دوره 17، شماره 85 - ( 12-1388 )                   جلد 17 شماره 85 صفحات 29-38 | برگشت به فهرست نسخه ها


XML English Abstract Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

mehrabi Y, sedehi M, kazemnejad A, joharimajd V, hadaegh F. Artificial Neural Network for joint prediction of Metabolic Syndrome and HOMA-IR: Tehran Lipid and Glucose Study (TLGS) . daneshvarmed. 2010; 17 (85) :29-38
URL: http://daneshvarmed.shahed.ac.ir/article-1-7-fa.html
محرابی یداله، سدهی مرتضی، کاظم‌نژاد انوشیروان، جوهری‌مجد وحید، حدائق فرزاد. طراحی شبکه عصبی مصنوعی برای پیش‌بینی توأم سندرم متابولیک و شاخص مقاومت به انسولین (HOMA-IR): مطالعه قند و لیپید تهران. دو ماهنامه علمی - پژوهشی دانشور پزشکی. 1388; 17 (85) :29-38

URL: http://daneshvarmed.shahed.ac.ir/article-1-7-fa.html


استاد
چکیده:   (16798 مشاهده)

  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.

متن کامل [PDF 304 kb]   (1714 دریافت)    
نوع مطالعه: پژوهشي |

ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
کد امنیتی را در کادر بنویسید

ارسال پیام به نویسنده مسئول


کلیه حقوق این وب سایت متعلق به دانشور پزشکی می باشد.

طراحی و برنامه نویسی : یکتاوب افزار شرق

© 2015 All Rights Reserved | Daneshvar

Designed & Developed by : Yektaweb