مقایسه مدل رگرسیون کاکس و شبکه عصبی مصنوعی در پیش بینی بقای بیماران لوسمی حاد
چکیده
چکید ه سابقه و هدف مدل رگرسیون کاکس، یکی از روشهای رایج تحلیل دادههای بقا میباشد که قبل از به کارگیری آن لازم است فرض متناسب بودن خطرات برقرار باشد. اخیراً مدلهای شبکه عصبی بدون نیاز به فرض خاص، جایگزینی مناسب در پیشبینی بقا میباشند. هدف از این مطالعه، مقایسه توانایی مدل رگرسیون کاکس و شبکه عصبی مصنوعی در پیشبینی بقای بیماران لوسمی حاد بود. مواد و روش ها در یک مطالعه گذشته‌نگر، اطلاعات 197 بیمار لوسمی حاد بیمارستان سیدالشهدای اصفهان طی سالهای 85 تا 88 جمعآوری گردید. ابتدا فرض متناسب بودن خطرات، آزمایش شد و سپس مدل رگرسیون کاکس پردازش گردید. دقت پیشبینی دو مدل با استفاده از دو روش منحنی راک و آزمون کاپا مقایسه گردید. برای تحلیل اطلاعات از نرم افزارهای 19 spss ، 2000 splus و matlab r2009a و آزمون رگرسیون لجستیک استفاده شد. یافته ها از بین 9 مدل شبکه عصبی مصنوعی که تعداد نرونهای آن ها بین 4 تا 12 بود، مدل شبکه عصبی با تعداد 5 نرون در لایه پنهان به عنوان مدل برتر با مدل رگرسیون کاکس مقایسه شد. مساحت زیر منحنی راک برای مدل شبکه عصبی و رگرسیون کاکس به ترتیب برابر با 709/0 و 458/0 بهدست آمد. صحت پیشبینی بقا برای مدل شبکه عصبی و رگرسیون کاکس نیز بهترتیب برابر با 9/78% و 3/50% به دست آمد. نتیجه گیری بهدلیل دقت بالای مدلهای شبکه عصبی در پیشبینی، استفاده از مدلهای مختلف شبکه عصبی در پیشبینی بقا و توسعه آن ها در حوزههای مختلف علوم پزشکی پیشنهاد میشود.