پديد آورندگان :
رضايي، منصور دانشگاه علوم پزشكي كرمانشاه , فخري، نگين دانشگاه علوم پزشكي كرمانشاه , رجعتي، فاطمه دانشگاه علوم پزشكي كرمانشاه , شهسواري، سوده دانشگاه علوم پزشكي كرمانشاه
كليدواژه :
حساسيت , صحت , درخت تصميم , شبكه عصبي مصنوعي , ديابت بارداري
چكيده فارسي :
زمينه و هدف: ديابت بارداري از شايعترين اختلالات متابوليك بارداري است كه با عوارض خطرناكي همراه است. در صورت تشخيص زودرس آن مي‌توان از برخي عوارض مادري و جنيني جلوگيري كرد. هدف اين پژوهش پيش‌بيني زودرس ديابت بارداري توسط مدل‌هاي آماري شبكه عصبي مصنوعي و درخت تصميم و نيز مقايسه اين مدل‌ها در تشخيص ديابت بارداري بود.
روش بررسي: در اين مطالعه مدلسازي، از پرونده‌هاي زنان باردار در مراكز بهداشتي شهر كرمانشاه (1391-1389)، 400 پرونده كه بدون داده‌هاي گمشده بود بررسي شد. اطلاعات دموگرافيك، رتبه بارداري، ديابت، پارامترهاي باروري و نتايج آزمايشات از پرونده آنان گردآوري شد. مدل‌هاي شبكه عصبي مصنوعي پرسپترون و درخت تصميم به داده‌ها برازش داده شد و عملكرد آن‌ها با هم مقايسه گرديد. براساس معيارهاي صحت، حساسيت، ويژگي و سطح زير منحني راك (Receiver operating characteristic, ROC)، مدل برتر معرفي شد.
يافته‌ها: پس از برازش مدل‌هاي شبكه عصبي مصنوعي و درخت تصميم، مقادير معيارها محاسبه شد. مقدار تمام معيارها در شبكه عصبي بيشتر از درخت تصميم بود. به‌ترتيب براي مدل‌هاي يادشده، صحت برابر 0/83 و 0/77، حساسيت 0/62 و 0/56، ويژگي 0/95 و 0/87 بود. سطح زير منحني راك مدل شبكه عصبي به‌طور معناداري بيشتر از درخت تصميم بود (0/79، 0/74 و 0/03P=).
نتيجه‌گيري: در پيش‌بيني ديابت بارداري، مدل شبكه عصبي مصنوعي داراي صحت، حساسيت، ويژگي و سطح زير منحني راك بالاتري نسبت به درخت تصميم بود. مي‌توان نتيجه گرفت كه مدل شبكه عصبي مصنوعي پرسپترون داراي پيش‌بيني‌هاي صحيح‌تر و نزديك‌تر به واقعيت نسبت به درخت تصميم است.
چكيده لاتين :
Background: Gestational diabetes mellitus (GDM) is one of the most common metabolic disorders in pregnancy, which is associated with serious complications. In the event of early diagnosis of this disease, some of the maternal and fetal complications can be prevented. The aim of this study was to early predict gestational diabetes mellitus by two statistical models including artificial neural network (ANN) and decision tree and also comparing these models in the diagnosis of GDM.
Methods: In this modeling study, among the cases of pregnant women who were monitored by health care centers of Kermanshah City, Iran, from 2010 to 2012, four hundred cases were selected, therefore the information in these cases was analyzed in this study. Demographic information, mother's maternal pregnancy rating, having diabetes at the beginning of pregnancy, fertility parameters and biochemical test results of mothers was collected from their records. Perceptron ANN and decision tree with CART algorithm models were fitted to the data and those performances were compared. According to the accuracy, sensitivity, specificity criteria and surface under the receiver operating characteristic (ROC) curve (AUC), the superior model was introduced.
Results: Following the fitting of an artificial neural network and decision tree models to data set, the following results were obtained. The accuracy, sensitivity, specificity and area under the ROC curve were calculated for both models. All of these values were more in the neural network model than the decision tree model. The accuracy criterion for these models was 0.83, 0.77, the sensitivity 0.62, 0.56 and specificity 0.95, 0.87, respectively. The surface under the ROC curve in ANN model was significantly higher than decision tree (0.79, 0.74, P=0.03).
Conclusion: In predicting and categorizing the presence and absence of gestational diabetes mellitus, the artificial neural network model had a higher accuracy, sensitivity, specificity, and surface under the receiver operating characteristic curve than the decision tree model. It can be concluded that the perceptron artificial neural network model has better predictions and closer to reality than the decision tree model.
