مقایسه قدرت پیش بینی شبکه عصبی مصنوعی با رگرسیون لجستیک چندگانه در تفکیک بیماران دیابتی رتینوپاتی از غیر رتینوپاتی

Abstract

زمینه و هدف: بیماری دیابت شیوع بالایی در جامعه دارد و در صورت عدم کنترل، دارای عوارض جبران ناپذیری است و باعث آسیب زدن به چشم و نابینایی می‌‌شود. هدف این مطالعه مقایسه کارایی و قدرت پیش بینی مدل آماری رگرسیون لجستیک چندگانه با مدل شبکه عصبی مصنوعی پرسپترون چندلایه(MLP) در تفکیک بیماران دیابتی دارای رتینوپاتی از دیابتی بدون رتینوپاتی است. روش‌ کار: نمونه‌ها از بین 16000 پرونده بیماران دیابتی مرکز تخصصی دیابت کرمانشاه جمع‌آوری گردید. 150 نفر مورد و 150 نفرکنترل وارد مطالعه شدند. اطلاعات دموگرفیک، BMI، FBS،Hba1c، فشارخون، چربی خون (TC) و مدت زمان ابتلا، وضعیت سیگاری بودن و سن بیماران در دو چک لیست جداگانه از پرونده بهداشتی بیماران گردآوری شد. به منظور شناسایی ریسک فاکتورها، مدل‌های شبکه عصبی مصنوعی و رگرسیون لجستیک چندگانه بر داده‌ها برازش داده شد و از نمودار راک جهت مقایسه قدرت پیش بینی مدل ها استفاده شد. همچنین حساسیت و ویژگی دو مدل با هم بررسی گردیدند و با توجه به معیارهای (سطح زیر منحنی راک، حساسیت و ویژگی) مدل برتر معرفی گردید. یافته‌ها: قدرت پیش بینی رگرسیون لجستیک وMLP به ترتیب برابر 73/0 و 83/0 برآورد شد. همچنین مدلMLP دارای ویژگی (80%) و حساسیت (85%) بالاتری برخوردار بود. متغیرهای FBS (029/0p=)، BMI (0001/0p<)، سن (0001/0p<) و مدت زمان ابتلا به دیابت (0001/0p<) در مدل رگرسیون لجستیک همچنین متغیرهای سن، FBS، مدت ابتلا به دیابت، BMI، وضعیت سیگاری بودن، TCبا توجه به روش Wrapper، با قدرت پیش بینی 83% درMLP معنی دار بودند. نتیجه‌گیری: در این مطالعه مدل MLP در تفکیک بیماران دیابتی دارای رتینوپاتی از دیابتی بدون رتینوپاتی قدرت بیشتری نشان داد. بنابراین در جوامعی که گروه‌های مورد و کنترل قرابت زیادی دارند (همانند این مطالعه که هردو گروه از میان دیابتی ها انتخاب گردید)، کشف تفاوت‌ آن‌ها نیازمند روش‌های نیرومندتر مانند شبکه عصبی مصنوعی است. بنابراین استفاده از این روش‌ها در مطالعات پزشکی توصیه می‌گردد.