مقایسه عملکرد روش‌های شبکه عصبی مصنوعی پرسپترون چندلایه مبتنی بر الگوریتم Wrapper، تحلیل ممیزی و رگرسیون لجستیک در تعیین عوامل خطر دیابت نوع 2

هدف: در این مطالعه عملکرد پیش بینی سه مدل آماری جهت تعیین ریسک فاکتورهای دیابت مقایسه گردید.مواد و روش ها: شاخص توده بدن (bmi)، قندخون ناشتا (fbs)، فشارخون (ht)، چربی های خون (tc، tg، hdl و ldl، hba1c)، وزن و سابقه سیگار کشیدن از پرونده درمانی افراد تحت بررسی گردآوری شد. مدل های شبکه عصبی مصنوعی پرسپترون چندلایه (mlp) و تحلیل ممیزی (da) رگرسیون لجستیک (lr) به منظور شناسایی ریسک فاکتورها بر داده ها برازش و از منحنی راک جهت مقایسه قدرت پیش بینی مدل ها استفاده شد. به منظور رفع مشکل بیش برازش(overfitting ) در مدل mlp از الگوریتم wrapper استفاده شد.یافته ها: قدرت پیش بینی سه مدل mlp، da و lr بر اساس سطح زیر منحنی راک به ترتیب برابر 0.984 و 0.981 و 0.983 برآورد گردید. متغیرهای fbs (p<0.0001) و hba1c (p<0.0001)، وزن (p<0.01)، bmi (p<0.01) و ldl (p<0.003) در مدل lr و متغیرهای ht ,sigar ,hba1c ,fbs با p<0.0001 در مدل da و متغیرهای سن، fbs، tg، hba1c، bmi، ht و tc با توجه به روش راپر، در مدلmlp معنادار بودند. مدل mlp (97%) حساسیت بالاتری را نسبت به lr (94%)و da (92%) نشان داد. هم چنین مدلmlp (97%) ویژگی بالاتری نسبت بهlr (92%) وda (93.3%) را داشت.نتیجه گیری: با توجه به یافته های این مطالعه سه روش lr، da و mlp، جهت کشف تفاوت ها تقریبا مشابه بودند. بنابراین پیشنهاد می شود در مواردی که نیاز به تفسیر ساده اثر متغیرها وجود دارد از روش lr که معیاری مانند or را فراهم می نماید، استفاده شود. این در حالی است که روش mlp مانند یک جعبه سیاه عمل می کند که نوع رابطه بین متغیرها در آن نامشخص است. همچنین پیشنهاد می شود که عملکرد روش های فوق با استفاده مجموعه داده های دیگر نیز با یکدیگر مقایسه شود و مطالعات بیشتری انجام شود.