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

Authors

  • اداوی, مهدی دانشگاه علوم پزشکی ایران
  • رافعی, علی وزارت بهداشت درمان وآموزش پزشکی
  • رودباری, مسعود دانشگاه علوم پزشکی ایران
  • صالحی, مسعود ، دانشگاه علوم پزشکی ایران
  • عسگری, فرشته وزارت بهداشت درمان وآموزش پزشکی
Abstract:

  Background : Diabetes and hypertension are from important non-communicable 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 cross-sectional 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.   

Upgrade to premium to download articles

Sign up to access the full text

Already have an account?login

similar resources

مقایسه شبکه عصبی مصنوعی و رگرسیون لجستیک در پیش بینیپاسخ های دو حالتی مطالعات پزشکی

چکیده زمینه و هدف: رگرسیون لجستیک یک مدل عمومی برای بررسی رابطه بین متغیرهای مستقل و پاسخ های دوحالتی است. یکی از مدل های انعطاف پذیر که به طور جایگزین می تواند مورد استفاده قرار گیرد، مدل شبکه عصبی مصنوعی است. این مطالعه با هدف مقایسه ی قدرت پیش بینی پاسخ های دوحالتی داده های پزشکی، با مدل شبکه عصبی مصنوعی و رگرسیون لجستیک انجام شد. مواد و روش کار: برای انجام این پژوهش، از داده های 639 بیمار م...

full text

مقایسه عملکرد شبکه عصبی مصنوعی و رگرسیون لجستیک در تحلیل تشخیص شاخصq توبین

شاخص توبین یکی از شاخص های مهم در دنیای سرمایه گذاری است که بعنوان معیاری برای ارزیابی عملکرد شرکت ها جهت تصمیم گیری برای سرمایه گذاری های صحیح به کار می رود. اما در دقت نتایج مبتنی بر این شاخص، ابهاماتی وجود دارد که پژوهشگران را بر آن داشته است تا به دنبال برآورد این شاخص از روی دیگر شاخص های مالی باشند. اما شاخص توبین یک شاخص پویاست و به علت مبتنی بودن بر قیمت بازار، ممکن است در لحظه مقدار آن...

full text

مقایسه شبکه عصبی مصنوعی و رگرسیون لجستیک در پیش‌بینیپاسخ‌های دو حالتی مطالعات پزشکی

چکیده زمینه و هدف: رگرسیون لجستیک یک مدل عمومی برای بررسی رابطه بین متغیرهای مستقل و پاسخ‌های دوحالتی است. یکی از مدل‌های انعطاف‌پذیر که به طور جایگزین می‌تواند مورد استفاده قرار گیرد، مدل شبکه عصبی مصنوعی است. این مطالعه با هدف مقایسه‌ی قدرت پیش‌بینی پاسخ‌های دوحالتی داده‌های پزشکی، با مدل شبکه عصبی مصنوعی و رگرسیون لجستیک انجام شد. مواد و روش کار: برای انجام این پژوهش، از داده‌های 639 بیمار م...

full text

کارایی شبکه های عصبی، رگرسیون لجستیک و تحلیل تمایزی در پیش بینی نکول

مدل­ های آماری مختلفی برای پیش بینی و طبقه بندی در علوم وجود دارد.  روش ­های آماری و اقتصادسنجی نظیر رگرسیون، تحلیل تمایزی، سری ­های زمانی، رده بندی و دیگر  روش ­ها، بر اساس متغیرها و اطلاعات موجود برای پیش بینی و طبقه بندی یک موضوع خاص به کار می­ روند.  مدل ­های آماری متأثر از مفروضات و محدودیت­ های زیادی هستند، بدین لحاظ اخیرا شبکه­ های عصبی به عنوان شیوه­ ی نوین پیش بینی به دلیل عدم نیاز به ...

full text

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

 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 Multi-layer Perceptron (MLP) in determining patients with and without diabetic...

full text

My Resources

Save resource for easier access later

Save to my library Already added to my library

{@ msg_add @}


Journal title

volume 21  issue 123

pages  54- 61

publication date 2014-09

By following a journal you will be notified via email when a new issue of this journal is published.

Keywords

No Keywords

Hosted on Doprax cloud platform doprax.com

copyright © 2015-2023