مقالات اپيدميولوژي

مقدمه و اهداف: زماني كه در يک مطالعه متغيرهاي پاسخ داراي مقياس اندازه ‌گيري متفاوت باشند، پاسخ‌ ها را چند متغيره آميخته مي ‌گويند. با توجه به محدوديت ‌ها و برقرار نبودن برخي پيش‌ فرض ‌ها، روش ‌هاي كلاسيک آماري براي مدل‌ بندي و پيش ‌بيني اين نوع پاسخ ‌ها کارايي ندارند. هدف اين مطالعه، طراحي شبكه عصبي مصنوعي براي مدل‌ بندي و پيش بيني پاسخ ‌هاي دومتغيره آميخته است.
روش كار: اين مطالعه شامل سه مرحله طراحي مدل، شبيه ‌سازي و برازش مدل بر داده ‌هاي واقعي است. پس از طراحي مدل، با در نظر گرفتن پارامترهاي مختلف، دو مجموعه داده شبيه ‌سازي و مدل ‌هاي يک‌ متغيره و دو متغيره مورد ارزيابي قرار گرفتند. براي آموزش شبكه از الگوريتم شيب توام مقياس شده و براي تعيين مناسب ‌ترين مدل از معيار صحت پيش‌ بيني استفاده شد. مدل پيشنهادي براي پيش‌ بيني توام سندرم متابوليک و شاخص مقاومت به انسولين در مطالعه قند و ليپيد تهران به ‌کار گرفته شد. برنامه هاي رايانه ‌اي در نرم ‌افزارهايR 2.9.0  و MATLAB 7.6 طراحي و اجرا گرديد.
نتايج: در مجموعه شبيه ‌سازي اول، صحت پيش ‌بيني در مدل ‌هاي يک متغيره و دومتغيره تقريبا يکسان ولي در مجموعه شبيه ‌سازي دوم، در مدل‌ هاي دو متغيره نسبت به مدل ‌هاي يک متغيره بيشتر است. در مدل ‌هاي دو متغيره، صحت پيش ‌بيني مدل با افزايش همبستگي متغيرهاي پاسخ، بيشتر مي ‌شود. در داده‌ هاي واقعي مدل با 10 گره در لايه مياني داراي بيشترين صحت پيش ‌بيني است.
نتيجه‌ گيري: تحقيق نشان داد، در حالتي‌ كه دو متغير پاسخ با متغيرهاي کمکي ارتباط دارند مدل دومتغيره نسبت به يک متغيره مناسب ‌تر است و با افزايش همبستگي، صحت پيش‌ بيني افزايش مي‌ يابد.

 نسخه قابل چاپ