طراحی شبکه عصبی مصنوعی برای پیش بینی توام سندرم متابولیک و شاخص مقاومت به انسولین (HOMA-IR)

زمانی که در یک مطالعه بیش از یک متغیر پاسخ با مقیاس اندازه گیری متفاوت داشته باشیم، این گونه پاسخ ها را چند متغیره آمیخته می گویند. با توجه به محدودیت ها و برقرارنبودن برخی پیش فرض ها، روش های کلاسیک آماری برای مدل بندی و پیش بینی این پاسخ ها کارایی ندارند. هدف این مطالعه، طراحی شبکه عصبی مصنوعی برای مدل بندی و پیش بینی پاسخ های دومتغیره آمیخته شامل سندرم متابولیک و شاخص HOMA-IR می باشد.
تعداد 347 نفر از افراد شرکت کننده 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 توده بدنی، LDL، HDL، کلسترول تام، تری گلیسیرید، 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 مدل های مختلف شبکه عصبی در دو مرحله برای تعیین تعداد گره ها در لایه میانی و تعیین بهترین الگوریتم آموزش انجام شد و پیش بینی براساس این مدل ها صورت گرفت. از شاخص صحت پیش بینی به عنوان معیار مقایسه مدل های نهایی استفاده شد. برای طراحی و برازش مدل ها از نرم افزار MATLAB استفاده شد.
در مرحله اول مدل سازی، مدل با ده گره در لایه میانی با صحت پیش بینی 56/67 و 69 درصد به ترتیب برای داده های آزمون و اعتبارسنجی و در مرحله دوم، الگوریتم های SCG، OSS و RP به ترتیب با صحت پیش بینی 78، 76 و 76 درصد برای داده های اعتبارسنجی و 37/78، 32/74 و 67/75 درصد دارای بیشترین صحت پیش بینی بودند.
تحقیق نشان داد که مدل های شبکه عصبی مصنوعی با الگوریتم های آموزش SCG، OSS و RP به ترتیب دارای بیشترین صحت پیش بینی سندرم متابولیک و شاخص HOMA-IR به صورت همزمان هستند.