استفاده از شبکه عصبی مصنوعی و مقایسه آن با رگرسیون لجستیک در پیش‌ بینی اختلالات روانی بعد از تروما در بیماران دچار آسیب مغزی خفیف

مقدمه: امروزه شبکه های عصبی مصنوعی در پیش بینی اثرات متغیرهای متعدد و با روابط پیچیده بر روی یک متغیر خاص مورد توجه قرار گرفته است. در این مطالعه، قدرت شبکه عصبی مصنوعی در پیش بینی اختلالات روانی بعد از تروما در بیماران دچار آسیب مغزی خفیف با رگرسیون لجستیک مقایسه شد.مواد و روش ها: در یک مطالعه کوهورت آینده نگر، 100 نفر بیمار ترومایی ارجاع شده به مرکز ترومای بیمارستان شهید بهشتی کاشان طی مدت 6 ماه مورد بررسی قرار گرفتند. سپس بیماران ترومایی به طور تصادفی به دو گروه آموزشی(50 نفر) و آزمایشی(50 نفر) تقسیم شدند. چهارده متغیر سن، جنس، شغل، سطح تحصیلات، وضعیت تاهل، وضعیت اقتصادی، سابقه قبلی اختلال روانی در بستگان درجه یک، سابقه بستری در بخش جراحی اعصاب، سابقه قبلی تروما، سابقه بیماری زمینه ای، سابقه مصرف دارو سایکولوژیکی، سابقه بیهوشی، سابقه استفاده از الکل، سابقه استفاده از مواد مخدر در این افراد بررسی شدند. سیصد مدل شبکه عصبی مصنوعی و رگرسیون لجستیک در گروه اول ساخته و در گروه دوم مقادیر پیش بینی شده توسط دو مدل نهایی مقایسه شدند. برای تخمین قدرت پیش بینی اختلال روانی از منحنی راک و صحت کلاس بندی استفاده گردید.یافته های پژوهش: نتایج این مطالعه نشان داد، شاخص درصد پیش بینی درست برای مدل شبکه های عصبی برابر 65/90 درصد و برای رگرسیون لجستیک برابر 96/75 درصد می باشد.بحث و نتیجه گیری: مدل های شبکه عصبی مصنوعی در پیش بینی اختلال روانی از مدل رگرسیون لجستیک قوی تر بودند. این تفاوت نشانگر قدرت بیشتر مدل های مبتنی بر شبکه های عصبی مصنوعی در پیش بینی موارد اختلال روانی با استفاده از ریز فاکتورهای مختلف و لزوم استفاده از این فناوری در موارد غربالگری جمعیتی می باشد.

Use of Artificial Neural Network Versus Logistic Regression to Predict Post-Traumatic Mental Disorders

Introduction: Nowadays, the artificial neural networks have received much attention in predicting the effects of multiple variables and complex relationships in aparticular variables. In this study, we have focused on the use of artificial neural network versus logistic regression to predict posttraumatic mental disorders.Materials methods: In a prospective cohort study, we covered 100 trauma patients admitted to the trauma center of Shahid Beheshti Hospital of Kashan during a six month period. The patients were then randomly divided into two training (n=50) andexperimental(n=50) groups. 14 variablesincluding age, sex, occupation, education level, marital status, socioeconomic status, history ofmental illnessin theimmediate family, history of being hospitalized in neurosurgeryunit, historyof trauma,history ofunderlying disease, history of psychologicaldrug use, history of anesthesia, history of alcohol use, and history of substance abuse were totally investigated. 300artificial neural networksandlogistic regressions were studied in the first group and then the predicted values were compared in the second group using the two models. The ROC curve and classification accuracy tool were applied to estimate the predictive power of mental disorder.Findings: The results showed that the accurate index for predicting the disorder was90.65% for the neural network model, while it was 75.96% for the logistic regression model.Discussion conclusions: The artificial neural network models appeared to bemore powerful in predictingmental disorder versus the logistic regression model.<xm<xm<xm<xm<xm</xm</xm</xm</xm</xm