جستجو در مقالات منتشر شده


۱ نتیجه برای رگرسیون لجستیک

رئوف نوپور، هادی کاظمی آرپناهی، مصطفی شنبه زاده،
دوره ۶، شماره ۴ - ( ۱۰-۱۳۹۹ )
چکیده

هدف: استفاده از یادگیری ماشین جهت تشخیص زودرس سرطان کولورکتال نقش مهمی در بهبود شاخص‌های بیماری دارد؛ هدف مطالعه حاضر طراحی مدل پیشبینی بیماری براساس تکنیک‌های داده‌کاوی می‌باشد.
روش‌ها: مطالعه حاضر از نوع توصیفی کاربردی بود که در سال ۱۳۹۹ انجام گردید. جامعه پژوهش تمام افرادی (۸۰۰ نفر) بود که جهت بررسی‌های تشخیصی به بیمارستان طالقانی شهرستان آبادان مراجعه کرده بودند. دادهها از پرونده الکترونیک بیمار طی سال‌های ۱۳۸۸-۱۳۹۸ استخراج شد. از نرم‌افزار SPSS برای تحلیل اطلاعات استفاده گردید. از روش همبستگی اسپیرمن برای شناسایی فاکتورهای مؤثر در تعیین خطر ابتلا به سرطان کولورکتال در سطح آماری ۰/۰۵≥P-Value استفاده شد. سپس با استفاده از تحلیل رگرسیون‌لجستیک دودویی و روش Enter فاکتورهای مؤثر در تعیین خطر ابتلا به سرطان کولورکتال شناسایی شدند و نهایتاً مدل رگرسیون پیشبینی خطر ابتلا به سرطان کولورکتال طراحی گردید.
نتایج: ۱۱ متغیر با استفاده از ضریب‌همبستگی اسپیرمن همبستگی معناداری را با کلاس خروجی (ابتلا و عدم ابتلا به سرطان کولورکتال) را نشان دادند. نتایج حاصل از تحلیل رگرسیون‌لجستیک با استفاده از Enter ۷ متغیر شانس بالاتری نسبت به سایر متغیرها به دسست آوردند. نتایج حاصل از طبقه‌بندی نمونه‌های پژوهش با استفاده از روش Forward LR نشان داد که با این مدل با داشتن میزان صحت، دقت و حساسیت به ترتیب ۹۱ درصد، ۹۳/۵ درصد و ۹۴/۵ درصد عملکرد بالایی داشته است.
نتیجه‌گیری: مدل پیشبینی خطر مبتنی بر روش رگرسیون‌لجستیک می‌تواند در ارتقاء صحت و دقت تشخیص بیماری و پیشبینی موثر گروه‌های پرخطر به متخصصین گوارشی کمک‌کننده باشد.



صفحه ۱ از ۱     

کلیه حقوق این وب سایت متعلق به مجله اطلاع رسانی پزشکی نوین می‌باشد.

طراحی و برنامه نویسی: یکتاوب افزار شرق

© 2025 CC BY-NC 4.0 | Journal of Modern Medical Information Sciences

Designed & Developed by: Yektaweb