دوره 77، شماره 6 - ( شهریور 1398 )                   جلد 77 شماره 6 صفحات 359-367 | برگشت به فهرست نسخه ها

XML English Abstract Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Rezaei M, Fakhri N, Rajati F, Shahsavari S. Comparison of gestational diabetes prediction with artificial neural network and decision tree models. Tehran Univ Med J. 2019; 77 (6) :359-367
URL: http://tumj.tums.ac.ir/article-1-9923-fa.html
رضایی منصور، فخری نگین، رجعتی فاطمه، شهسواری سوده. مقایسه پیش‌بینی ابتلا به دیابت بارداری با مدل‌های شبکه عصبی مصنوعی و درخت تصمیم. مجله دانشکده پزشکی، دانشگاه علوم پزشکی تهران. 1398; 77 (6) :359-367

URL: http://tumj.tums.ac.ir/article-1-9923-fa.html


1- گروه آمار زیستی، مرکز تحقیقات توسعه اجتماعی و ارتقاء سلامت، دانشکده بهداشت، دانشگاه علوم پزشکی کرمانشاه، کرمانشاه، ایران.
2- گروه آمار زیستی، کمیته تحقیقات دانشجویی، دانشکده بهداشت، دانشگاه علوم پزشکی کرمانشاه، کرمانشاه، ایران. ، n.fakhri94@yahoo.com
3- مرکز تحقیقات عوامل محیطی موثر بر سلامت، پژوهشکده سلامت، دانشگاه علوم پزشکی کرمانشاه، کرمانشاه، ایران.
4- گروه فناوری اطلاعات سلامت، دانشکده پیراپزشکی، دانشگاه علوم پزشکی کرمانشاه، کرمانشاه، ایران.
چکیده:   (298 مشاهده)
زمینه و هدف: دیابت بارداری از شایعترین اختلالات متابولیک بارداری است که با عوارض خطرناکی همراه است. در صورت تشخیص زودرس آن می‌توان از برخی عوارض مادری و جنینی جلوگیری کرد. هدف این پژوهش پیش‌بینی زودرس دیابت بارداری توسط مدل‌های آماری شبکه عصبی مصنوعی و درخت تصمیم و نیز مقایسه این مدل‌ها در تشخیص دیابت بارداری بود.
روش بررسی: در این مطالعه مدلسازی، از پرونده‌های زنان باردار در مراکز بهداشتی شهر کرمانشاه (۱۳۹۱-۱۳۸۹)، ۴۰۰ پرونده که بدون داده‌های گمشده بود بررسی شد. اطلاعات دموگرافیک، رتبه بارداری، دیابت، پارامترهای باروری و نتایج آزمایشات از پرونده آنان گردآوری شد. مدل‌های شبکه عصبی مصنوعی پرسپترون و درخت تصمیم به داده‌ها برازش داده شد و عملکرد آن‌ها با هم مقایسه گردید. براساس معیارهای صحت، حساسیت، ویژگی و سطح زیر منحنی راک (Receiver operating characteristic, ROC)، مدل برتر معرفی شد.
یافته‌ها: پس از برازش مدل‌های شبکه عصبی مصنوعی و درخت تصمیم، مقادیر معیارها محاسبه شد. مقدار تمام معیارها در شبکه عصبی بیشتر از درخت تصمیم بود. به‌ترتیب برای مدل‌های یادشده، صحت برابر ۰/۸۳ و ۰/۷۷، حساسیت ۰/۶۲ و ۰/۵۶، ویژگی ۰/۹۵ و ۰/۸۷ بود. سطح زیر منحنی راک مدل شبکه عصبی به‌طور معناداری بیشتر از درخت تصمیم بود (۰/۷۹، ۰/۷۴ و ۰/۰۳P=).
نتیجه‌گیری: در پیش‌بینی دیابت بارداری، مدل شبکه عصبی مصنوعی دارای صحت، حساسیت، ویژگی و سطح زیر منحنی راک بالاتری نسبت به درخت تصمیم بود. می‌توان نتیجه گرفت که مدل شبکه عصبی مصنوعی پرسپترون دارای پیش‌بینی‌های صحیح‌تر و نزدیک‌تر به واقعیت نسبت به درخت تصمیم است.
متن کامل [PDF 409 kb]   (76 دریافت)    
نوع مطالعه: مقاله اصیل |

ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
CAPTCHA

ارسال پیام به نویسنده مسئول


کلیه حقوق این وب سایت متعلق به مجله دانشکده پزشکی دانشگاه علوم پزشکی تهران می باشد.

طراحی و برنامه نویسی : یکتاوب افزار شرق

© 2019 All Rights Reserved | Tehran University Medical Journal TUMS Publications

Designed & Developed by : Yektaweb