استفاده از روش تحلیل مولفه های اصلی برای افزایش صحت پیش بینی سندرم متابولیک در مدل های شبکه عصبی مصنوعی و رگرسیون لجستیک

در فرآیند مدل سازی، زمانی که بین متغیرهای کمکی همبستگی های نسبتا قوی وجود داشته باشد، هم خطی چندگانه ایجاد شده و باعث کاهش کارآیی مدل می گردد. هدف از این مطالعه استفاده از تحلیل مولفه های اصلی برای تعدیل اثر هم خطی چندگانه در مدل های رگرسیون لجستیک و شبکه عصبی مصنوعی و بررسی تاثیر آن بر صحت و دقت پیش بینی سندرم متابولیک بود.
در این مطالعه توصیفی – تحلیلی تعداد 347 نفر از افراد شرکت کننده در مطالعه آینده نگر قند و لیپید تهران که در فاز اول مطالعه بر اساس تعریف پانل درمان بالغین (ATPIII) مبتلا به سندرم متابولیک نبودند انتخاب شدند. ابتدا مدل های رگرسیون لجستیک و شبکه عصبی مصنوعی با استفاده از متغیرهای کمکی اولیه و سپس با استفاده از مولفه های اصلی به داده ها برازش گردید و پیش بینی بر اساس این مدل ها انجام شد. از تحلیل راک و آماره کاپا برای مقایسه قدرت پیش بینی مدل ها استفاده گردید.
برای مدل های رگرسیون لجستیک، رگرسیون لجستیک با مولفه های اصلی، شبکه عصبی مصنوعی و شبکه عصبی مصنوعی با مولفه های اصلی به ترتیب مساحت زیر منحنی راک 749/0، 790/0، 890/0 و 927/0 به دست آمد، میزان حساسیت مدل ها 483/0، 435/0، 836/0 و 919/0، ویژگی آن ها 857/0، 919/0، 892/0 و 964/0 و اندازه آماره کاپا برای مدل ها 322/0، 386/0، 712/0 و 886/0 به دست آمد.
تحقیق نشان داد که صحت پیش بینی مدل های بر اساس مولفه های اصلی از مدل های مبتنی بر متغیرهای کمکی اولیه بیشتر بوده و بنابراین در هنگام وجود هم خطی چندگانه، مدل های مبتنی بر مولفه های اصلی برای پیش بینی سندرم متابولیک کاراتر هستند.