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.
)