مقايسه ي مدل شبكه عصبي مصنوعي و رگرسيون كاكس در پيشبيني بقاي بيماران مبتلا به سرطان معده

Comparison of artificial neural network and Cox regression models in survival prediction of gastric cancer patients

سابقه و هدف: يكي از روش‌هاي آماري تحليل داده‌هاي بقا، مدل رگرسيوني كاكس است كه نيازمند پذيره‌هايي مانند متناسب بودن مخاطرات است. در چند دهه اخير به‌كارگيري مدل شبكه عصبي مصنوعي براي پيش‌بيني داده‌هاي بقا، افزايش يافته است. اين مطالعه به منظور پيش‌بيني بقاي بيماران مبتلا به سرطان معده به كمك دو مدل رگرسيوني كاكس و شبكه عصبي مصنوعي انجام شده است. مواد و روش‌ها: طي سال‌هاي 1381 لغايت 1385، تعداد 436 بيمار مراجعه‌كننده با تشخيص قطعي سرطان معده كه در بخش گوارش بيمارستان طالقاني تحت عمل جراحي قرار گرفتند به صورت هم‌گروه تاريخي مطالعه شدند. داده‌ها به طور تصادفي به دو گروه آموزشي و آزمايشي (اعتبارسنجي) تقسيم شدند. براي تحليل داده‌ها از روش كاپلان-ماير، مدل مخاطرات متناسب كاكس و يك مدل شبكه‌ي عصبي مصنوعي سه لايه استفاده شد. براي مقايسه‌ي پيش‌بيني‌هاي دو مدل، از سطح زير منحني مشخصه عمل‌كرد و صحت كلاس‌بندي استفاده شد. يافته‌ها: صحت پيش‌بيني مدل شبكه عصبي برابر 51/81 درصد و مدل رگرسيوني كاكس برابر 60/72 درصد گرديد. سطح زير منحني مشخصه عمل‌كرد براي مدل شبكه‌ي عصبي و رگرسيون كاكس به ترتيب برابر 6/82 درصد و 4/75 درصد به دست آمد. نتيجه‌گيري: مدل شبكه‌ي عصبي مصنوعي نسبت به مدل رگرسيون كاكس پيش‌بيني‌هاي بهتري نتيجه داد. لذا به‌كارگيري مدل شبكه عصبي مصنوعي در زمينه پيش‌بيني بقا پيشنهاد مي‌شود. اين امر در تحقيقات مرتبط با حوزه‌ي سلامت و به‌خصوص در تخصيص منابع درماني لازم براي افرادي‌كه پرمخاطره پيش‌بيني مي‌شوند با اهميت است

Introduction: Cox regression model is one of the statistical methods in survival analysis. Proportionality of hazard rate is an assumption of this model. In the recent decades, artificial neural network (ANN) model has increasingly used in survival prediction. This study aimed to predict the survival probability of Gastric cancer patients using Cox regression and ANN models. Materials and Methods: In this historical-cohort study, information of total of 436 gastric cancer patients with adenocarcinomas pathology who underwent surgery at the Taleghani hospital of Tehran between 2002 and 2007 were included. Data were divided to training and testing (or validation) groups, randomly. The Cox regression model (semi-parametric model) and a three layer ANN model were used for analyzing of database. Furthermore, the area under receiver operating characteristic curve (AUROC) and classification accuracy were used to compare these models. Results: Prediction accuracy of ANN and Cox regression models were 81.51% and 72.60%, respectively. In addition, AUROC of ANN and Cox regression models were 0.826 and 0.754, respectively. Conclusions: ANN was better than Cox regression model in terms of AUROC and accuracy of prediction. Therefore, ANN model is recommended for prediction of survival probability. These finding are very important in health research, particularly in allocation of medical resources for patients who predicted as high-risks.