پیش بینی مقایسه ای نوزاد نارس با مدل های درخت تصمیم و شبکه عصبی مصنوعی

زمینه و هدف: نارس بودن نوزادان هنگام تولد از عوامل مهم تعیین کننده مرگ و میر نوزادی و مشکل بهداشتی حل نشده ای است که عواقب نامطلوب طولانی مدت برای سلامت نوزادان دارد. هدف پژوهش حاضر بینی زودرس نارس بودن نوزادان با استفاده از روش های آماری درخت تصمیم با الگوریتم CART و شبکه عصبی مصنوعی (ANN) و نیز مقایسه این مدل ها در پیش بینی نارس بودن نوزاد بود.روش کار: در این مطالعه مقطعی پرونده 286 زن باردار که در سال های 1389-91 به مراکز بهداشتی در مانی شهر کرمانشاه مراجعه کرده بودند مورد بررسی قرار گرفت. 16 متغیر از پرونده آنان جمع آوری شد. متغیرهای سن و تحصیلات مادر، رتبه تولد، فاصله از بارداری قبلی، چندقلویی جنین، قد، وزن، فشارخون و نتایج آزمایشات مادر به عنوان متغیرهای پیش بین و نارس بودن یا نبودن نوزاد به عنوان متغیر پاسخ در نظر گرفته شد. با به کار گیری نرم افزار SPSS نسخه 23، مدل های داده کاوی الگوریتم CART و ANN از نوع پرسپترون به داده ها برازش شده و عملکرد آن ها با هم مقایسه گردید.یافته ها: 134 زن که نوزاد نارس و 152 زن که نوزاد رسیده به دنیا آورده بودند بررسی شدند. پس از برازش مدل های الگوریتم CART و ANN مشاهده شد که مقدار تمام معیارهای ارزش تشخیصی در CART کمتر از ANN است. به ازای داده های مجموعه آزمایش، به ترتیب برای مدل های مذکور، صحت برابر 0,61 و 0,77 ، حساسیت 0,44 و 0,68 ، ویژگی 0.77 و 0,83 بود. برای کل مجموعه داده ها، سطح زیر منحنی ROC مدل CART برابر 0,74 محاسبه شد که کمتر از مدل (0.77 ) ANN بود.نتیجه گیری: در پیش بینی نارس بودن نوزاد، مدل ANN دارای صحت، حساسیت، ویژگی و سطح زیر منحنی ROC بالاتری نسبت به الگوریتم CART بود. میتوان چنین گفت که مدل ANN نسبت به الگوریتم CART، عملکرد بهتری در پیش بینی نارس بودن نوزاد دارد.

کلیدواژه ها:

نارس بودن نوزاد ، شبکه عصبی مصنوعی ، درخت تصمیم ، صحت ، حساسیت ، ویژگی