مقایسه ی شبکه ی عصبی مصنوعی با رگرسیون لجستیک در پیش بینی اختلالات روانی بعد از تروما در بیماران دچار آسیب مغزی خفیف

محورهای موضوعی : اندیشه و رفتار در روان شناسی بالینی

الهام شفیعی ¹ , آرش نادمی ² , اسماعیل فخاریان ³ , عبدالله امیدی ⁴

1 - دکتری تخصصی پژوهشی اپیدمیولوژی، مرکز تحقیقات پیشگیری از آسیب های روانی- اجتماعی، دانشگاه علوم پزشکی ایلام، ایلام، ایران
2 - 2- استادیار، گروه آمار، دانشگاه آزاد اسلامی واحد ایلام ، ایلام، ایران
3 - استاد تمام،مرکزتحقیقاتتروما،دانشگاه علوم پزشکی کاشان، کاشان، ایران
4 - مدیرگروه روان شناسی بالینی و عضو هیئت علمی دانشگاه علوم پزشکی کاشان

تاریخ دریافت : 1396/12/06 تاریخ پذیرش : 1396/12/06 تاریخ انتشار : 1396/10/01

کلید واژه: شبکه ی عصبی مصنوعی, رگرسیون لجستیک, ترومای مغزی خفیف,

چکیده مقاله :

هرچند آسیب مغزی شدید می تواند افراد را مستعد ابتلا به اختلال روانی کند، در مورد آسیب تروماتیک مغزی خفیف هنوز جای بحث و بررسی وجود دارد. هدف این پژوهش مقایسه ی قدرت شبکه عصبی مصنوعی در پیش بینی بروز اختلال روانی بعد از تروما در بیماران دچار آسیب مغزی خفیف با رگرسیون لجستیک بود. برای این منظور در یک مطالعه کوهورت آینده نگر، 100 نفر بیمار ترومایی ارجاع شده به مرکز ترومای بیمارستان شهید بهشتی کاشان طی مدت 6 ماه بررسی و با 100 نفر از افراد سالم مقایسه شدند. برای مدل سازی، داده ها به طور تصادفی به دو گروه آموزشی (100 نفر) و آزمایشی (100 نفر) تقسیم شد و برای تخمین قدرت پیش بینی اختلال روانی از منحنی راک و صحت کلاسبندی استفاده شد. نتایج نشان داد، بین دو گروه بیماران تروماتیک خفیف و افراد سالم از نظر اختلالات روانی تفاوت معنی داری وجود دارد و مدلهای شبکه ی عصبی مصنوعی نسبت به مدلهای رگرسیون لجستیک کارایی بهتری نشان می دهند. این پژوهش نشان داد که برای پیش بینی اختلال روانی بایستی شاخص های تشخیص این فاکتور در ابتدای کار از بیماران ترومای مغزی خفیف سنجیده گردیده و سپس به کمک مدل شبکه ی عصبی مصنوعی، به پیش بینی این فاکتور پرداخته شود. لزوم استفاده از این فناوری در موارد غربالگری جمعیتی نتایج مفیدی را در درمان بیماران ترومایی و جلوگیری از بروز مشکلات احتمالی برای اینگونه بیماران دارد.

چکیده انگلیسی:

Although severe brain injury can make people susceptible to mental disorders, there is still debate about traumatic brain injury. The purpose of this study was to compare the power of artificial neural network in predicting post-traumatic mental disorder in mild brain injury patients and logistic regression. For this purpose, in a prospective cohort study, 100 trauma patients referred to the trauma center of Shahid Beheshti Hospital of Kashan during 6 months were compared with 100 healthy people. For modeling, the data were randomly divided into two educational groups (100) and experimental (100 people). The Rock's curve and classification accuracy were used to estimate the predictive power of mental disorder. The results showed that there is a significant difference between the two groups of mild traumatic patients and healthy subjects in terms of mental disorders, and artificial neural network models have better efficiency than logistic regression models. This study showed that in order to predict mental disorder, the diagnostic indices of this factor should be considered at the beginning of the traumatic brain injury patients and then, using the artificial neural network model, predict this factor. The necessity of using this technology in demographic screening is useful in treating patients with trauma and preventing possible problems for such patients.