مقايسه مدل رگرسيون كاكس و شبكه عصبي مصنوعي در پيش‌بيني بقاي بيماران لوسمي حاد

Comparison of Cox regression and Artificial Neural Network models in prediction of survival in acute leukemia patients

چكيده سابقه و هدف مدل رگرسيون كاكس، يكي از روش‏هاي رايج تحليل داده‏هاي بقا مي‏باشد كه قبل از به ‏كارگيري آن لازم است فرض متناسب بودن خطرات برقرار باشد. اخيراً مدل‏هاي شبكه عصبي بدون نياز به فرض خاص، جايگزيني مناسب در پيش‏بيني بقا مي‏باشند. هدف از اين مطالعه، مقايسه‏ توانايي مدل رگرسيون كاكس و شبكه عصبي مصنوعي در پيش‏بيني بقاي بيماران لوسمي حاد بود. مواد و روش‌ها در يك مطالعه گذشته‏نگر، اطلاعات 197 بيمار لوسمي حاد بيمارستان سيدالشهداي اصفهان طي سال‏هاي 85 تا 88 جمع‏آوري گرديد. ابتدا فرض متناسب بودن خطرات، آزمايش شد و سپس مدل رگرسيون كاكس پردازش گرديد. دقت پيش‏بيني دو مدل با استفاده از دو روش منحني راك و آزمون كاپا مقايسه گرديد. براي تحليل اطلاعات از نرم‌افزارهاي 19 SPSS ، 2000 Splus و Matlab R2009a و آزمون رگرسيون لجستيك استفاده شد. يافته‌ها از بين 9 مدل‏ شبكه عصبي مصنوعي كه تعداد نرون‏هاي آن‌ها بين 4 تا 12 بود، مدل شبكه عصبي با تعداد 5 نرون در لايه پنهان به عنوان مدل برتر با مدل رگرسيون كاكس مقايسه شد. مساحت زير منحني راك براي مدل شبكه عصبي و رگرسيون كاكس به ترتيب برابر با 709/0 و 458/0 به‏دست آمد. صحت پيش‏بيني بقا براي مدل شبكه عصبي و رگرسيون كاكس نيز به‏ترتيب برابر با 9/78% و 3/50% به ‏دست آمد. نتيجه گيري به‏دليل دقت بالاي مدل‏هاي شبكه عصبي در پيش‏بيني، استفاده از مدل‏هاي مختلف شبكه عصبي در پيش‏بيني بقا و توسعه آن‌ها در حوزه‏هاي مختلف علوم پزشكي پيشنهاد مي‏شود.

Abstract Background and Objectives Cox regression model is one of the most common methods of survival analysis for whose application an assumption of proportional hazards needs to be established. Recently, neural network models without having certain assumptions have been shown to be suitable alternatives in predicting survival. This study aims to compare Cox regression and Artificial Neural Network (ANN) models to predict survival in acute leukemia patients. Materials and Methods In the present retrospective study, the information on 197 patients with acute leukemia in Sayyed-O-Shohada Hospital was collected using a checklist. Firstly, the assumption of proportional hazards was tested; Cox regression model was fitted to the observations. To select an efficient ANN to compare with Cox regression model, the number of hidden layer neurons was changed. The prediction accuracy of the two models was compared using receiver operating characteristic (ROC) curve and kappa. Data analysis was performed using SPSS 19, Splus2000, and MatlabR 2009 software packages. Results Out of 9 ANN models with one hidden layer and 4 to 12 neurons, an ANN with 5 neurons in hidden layer was a superior model compared with Cox regression model. The areas under ROC curve for ANN model and Cox model were estimated to be 0.0709 and 0.458, respectively. The accuracies of prediction of survival for ANN model and Cox model were estimated as 78.9% and 50.3%, respectively. Conclusions Due to the high predicting accuracy of ANN models, the use of different models of ANN and their development in various fields of medical science are recommended.