مقایسه پیش‌بینی ابتلا به دیابت بارداری با مدل‌های رگرسیون لجستیک، تحلیل ممیزی، درخت تصمیم و شبکه عصبی مصنوعی

مقدمه و اهداف: دیابت بارداری شایع‌ترین اختلال متابولیک دوران بارداری است. در صورت تشخیص زودرس این بیماری می‌توان از برخی عوارض آن جلوگیری کرد. هدف این پژوهش پیش‌بینی زودرس ابتلا به دیابت بارداری بوسیله مدل‌های رگرسیون لجستیک، تحلیل ممیزی، درخت تصمیم و شبکه عصبی مصنوعی پرسپترون و مقایسه این مدل‌ها بود.روش کار: پرونده 420 خانم باردار ( 1391-1389 ) دارای پرونده در مراکز بهداشتی کرمانشاه، با روش نمونه‌گیری در دسترس بررسی شد. اطلاعات جمعیت شناختی، متغیرهای مربوط به دوره بارداری و نتایج آزمایش‌ها و ابتلا به دیابت بارداری با معیار قند خون ناشتا بزرگ‌تر یا مساوی 92 از پرونده آنان گردآوری شد. پس از برازش چهار مدل فوق به داده‌ها، عملکرد مدل‌ها باهم مقایسه گردید و با توجه به معیارهای صحت، حساسیت و ویژگی بر اساس منحنی roc، مدل برتر معرفی شد.یافته‌ها: پس از برازش مدل‌های رگرسیون لجستیک، تحلیل ممیزی، درخت تصمیم و شبکه عصبی مصنوعی به مجموعه داده‌ها، معیار صحت برای مدل‌های مذکور به ترتیب برابر 0.81، 0.83، 0.78 و 0.83 ، حساسیت 0.50، 0.63، 0.58و 0.58، ویژگی 0.96، 0.93، 0.87 و 0.94 و سطح زیر منحنی roc به ترتیب برابر 0.86، 0.78، 0.73 و 0.87 محاسبه گردید.نتیجه‌گیری: در پیش‌بینی و رده‌بندی ابتلا و عدم ابتلا به دیابت بارداری، مدل شبکه عصبی مصنوعی دارای نرخ دسته‌بندی اشتباه کمتر و سطح زیر منحنی roc بیشتری نسبت به سایر مدل‌ها بود. می‌توان نتیجه گرفت که این مدل دارای پیش‌بینی‌های صحیح‌تر و نزدیک به واقعیت نسبت به سایر مدل‌ها است.

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

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 (201012) in Kermanshah health centers were evaluated using convenience sampling. Demographic data, pregnancyrelated 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.