در مطالعه حاضر از شاخص فرم رویشگاه که مطمئن ترین معیار برای ارزیابی کیفیت رویشگاه در توده های ناهمسال و آمیخته است، برای ارزیابی توان تولیدی رویشگاه راش شرقی استفاده شد. به این منظور در جنگل پژوهشی دانشگاه تربیت مدرس، در تیپ هایی که در آنها گونه راش غالب بود، به روش منظم - تصادفی 105 قطعه نمونه دایره ای به مساحت 1000 متر مربع پیاده و در هر یک از آنها ارتفاع و قطر تمام درختان گونه راش علاوه بر ارتفاع از سطح دریا، درصد شیب و آزیموت اندازه گیری و ثبت شد. همچنین از عمق 10-0 سانتی متری، نمونه برداری خاک انجام گرفت و متغیرهای فیزیکی و شیمیایی خاک اندازه گیری شد. ارزیابی توان تولید رویشگاه راش با استفاده از تکنیک درخت طبقه بندی و رگرسیون نشان داد که متغیرهای فسفر، شاخص تابش خورشیدی، درصد رس و وزن مخصوص ظاهری به ترتیب اهمیت نسبی، متغیرهای موثر بر فرم رویشگاه هستند و 62 درصد تغییرات در توان تولیدی را می توان با استفاده از این متغیرها تبیین کرد. با استفاده از مدل خطی تعمیم یافته و معیارهای ضریب تبیین تعدیل یافته، مجذور مربعات میانگین خطا، معیارهای اطلاعاتی آکائیک (AIC) و بیزی (BIC) عملکرد تکنیک درخت طبقه بندی و رگرسیون نیز ارزیابی شد. نتایج نشان داد هرچند تکنیک درخت طبقه بندی و رگرسیون و مدل خطی تعمیم یافته درصد تغییرات یکسانی را توجیه می کند، الگوریتم درخت تصمیم از لحاظ معیارهای اطلاعاتی AIC و BIC نسبت به مدل رگرسیونی عملکرد بهتری دارد. از طرف دیگر تفسیر این تکنیک ها آسان تر است.

سابقه و هدف درک عوامل خطر بیماری های قلبی-عروقی که مهم ترین علت مرگ در تمام دنیا است، می تواند تغییرات مهمی در روش های پیشگیری، اتیولوژی و درمان آن ایجاد نماید. هدف این مطالعه مقایسه عملکرد دو مدل رگرسیون لجستیک و الگوریتم CART در تعین عوامل پیش آگهی دهنده بر ابتلا به بیماری عروق کرونر در ساکنین شهر مشهد است. مواد و روش ها: در این مطالعه مورد-شاهد از داده های مطالعه کوهورت (MASHAD STUDY: Mashhad Stroke and Heart Atherosclerotic Disorder) که در سال 2009، انجام شده بود، استفاده و عوامل پیش آگهی دهنده بر ابتلا به بیماری عروق کرونر با دو مدل رگرسیون لجستیک و الگوریتم CART، با نرم افزارهای 14 Stata و R تعیین شد. کارایی دو مدل با سطح زیر منحنی مشخصه عملکرد (AUC) مقایسه شد. تمامی افراد مبتلا به بیماری عروق کرونر به عنوان مورد و به ازای هر مورد، سه شاهد در نظر گرفته شد. یافته ها: رگرسیون لجستیک نشان داد سابقه سکته قلبی، ابتلا به دیابت، سابقه ابتلا به چربی خون، سن و سابقه بیماری عروق کرونر در پدر و برادر از عوامل پیش آگهی دهنده بر ابتلا به بیماری عروق کرونر در مشهد هستند. الگوریتم CART نیز، سن بالا، سابقه سکته قلبی، سابقه فشارخون، افسردگی، سطح فعالیت شبانه روزی و شاخص توده بدنی را به عنوان عوامل پیش آگهی دهنده تعیین کرد. استنتاج عوامل پیش آگهی دهنده مشترک حاصل از دو مدل، سابقه سکته قلبی و سن بود. با توجه به کارایی بهتر مدل لجستیک، می توان پیشنهاد کرد در صورت عدم وجود اثر متقابل در متغیرهای پیش بین، برای شناسایی عوامل موثر بر ابتلا به بیماری عروق کرونر از مدل رگرسیون لجستیک چندگانه باینری استفاده شود.

