مقایسه مدل های لاجیت و شبکه عصبی مصنوعی در پیش بینی میزان مراجعه کنندگان بیماری آسم در ارتباط با پارامترهای اقلیمی شهر سنندج

Abstract

یش­بینی تعداد افراد مراجعه­کننده به بیمارستان­ها در ارتباط با پارامترهای اقلیمی از موضوعات قابل بحت و تأمل است که با تغییرات اقلیمی و گسترش شهرنشینی و آلودگی­ هوا در دهه­های اخیر دامن­گیر بسیاری از جوامع بشری شده است. استفاده از مدل­های پیش­بینی می­تواند بعنوان ابزاری کارآمد در مدیریت و کنترل بیماری­ها، کاهش مرگ و میر و برنامه­ریزی­ها مورد توجه قرار گیرد که در این پژوهش دو مدل شبکه­ عصبی مصنوعی و رگرسیون لوجستیک (لاجیت) به عنوان ابزاری کارآمد در پیش­بینی فرآیندهای غیرخطی و پیچیده جهت پیش­بینی میزان مراجعه­کنندگان بیماری آسم در شهر سنندج در ارتباط با پارامترهای اقلیمی مورد بررسی قرار گرفت. داده­های مورد بررسی در بازه زمانی 8 ساله (2008-2001) از ایستگاه هواشناسی سینوپتیک سنندج و بیمارستان­های توحید و بعثت در سطح شهر سنندج اخذ گردید. سپس، پارامترهای اقلیمی به عنوان ورودی و میزان مراجعه­کنندگان بیماری آسم بعنوان خروجی مدل­ها در نظر گرفته شدند. نتایج حاصل از بررسی نشان داد که مدل شبکه عصبی با ورود پارامترهای متوسط فشار QFE و میانگین­های حداقل و حداکثر دمای ماهانه و همچنین میانگین دمای ماهانه با دقت قابل قبولی میزان مراجعه­کنندگان بیماری آسم را پیش­بینی می­کند به طوری که ضریب همبستگی داده­های واقعی و پیش­بینی شده برابر با 99/0 است که در سطح 01/0 معنی­دار هستند. پارامترهای ورودی در روش لاجیت نیز نشان می­دهد که میزان مراجعه­کنندگان بیماری آسم از پارامترهای میانگین حداقل دما، متوسط فشار QFF و متوسط سرعت باد (نات) تأثیر می­پذیرند. نسبت لگاریتمی هر کدام از پارامترهای فوق بر روی تعداد مراجعه­کننده به ترتیب با ضریب بتای 517/0-، 734/0- و 977/0- معنی­دارند و از میان پارامترهای اقلیمی نیز عنصر باد به مراتب بیشتر از سایر پارامترها بر روی میزان تعداد افراد مراجعه­کننده به بیمارستان تأثیر گذار است. در مجموع از بین دو مدل غیرخطی مورد بررسی، مدل شبکه عصبی مصنوعی، قابلیت و دقت بیشتری را نسبت به مدل لاجیت نشان داد.