Razi Journal of Medical Sciences
مجله علوم پزشکی رازی
RJMS
Medical Sciences
http://rjms.iums.ac.ir
39
journal39
2228-7043
2228-7051
en
jalali
1393
7
1
gregorian
2014
10
1
21
124
online
1
fulltext
fa
مقایسه قدرت پیش بینی شبکه عصبی مصنوعی با رگرسیون لجستیک چندگانه در تفکیک بیماران دیابتی رتینوپاتی از غیر رتینوپاتی
Comparison of artificial neural network predictive power with multiple logistic regressions to determine patients with and without diabetic retinopathy
آمار حیاتی
Biostatistics
پژوهشي
Research
<strong><span style="font-family:b mitra;"><span style="font-size:10.0pt;">زمینه و هدف</span></span></strong>: <span style="font-family:b mitra;"><span style="font-size:10.0pt;">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 می</span></span><span style="font-family:times new roman,serif;"><span style="font-size:10.0pt;"></span></span><span style="font-family:b mitra;"><span style="font-size:10.0pt;">شود. هدف این مطالعه مقایسه کارایی و قدرت پیش بینی مدل آماری رگرسیون لجستیک چندگانه با مدل شبکه عصبی مصنوعی پرسپترون چندلایه</span></span><span dir="LTR"><span style="font-family:times new roman,serif;"><span style="font-size:9.0pt;">(MLP) </span></span></span><span style="font-family:b mitra;"><span style="font-size:10.0pt;"> در تفکیک بیماران دیابتی دارای رتینوپاتی از دیابتی بدون رتینوپاتی است.</span></span> <span style="font-family:b mitra;"><span style="font-size:10.0pt;"></span></span><br>
<strong><span style="font-family:b mitra;"><span style="font-size:10.0pt;">روش کار</span></span></strong><span style="font-family:b mitra;"><span style="font-size:10.0pt;">: نمونهها از بین 16000 پرونده بیماران دیابتی مرکز تخصصی دیابت کرمانشاه جمعآوری گردید. 150 نفر مورد و 150 نفرکنترل وارد مطالعه شدند. اطلاعات دموگرفیک، </span></span><span dir="LTR"><span style="font-family:times new roman,serif;"><span style="font-size:9.0pt;">BMI</span></span></span><span style="font-family:b mitra;"><span style="font-size:10.0pt;">، </span></span><span dir="LTR"><span style="font-family:times new roman,serif;"><span style="font-size:9.0pt;">FBS</span></span></span><span style="font-family:b mitra;"><span style="font-size:10.0pt;">،</span></span><span dir="LTR"><span style="font-family:times new roman,serif;"><span style="font-size:9.0pt;">Hba1c</span></span></span><span style="font-family:b mitra;"><span style="font-size:10.0pt;">، فشارخون، چربی خون</span></span><span dir="LTR"><span style="font-family:times new roman,serif;"><span style="font-size:9.0pt;"> (TC) </span></span></span><span style="font-family:b mitra;"><span style="font-size:10.0pt;">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</span></span><span dir="LTR"><span style="font-family:times new roman,serif;"><span style="font-size:9.0pt;">.</span></span></span><span style="font-family:b mitra;"><span style="font-size:10.0pt;"></span></span><br>
<strong><span style="font-family:b mitra;"><span style="font-size:10.0pt;">یافتهها</span></span></strong><span style="font-family:b mitra;"><span style="font-size:10.0pt;">: قدرت پیش بینی رگرسیون لجستیک و</span></span><span dir="LTR"><span style="font-family:times new roman,serif;"><span style="font-size:9.0pt;">MLP </span></span></span><span style="font-family:b mitra;"><span style="font-size:10.0pt;"> به ترتیب برابر 73/0 و 83/0 برآورد شد. همچنین مدل</span></span><span dir="LTR"><span style="font-family:times new roman,serif;"><span style="font-size:9.0pt;">MLP </span></span></span><span style="font-family:b mitra;"><span style="font-size:10.0pt;"> دارای ویژگی (80%) و حساسیت (85%) بالاتری برخوردار بود. متغیرهای </span></span><span dir="LTR"><span style="font-family:times new roman,serif;"><span style="font-size:9.0pt;">FBS</span></span></span><span