fa مقایسه شبکه عصبی مصنوعی و رگرسیون لجستیک در پیش‌بینیپاسخ‌های دو حالتی مطالعات پزشکی علوم پایه Basic Sciences مقاله پژوهشی Orginal Research <p>چکیده زمینه و هدف: رگرسیون لجستیک یک مدل عمومی برای بررسی رابطه بین متغیرهای مستقل و پاسخ‌های دوحالتی است. یکی از مدل‌های انعطاف‌پذیر که به طور جایگزین می‌تواند مورد استفاده قرار گیرد، مدل شبکه عصبی مصنوعی است. این مطالعه با هدف مقایسه‌ی قدرت پیش‌بینی پاسخ‌های دوحالتی داده‌های پزشکی، با مدل شبکه عصبی مصنوعی و رگرسیون لجستیک انجام شد. مواد و روش کار: برای انجام این پژوهش، از داده‌های 639 بیمار مبتلا به سرطان معده، گردآوری شده توسط مرکز تحقیقات گوارش و کبد دانشگاه علوم پزشکی شهید بهشتی طی سال‌های 1381-1385، استفاده شد. مرحله بیماری به عنوان متغیر وابسته در نظر گرفته شد. ارزیابی شبکه بر اساس ملاک حداقل مربعات خطای پیش‌بینی صورت گرفت و مقایسه پیش‌بینی‌های مدل نهایی شبکه با مدل رگرسیونی با استفاده از شاخص هماهنگی و منحنی راک صورت پذیرفت. تحلیل داده‌ها با نرم‌افزار R 2.12 و SPSS 17.0 انجام شد. یافته‌ها: سطح زیر منحنی مشخصه عملکرد مدل شبکه عصبی برابر 725/0 و مدل رگرسیون لجستیک برابر 699/0 به دست آمد. همچنین صحت پیش‌بینی کل برای مدل شبکه عصبی و رگرسیونی به ترتیب برابر 771/0 و 710/0 محاسبه گردید. همچنین اختلاف پیش‌بینی‌های دو مدل معنی‌دار شد (002/0 = P). نتیجه‌گیری: صحت پیش‌بینی شبکه در تشخیص مرحله‌ی بیماری سرطان معده بیش‌تر از مدل رگرسیونی لجستیک به دست آمد و لذا این مدل برای تشخیص مرحله‌ی بیماری پیشنهاد می‌شود.</p> <p>Abstract Background & Objectives: Logistic regression is a general model to determine the relationship between covariates and binary response variables. Artificial neural network model is an alternative flexible model which can be used in these cases, too. This study aimed to make a comparison between the predictions of ANN and logistic regression model for binary outcome of medical data. Material &Methods: Data gathered from 639 registered gastric cancer patients between January 2002 and October 2007 at the Research Center for Gastroenterology and Liver Diseases of Shahid Beheshti University of Medical Sciences, Tehran, Iran. Stage of disease was considered as the dependent variable. Network performance was assessed by using of least square error of prediction and then concordance indexes and area under receiver operative characteristic curves (AUROC) were used to comparison of neural network and logistic regression models. Data analysis was performed by R 2.12 software. Results: Results showed that the concordance index of ANN and LR for drug treatment was calculated as 0.771 and 0.710 respectively. In addition AUROC for ANN and LR models were 0.725 and 0.699, respectively. The difference between the values of observed and predicted of the dependent variable by two models was significant (P=0.002). Conclusion: As a result, the total accuracy prediction of the ANN model is better than LR model, so this model is suggested to predict the stage of gastric cancer disease and also diagnostic goals.</p> واژه‌های کلیدی: شبکه عصبی مصنوعی, رگرسیون لجستیک, پیش‌بینی, پاسخ‌های دوحالتی Keywords: Artificial neural network, Logistic regression, Prediction, Binary response 15 21 http://journal.nkums.ac.ir/browse.php?a_code=A-10-25-225&slc_lang=fa&sid=1 A Biglarian اکبر بیگلریان 10031947532846007206 10031947532846007206 Yes دانشگاه علوم بهزیستی و توان‌بخشی تهران، تهران، ایران E Bakhshi عنایت‌اله بخشی 10031947532846007207 10031947532846007207 No دانشگاه علوم بهزیستی و توان‌بخشی تهران، تهران، ایران M Rahgozar مهدی رهگذر 10031947532846007208 10031947532846007208 No دانشگاه علوم بهزیستی و توان‌بخشی تهران، تهران، ایران M Karimloo مسعود کریملو 10031947532846007209 10031947532846007209 No دانشگاه علوم بهزیستی و توان‌بخشی تهران، تهران، ایران