زمینه و هدف: با توجه به آنکه خطرات اجرای روش های تشخیص تهاجمی در بیماری عروق کرونر از جمله آنژیوگرافی قابل ملاحظه می باشد و از طرفی تجارب موفقیت آمیزی در مورد روش های داده کاوی در پزشکی حاصل شده است؛ لذا این مطالعه با هدف تولید مدلی مبتنی بر تکنیک داده کاوی شبکه های عصبی که قابلیت پیش بینی بیماری عروق کرونر را داشته باشد انجام شده است.روش بررسی: در این مطالعه توصیفی-تحلیلی، مجموعه داده ای شامل 9 ریسک فاکتور از اطلاعات 13228 نفر که در مرکز قلب تهران آنژیوگرافی شده بودند (4059 نفر فاقد بیماری عروق کرونر و 9169 نفر مبتلا به این بیماری) مورد استفاده قرار گرفت. تولید مدل پیش بینی بیماری عروق کرونر بر اساس شبکه عصبی پرسپترون چند لایه و روش گزینش متغیر، مبتنی بر درخت رگرسیون و طبقه بندی می باشد که هر دو با استفاده از نرم افزار Statistica انجام شده است. برای مقایسه و انتخاب بهترین مدل از آنالیز منحنی راک استفاده گردید.یافته ها: پس از هفت مرتبه مدل سازی و مقایسه مدل های تولید شده، مدل نهایی تشکیل شده از کل ریسک فاکتورهای موجود با سطح زیر منحنی راک 0.754، دقت 74.19%، حساسیت 92.41% و ویژگی 33.25% بدست آمد. در نتیجه انجام گزینش متغیر نیز مدلی متشکل از 4 ریسک فاکتور با سطح زیر منحنی راک 0.737، دقت 74.19%، حساسیت 93.34% و ویژگی 31.17% تولید شد.نتیجه گیری: در این مطالعه مدل بدست آمده مبتنی بر شبکه های عصبی، علاوه بر توانایی بالا در تشخیص افراد بیمار، تعداد قابل قبولی از افرادی که فاقد بیماری عروق کرونر بودند را نیز شناسایی کرد. همچنین، بکار گیری تکنیک های گزینش متغیر در این مطالعه نیز نتایج خوبی در زمینه کاهش پیچیدگی مدل به همراه داشت و منجر به تولید مدلی متشکل از تنها چهار ریسک فاکتور سن، جنس، دیابت و فشارخون بالا گردید.

لطفا برای مشاهده چکیده به متن کامل (PDF) مراجعه فرمایید.

مقدمه و اهداف: سرطان پستان یکی از رایج ترین بدخیمی های زنان است که بعد از سرطان ریه بیشترین میزان مرگ را به خود اختصاص داده است. هدف این مطالعه، مقایسه دو مدل رگرسیون لجستیک و درخت رده بندی در تعیین عوامل موثر و پیش بینی ابتلا به سرطان پستان است.روش کار: داده های مورد استفاده برگرفته از یک مطالعه مورد- شاهدی است که بر پایه اطلاعات بیمارستانی از 303 بیمار مبتلا به سرطان پستان به عنوان مورد و همین تعداد افراد غیرمبتلا به این سرطان به عنوان شاهد به دست آمده است. ابتدا 16 متغیر به عنوان عوامل خطر بالقوه در دو مدل درخت رده بندی و رگرسیون لجستیک وارد و نتایج حاصل با استفاده از سطح زیر منحنی مشخصه عملکرد (ROC) و مقدار حساسیت و ویژگی مقایسه شدند.نتایج: از 16 متغیر مورد بررسی، پنج متغیر در مدل درخت رده بندی و پنج متغیر در مدل رگرسیون لجستیک معنی دار شدند. پیش بینی بر اساس این متغیرها منجر به حساسیت، ویژگی و سطح زیر منحنی 71 ROC درصد، 69 درصد و 74.7 درصد برای درخت رده بندی و 63.3 درصد، 68.8 درصد و 71.1 درصد به ترتیب برای رگرسیون لجستیک گردید.نتیجه گیری: با توجه به معیارهای به دست آمده، مدل درخت رده بندی از توانایی بالاتری نسبت به رگرسیون لجستیک در تفکیک بیماران از افراد سالم برخوردار بود. نتایج به دست آمده از مطالعه حاضر نشان داد که سه متغیر وضعیت یائسگی، تعداد افراد مبتلا به سرطان پستان در خانواده و سن مادر هنگام اولین تولد زنده در هر دو مدل رگرسیون لجستیک و درخت رده بندی به طور مشترک معنی دار بوده اند.