style="font-family:b mitra;"><span style="font-size:10.0pt;"> (029/0</span></span><span dir="LTR"><span style="font-family:times new roman,serif;"><span style="font-size:9.0pt;">p=</span></span></span><span style="font-family:b mitra;"><span style="font-size:10.0pt;">)، </span></span><span dir="LTR"><span style="font-family:times new roman,serif;"><span style="font-size:9.0pt;">BMI</span></span></span><span style="font-family:b mitra;"><span style="font-size:10.0pt;"> (<a name="OLE_LINK17"></a><a name="OLE_LINK16">0001/0</a></span></span><span dir="LTR"><span style="font-family:times new roman,serif;"><span style="font-size:9.0pt;">p<</span></span></span><span style="font-family:b mitra;"><span style="font-size:10.0pt;">)</span></span><span style="font-family:b mitra;"><span style="font-size:10.0pt;">، سن</span></span> <span style="font-family:b mitra;"><span style="font-size:10.0pt;">(0001/0</span></span><span dir="LTR"><span style="font-family:times new roman,serif;"><span style="font-size:9.0pt;">p<</span></span></span><span style="font-family:b mitra;"><span style="font-size:10.0pt;">)</span></span> <span style="font-family:b mitra;"><span style="font-size:10.0pt;">و مدت زمان ابتلا به دیابت <a name="OLE_LINK57"></a><a name="OLE_LINK56">(0001/0</a></span></span><span dir="LTR"><span style="font-family:times new roman,serif;"><span style="font-size:9.0pt;">p<</span></span></span><span style="font-family:b mitra;"><span style="font-size:10.0pt;">)</span></span><span style="font-family:b mitra;"><span style="font-size:10.0pt;"> در مدل رگرسیون لجستیک همچنین متغیرهای سن، </span></span><span dir="LTR"><span style="font-family:times new roman,serif;"><span style="font-size:9.0pt;">FBS</span></span></span><span style="font-family:b mitra;"><span style="font-size:10.0pt;">، مدت ابتلا به دیابت، </span></span><span dir="LTR"><span style="font-family:times new roman,serif;"><span style="font-size:9.0pt;">BMI</span></span></span><span style="font-family:b mitra;"><span style="font-size:10.0pt;">، وضعیت سیگاری بودن، </span></span><span dir="LTR"><span style="font-family:times new roman,serif;"><span style="font-size:9.0pt;">TC</span></span></span><span style="font-family:b mitra;"><span style="font-size:10.0pt;">با توجه به روش </span></span><span dir="LTR"><span style="font-family:times new roman,serif;"><span style="font-size:9.0pt;">Wrapper</span></span></span><span style="font-family:b mitra;"><span style="font-size:10.0pt;">، با قدرت پیش بینی 83% در</span></span><span dir="LTR"><span style="font-family:times new roman,serif;"><span style="font-size:9.0pt;">MLP </span></span></span><span style="font-family:b mitra;"><span style="font-size:10.0pt;"> معنی دار بودند.</span></span><br>
<strong><span style="font-family:b mitra;"><span style="font-size:10.0pt;">نتیجهگیری</span></span></strong><span style="font-family:b mitra;"><span style="font-size:10.0pt;">: در این مطالعه مدل</span></span><span dir="LTR"><span style="font-family:times new roman,serif;"><span style="font-size:9.0pt;"> MLP </span></span></span><span style="font-family:b mitra;"><span style="font-size:10.0pt;">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</span></span><span dir="LTR"><span style="font-family:times new roman,serif;"><span style="font-size:9.0pt;">.</span></span></span><span style="font-family:b mitra;"><span style="font-size:10.0pt;"></span></span><br>
<font face="Times New Roman" size="3"> </font>
