مقایسه پیش‌بینی ابتلا به دیابت بارداری با مدل‌های شبکه عصبی مصنوعی و درخت تصمیم

Abstract

زمینه و هدف: دیابت بارداری از شایعترین اختلالات متابولیک بارداری است که با عوارض خطرناکی همراه است. در صورت تشخیص زودرس آن می‌توان از برخی عوارض مادری و جنینی جلوگیری کرد. هدف این پژوهش پیش‌بینی زودرس دیابت بارداری توسط مدل‌های آماری شبکه عصبی مصنوعی و درخت تصمیم و نیز مقایسه این مدل‌ها در تشخیص دیابت بارداری بود. روش بررسی: در این مطالعه مدلسازی، از پرونده‌های زنان باردار در مراکز بهداشتی شهر کرمانشاه (۱۳۹۱-۱۳۸۹)، ۴۰۰ پرونده که بدون داده‌های گمشده بود بررسی شد. اطلاعات دموگرافیک، رتبه بارداری، دیابت، پارامترهای باروری و نتایج آزمایشات از پرونده آنان گردآوری شد. مدل‌های شبکه عصبی مصنوعی پرسپترون و درخت تصمیم به داده‌ها برازش داده شد و عملکرد آن‌ها با هم مقایسه گردید. براساس معیارهای صحت، حساسیت، ویژگی و سطح زیر منحنی راک (Receiver operating characteristic, ROC)، مدل برتر معرفی شد. یافته‌ها: پس از برازش مدل‌های شبکه عصبی مصنوعی و درخت تصمیم، مقادیر معیارها محاسبه شد. مقدار تمام معیارها در شبکه عصبی بیشتر از درخت تصمیم بود. به‌ترتیب برای مدل‌های یادشده، صحت برابر ۰/۸۳ و ۰/۷۷، حساسیت ۰/۶۲ و ۰/۵۶، ویژگی ۰/۹۵ و ۰/۸۷ بود. سطح زیر منحنی راک مدل شبکه عصبی به‌طور معناداری بیشتر از درخت تصمیم بود (۰/۷۹، ۰/۷۴ و ۰/۰۳P=). نتیجه‌گیری: در پیش‌بینی دیابت بارداری، مدل شبکه عصبی مصنوعی دارای صحت، حساسیت، ویژگی و سطح زیر منحنی راک بالاتری نسبت به درخت تصمیم بود. می‌توان نتیجه گرفت که مدل شبکه عصبی مصنوعی پرسپترون دارای پیش‌بینی‌های صحیح‌تر و نزدیک‌تر به واقعیت نسبت به درخت تصمیم است.