طراحی شبکه عصبی مصنوعی برای پیش‌بینی توأم سندرم متابولیک و شاخص مقاومت به انسولین (HOMA-IR): مطالعه قند و لیپید تهران

نویسندگان

چکیده

  مقدمه و هدف: زمانی که در یک مطالعه بیش از یک متغیر پاسخ با مقیاس اندازه‌گیری متفاوت داشته باشیم، این‌گونه پاسخ‌ها را چند متغیره آمیخته می‌گویند. با توجه به محدودیت‌ها و برقرارنبودن برخی پیش‌فرض‌ها، روش‌های کلاسیک آماری برای مدل‌بندی و پیش‌بینی این پاسخ‌ها کارایی ندارند. هدف این مطالعه، طراحی شبکه عصبی مصنوعی برای مدل‌بندی و پیش‌بینی پاسخ‌های دومتغیره آمیخته شامل سندرم متابولیک و شاخص HOMA-IR می‌باشد.   مواد و روش‌ها: تعداد 347 نفر از افراد شرکت‌کننده در مطالعه قند و لیپید تهران، که در فاز اول مطالعه براساس تعریف ATPIII مبتلا به سندرم متابولیک نبودند، به عنوان نمونه انتخاب شدند. متغیرهای دموگرافیک، سابقه بیماری قلبی- عروقی، نمایه توده‌بدنی، LDL ، HDL ، کلسترول‌تام، تری‌گلیسیرید، قندخون ناشتا و دوساعته، سیگار، فشار خون سیستولیک، دیاستولیک ودور کمر ثبت شدند. شاخص HOMA-IR و بروز سندرم متابولیک پس از سه سال پیگیری به عنوان متغیرهای پاسخ در نظر گرفته شدند. برازش مدل‌های مختلف شبکه عصبی در دو مرحله برای تعیین تعداد گره‌ها در لایه میانی و تعیین بهترین الگوریتم آموزش انجام شد و پیش‌بینی براساس این مدل‌ها صورت گرفت. از شاخص صحت پیش‌بینی به عنوان معیار مقایسه مدل‌های نهایی استفاده شد. برای طراحی و برازش مدل‌ها از نرم‌افزار MATLAB استفاده شد.   نتایج: در مرحله اول مدل‌سازی، مدل با ده گره در لایه میانی با صحت پیش‌بینی 56/67 و 69 درصد به‌ترتیب برای داده‌های آزمون و اعتبارسنجی و در مرحله دوم، الگوریتم‌های SCG ، OSS و RP به‌ترتیب با صحت پیش‌بینی 78، 76 و 76 درصد برای داده‌های اعتبارسنجی و 37/78، 32/74 و 67/75 درصد دارای بیشترین صحت پیش‌بینی بودند.   نتیجه‌گیری: تحقیق نشان داد که مدل‌های شبکه عصبی مصنوعی با الگوریتم‌های آموزش SCG ، OSS و RP به‌ترتیب دارای بیشترین صحت پیش‌بینی سندرم متابولیک و شاخص HOMA-IR به صورت همزمان هستند.

کلیدواژه‌ها


عنوان مقاله [English]

Artificial Neural Network for joint prediction of Metabolic Syndrome and HOMA-IR: Tehran Lipid and Glucose Study (TLGS)

نویسندگان [English]

  • yadollah mehrabi
  • morteza sedehi
  • anoushirvan kazemnejad
  • vahid joharimajd
  • farzad hadaegh
چکیده [English]

  Background & Objective: Mixed outcomes arise when, in a multivariate model, response variables measured on different scales such as binary and continuous. In a bivariate modeling, when there are mixed response variables, the common methods in classic statistics have shortcomings. This study aimed at designing an appropriate ANN model for modeling and predicting the bivariate mixed responses including metabolic syndrome and HOMA-IR.   Materials & Methods: A total of 347 participants from the Cohort section of the Tehran Lipid and Glucose Study (TLGS) were studied. The subjects were free of metabolic syndrome, according to the ATPIII criteria, at the beginning. Demographic characteristics, history of coronary artery disease, body mass index, waist circumference, LDL, HDL, total cholesterol, triglyceride, fasting and 2 hours blood sugar, smoking history, systolic and diastolic blood pressure were measured at the baseline. HOMA-IR and incidence of metabolic syndrome, approximately 3 years after the follow-up, were selected as mixed response variables in designing ANN models. Different ANN models were fitted in to data in two stages. Predictive accuracy was applied to compare the ability of models in prediction. MATLAB software was used for analysis of the data.   Results: In the first stage, the artificial neural network model with 10 nodes in middle layer, resulted in 65.67 and 69 percent predictive accuracy for test and validation dataset, respectively. In the second stage, the predictive accuracy of SCG, OSS and RP algorithms were 78, 76 and 76 percent, respectively, in validation data set. For test dataset, predictive accuracy of the above algorithms was 78.37, 74.32 and 75.67 percent. These three algorithms showed highest predictive accuracy among 11 different algorithms employed in the study.   Conclusion: The results of this study indicate that the algorithms SCG, OSS and RP in neural network are the best choices, among those used, for simultaneous prediction of metabolic syndrome and HOMA-IR.

کلیدواژه‌ها [English]

  • Bivariate Mixed Response
  • Artificial Neural Network
  • Metabolic Syndrome