مقايسه قدرت پيش بيني شبكه عصبي مصنوعي با رگرسيون لجستيك چندگانه در تفكيك بيماران ديابتي رتينوپاتي از غير رتينوپاتي

بيماري ديابت شيوع بالايي در جامعه دارد و در صورت عدم كنترل، داراي عوارض جبران ناپذيري است و باعث آسيب زدن به چشم و نابينايي مي شود. هدف اين مطالعه مقايسه كارايي و قدرت پيش بيني مدل آماري رگرسيون لجستيك چندگانه با مدل شبكه عصبي مصنوعي پرسپترون چندلايه(MLP) در تفكيك بيماران ديابتي داراي رتينوپاتي از ديابتي بدون رتينوپاتي است. روش كار: نمونه ها از بين 16000 پرونده بيماران ديابتي مركز تخصصي ديابت كرمانشاه جمع آوري گرديد. 150 نفر مورد و 150 نفركنترل وارد مطالعه شدند. اطلاعات دموگرفيك، BMI، FBS،Hba1c، فشارخون، چربي خون (TC) و مدت زمان ابتلا، وضعيت سيگاري بودن و سن بيماران در دو چك ليست جداگانه از پرونده بهداشتي بيماران گردآوري شد. به منظور شناسايي ريسك فاكتورها، مدل هاي شبكه عصبي مصنوعي و رگرسيون لجستيك چندگانه بر داده ها برازش داده شد و از نمودار راك جهت مقايسه قدرت پيش بيني مدل ها استفاده شد. همچنين حساسيت و ويژگي دو مدل با هم بررسي گرديدند و با توجه به معيارهاي (سطح زير منحني راك، حساسيت و ويژگي) مدل برتر معرفي گرديد. يافته ها: قدرت پيش بيني رگرسيون لجستيك وMLP به ترتيب برابر 0.73 و 0.83 برآورد شد. همچنين مدلMLP داراي ويژگي (80%) و حساسيت (85%) بالاتري برخوردار بود. متغيرهاي FBS (0.029=p)، BMI (0.0001 p)، سن (0.0001 p) و مدت زمان ابتلا به ديابت (0.0001 p) در مدل رگرسيون لجستيك همچنين متغيرهاي سن، FBS، مدت ابتلا به ديابت، BMI، وضعيت سيگاري بودن، TCبا توجه به روش Wrapper، با قدرت پيش بيني 83% درMLP معني دار بودند. نتيجه گيري: در اين مطالعه مدل MLP در تفكيك بيماران ديابتي داراي رتينوپاتي از ديابتي بدون رتينوپاتي قدرت بيشتري نشان داد. بنابراين در جوامعي كه گروه هاي مورد و كنترل قرابت زيادي دارند (همانند اين مطالعه كه هردو گروه از ميان ديابتي ها انتخاب گرديد)، كشف تفاوت آن ها نيازمند روش هاي نيرومندتر مانند شبكه عصبي مصنوعي است. بنابراين استفاده از اين روش ها در مطالعات پزشكي توصيه مي گردد.