پیش‌بینی‌‌ تمایل به جراحی ‌زیبایی در پرستاران با استفاده از مدل رگرسیون لجستیک و مقایسه آن با شبکه عصبی مصنوعی

زمینه و هدف: رگرسیون لجستیک یکی از روش های مدل بندی برای متغیرهای وابسته دو حالتی است. از طرفی شبکه عصبی مصنوعی یک روش انعطاف پذیر و با کمترین محدودیت است. اهمیتِ رشدِ روز افزون جراحی های زیبایی غیر ضروری و از طرفی اهمیت پیش بینی و کلاس بندی، ما را بر آن داشت که مطالعه حاضر را، با هدف مقایسه رگرسیون لجستیک و شبکه عصبی مصنوعی، در پیش بینی تمایل به جراحی زیباییِ پرستاران انجام دهیم.روش کار: نمونه ها شامل 360 پرستار شاغل در بیمارستان های وابسته به دانشگاه علوم پزشکی کرمانشاه بودند. متغیر پاسخ تمایل یا عدم تمایل به جراحی زیبایی بود. ارزیابی شبکه عصبی مصنوعی بر اساس ملاک حداقل مربعات خطای پیش بینی صورت گرفت. مجموعه داده ها، بصورت تصادفی، به دو قسمت آموزشی و آزمایشی تقسیم شدند. 70% از داده ها برای آموزش و 30% داده ها برای آزمون در نظر گرفته شدند. با استفاده از شاخص منحنی راک و صحت پیش بینی ، دو مدل با هم مقایسه شدند. برای تحلیل داده ها از نرم افزارspss v.22 و statistica v.12 و آزمون مجذور کای (chisquare) استفاده شد.یافته ها: در گروه آموزش، صحت پیش بینی، حساسیت، ویژگی و سطح زیر منحنی راکِ برای روش رگرسیون لجستیک به ترتیب برابر با 777/0، 760/0، 798/0، 779/0 و برای روش شبکه عصبی مصنوعی847/0، 859/0 833/0، 846/0 بود. همچنین در گروه آزمون این معیارها برای روش رگرسیون لجستیک به ترتیب برابر با 813/0، 738/0، 926/0، 832/0 و برای شبکه عصبی مصنوعی 735/0، 737/0، 731/0، 735/0بود. آزمون مجذور کای، اختلاف معنی داری بین سطح زیر منحنی راک دو روش، در هیچ یک از گروه ها نشان نداد.نتیجه گیری: در گروه آموزش، عملکرد روش شبکه عصبی مصنوعی بهتر از روش رگرسیون لجستیک بود ولی در گروه آزمون، صحت پیش بینی و ویژگی روش رگرسیون لجستیک، بیش از روش شبکه عصبی مصنوعی بود. لذا می توان جهت پیش بینی تمایل به جراحی زیبایی در این مجموعه از پرستاران از روش رگرسیون لجستیک استفاده کرد.

Prediction of tendency to surgical intervention in nurses using logistic regression model and its comparison with artificial neural network

Background: Logistic regression is one of the modeling methods for bipartite dependent variables. On the other hand, artificial neural network is a flexible method with the least limitation. The importance of growing unnecessary beauty surgeries and the importance of prediction and classification made us consider the present study, with the aim of comparing logistic regression and artificial neural network, to predict the tendency for nurses to crack down.Methods: The sample consisted of 360 nurses working in hospitals affiliated to Kermanshah University of Medical Sciences. The response variable was a tendency or unwillingness to cure. An artificial network evaluation was performed based on the least squares prediction error. Using the rock curve index and prediction accuracy, two models were compared. SPSS22, statistica12 and chisquare test were used to analyze the data.Results: In the training group, predictive accuracy, sensitivity, specificity, and surface area under the rock curves for the logistic regression method were 0.777, 0.760, 0.779, 0.779, respectively, and artificial neural network method was 0.847, 0.859, 0.833, 0.846. Also, in the test group, the criteria for logistic regression were 0.813, 0.738, 0.926, 0.832 and 0.735, 0.737, 0.731, 0.735, respectively. Chisquare test did not show any significant difference between the two levels under the rock curve in any of the groups.Conclusion: In the training group, the performance of the ANN was better than the logistic regression method, but in the experimental group, the prediction accuracy and logistic regression characteristics were more than the artificial neural network. Therefore, logistic regression can be used to predict the tendency for surgical intervention in nurses.