مقایسه عملکرد روش‌های شبکه عصبی مصنوعی پرسپترون چندلایه مبتنی بر الگوریتم wrapper، تحلیل ممیزی و رگرسیون لجستیک در تعیین عوامل خطر دیابت نوع 2

هدف: در این مطالعه عملکرد پیش‌بینی سه مدل آماری جهت تعیین ریسک فاکتورهای دیابت مقایسه گردید. مواد و روش‌ها: شاخص توده بدن (BMI)، قندخون ناشتا (FBS)، فشارخون (HT)، چربی‌های خون (TC، TG، HDL و LDL، HbA1C)، وزن و سابقه سیگار کشیدن از پرونده درمانی افراد تحت بررسی گردآوری شد. مدل‌های شبکه عصبی مصنوعی پرسپترون چندلایه (MLP) و تحلیل ممیزی (DA) رگرسیون لجستیک (LR) به منظور شناسایی ریسک فاکتورها بر داده‌ها برازش و از منحنی راک جهت مقایسه قدرت پیش‌بینی مدل‌ها استفاده شد. به‌منظور رفع مشکل بیش برازش(Overfitting ) در مدل MLP از الگوریتم Wrapper استفاده شد. یافته‌ها: قدرت پیش‌بینی سه مدل MLP، DA و LR بر اساس سطح زیر منحنی راک به ترتیب برابر 984/0 و 981/0 و 983/0 برآورد گردید. متغیرهای FBS (0001/0P<) و HbA1C (0001/0P<)، وزن (001/0P<)، BMI (01/0P<) و LDL (003/0P<) در مدل LR و متغیرهای HT ,SIGAR ,Hba1c ,FBS با 0001/0 P<در مدل DA و متغیرهای سن، FBS، TG، HbA1C، BMI، HT و TC با توجه به روش راپر، در مدلMLP معنادار بودند. مدل MLP (97%) حساسیت بالاتری را نسبت به LR (94%)و DA (92%) نشان داد. هم‌چنین مدلMLP  (97%) ویژگی بالاتری نسبت بهLR  (92%) وDA  (3/93%) را داشت. نتیجه‌گیری: با توجه به یافته‌های این مطالعه سه روش LR، DA و MLP، جهت کشف تفاوت‌ها تقریبا مشابه بودند. بنابراین پیشنهاد می شود در مواردی که نیاز به تفسیر ساده اثر متغیرها وجود دارد از روش LR که معیاری مانند OR را فراهم می­نماید، استفاده شود. این در حالی است که  روش MLP مانند یک جعبه سیاه عمل می­کند که نوع رابطه بین متغیرها در آن نامشخص است. همچنین پیشنهاد می­شود که عملکرد روش­های فوق با استفاده مجموعه داده­های دیگر نیز با یکدیگر مقایسه شود و مطالعات بیشتری انجام شود.