استفاده از روش تحلیل مولفه‌های اصلی برای افزایش صحت پیش‌بینی سندرم متابولیک در مدل‌های شبکه عصبی مصنوعی و رگرسیون لجستیک

زمینه و هدف: در فرآیند مدل‌سازی، زمانی‌که بین متغیرهای کمکی همبستگی‌های نسبتا قوی وجود داشته باشد، هم‌خطی‌چندگانه ایجاد شده و باعث کاهش کارآیی مدل می‌گردد. هدف از این مطالعه استفاده از تحلیل مولفه‌های اصلی برای تعدیل اثر هم‌خطی‌چندگانه در مدل‌های رگرسیون لجستیک و شبکه عصبی مصنوعی و بررسی تاثیر آن بر صحت و دقت پیش‌بینی سندرم متابولیک بود. روش بررسی: در این مطالعه توصیفی – تحلیلی تعداد 347 نفر از افراد شرکت کننده در مطالعه آینده نگر قند و لیپید تهران که در فاز اول مطالعه بر اساس تعریف پانل درمان بالغین (ATPIII) مبتلا به سندرم متابولیک نبودند انتخاب شدند. ابتدا مدل‌های رگرسیون لجستیک و شبکه عصبی مصنوعی با استفاده از متغیرهای کمکی اولیه و سپس با استفاده از مولفه‌های اصلی به داده‌ها برازش گردید و پیش‌بینی بر اساس این مدل‌ها انجام شد. از تحلیل راک و آماره کاپا برای مقایسه قدرت پیش‌بینی مدل‌ها استفاده گردید. یافته‌ها: برای مدل‌های رگرسیون لجستیک، رگرسیون لجستیک با مولفه‌های اصلی، شبکه عصبی مصنوعی و شبکه عصبی مصنوعی با مولفه‌های اصلی به‌ترتیب مساحت زیر منحنی راک 749/0، 790/0، 890/0 و 927/0 به‌دست آمد، میزان حساسیت مدل‌ها 483/0، 435/0، 836/0 و 919/0، ویژگی آن‌ها 857/0، 919/0، 892/0 و 964/0 و اندازه آماره کاپا برای مدل‌ها 322/0، 386/0، 712/0 و 886/0 به‌دست آمد. نتیجه‌گیری: تحقیق نشان داد که صحت پیش‌بینی مدل‌های بر اساس مولفه‌های اصلی از مدل‌های مبتنی بر متغیرهای کمکی اولیه بیشتر بوده و بنابراین در هنگام وجود هم‌خطی‌چندگانه، مدل‌های مبتنی بر مولفه‌های اصلی برای پیش‌بینی سندرم متابولیک کاراتر هستند.