مقایسه مدل رگرسیون کاکس و شبکه عصبی مصنوعی در پیش بینی بقای بیماران لوسمی حاد

مدل رگرسیون کاکس، یکی از روش های رایج تحلیل داده های بقا می باشد که قبل از به کارگیری آن لازم است فرض متناسب بودن خطرات برقرار باشد. اخیرا مدل های شبکه عصبی بدون نیاز به فرض خاص، جایگزینی مناسب در پیش بینی بقا می باشند. هدف از این مطالعه، مقایسه توانایی مدل رگرسیون کاکس و شبکه عصبی مصنوعی در پیش بینی بقای بیماران لوسمی حاد بود.
در یک مطالعه گذشته نگر، اطلاعات 197 بیمار لوسمی حاد بیمارستان سیدالشهدای اصفهان طی سال های 85 تا 88 جمع آوری گردید. ابتدا فرض متناسب بودن خطرات، آزمایش شد و سپس مدل رگرسیون کاکس پردازش گردید. دقت پیش بینی دو مدل با استفاده از دو روش منحنی راک و آزمون کاپا مقایسه گردید. برای تحلیل اطلاعات از نرم افزارهای 19 SPSS، 2000 Splus و Matlab R2009a و آزمون رگرسیون لجستیک استفاده شد.
از بین 9 مدل شبکه عصبی مصنوعی که تعداد نرون های آن ها بین 4 تا 12 بود، مدل شبکه عصبی با تعداد 5 نرون در لایه پنهان به عنوان مدل برتر با مدل رگرسیون کاکس مقایسه شد. مساحت زیر منحنی راک برای مدل شبکه عصبی و رگرسیون کاکس به ترتیب برابر با 709/0 و 458/0 به دست آمد. صحت پیش بینی بقا برای مدل شبکه عصبی و رگرسیون کاکس نیز به ترتیب برابر با 9/78% و 3/50% به دست آمد.
به دلیل دقت بالای مدل های شبکه عصبی در پیش بینی، استفاده از مدل های مختلف شبکه عصبی در پیش بینی بقا و توسعه آن ها در حوزه های مختلف علوم پزشکی پیشنهاد می شود.