fa پیش‌بینی‌‌ تمایل به جراحی ‌زیبایی در پرستاران با استفاده از مدل رگرسیون لجستیک و مقایسه آن با شبکه عصبی مصنوعی آمار زیستی Biostatistics پژوهشي Research <strong><span style="color:#0070C0;"><span style="font-family:b mitra;"><span style="font-size:10.0pt;">زمینه و هدف: </span></span></span></strong><span style="color:black;"><span style="font-family:b mitra;"><span style="font-size:10.0pt;">رگرسیون ‌لجستیک یکی از روش‌های مدل‌بندی برای متغیرهای وابسته دو‌حالتی است. از طرفی شبکه ‌عصبی‌ مصنوعی یک روش انعطاف‌پذیر و با کمترین محدودیت است. اهمیتِ رشدِ روز‌ افزون جراحی‌های زیبایی غیر‌ضروری و از طرفی اهمیت پیش‌بینی و کلاس‌بندی، ما را بر‌آن داشت که مطالعه حاضر را، با هدف مقایسه رگرسیون ‌لجستیک و شبکه‌ عصبی ‌مصنوعی، در پیش‌بینی تمایل به جراحی‌زیباییِ پرستاران انجام دهیم.</span></span></span><br> <strong><span style="color:#0070C0;"><span style="font-family:b mitra;"><span style="font-size:10.0pt;">روش ‌‌کار:</span></span></span></strong><span style="color:black;"><span style="font-family:b mitra;"><span style="font-size:10.0pt;"> نمونه‌ها شامل 360 پرستار شاغل در بیمارستان‌های وابسته به دانشگاه علوم‌پزشکی کرمانشاه بودند. متغیر پاسخ تمایل یا عدم تمایل به جراحی‌زیبایی بود. ارزیابی شبکه‌عصبی‌مصنوعی بر اساس ملاک حداقل مربعات خطای پیش‌بینی صورت گرفت. مجموعه داده ها،&nbsp; بصورت تصادفی، به دو قسمت آموزشی و آزمایشی تقسیم شدند. 70% از داده‌ها برای آموزش و 30% داده‌ها برای آزمون در نظر گرفته شدند. با استفاده از شاخص منحنی راک و صحت پیش‌بینی‌‌، دو مدل با هم مقایسه شدند. برای تحلیل داده‌ها از نرم افزار</span></span></span><span dir="LTR"><span style="color:black;"><span style="font-family:times new roman,serif;"><span style="font-size:9.0pt;">SPSS v.22</span></span></span></span> <span style="color:black;"><span style="font-family:b mitra;"><span style="font-size:10.0pt;">&nbsp;و </span></span></span><span dir="LTR"><span style="color:black;"><span style="font-family:times new roman,serif;"><span style="font-size:9.0pt;">Statistica v.12</span></span></span></span><span style="color:black;"><span style="font-family:b mitra;"><span style="font-size:10.0pt;"> و آزمون مجذور کای (</span></span></span><span dir="LTR"><span style="color:black;"><span style="font-family:times new roman,serif;"><span style="font-size:9.0pt;">Chi-square</span></span></span></span><span style="color:black;"><span style="font-family:b mitra;"><span style="font-size:10.0pt;">) استفاده شد.</span></span></span><br> <strong><span style="color:#0070C0;"><span style="font-family:b mitra;"><span style="font-size:10.0pt;">یافته‌ها:</span></span></span></strong> <span style="color:black;"><span style="font-family:b mitra;"><span style="font-size:10.0pt;">در گروه آموزش، صحت پیش‌بینی، حساسیت، ویژگی و سطح زیر منحنی راکِ برای روش رگرسیون‌لجستیک به ترتیب برابر با 777/0، 760/0، 798/0، 779/0&nbsp; و برای روش شبکه عصبی مصنوعی847/0، 859/0 833/0، 846/0 بود. همچنین در گروه آزمون این معیارها برای روش رگرسیون‌لجستیک به ترتیب برابر با 813/0، 738/0، 926/0، 832/0 و برای شبکه‌عصبی‌مصنوعی 735/0، 737/0، 731/0، 735/0بود. آزمون مجذور کای، اختلاف معنی‌داری بین سطح زیر منحنی راک دو روش، در هیچ یک از گروه‌ها نشان نداد.</span></span></span><br> <strong><span style="color:#0070C0;"><span style="font-family:b mitra;"><span style="font-size:10.0pt;">نتیجه‌گیری:</span></span></span></strong> <span style="color:black;"><span style="font-family:b mitra;"><span style="font-size:10.0pt;">در گروه آموزش، عملکرد روش شبکه‌عصبی‌مصنوعی بهتر از روش رگرسیون‌لجستیک بود ولی در گروه آزمون، صحت پیش‌بینی و ویژگی روش رگرسیون‌لجستیک، بیش از روش شبکه‌عصبی‌مصنوعی بود. لذا می‌توان جهت پیش‌بینی تمایل به جراحی‌‌زیبایی در این مجموعه از پرستاران از روش رگرسیون‌لجستیک استفاده کرد.</span></span></span> <strong>Background:</strong> Logistic regression is one of the modeling methods for bipartite dependent variables. On the other hand, artificial neural network is a flexible method with the least limitation. The importance of growing unnecessary beauty surgeries and the importance of prediction and classification made us consider the present study, with the aim of comparing logistic regression and artificial neural network, to predict the tendency for nurses to crack down.<br> <strong>Methods:</strong> The sample consisted of 360 nurses working in hospitals affiliated to Kermanshah University of Medical Sciences. The response variable was a tendency or unwillingness to cure. An artificial network evaluation was performed based on the least squares prediction error. Using the rock curve index and prediction accuracy, two models were compared. SPSS22, statistica12 and chi-square test were used to analyze the data.<br> <strong>Results:</strong> In the training group, predictive accuracy, sensitivity, specificity, and surface area under the rock curves for the logistic regression method were 0.777, 0.760, 0.779, 0.779, respectively, and artificial neural network method was 0.847, 0.859, 0.833, 0.846. Also, in the test group, the criteria for logistic regression were 0.813, 0.738, 0.926, 0.832 and 0.735, 0.737, 0.731, 0.735, respectively. Chi-square test did not show any significant difference between the two levels under the rock curve in any of the groups.<br> <strong>Conclusion: </strong>In the training group, the performance of the ANN was better than the logistic regression method, but in the experimental group, the prediction accuracy and logistic regression characteristics were more than the artificial neural network. Therefore, logistic regression can be used to predict the tendency for surgical intervention in nurses.<br> &nbsp; رگرسیون ‌لجستیک, شبکه ‌عصبی ‌مصنوعی, جراحی‌زیبایی, پرستاران,پیش بینی Logistic regression, Artificial neural network, Surgery, Nurses, Prediction 104 113 http://rjms.iums.ac.ir/browse.php?a_code=A-10-4404-1&slc_lang=fa&sid=1 bahare andayeshgar بهاره اندایش گر bahar_andaieshgar66@yahoo.com 3900319475328460045918 3900319475328460045918 No دانشگاه علوم پزشکی کرمانشاه، کرمانشاه، ایران Alireza KHatony علیرضا خاتونی akhatony@kums.ac.ir 3900319475328460045919 3900319475328460045919 Yes Kermanshah University of Medical Sciences, Kermanshah, Iran دانشگاه علوم پزشکی کرمانشاه، کرمانشاه، ایران Mansour Rezaei منصور رضایی rezaei39@yahoo.com 3900319475328460045920 3900319475328460045920 No دانشگاه علوم پزشکی کرمانشاه، کرمانشاه، ایران