مقایسه مدل درخت تصمیم و رگرسیون لوجستیک در ارزیابی پوکی استخوان

مقدمه: تشخیص زودهنگام استئوپروز کلیدی برای پیشگیری است، لیکن تشخیص، بدون استفاده از روش های تشخیصی مناسب ، به علت پیچیدگی عوامل خطر استئوپروز و روند تدریجی از دست رفتن استخوان مشکل است هدف این مطالعه ارائه و سنجش کارایی یک الگوی پیشگویی استئوپروز با استفاده از تکنیک درخت تصمیم به عنوان یک روش تشخیصی براساس عوامل خطر در دسترس است تا به وسیله آن افراد درمعرض خطر برای انجام فعالیت های پیشگیرانه شناسایی شوند.روش بررسی : برای انجام این مطالعه از داده های 131 زن با سن 20 تا 40 سال استفاده شد. متغیر پاسخ مقدار تراکم استخوان (t-score ) ناحیه 4l-1l کمری بود که به دوگروه نرمال(1-=< t-score) و در معرض خطر استئوپروز (1 -> t-score) تقسیم شد. به منظور تعیین عوامل خطر استئوپروز از مدل درخت تصمیم به روش ارزیابی متقاطع با 4=k و رگرسیون لوجستیک استفاده شد. برای بررسی دقت پیش بینی دو مدل، سطح زیرمنحنی مشخصه عملکرد (auroc)به کار گرفته شد. تحلیل داده ها با نرم افزار r انجام شد.یافته ها: سه متغیر تعداد حاملگی ، bmi و میزان کلسیم به عنوان عوامل خطر استئوپروز از مدل درختی به دست آمد و سطح زیر منحنی مشخصه عملکرد درخت تصمیم و رگرسیون لوجستیک به ترتیب برابر 0/665 و 0/686 حاصل شد.نتیجه گیری: سطح زیر منحنی مشخصه عملکرد برتری نسبی رگرسیون لوجستیک را نشان داد که با توجه به مزایای درخت تصمیم به کار گیری همزمان دو روش پیشنهاد می شود.

Comparing of Decision Tree with Logistic Regression Model in Evaluating Osteoporosis

Introduction: Early detection of osteoporosis is a key to preventing of it; but recognition, without the use of appropriate diagnostic methods, due to the complexity of risk factors and gradual bone loss process, is problem. The purpose of this study is to develop and efficiency evaluation a predictive model of osteoporosis using decision tree technique as a diagnostic method based on available risk factors; thereby to identify individuals at risk for preventive activities.Methods: In this study used data from 131 women aged 20 ndash; 40 years. Response variable was amount of BMD (tscore) L1L4 lumbar region that divided on two group, normal (tscore>= 1) and at risk of osteoporosis (tscore< 1). To determine risk factors of osteoporosis used from decision tree model with method of k fold cross validation k=4 and logistic regression .To assess the accuracy prediction of two model, the area under receiver operative characteristic curves (AUROC) was used. Data analysis was performed by R software.Results: Three variables number of pregnancies, BMI and calcium levels as risk factors for osteoporosis were obtained from the decision tree model and Area under receiver operative characteristic decision tree and logistic regression, respectively 0.665 and 0.686 were obtained.Conclusion: Area under receiver operative characteristic curve showed advantage superiority of logistic regression that according to advantages of the decision tree applying simultaneously of two models is recommended.