این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
مجله دانشگاه علوم پزشکی خراسان شمالی، جلد ۳، شماره ۵، صفحات ۱۵-۲۱
عنوان فارسی مقایسه شبکه عصبی مصنوعی و رگرسیون لجستیک در پیش‌بینیپاسخ‌های دو حالتی مطالعات پزشکی
چکیده فارسی مقاله چکیده زمینه و هدف: رگرسیون لجستیک یک مدل عمومی برای بررسی رابطه بین متغیرهای مستقل و پاسخ‌های دوحالتی است. یکی از مدل‌های انعطاف‌پذیر که به طور جایگزین می‌تواند مورد استفاده قرار گیرد، مدل شبکه عصبی مصنوعی است. این مطالعه با هدف مقایسه‌ی قدرت پیش‌بینی پاسخ‌های دوحالتی داده‌های پزشکی، با مدل شبکه عصبی مصنوعی و رگرسیون لجستیک انجام شد. مواد و روش کار: برای انجام این پژوهش، از داده‌های 639 بیمار مبتلا به سرطان معده، گردآوری شده توسط مرکز تحقیقات گوارش و کبد دانشگاه علوم پزشکی شهید بهشتی طی سال‌های 1381-1385، استفاده شد. مرحله بیماری به عنوان متغیر وابسته در نظر گرفته شد. ارزیابی شبکه بر اساس ملاک حداقل مربعات خطای پیش‌بینی صورت گرفت و مقایسه پیش‌بینی‌های مدل نهایی شبکه با مدل رگرسیونی با استفاده از شاخص هماهنگی و منحنی راک صورت پذیرفت. تحلیل داده‌ها با نرم‌افزار R 2.12 و SPSS 17.0 انجام شد. یافته‌ها: سطح زیر منحنی مشخصه عملکرد مدل شبکه عصبی برابر 725/0 و مدل رگرسیون لجستیک برابر 699/0 به دست آمد. همچنین صحت پیش‌بینی کل برای مدل شبکه عصبی و رگرسیونی به ترتیب برابر 771/0 و 710/0 محاسبه گردید. همچنین اختلاف پیش‌بینی‌های دو مدل معنی‌دار شد (002/0 = P). نتیجه‌گیری: صحت پیش‌بینی شبکه در تشخیص مرحله‌ی بیماری سرطان معده بیش‌تر از مدل رگرسیونی لجستیک به دست آمد و لذا این مدل برای تشخیص مرحله‌ی بیماری پیشنهاد می‌شود.
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی Comparison of artificial neural network and logistic regression in predicting of binary response for medical data The stage of disease in gastric cancer
چکیده انگلیسی مقاله Abstract Background & Objectives: Logistic regression is a general model to determine the relationship between covariates and binary response variables. Artificial neural network model is an alternative flexible model which can be used in these cases, too. This study aimed to make a comparison between the predictions of ANN and logistic regression model for binary outcome of medical data. Material &Methods: Data gathered from 639 registered gastric cancer patients between January 2002 and October 2007 at the Research Center for Gastroenterology and Liver Diseases of Shahid Beheshti University of Medical Sciences, Tehran, Iran. Stage of disease was considered as the dependent variable. Network performance was assessed by using of least square error of prediction and then concordance indexes and area under receiver operative characteristic curves (AUROC) were used to comparison of neural network and logistic regression models. Data analysis was performed by R 2.12 software. Results: Results showed that the concordance index of ANN and LR for drug treatment was calculated as 0.771 and 0.710 respectively. In addition AUROC for ANN and LR models were 0.725 and 0.699, respectively. The difference between the values of observed and predicted of the dependent variable by two models was significant (P=0.002). Conclusion: As a result, the total accuracy prediction of the ANN model is better than LR model, so this model is suggested to predict the stage of gastric cancer disease and also diagnostic goals.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله اکبر بیگلریان | a biglarian


عنایت اله بخشی | e bakhshi


مهدی رهگذر | m rahgozar


مسعود کریملو | m karimloo


نشانی اینترنتی http://journal.nkums.ac.ir/browse.php?a_code=A-10-25-225&slc_lang=fa&sid=fa
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/192/article-192-320421.pdf
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده علوم پایه
نوع مقاله منتشر شده مقاله پژوهشی
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات