این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
مجله اپیدمیولوژی ایران، جلد ۶، شماره ۴، صفحات ۲۸-۳۹
عنوان فارسی طراحی شبکه عصبی مصنوعی برای مدل‌بندی پاسخ‌های دو متغیره آمیخته و کاربرد آن در داده‌های پزشکی
چکیده فارسی مقاله مقدمه و اهداف: زمانی که در یک مطالعه متغیرهای پاسخ دارای مقیاس اندازه‌گیری متفاوت باشند، پاسخ‌ها را چندمتغیره آمیخته می‌گویند. با توجه به محدودیت‌ها و برقرارنبودن برخی پیش‌ فرض‌ها، روش‌های کلاسیک آماری برای مدل‌بندی و پیش‌بینی این نوع پاسخ‌ها کارایی ندارند. هدف این مطالعه، طراحی شبکه عصبی مصنوعی برای مدل‌بندی و پیش‌ینی پاسخ‌های دومتغیره آمیخته است. روش کار: این مطالعه شامل سه مرحله طراحی مدل، شبیه‌سازی و برازش مدل بر داده‌های واقعی است. پس از طراحی مدل، با در نظر گرفتن پارامترهای مختلف، دو مجموعه داده شبیه‌سازی و مدل‌های یک‌ متغیره و دومتغیره مورد ارزیابی قرار گرفتند. برای آموزش شبکه از الگوریتم شیب توام مقیاس شده و برای تعیین مناسب‌ترین مدل از معیار صحت پیش‌بینی استفاده شد. مدل پیشنهادی برای پیش‌بینی توام سندرم متابولیک و شاخص مقاومت به انسولین در مطالعه قند و لیپید تهران به‌کار گرفته شد. برنامه‌های رایانه‌ای در نرم‌افزارهایR 2.9.0 و MATLAB 7.6 طراحی و اجرا گردید. نتایج: در مجموعه شبیه‌سازی اول، صحت پیش‌بینی در مدل‌های یک متغیره و دومتغیره تقریبا یکسان ولی در مجموعه شبیه‌سازی دوم، در مدل‌های دو متغیره نسبت به مدل‌های یک متغیره بیشتر است. در مدل‌های دو متغیره، صحت پیش‌بینی مدل با افزایش همبستگی متغیرهای پاسخ، بیشتر می‌شود. در داده‌های واقعی مدل با 10 گره در لایه میانی دارای بیشترین صحت پیش‌بینی است. نتیجه‌گیری: تحقیق نشان داد، در حالتی‌که دو متغیر پاسخ با متغیرهای کمکی ارتباط دارند مدل دومتغیره نسبت به یک متغیره مناسب‌تر است و با افزایش همبستگی، صحت پیش‌بینی افزایش می‌یابد.
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی Artificial Neural Network Design for Modeling of Mixed Bivariate Outcomes in Medical Research Data
چکیده انگلیسی مقاله Background & Objective: Mixed outcomes arise when, in a multivariate model, response variables measured on different scales such as binary and continuous. Artificial neural networks (ANN) can be used for modeling in situations where classic models have restricted application when some of their assumptions are not met. In this paper, we propose a method based on ANNs for modeling mixed binary and continuous outcomes. Methods: Univariate and bivariate models were evaluated based on two different sets of simulated data. The scaled conjugate gradient (SCG) algorithm was used for optimization. To end the algorithm and finding optimum number of iteration and learning coefficient, mean squared error (MSE) was computed. Predictive accuracy rate criterion was employed for selection of appropriate model. We also used our model in medical data for joint prediction of metabolic syndrome (binary) and HOMA-IR (continues) in Tehran Lipid and Glucose Study (TLGS). The codes were written in R 2.9.0 and MATLAB 7.6. Results: The predictive accuracy for univariate and bivariate models based on simulated dataset Ι, where two outcomes associated with a common covariate, were shown to be approximately similar. However, in simulated dataset ΙΙ in which two outcomes associated with different covariates, predictive accuracy in bivariate models were seen to be larger than that of univariate models. Conclusions: It is indicated that the predictive accuracy gain is higher in bivariate model, when the outcomes share a different set of covariates with higher level of correlation between the outcomes.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله مرتضی سدهی | m sedehi
phd student in biostatistics, faculty of medicine, tarbiat modares university, tehran, iran
دانشجوی دکتری آمار زیستی، دانشکده پزشکی دانشگاه تربیت مدرس، تهران، ایران
سازمان اصلی تایید شده: دانشگاه تربیت مدرس (Tarbiat modares university)

یداله محرابی | y mehrabi
professor of biostatistics, department of epidemiology, school of public health, shahid beheshti uni
استاد آمار زیستی، دانشکده پزشکی دانشگاه تربیت مدرس، تهران، ایران
سازمان اصلی تایید شده: دانشگاه تربیت مدرس (Tarbiat modares university)

انوشیروان کاظم نژاد | a kazemnejad
professor of biostatistics, faculty of medicine, tarbiat modares university, iran
دانشیار گروه مهندسی کنترل، دانشکده مهندسی برق دانشگاه تربیت مدرس، تهران، ایران
سازمان اصلی تایید شده: دانشگاه تربیت مدرس (Tarbiat modares university)

وحید جوهری مجد | v joharimajd
associate professor of electricity control engineering, faculty of electricity engineering, tarbiat
دانشیار گروه مهندسی کنترل، دانشکده مهندسی برق دانشگاه تربیت مدرس، تهران، ایران
سازمان اصلی تایید شده: دانشگاه تربیت مدرس (Tarbiat modares university)

فرزاد حدایق | f hadaegh
associate professor of endocrinology, prevention of metabolic disorders research center, research in
دانشیار و فوق تخصص غدد، پژوهشکده علوم غدد درون ریز و متابولیسم، دانشگاه علوم پزشکی شهید بهشتی، تهران
سازمان اصلی تایید شده: پژوهشکده علوم غدد درون ریز و متابولیسم (Research institute for endocrine sciences)

نشانی اینترنتی http://irje.tums.ac.ir/browse.php?a_code=A-10-25-66&slc_lang=fa&sid=fa
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده عمومی
نوع مقاله منتشر شده پژوهشی
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات