مقایسه برآورد نمره ناتوانی بیماران مالتیپل اسکلروزیس با مدل های شبکه عصبی مصنوعی و درخت تصمیم

مالتیپل اسکلروزیس Multiple sclerosis, MS)) جزو ناتوان کننده ترین بیماری در بالغین جوان است. آگاهی از نمره ناتوانی این بیماران (Expanded disability status scale, EDSS)، در انتخاب روند درمانی آنان مفید است. محاسبه EDSS وقت زیادی از پزشک متخصص می گیرد. هدف از این مطالعه برآورد نمره EDSS بیماران MS با استفاده از مدل های شبکه عصبی مصنوعی (ANN) و درخت تصمیم (DT) بود.

این مطالعه مقطعی بر روی داده های مطالعه رجیستری MS استان کرمانشاه از اردیبهشت 1396 تا آذر 1397 انجام شد. 12 متغیر شامل اطلاعات دموگرافیک، اطلاعاتی در مورد بیماری MS افراد و نمره EDSS آنان از مجموعه داده ها استخراج گردید. نمره EDSS افراد توسط مدل های ANN و DT نیز برآورد شد. عملکرد مدل ها از نظر خطای برآورد، همبستگی و میانگین نمره برآورد شده، مورد مقایسه قرار گرفت. از (Waikato Environment for Knowledge Analysis (Weka), University of Waikato, New Zealand) و SPSS software, version 25 (IBM SPSS, Armonk, NY, USA) استفاده شد.

یافته ها:

353 نفر با میانگین های سن 47/36±1/9 سال، سن شروع بیماری 34/30±2/9 سال، طول دوره بیماری 20/6±7/5 سال و نمره 8/1±46/2 EDSS بررسی شدند. خطاهای برآورد در مدل DT کمتر از مدل ANN بود. نمره EDSS واقعی همبستگی معنی داری با نمره برآورد شده توسط (571/0DT (r= و (623/0ANN (r= داشت. میانگین EDSS برآورد شده توسط DT (46/2±1/1) تفاوت معناداری با میانگین EDSS واقعی نداشت (621/0P=). میانگین EDSS برآورد شده توسط ANN (87/2±3/1) به طور معناداری بیشتر از میانگین EDSS واقعی بود (05/0P<).

نتیجه گیری:

مدل DT نسبت به مدل ANN، نمره EDSS را بهتر برآورد کرد و به نمرات واقعی EDSS نزدیکتر بود. با مدل DT می توان EDSS بیماران MS را با دقت مناسبی تخمین زد.