این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
مجله اپیدمیولوژی ایران، جلد ۶، شماره ۳، صفحات ۲۲-۲۷
عنوان فارسی مقایسه مدل شبکه عصبی مصنوعی و رگرسیون پارامتری در پیش‌بینی بقای بیماران مبتلا به سرطان معده
چکیده فارسی مقاله مقدمه و اهداف: یکی از روش‌های تحلیل داده‌های بقا، استفاده از مدل‌های پارامتری است که در آن باید توزیع زمان بقا مشخص باشد. در چند دهه اخیر، از مدل شبکه عصبی مصنوعی نیز برای پیش‌بینی داده‌های بقا استفاده شده است. هدف این مطالعه، پیش‌بینی بقای بیماران مبتلا به سرطان معده به کمک دو مدل پارامتری و مدل شبکه عصبی مصنوعی است. روش کار: طی سال‌های 1381 لغایت 1385، تعداد 436 بیمار مراجعه کننده با تشخیص قطعی سرطان معده که در بخش گوارش بیمارستان طالقانی تحت عمل جراحی قرار گرفتند به صورت همگروه تاریخی مطالعه شدند. داده‌ها به تصادف به دو گروه آموزشی و آزمایشی تقسیم شدند. برای تحلیل داده‌ها از یک مدل پارامتری مناسب (از بین مدل‌های نمایی، وایبول، نرمال، لگ نرمال، لجستیک و لگ لجستیک) و مدل شبکه عصبی مصنوعی سه لایه استفاده شد. برای مقایسه پیش‌بینی‌های دو مدل، از سطح زیر منحنی مشخصه عملکرد، صحت کلاس‌بندی و شاخص هماهنگی استفاده شد. نتایج: صحت پیش‌بینی مدل شبکه عصبی برابر 45/79 درصد و مدل پارامتری مناسب (وایبول) برابر 97/73 درصد گردید. سطح زیر منحنی مشخصه عملکرد برای مدل شبکه عصبی و پارامتری وایبول به ترتیب برابر 5/81 درصد و 8/74 درصد به دست آمد. نتیجه‌گیری: مدل شبکه عصبی مصنوعی نسبت به مدل پارامتری پیش‌بینی‌های بهتری نتیجه داد. لذا بکارگیری این نوع مدل‌ها در زمینه پیش‌بینی بقا پیشنهاد می‌شود. این امر در تحقیقات مرتبط با حوزه سلامت و به خصوص در تخصیص منابع درمانی لازم برای افرادیکه پرمخاطره پیش‌بینی می‌شوند بسیار با اهمیت است.
کلیدواژه‌های فارسی مقاله تحلیل بقا،پیش‌بینی،مدل پارامتری،شبکه عصبی مصنوعی،سرطان معده
عنوان انگلیسی Comparison of Artificial Neural Network and Parametric Regression Models in Survival Prediction of Patients with Gastric Cancer
چکیده انگلیسی مقاله Background & Objective: Using parametric models is common approach in survival analysis. In the recent years, artificial neural network (ANN) models have increasingly used in survival prediction. The aim of this study was to predict of survival rate of patients with gastric cancer by using a parametric regression and ANN models and compare these methods. Methods: We used the data of 436 gastric cancer patients from a cancer registry in Tehran between 2002-2007. All patients had a confirmed diagnosis. Data were randomly divided into two groups: training and testing (or validation) set. For analysis of data we used a parametric model (exponential, Weibull, normal, lognormal, logistic and log-logistic models) and a three layer ANN model. In order to compare of the prediction of two models, we used the area under receiver operating characteristic (AUROC) curve, classification table and concordance index. Results: The prediction accuracy of the ANN and the parametric (Weibull) models were 79.45% and 73.97% respectively. The AUROC for the ANN and the Weibull models were 0.815 and 0.748 respectively. Conclusions: The ANN had a better predictions than the Weibull model. Thus it is suggested to use of the ANN model survival prediction in field of cancer.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله اکبر بیگلریان | a biglarian
assistant professor, university of social welfare and rehabilitation sciences uswr , tehran, iran
در زمان اجرای پژوهش دانشجوی دوره دکترای آمارزیستی دانشگاه تربیت مدرس تهران. نشانی فعلی دکترای آمار
سازمان اصلی تایید شده: دانشگاه تربیت مدرس (Tarbiat modares university)

ابراهیم حاجی زاده | e hajizadeh
associate professor, faculty of medical science, tarbiat modares university, tehran, iran
دانشیار آمار زیستی، گروه آمار زیستی، دانشکده علوم پزشکی، دانشگاه تربیت مدرس تهران، ایران
سازمان اصلی تایید شده: دانشگاه تربیت مدرس (Tarbiat modares university)

انوشیروان کاظم نژاد | a kazemnejad
professor, faculty of medical science, tarbiat modares university, tehran, iran
استاد آمار زیستی، گروه آمار زیستی، دانشکده علوم پزشکی، دانشگاه تربیت مدرس تهران، ایران
سازمان اصلی تایید شده: دانشگاه تربیت مدرس (Tarbiat modares university)

نشانی اینترنتی http://irje.tums.ac.ir/browse.php?a_code=A-10-25-74&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