مقایسه دقت پیش بینی شبکه های عصبی مصنوعی و رگرسیون لجستیک دو متغیره در تشخیص هم‌زمان بیماری فشارخون و دیابت

زمینه و هدف: دیابت و فشار خون از جمله بیماریهای غیر واگیر هستند که شیوع آنها برای مسئولان بهداشتی کشور بسیار مهم می باشند. هدف این مطالعه مقایسه مدل رگرسیون لجستیک ( lr ) دو متغیره با شبکه‌های عصبی مصنوعی ( artificial neural networks=ann ) در پیش‌بینی هم‏زمان رخداد بیماری فشارخون ودیابت می‏باشد. روش‏ کار: این مطالعه تحلیلی مقطعی در سال 1392-1391 در تهران با نمونه‌ای 12000 نفر از بالغین انجام شد. پرسشنامه طرح شامل گزینه هایی درباره فشار خون و دیابت و عوامل خطر این بیماری‌ها بود. یک مدل ann پرسپترون با دو لایه پنهان با به کارگیری نرم‌افزار matlab بر داده‌ها برازش داده شد. متغیرهای مطالعه سابقه دیابت و فشار خون، جنسیت، نوع روغن مصرفی، فعالیت بدنی، سابقه فامیلی، سن، سیگار کشیدن وچاقی بودند. برای مدل‌سازی ابتلای توام به بیماریها، از مدل lr توام در نرم‌افزار sas استفاده شد. برای بررسی دقت پیش‌بینی‌های حاصل از مدل lr و ann در ابتلای توام بیماری‌ها از سطح زیر منحنی roc استفاده گردید. یافته‌ها: متغیرهای جنس، نوع روغن مصرفی، فعالیت بدنی، سابقه فامیلی، سن، سیگاری غیرفعال وچاقی وارد مدل lr دو متغیره و ann شدند. برای مدل lr نسبت بخت‌های متغیرهای فوق به ترتیب1.14، 0.58، 1.8، 1.32، 0.36، 0.76 و 0.47 بدست آمد. بنابراین بخت ابتلای توام به بیماری‌ها در زنان (1.14)، عدم فعالیت بدنی (1.8) و دارای سابقه فامیلی (1.32) نسبت به سایر گروه‌ها بیشتر است. سطح زیر منحنی roc برای مدل lr دو متغیره و ann به ترتیب 0.78 (0.039= p ) و 0.86 (0.046= p ) حاصل شد. نتیجه‌گیری: با توجه به نتایج و مقایسه دقت پیش‌بینی روش‌های فوق، به کارگیری ann نسبت به مدل lr دو متغیره برای تشخیص هم‌زمان بیماری دیابت و فشار خون دقت بالاتری دارد.

The comparison of the predictive precision of artificial neural networks and bivariate logistic regression in diagnosis of patients with hypertension

Background: Diabetes and hypertension are from important noncommunicable diseases in the world and their prevalence are very important for health authorities. The objective of this study was to compare the predictive precision of joint logistic regression (LR) and artificial neutral network (ANN) in concurrent diagnosis of diabetes and hypertension. Methods: This crosssectional study was performed on 12000 Iranian people in 2013. The study questionnaire included some items on hypertension and diabetes and their risk factors. A perceptron ANN with two hidden layers was applied to data. The variables in the study were diabetes, hypertension, gender, type of cooking oil, physical activity, family history, age, obesity and passive smokers. To build a joint LR model, and ANN, SAS 9.2 and Matlab software were used. The ROC curve was used to find the higher accuracy model for predicting diabetes and hypertension. Results: The variables of gender, type of cooking oil, physical activity, family history, age, passive smokers and obesity entered to the LR model and ANN. The odds ratio of affliction to both diabetes and hypertension is high in females, user of solid oil, people with no physical activity, with positive family history, age of equal to or higher than 55, passive smokers and obesity. The area under ROC curve for LR model and ANN were 0.78 (p=0.039) and 0.86 (p=0.046) respectively. Conclusion: The best model for concurrent affliction to hypertension and diabetes is ANN which has higher accuracy than the joint LR model.