مقایسه قدرت پیش بینی شبکه عصبی مصنوعی با رگرسیون لجستیک چندگانه در تفکیک بیماران دیابتی رتینوپاتی از غیر رتینوپاتی

بیماری دیابت شیوع بالایی در جامعه دارد و در صورت عدم کنترل، دارای عوارض جبران ناپذیری است و باعث آسیب زدن به چشم و نابینایی می شود. هدف این مطالعه مقایسه کارایی و قدرت پیش بینی مدل آماری رگرسیون لجستیک چندگانه با مدل شبکه عصبی مصنوعی پرسپترون چندلایه(mlp) در تفکیک بیماران دیابتی دارای رتینوپاتی از دیابتی بدون رتینوپاتی است. روش کار: نمونه ها از بین 16000 پرونده بیماران دیابتی مرکز تخصصی دیابت کرمانشاه جمع آوری گردید. 150 نفر مورد و 150 نفرکنترل وارد مطالعه شدند. اطلاعات دموگرفیک، bmi، fbs،hba1c، فشارخون، چربی خون (tc) و مدت زمان ابتلا، وضعیت سیگاری بودن و سن بیماران در دو چک لیست جداگانه از پرونده بهداشتی بیماران گردآوری شد. به منظور شناسایی ریسک فاکتورها، مدل های شبکه عصبی مصنوعی و رگرسیون لجستیک چندگانه بر داده ها برازش داده شد و از نمودار راک جهت مقایسه قدرت پیش بینی مدل ها استفاده شد. همچنین حساسیت و ویژگی دو مدل با هم بررسی گردیدند و با توجه به معیارهای (سطح زیر منحنی راک، حساسیت و ویژگی) مدل برتر معرفی گردید. یافته ها: قدرت پیش بینی رگرسیون لجستیک وmlp به ترتیب برابر 0.73 و 0.83 برآورد شد. همچنین مدلmlp دارای ویژگی (80%) و حساسیت (85%) بالاتری برخوردار بود. متغیرهای fbs (0.029=p)، bmi (0.0001>p)، سن (0.0001>p) و مدت زمان ابتلا به دیابت (0.0001>p) در مدل رگرسیون لجستیک همچنین متغیرهای سن، fbs، مدت ابتلا به دیابت، bmi، وضعیت سیگاری بودن، tcبا توجه به روش wrapper، با قدرت پیش بینی 83% درmlp معنی دار بودند.نتیجه گیری: در این مطالعه مدل mlp در تفکیک بیماران دیابتی دارای رتینوپاتی از دیابتی بدون رتینوپاتی قدرت بیشتری نشان داد. بنابراین در جوامعی که گروه های مورد و کنترل قرابت زیادی دارند (همانند این مطالعه که هردو گروه از میان دیابتی ها انتخاب گردید)، کشف تفاوت آن ها نیازمند روش های نیرومندتر مانند شبکه عصبی مصنوعی است. بنابراین استفاده از این روش ها در مطالعات پزشکی توصیه می گردد.

Comparison of artificial neural network predictive power with multiple logistic regressions to determine patients with and without diabetic retinopathy

Background: Diabetes mellitus is a high prevalent disease among the population, and if not controlled, it causes complications and irreparable damage to the eye and cause blindness. This study goal is to investigate the predictive power of multiple logistic regression model and the Artificial Neural Network Multilayer Perceptron (MLP) in determining patients with and without diabetic retinopathy. Methods: Of 16,000 diabetic cases from Kermanshah diabetic center a sample including 150 cases and 150 controls were enrolled. Demographic data, BMI, FBS, Hba1c, blood pressure, cholesterol (TC) and duration of disease, smoking status, and age of patient, and health records were collected into two separate checklists. For identifying risk factors, and artificial neural network models multiple logistic regression was fitted to the data and the Rock charts was used to compare the predictive power of the models. Also sensitivity and specificity were analyzed together with the standards of both models (ROC curve, sensitivity and specificity) and superior model was introduced. Results: The predictive power of logistic regression and MLP were 73.0 and 83.0, respectively. The MLP model features (80%) and sensitivity (85%) were higher. Variables of FBS (p=0.029), BMI (p<0.0001), age (p<0.0001) duration of diabetes (p<0.0001) in the logistic regression model, the variables of age, FBS, duration of diabetes, BMI, smoking status, TC according to the Wrapper, the predictive power of 83% in MLP were significant. Conclusion: In this study, the MLP model showed more power to identify diabetic retinopathy patients from those without retinopathy. Thus, in communities that case and control groups have high affinity (like this study), discovering the difference needs a more powerful method such as artificial neural network MLP. This method is recommended for medical research.