مدلسازي بقا مبتني بر شبكه هاي عصبي بر پايه يادگيري عميق و كاربرد آن در تحليل بقاي سكته مغزي

Abstract

مقدمه: استفاده از روشهای نوین مبتنی بر هوش مصنوعی بعلت توانایی در کاهش پیچیدگی روابط مدلها و قابلیت افزایش یادگیری مدل با تشخیص بهتر و دقت بالا در پیش بینی در مطالعات و پژوهش های اخیر افزایش قابل ملاحظه ای دارد. مطالعه حاضر با هدف بررسی پیش بینی بقا و ارتباط عوامل دموگرافیک و سایر عوامل تاثیرگذار بالینی با میزان مرگ و میر با استفاده از مدل کاکس و مدل شبکه های عصبی مبتنی بریادگیری عمیق (DLNN) در مبتلایان به سکته مغزی انجام گردید. روش کار: در مجموع 332 بيمار مبتلا به سکته مغزی (ميانگين سني 4.77 سال، 49.4 درصد مرد) ، از بيمارستان امام خميني (ره) اردبيل ، طي سال هاي 94-83 در اين مطالعه همگروهی آينده نگر شرکت کردند. داده ها از اسناد موجود در ثبت بیمارستان جمع آوری شده اند. در این مطالعه مدل کاکس بقا و استراتژی DLNN برای پیش بینی تأثیر عوامل خطر اصلی بر مرگ و میر استفاده شده است. کیفیت مدل ها با استفاده از شاخص های تشخیصی اندازه گیری و مقایسه شده اند. یافته ها: براساس نتایج حاصل از مدل کاکس تک متغیره از میان متغیرهای دموگرافیک و بالینی بین سن بالا و جنسیت مرد،نداشتن فعالیت ورزشی، سابقه دیابت، چربی خون، استفاده از قرصهای ضد بارداری در زنان، سکته مغزی از نوع هموراژیک رابطه مستقیم و معنی داری (p-value<0.01) به لحاظ آماری با مرگ/زنده بودن ناشی از سکته مغزی دارد، و بین سایر متغیرهای بالینی از جمله سابقه ابتلا به سکته مغزی، بیماری های قلبی، فشار خون، سکته قلبی، مصرف سیگار و قلیان رابطه معنی داری با پیامد مورد انتظار مشاهده نشد.براساس نتایج حاصل از مدل رگرسیونی چند متغیره متغیرهای سن، سابقه بیماری قلبی، سکته مغزی هموراژیک رابطه مستقیم با نسبت خطر مرگ ناشی از سکته مغزی نشان داد(p-value<0.01). که میزان صحت مدل کاکس 75.5% ، حساسیت (81.4-69.5) 75.8 ، ویژگی (82.8-65.2) 74.8، ارزش پیشگویی مثبت (90.8-80.5) 86.2، ارزش پیشگویی منفی (68.2-50.7) 59.7 می باشد. نتایج حاصل از 1533 سناریوی مختلف براساس استراتژی DLNN نشان داد که مدلهای طراحی شده داری دامنه تغییرات صحت مدل (99.67-66.55) می باشندکه سایر شاخص های محاسبه شده برای 81 مدل انتخابی به شرح ذیل میباشد: حساسیت (83.8-100)، ویژگی (99.5-89.8)، ارزش پیشگویی مثبت (99-82.4)، ارزش پیشگویی منفی (100-92.1)، صحت (90.5-99.7) و یافته های مربوط به بهترین مدل انتخاب شده نشان دادکه، متغیر زمان با 92.2 درصد پیشگویی بیشترین تاثیر و متغیر سن با تاثیری معادل 75.6 و سپس متغیر سابقه چربی خون با میزان پیشگویی 66.88 و متغیرمیزان تحصیلات با میزان پیشگویی 66.86 و سایر متغیرها ازجمله سابقه سکته قلبی، سیگاری بودن، سابقا سیگاری، قلیان، مکان زندگی،شغل، جنسیت، فعالیت ورزشی، مصرف قرصهای ضدبارداری، بیماری های قلبی، سابقه فشارخون و نوع سکته مغزی با میزان پیشگویی در سطح 66.55 کمترین تاثیر را در پیش گویی مرگ ناشی از بیماران سکته مغزی داشته اند. نتیجهگیری: بهترین وسیله جهت کاهش بار بیماری سکته مغزی ، پیشگیری موثر از آن است. نتایج حاصل از استراتژی DLNN در پیش بینی مرگ و میر بر اساس فاکتورهای اصلی صحت بالاتری نسبت به مدل کاکس ارائه نمود.