مقایسه‌ی مدل‌های شبکه‌ی عصبی مصنوعی با رگرسیون لجستیک و تحلیل ممیزی در پیش‌بینی سندرم متابولیک

مقدمه: شبکه‌های عصبی�مصنوعی به عنوان یکی از روش‌های نوین مدل‌سازی در سال‌های اخیر مورد توجه ویژه�قرار گرفته است. این مدل‌ها برای پیش‌بینی و طبقه­بندی در مواردی که روش‌های کلاسیک�آماری به خاطر محدودیت‌هایشان قابل استفاده نیستند، کاربرد دارند. هدف از این مطالعه�مقایسه‌ی توانایی مدل‌های شبکه عصبی مصنوعی با رگرسیون لجستیک و تحلیل ممیزی برای پیش­بینی سندرم متابولیک در نمونه‌ای از افراد شرکت کننده در مطالعه‌ی قند و لیپید تهران�بود. مواد و روش‌ها: با استفاده�از بانک اطلاعاتی مطالعه‌ی قند و لیپید تهران، 347 نفر از افراد شرکت‌کننده در آن مطالعه که در ابتدای فاز اول مطالعه بر اساس تعریف ATP ΙΙΙ مبتلا�به سندرم متابولیک نبودند، به عنوان نمونه انتخاب شدند. اندازه‌گیری شاخص‌های تن‌سنجی، سابقه‌ی بیماری قلبی ـ عروقی، نمایه‌ی توده‌ی بدن، کلسترول LDL و کلسترول HDL، کلسترول­تام، تری­گلیسرید، قندخون ناشتا، قند خون دو ساعته، مصرف سیگار، فشار خون سیستولی و�دیاستولی و دور کمر در ابتدای مطالعه ثبت و بروز سندرم متابولیک پس از سه سال پیگیری به عنوان متغیر پاسخ در نظر گرفته شد. مدل‌های رگرسیون لجستیک، تحلیل ممیزی و�شبکه‌ی عصبی مصنوعی پس­انتشار (15:8:1) و (15:10:1) بر داده­ها برازش داده‌ شد و پیش‌بینی بر اساس این مدل‌ها انجام شد. از تحلیل راک�و آماره‌ی کاپا برای مقایسه‌ی قدرت پیش‌بینی مدل‌ها استفاده شد. نرم‌افزار MATLAB به این منظور مورد استفاده قرار گرفت. یافته‌ها: مساحت زیر منحنی راک (ROC) برای مدل‌های رگرسیون لجستیک، تحلیل ممیزی و مدل‌های شبکه‌ی عصبی مصنوعی (15:8:1) و (15:10:1) به ترتیب 749/0، 739/0 و 748/0 و 890/0 به دست�آمد. میزان حساسیت مدل­ها به ترتیب 483/0، 677/0، 435/0 و 836/0 و ویژگی آنها به ترتیب 857/0، 660/0، 910/0 و 884/0 برآورد شد. اندازه‌ی آماره‌ی کاپا برای�مدل­ها به ترتیب 322/0، 363/0، 372/0 و 712/0�به‌دست آمد. ‌نتیجه­گیری: یافته‌ها نشان دادند که�مدل شبکه‌ی عصبی مصنوعی پس­انتشار (15:10:1) نسبت به مدل رگرسیون لجستیک و مدل تحلیل ممیزی از دقت بیشتری�برای پیش­­بینی سندرم متابولیک در افراد مورد بررسی برخوردار است.