پديد آورندگان :
ميرييان، نگين سادات دانشگاه علوم پزشكي شهر كرد - دانشكده بهداشت - گروه آمار زيستي و اپيدميولوژي، شهركرد , سدهي، مرتضي دانشگاه علوم پزشكي شهر كرد - دانشكده بهداشت - گروه آمار زيستي و اپيدميولوژي، شهركرد , خبري، سليمان دانشگاه علوم پزشكي شهر كرد - دانشكده بهداشت - گروه آمار زيستي و اپيدميولوژي، شهركرد , احمدي، علي دانشگاه علوم پزشكي شهر كرد - دانشكده بهداشت - گروه آمار زيستي و اپيدميولوژي، شهركرد
چكيده فارسي :
هدف: در مطالعات پزشكي، زماني كه بررسي وقوع هم‌زمان دو پيش‌آمد هم‌بسته مورد نظر باشد، از روش‌هاي تحليل دومتغيره مانند رگرسيون لجستيك دومتغيره استفاده مي‌شود. به دليل محدوديت‌هاي روش‌هاي كلاسيك در داده‌هاي واقعي استفاده از روش‌هاي جايگزين مانند شبكه عصبي مصنوعي همواره مورد توجه است. هدف اين مطالعه پيش‌بيني هم‌زمان رخداد بلوك قلبي و مرگ در بيماران سكته قلبي با مدل شبكه عصبي مصنوعي و مقايسه دقت آن با مدل رگرسيون لجستيك دومتغيره است.
مواد و روش‌ها: تعداد 263 بيمار مبتلا به سكته قلبي بستري شده در بخش مراقبت قلب بيمارستان هاجر شهركرد از سال 1392 تا 1393 به‌صورت سرشماري وارد مطالعه شدند. متغيرهاي جنسيت، نوع سكته قلبي، سابقه قبلي ديابت، سابقه قبلي فشار خون، اختلال ليپيد، سابقه بيماري قلبي، مقدار كسر برون‌ده قلبي، فشارخون سيستول، فشارخون دياستول، قند خون ناشتا و غيرناشتا، چربي خون، تري‌گليسيريد، چربي خون با تراكم پايين، مصرف سيگار، نوع درمان، مقدار آنزيم تروپونين و نوع بيمه به عنوان متغيرهاي مستقل و رخداد بلوك قلبي و مرگ به عنوان متغيرهاي وابسته در نظر گرفته شدند. مدل رگرسيون لجستيك دومتغيره و مدل شبكه عصبي برازش داده شدند. دقت مدل‌ها بر اساس شاخص صحت پيش‌بيني مقايسه شد. برازش مدل‌ها با Matlab2013a و بسته Zelig در R3.2.2 انجام شد.
يافته‌ها: صحت پيش‌بيني مدل رگرسيون لجستيك دومتغيره در داده‌هاي آموزش و آزمون به‌ترتيب 7/ 77 و 48/78 بود. در مدل شبكه عصبي الگوريتم‌هاي LM و OSS با صحت پيش‌بيني به‌ترتيب 69/83 و 15/83 درصد براي داده‌هاي آموزش و 81 /84 و 54/83 درصد براي داده‌هاي آزمون، بهترين عمل‌كرد را داشتند.
نتيجه‌گيري: پژوهش نشان داد كه روش شبكه عصبي دقت بالاتري نسبت به روش رگرسيون لجستيك دومتغيره در پيش‌بيني هم‌زمان رخداد بلوك قلبي و مرگ در بيماران سكته قلبي دارد
چكيده لاتين :
Introduction: When it is desired to examine occurrence of two events simultaneously, it is common to use bivariate statistical models such as bivariate logistic regression. Due to the limitations of classical methods in real situations, other methods such as artificial neural networks (ANN) are concerned. The aim of this study was comparing the predictive accuracy of bivariate logistic regression and artificial neural network models in diagnosis of death occurrence and heart block in myocardial infarction patients.
Material and Methods: In this study, data was taken from a census in a cross-sectional study in which 263 patients with myocardial infarction cases who admitted to Hajar hospital heart care in 2013 to 2014. Gender, type of stroke, history of diabetes, previous history of hypertension, lipid disorders, history of heart disease, cardiac output fraction, systolic blood pressure, diastolic blood pressure, fasting and non-fasting blood sugar, cholesterol, triglycerides, low-density cholesterol, smoking, type of treatment, the troponin enzymes and insurant type were considered as explanatory variables and occurrence of death and heart block were used as dependent variables. Bivariate logistic regression and neural network model was fitted. Both models were predicted and the accuracy of them were compared. Models were fitted by MATLAB2013a and Zelig in R3.2.2.
Results: Predictive accuracy of bivariate logistic regression model was 77.7% for the training and 78.48% for the test data. In ANN model, LM and OSS algorithms had best performance with 83.69% and 83.15% predictive accuracy for training data and 84.81% and 83.54% for testing data, respectively.
Conclusion: This research showed that the neural network method is more accurate than bivariate logistic regression to joint predicting the occurrence of death and heart block in patients with myocardial infarction.
