استفاده از شبکه های عصبی مصنوعی و مقایسه با روشهای رگرسیونی در پیش بینی تراکم استخوان زنان یائسه ایرانی

به تازگی استفاده از شبکه های هوش مصنوعی ANN درپیش بینی اثرات متغیرهای متعدد و با روابط پیچیده بر روی یک متغیر خاص مورد توجه قرار گرفته است عوامل محیطی و فیزیولوژیک متعددی در تخمین تراکم استخوان افراد دخیل دانسته شده اند

به تازگی استفاده از شبکه‌های هوش مصنوعی (ANN) درپیش‌بینی اثرات متغیرهای متعدد و با روابط پیچیده بر روی یک متغیر خاص مورد توجه قرار گرفته است. عوامل محیطی و فیزیولوژیک متعددی در تخمین تراکم استخوان افراد دخیل دانسته شده‌اند. در این مطالعه، قدرت ANN در پیش‌بینی وضعیت تراکم استخوان زنان یائسه ایرانی با روشهای قدیمی مقایسه شد. ۲۱۵۸ خانم یائسه ارجاع شده به مرکز تراکم سنجش استخوان بیمارستان دکتر شریعتی به طور تصادفی به سه گروه traning؛ (۱۴۰۰ نفر) Validation؛ (۱۵۰ نفر) و test؛ (۶۰۸ نفر) تقسیم شدند. ۱۰ متغیر سن، وزن، سن در هنگام یائسگی، استفاده از کورتیکواستروئیدها، استفاده از استروژن، تعداد حاملگی، سن در هنگام منارک، قد، میزان فعالیت و سیگار کشیدن در این افراد بررسی شدند. مدلهای Robust رگرسیون خطی چند متغیره و ANN در گروه اول ساخته و در گروه دوم Validate شدند و در گروه سوم تفاوت بین متغیرهای نتیجه (T scoreنواحی گردن فمور و مهره‌های کمری) و مقادیر پیش‌بینی شده توسط دو مدل مقایسه شدند. برای تخمین قدرت پیش‌بینی استئوپروز از منحنی ROC با حد برابر ۲.۵- استفاده شد. مدلهای ANN با ۴ متغیر و بیشتر در پیش‌بینی T score ناحیه گردن فمور و با ۵ متغیر و بیشتر در پیش‌بینی T score ناحیه کمری از مدل رگرسیون قوی‌تر بودند. این تفاوت نشانگر قدرت بیشتر مدلهای مبتنی بر شبکه‌های هوش مصنوعی در پیش‌بینی موارد استئوپروز با استفاده از ریسک فاکتورهای مختلف و لزوم استفاده از این فن‌آوری در موارد غربالگری جمعیتی می‌باشد.

عنوان	فایل
استفاده از شبکه‌های عصبی مصنوعی و مقایسه با روشهای رگرسیونی در پیش بینی تراکم استخوان زنان یائسه ایرانی	application/pdf estefade az shabakehaye masnoe.pdf 265 KB	دانلود

اکبر سلطانی

محسن سادات صفوی

علیرضا معیری

مهدی نورایی

آرش حسین نژاد

محمدباقر اردشیرلاریجانی