مقایسه عملکرد سیستم استنتاج فازی عصبی تطبیقی (ANFIS) و شبکه عصبی مصنوعی (ANN) با مدل رگرسیون لجستیک در تشخیص بیماری تیروئید
- سال انتشار: 1403
- محل انتشار: اولین کنفرانس بین المللی سلامت، بهداشت و آموزش
- کد COI اختصاصی: CHHE01_0492
- زبان مقاله: فارسی
- تعداد مشاهده: 151
نویسندگان
کارشناس پژوهش مرکز تحقیق و توسعه سیاستگذاری دانشگاه علوم پزشکی تهران ، تهران، ایران
دانشجوی دکتری گروه آمار زیستی، دانشکده بهداشت، دانشگاه علوم پزشکی تهران، تهران، ایران
دانشجوی دکتری گروه مدیریت و اقتصاد بهداشت، دانشکده بهداشت، دانشگاه علوم پزشکی تهران، تهران، ایران
مرکز تحقیقات مدیریت بیمارستان، پژوهشکده مدیریت سلامت، دانشگاه علوم پزشکی ایران، تهران، ایران.
چکیده
با توسعه تکنیک های داده کاوی و سیستم استنتاج عصبی فازی تطبیقی، امکان دستیابی به پیش بینی های دقیق در زمینه های پزشکی وجود دارد. هدف ازاین تحقیق استفاده از مدل ANFIS، شبکه عصبی مصنوعی و رگرسیون لجستیک برای پیشبینی بیماران تیروئیدی است. در این مطالعه از پایگاه داده گسترش UCI که شامل ۳۷۷۲ نمونه و بیش از ۲۰ ویژگی است، تنها از پنج ویژگی خاص استفاده شد. نتایج تجزیه و تحلیل رگرسیون لجستیک چندگانه نشان داد که شاخص FTI, TT۴ و TSH تاثیر معنی داری بر تیروئید دارند. مدل ANFIS دقت بالاتری در مقایسه با ANN و مدل رگرسیون لجستیک در پیشبینی تیروئید داشت.کلیدواژه ها
رگرسیون لجستیک، شبکه عصبی، نروفازی، تیروئیدمقالات مرتبط جدید
- Artificial intelligence-based Diagnostic Approaches for Alzheimer's Disease Using Medical Imaging
- Artificial Intelligence-Based Telehealth Care in maternal health
- سیستم های هوش مصنوعی در پیشگیری و ارتقای سلامت عمومی
- Efficient Multi-Label Retinal Disease Classification with CLIP, LoRA, and Shadow Loss on the OIA-ODIR Dataset
- هوش مصنوعی در ژنتیک
اطلاعات بیشتر در مورد COI
COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.