<p class="MsoNormal" style="margin: 0cm 0cm 0pt text-align: justify line-height: normal text-justify: kashida text-kashida: 0%"><b><span 12pt="" font-size:="" mso-bidi-language:="" new="" style="font-family: " times="">Background: </span></b><span font-size:="" new="" style="font-family: " times="">Diabetes mellitus is a high prevalent disease among the population, and if not controlled, it causes complications and irreparable damage to the eye and cause blindness. This study goal is to investigate the predictive power of multiple logistic regression model and the Artificial Neural Network Multi-layer Perceptron (MLP) in determining patients with and without diabetic retinopathy.<font size="3"><font face="Times New Roman"><span style="mso-spacerun: yes"> </span></font></font></span></p>
<font face="Times New Roman" size="3"> </font>
<p class="MsoNormal" style="margin: 0cm 0cm 0pt text-align: justify line-height: normal text-justify: kashida text-kashida: 0%"><b><span font-size:="" new="" style="font-family: " times="">Methods</span></b><span font-size:="" new="" style="font-family: " times="">: Of 16,000 diabetic cases from Kermanshah diabetic center a sample including 150 cases and 150 controls were enrolled. Demographic data, BMI, FBS, Hba1c, blood pressure, cholesterol (TC) and duration of disease, smoking status, and age of patient, and health records were collected into two separate checklists. For identifying risk factors, and artificial neural network models multiple logistic regression was fitted to the data and the Rock charts was used to compare the predictive power of the models. Also sensitivity and specificity were analyzed together with the standards of both models (ROC curve, sensitivity and specificity) and superior model was introduced. </span></p>
<font face="Times New Roman" size="3"> </font>
<p class="MsoNormal" style="margin: 0cm 0cm 0pt text-align: justify line-height: normal text-justify: kashida text-kashida: 0%"><b><span font-size:="" new="" style="font-family: " times="">Results</span></b><span font-size:="" new="" style="font-family: " times="">: The predictive power of logistic regression and MLP were 73.0 and 83.0, respectively. The MLP model features (80%) and sensitivity (85%) were higher. Variables of<font size="3"><font face="Times New Roman"><span style="mso-spacerun: yes"> </span>FBS (p=0.029), BMI (p<0.0001), age (p<0.0001) duration of diabetes (p<0.0001) in the logistic regression model, the variables of age, FBS, duration of diabetes, BMI, smoking status, TC according to the Wrapper, the predictive power of 83% in MLP were significant.</font></font></span></p>
<font face="Times New Roman" size="3"> </font>
<p class="MsoNormal" style="margin: 0cm 0cm 0pt text-align: justify line-height: normal text-justify: kashida text-kashida: 0%"><b><span font-size:="" new="" style="font-family: " times="">Conclusion</span></b><span font-size:="" new="" style="font-family: " times="">: In this study, the MLP model showed more power to identify diabetic retinopathy patients from those without retinopathy. Thus, in communities that case and control groups have high affinity (like this study), discovering the difference needs a more powerful method such as artificial neural network MLP. This method is recommended for medical research.</span></p>
<font face="Times New Roman" size="3"> </font>
رگرسیون لجستیک, شبکه عصبی مصنوعی پرسپترون چند لایه, دیابت نوع دو, رتینوپاتی, منحنی راک
Logistic regression, Artificial neural network multilayer perceptron, Type II diabetes, Retinopathy, ROC curve
69
80
http://rjms.iums.ac.ir/browse.php?a_code=A-10-1-1586&slc_lang=fa&sid=1
Eghbal i
Zandkarim
اقبال
زند کریمی
3900319475328460044342
3900319475328460044342
No
Kermanshah University of Medical Sciences
دانشگاه علوم پزشکی کرمانشاه
Alireza
Afshari Safavi
علیرضا
افشاری صفوی
3900319475328460044343
3900319475328460044343
Yes
Isfahan University of Medical Sciences
دانشگاه علوم پزشکی اصفهان