الگوي شبكه عصبي مصنوعي در تحليل بقاي بيماران سرطان معده

Artificial Neural Network in survival analysis of gastric cancer patients

سرطان معده در ايران در رتبه نخست شايع‌ترين سرطان براي مردان و رتبه سوم در زنان است. هدف از اين مطالعه، تحليل بقاي بيماران مبتلا به سرطان معده و در ادامه پيش‌بيني مرگ اين بيماران با استفاده از الگوي شبكه عصبي است. در اين مطالعه طولي گذشته نگر تعداد 242 بيمار كه داراي تشخيص قطعي پاتولوژيك سرطان معده بودند بررسي شدند. داده ها توسط مركز تحقيقات گوارش و كبد دانشگاه علوم پزشكي شهيد بهشتي در بيمارستان طالقاني تهران جمع آوري گرديد. توابع بقا و عوامل موثر بر بقا به كمك روش كاپلان ـ ماير و الگو مخاطرات متناسب كاكس برآورد شدند. براي تحليل به روش شبكه عصبي ابتدا داده ها به تصادف به دو گروه آموزش و آزمايش تقسيم شدند و همگني زمان‌هاي بقاي آن ها با آزمون رتبه لگاريتمي بررسي شد. براي انتخاب بهترين ساختار شبكه، با تغيير در مشخصه هاي شبكه الگوهاي مختلف بررسي و با استفاده از سطح زير منحني ROC الگو مناسب انتخاب شد. براي تحليل از نرم افزار SPSS نسخه 19 استفاده شد. ميانه طول عمر بيماران 1/25 ماه، بقاي يك‌ساله بيماران سرطان معده برابر 769/0 ((833/0 ، 711/0) :95%CI) و بقاي سه ساله 256/0 ((373/0 ، 185/0) :95%CI) به دست آمد. در الگوي انتخاب شده، خطاي پيش بيني برابر 7/37 درصد و سطح زير منحني راك برابر 732/0 به دست آمد. پيش بيني صحيح براي سانسور شدن 4/71 درصد و پيش بيني صحيح مرگ بيماران نيز 50 درصد به دست آمد. شبكه ي عصبي رويكردي مناسب براي پيش بيني بقاي بيماران مبتلا به سرطان معده است و پيش بيني هاي آن مي تواند در دسته بندي اين بيماران استفاده شود.

Objective (s): Gastric cancer (GC) is the most prevalent cancer in men and third for women. The aim of this study was to analyze the survival of GC patients and then the prediction of death in these patients using a neural network model. Methods: This was a historical cohort study with data selected from 232 registered gastric cancer patients who underwent surgery between 2002 and 2007 at a referral center for gastrointestinal cancers, in Tehran, Iran. Prognostic factors of survival using Kaplan-Meier and Cox proportional hazards models were estimated. To analyze the data using the neural network, the data were divided randomly into two groups, training and testing sets, and homogeneous survival times were tested using log rank test. To select the best network structure, the characteristics of network models modified and the best model was selected using ROC analysis. The analysis was performed using SPSS version 19. Results: The median survival time of GC patients was 25.1 months. One and three year survival times of GC patients were 0.769 (CI 95%: 0.711, 0.833) and 0.256 (CI 95%: 0.185, 0.373), respectively. The prediction error was 37.7% and the area under the ROC was 0.732 at final model. True prediction for censorship and death were 71.4% and 50%, respectively. Conclusion: Neural network is an appropriate approach for predicting the survival of GC patients and its predictions can be used to classify these patients.