مقایسه مدل رگرسیون کاکس و شبکه عصبی مصنوعی در پیش‌بینی بقای بیماران لوسمی حاد

  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 روش‌ها   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 نرم‌افزارهای 19 SPSS ، 2000 Splus و Matlab R2009a و آزمون رگرسیون لجستیک استفاده شد.   یافته‌ها   از بین 9 مدل‏ شبکه عصبی مصنوعی که تعداد نرون‏های آن‌ها 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 آن‌ها در حوزه‏های مختلف علوم پزشکی پیشنهاد می‏شود.