پیش بینی بقای بیماران مبتلا به سرطان معده با مدل شبکه عصبی مصنوعی بازخور

یکی از روش های تحلیل داده های بقا، استفاده از مدل رگرسیونی کاکس است که نیازمند پذیره هایی مانند متناسب بودن مخاطرات است. در دهه های اخیر به کارگیری مدل شبکه عصبی مصنوعی برای پیش بینی داده های بقا، افزایش یافته است. این مطالعه به منظور پیش بینی بقای بیماران مبتلا به سرطان معده به کمک دو مدل رگرسیونی کاکس و شبکه عصبی مصنوعی انجام شده است.طی سالهای 1381 لغایت 1385، تعداد 639 بیمار مراجعه کننده با تشخیص قطعی سرطان معده که در بخش گوارش بیمارستان طالقانی تحت درمان قرار گرفتند به صورت همگروه تاریخی مطالعه شدند. داده ها به طور تصادفی به دو گروه آموزشی و آزمایشی تقسیم شدند. برای تحلیل داده ها از روش کاپلان-مایر، مدل کاکس و شبکه عصبی مصنوعی استفاده شد. برای مقایسه پیش بینی های دو مدل، از سطح زیر منحنی مشخصه عملکرد و صحت کلاس بندی استفاده شد.بیشتر بیماران در مرحله پیشرفت سرطان (85/20 درصد) با هیستولوژی آدنوکارسینوما (74/30 درصد) بودند. میزان بقای 1-5 ساله این بیماران به ترتیب برابر با 0/77، 0/52، 0/34، 0/27 و 0/13 به دست آمد. مدل رگرسیون کاکس نشان داد که متغیرهای جنس، سن در زمان تشخیص، شغل، پاتولوژی تومور، متاستاز غدد لنفاوی و متاستاز به نقاط دوردست با بقای بیماران رابطه معنی داری(به ترتیب با مقادیر احتمال0/013=p، 0/076=p، 0/028=p، 0/001=p، 0/004=p و 0/002=p) داشته است. صحت پیش بینی مدل شبکه عصبی سه لایه و چهار لایه برابر 80/51 و 84/15 درصد و مدل رگرسیونی کاکس برابر 78/66 درصد گردید. سطح زیر منحنی مشخصه عملکرد برای مدل شبکه عصبی سه لایه، چهار لایه و رگرسیون کاکس به ترتیب برابر 0/80، 0/82 و 0/76 به دست آمد. مدل شبکه عصبی مصنوعی نسبت به مدل رگرسیون کاکس پیش بینی های بهتری نتیجه داد. لذا به کارگیری مدل شبکه عصبی مصنوعی در زمینه پیش بینی بقا پیشنهاد می شود. این امر در تحقیقات مرتبط با حوزه سلامت و بخصوص در تخصیص منابع درمانی لازم برای افرادیکه پرمخاطره پیش بینی می شوند با اهمیت است.