ی قدرت شبکه عصبی مصنوعی در پیشبینی بروز اختلال روانی بعد از تروما در بیماران دچار آسیب مغزی خفیف با رگرسیون لجستیک بود. برای این منظور در یک مطالعه کوهورت آینده نگر، 100 نفر بیمار ترومایی ارجاع شده به مرکز ترومای بیمارستان شهید بهشتی کاشان طی مدت 6 ماه بررسی و با 100 نفر از افراد سالم مقایسه شدند. برای مدل سازی، داده ها به طور تصادفی به دو گروه آموزشی (100 نفر) و آزمایشی (100 نفر) تقسیم شد و برای تخمین قدرت پیشبینی اختلال روانی از منحنی راک و صحت کلاسبندی استفاده شد. نتایج نشان داد، بین دو گروه بیماران تروماتیک خفیف و افراد سالم از نظر اختلالات روانی تفاوت معنیداری وجود دارد و مدلهای شبکه ی عصبی مصنوعی نسبت به مدلهای رگرسیون لجستیک کارایی بهتری نشان می دهند. این پژوهش نشان داد که برای پیش بینی اختلال روانی بایستی شاخص های تشخیص این فاکتور در ابتدای کار از بیماران ترومای مغزی خفیف سنجیده گردیده و سپس به کمک مدل شبکه ی عصبی مصنوعی، به پیشبینی این فاکتور پرداخته شود. لزوم استفاده از این فناوری در موارد غربالگری جمعیتی نتایج مفیدی را در درمان بیماران ترومایی و جلوگیری از بروز مشکلات احتمالی برای اینگونه بیماران دارد.
similar resources
استفاده از شبکه عصبی مصنوعی و مقایسه آن با رگرسیون لجستیک در پیش بینی اختلالات روانی بعد از تروما در بیماران دچار آسیب مغزی خفیف
مقدمه: امروزه شبکه های عصبی مصنوعی در پیش بینی اثرات متغیرهای متعدد و با روابط پیچیده بر روی یک متغیر خاص مورد توجه قرار گرفته است. در این مطالعه، قدرت شبکه عصبی مصنوعی در پیش بینی اختلالات روانی بعد از تروما در بیماران دچار آسیب مغزی خفیف با رگرسیون لجستیک مقایسه شد. مواد و روش ها: در یک مطالعه کوهورت آینده نگر، 100 نفر بیمار ترومایی ارجاع شده به مرکز ترومای بیمارستان شهید بهشتی کاشان طی م...
full textبررسی فاکتورهای موثر بر پیش بینی اختلال روانی در بیماران تروماتیک مغزی خفیف با استفاده از مدل رگرسیون لجستیک
مقدمه: آسیب مغزی شدید می تواند افراد را مستعد ابتلاء به اختلال روانی نماید. اما در مورد آسیب تروماتیک مغزی خفیف هنوز جای بحث و بررسی وجود دارد. اهداف این پژوهش پیش بینی عوامل خطرزای اختلال روانی پس از وقوع آسیب مغزی تروماتیک خفیف می باشد. مواد و روش ها: این مطالعه کوهورت آینده نگر، بر روی 72 بیمار مبتلا به MTBI و 72 نفر فرد سالم انجام شد. پس از گذشت 6 ماه پیگیری، افراد جهت ارزیابی آزمون حافظه ...
full textمقایسه قدرت پیش بینی شبکه عصبی مصنوعی با رگرسیون لجستیک چندگانه در تفکیک بیماران دیابتی رتینوپاتی از غیر رتینوپاتی
Background: Diabetes mellitus is a high prevalent disease among the population, and if not controlled, it causes complications and irreparable damage to the eye and cause blindness. This study goal is to investigate the predictive power of multiple logistic regression model and the Artificial Neural Network Multi-layer Perceptron (MLP) in determining patients with and without diabetic...
full textمقایسه ی مدل های شبکه ی عصبی مصنوعی با رگرسیون لجستیک و تحلیل ممیزی در پیش بینی سندرم متابولیک
0
full textمقایسه ی کارایی شبکه ی عصبی مصنوعی با رگرسیون لجستیک در پیش بینی میزان ریزش دانشجویان
مدل رگرسیون لجستیک یکی از مهم ترین مدل های خطی تعمیم یافته است که برای تحلیل مدل های چند متغیره کاربرد دارد به طوری که تمامی عوامل پیش بینی کننده موجود در یک مساله را به طور همزمان مورد توجه قرار می دهد. این مدل برای پیش بینی مدل های خطی و غیرخطی مناسب هستنداز سوی دیگر شبکه های عصبی به دلیل قابلیت های منحصر به فردشان ابزار بسیار کارایی برای پیش بینی می باشند. این مدل ها از اطلاعات پیشین استفاده...
15 صفحه اولمقایسه قدرت پیش بینی شبکه عصبی مصنوعی با رگرسیون لجستیک چندگانه در تفکیک بیماران دیابتی رتینوپاتی از غیر رتینوپاتی
زمینه و هدف: بیماری دیابت شیوع بالایی در جامعه دارد و در صورت عدم کنترل، دارای عوارض جبران ناپذیری است و باعث آسیب زدن به چشم و نابینایی می شود. هدف این مطالعه مقایسه کارایی و قدرت پیش بینی مدل آماری رگرسیون لجستیک چندگانه با مدل شبکه عصبی مصنوعی پرسپترون چندلایه(mlp) در تفکیک بیماران دیابتی دارای رتینوپاتی از دیابتی بدون رتینوپاتی است. روش کار: نمونه ها از بین 16000 پرونده بیماران دیابتی مرک...
full textMy Resources
Journal title
volume 12 issue 46
pages 37- 46
publication date 2017-12-22
By following a journal you will be notified via email when a new issue of this journal is published.
Hosted on Doprax cloud platform doprax.com
copyright © 2015-2023