اکبر بیگلریان - دانشگاه علوم بهزیستی و توان بخشی تهران، تهران، ایران
عنایت اله بخشی - دانشگاه علوم بهزیستی و توان بخشی تهران، تهران، ایران
مهدی رهگذر - دانشگاه علوم بهزیستی و توان بخشی تهران، تهران، ایران
مسعود کریملو - دانشگاه علوم بهزیستی و توان بخشی تهران، تهران، ایران

چکیده زمینه و هدف: رگرسیون لجستیک یک مدل عمومی برای بررسی رابطه بین متغیرهای مستقل و پاسخ های دوحالتی است. یکی از مدل های انعطاف پذیر که به طور جایگزین می تواند مورد استفاده قرار گیرد، مدل شبکه عصبی مصنوعی است. این مطالعه با هدف مقایسه ی قدرت پیش بینی پاسخ های دوحالتی داده های پزشکی، با مدل شبکه عصبی مصنوعی و رگرسیون لجستیک انجام شد. مواد و روش کار: برای انجام این پژوهش، از داده های ۶۳۹ بیمار مبتلا به سرطان معده، گردآوری شده توسط مرکز تحقیقات گوارش و کبد دانشگاه علوم پزشکی شهید بهشتی طی سال های ۱۳۸۱-۱۳۸۵، استفاده شد. مرحله بیماری به عنوان متغیر وابسته در نظر گرفته شد. ارزیابی شبکه بر اساس ملاک حداقل مربعات خطای پیش بینی صورت گرفت و مقایسه پیش بینی های مدل نهایی شبکه با مدل رگرسیونی با استفاده از شاخص هماهنگی و منحنی راک صورت پذیرفت. تحلیل داده ها با نرم افزار R ۲.۱۲ و SPSS ۱۷.۰ انجام شد. یافته ها: سطح زیر منحنی مشخصه عملکرد مدل شبکه عصبی برابر ۷۲۵/۰ و مدل رگرسیون لجستیک برابر ۶۹۹/۰ به دست آمد. همچنین صحت پیش بینی کل برای مدل شبکه عصبی و رگرسیونی به ترتیب برابر ۷۷۱/۰ و ۷۱۰/۰ محاسبه گردید. همچنین اختلاف پیش بینی های دو مدل معنی دار شد (۰۰۲/۰ = P). نتیجه گیری: صحت پیش بینی شبکه در تشخیص مرحله ی بیماری سرطان معده بیش تر از مدل رگرسیونی لجستیک به دست آمد و لذا این مدل برای تشخیص مرحله ی بیماری پیشنهاد می شود.

Keywords: Artificial neural network, Logistic regression, Prediction, Binary response, واژه های کلیدی: شبکه عصبی مصنوعی, رگرسیون لجستیک, پیش بینی, پاسخ های دوحالتی