مقايسه پيش‌ بيني ابتلا به ديابت بارداري با مدل‌هاي رگرسيون لجستيك، تحليل مميزي، درخت تصميم و شبكه عصبي مصنوعي

Comparison of Gestational Diabetes Prediction Between Logistic Regression, Discriminant Analysis, Decision Tree and Artificial Neural Network Models

مقدمه و اهداف: ديابت بارداري شايع‌ترين اختلال متابوليك دوران بارداري است. در صورت تشخيص زودرس اين بيماري مي‌توان از برخي عوارض آن جلوگيري كرد. هدف اين پژوهش پيش‌بيني زودرس ابتلا به ديابت بارداري بوسيله مدل‌هاي رگرسيون لجستيك، تحليل مميزي، درخت تصميم و شبكه عصبي مصنوعي پرسپترون و مقايسه اين مدل‌ها بود. روش كار: پرونده 420 خانم باردار ( 1391-1389 ) داراي پرونده در مراكز بهداشتي كرمانشاه، با روش نمونه‌گيري در دسترس بررسي شد. اطلاعات جمعيت شناختي، متغيرهاي مربوط به دوره بارداري و نتايج آزمايش‌ها و ابتلا به ديابت بارداري با معيار قند خون ناشتا بزرگ‌تر يا مساوي 92 از پرونده آنان گردآوري شد. پس از برازش چهار مدل فوق به داده‌ها، عملكرد مدل‌ها باهم مقايسه گرديد و با توجه به معيارهاي صحت، حساسيت و ويژگي بر اساس منحني ROC، مدل برتر معرفي شد. يافته‌ها: پس از برازش مدل‌هاي رگرسيون لجستيك، تحليل مميزي، درخت تصميم و شبكه عصبي مصنوعي به مجموعه داده‌ها، معيار صحت براي مدل‌هاي مذكور به ترتيب برابر 0/81، 0/83، 0/78 و 0/83 ، حساسيت 0/50، 0/63، 0/58و 0/58، ويژگي 0/69، 0/93، 0/87 و 0/94 و سطح زير منحني ROC به ترتيب برابر 0/86، 0/78، 0/73 و 0/87 محاسبه گرديد. نتيجه‌گيري: در پيش‌بيني و رده‌بندي ابتلا و عدم ابتلا به ديابت بارداري، مدل شبكه عصبي مصنوعي داراي نرخ دسته‌بندي اشتباه كمتر و سطح زير منحني ROC بيشتري نسبت به ساير مدل‌ها بود. مي‌توان نتيجه گرفت كه اين مدل داراي پيش‌بيني‌هاي صحيح‌تر و نزديك به واقعيت نسبت به ساير مدل‌ها است.

Background and Objectives: Gestational Diabetes Mellitus (GDM) is the most common metabolic disorder in pregnancy. In case of early detection, some of its complications can be prevented. The aim of this study was to investigate early prediction of GDM by logistic regression (LR), discriminant analysis (DA), decision tree (DT) and perceptron artificial neural network (ANN) and to compare these models. Methods: The medical files of 420 pregnant women (2010-12) in Kermanshah health centers were evaluated using convenience sampling. Demographic data, pregnancy-related variables, lab tests results, and a diagnosis of GDM according to a fasting blood sugar level of 92 or more were collected from their files. After fitting the four models, the performance of the models was compared and according to the criteria of accuracy, sensitivity and specificity (based on the ROC curve), the superior model was introduced. Results: Following the fitting of LR, DA, DT and perceptron ANN models, the following results were obtained. The accuracy of the above models was 0.81, 0.83, 0.78 and 0.83, respectively, the sensitivity of the models was 0.50, 0.63, 0.58 and 0.58, the specificity of the models was 0.96, 0.93, 0.87 and 0.94, and the area under the ROC curve was 0.86, 0.78, 0.73 and 0.87, respectively. Conclusion: In predicting and categorizing the presence of GDM, the ANN model had a lower error rate and a higher area under the ROC curve compared to other models. It can be concluded that this model offers better predictions and is closer to reality than other models.