fa مقایسه مدل‌های رگرسیون لجستیک با تحلیل جداسازی در پیش‌بینی دیابت نوع 2 عمومى General پژوهشي Research <p><strong>مقدمه و اهداف:</strong> بیماری دیابت از جمله بیماری‌های مزمن بوده، که درمان قطعی ندارد و شایع‌ترین علت قطع اندام، نابینایی و نارسایی کلیوی و از عوامل خطر در ایجاد بیماری‌های قلبی است. رگرسیون لجستیک و تحلیل جداسازی از مدل‌های تحلیل آماری برای امر پیش‌بینی و جداسازی چند متغیره می‌باشند. هدف تعیین متغیرهای تأثیرگذار بر دیابت نوع 2 و مقایسه مدل‌های رگرسیون لجستیک و تحلیل جداسازی می‌باشد.</p> <p><strong>روش کار:</strong> داده‌ها شامل اطلاعات 5357 نفر از مرکز فیزیولوژی دانشگاه علوم پزشکی کرمان میباشد. متغیر پاسخ دیابت ومتغیرهای وزن، قد،(BMI) Body Mass Index)(، دور کمر، دور باسن، نسبت کمر به باسن (WHR) ، Waist hip Ratio)( کلسترول و ... در مدل در نظر گرفته شدند. برای مقایسه‌ از حساسیت، ویژگی، دقت، منحنی راک و شبیه سازی استفاده شد.</p> <p><strong>نتایج:</strong> حساسیت، ویژگی و دقت پیش‌بینی در مدل لجستیک و تحلیل جداسازی به ترتیب 74، 1/71&nbsp; و 5/71&nbsp; و 4/22،22/95&nbsp; و 3/85 &nbsp;بود. منحنی راک برای مدل رگرسیون لجستیک 3/80 درصد 0 و تحلیل جداسازی 1/80 درصد به‌دست آمد. شبیه‌سازی نشان داد که حساسیت، ویژگی، دقت و منحنی راک در مدل لجستیک و مدل جداسازی به ترتیب 18/99، 49/98 ، 59/98&nbsp; و 9/99 و 62/92 ، 19/99 ، 26/98&nbsp; و 56/99 شدند.</p> <p><strong>نتیجه &rlm;گیری</strong>: نتایج نشان داد که دور کمر، سن، جنس، مصرف داروی کاهنده فشار خون، اندازه فشار خون سیستولیک و سطح LDL مهم میباشند. حساسیت در مدل لجستیک بیشتر ، اما ویژگی و دقت پیش‌بینی در تحلیل جداسازی بالاتر بود. منحنی‌های راک نشان داد که مقادیر پیش‌بینی به طور مجانبی یکسان بودند.</p> <p><strong>Background and Objectives:</strong> Diabetes is a chronic and common metabolic disease which has no curative treatment. Logistic regression (LR) is a statistical model for the analysis and prediction in multivariate statistical techniques. Discriminant analysis is a method for separating observations in terms of dependent variable levels which can allocate any new observation after making discriminating functions. The aim of this study was to compare and determine the effective variables in type 2 diabetes.</p> <p><strong>Methods</strong>: The data included 5357 persons obtained through a cohort study in Kerman, southeastern Iran, in 2009-11. Diabetes was considered the response variable. The independent variables after deleting colinearity and correlated variables included height, waist circumference, age, gender, occupation, education, drugs, systolic blood pressure, HDL, LDL, drug abuse, activities, and triglyceride. Sensitivity, specificity, accuracy, and ROC curve were applied for determining and comparing the prediction power of the models.</p> <p><strong>Results</strong>: The results in the reduced model with extracted significant variables from the full model, the sensitivity of the LR model and DA was 74% and 22.4%, the specificity of the LR model and DA was 71.1 % and 95.4 %, the prediction accuracy of the LR model and DA was 71.5% and 85.3%, and the ROC curve of the LR model and DA was 80.3% and 80.1%, respectively.Simulation showed the sensitivity, specificity, accuracy, and ROC curve was 99.18%, 98.49%, 98.59%, and 99.9% for the LR model and 92.62%, 99.19%, 98.26%, and 99.56% for DA, respectively.</p> <p><strong>Conclusion: </strong>The results showed that the risk factors of diabetes in the logistic regression reduced model were waist circumference, age, gender, LDL level, systolic pressure, and drugs. Also, the sensitivity of the LR model was more than DA while DA had a higher specificity and prediction accuracy. Comparison of the ROC curve showed that the prediction estimated values were rather similar in both models, but the two models were the same asymptotically.</p> حساسیت, ویژگی, رگرسیون لجستیک, تحلیل جداسازی, منحنی راک Sensitivity, Specificity, Logistic regression, Discriminant analysis, ROC curve 62 69 http://irje.tums.ac.ir/browse.php?a_code=A-10-25-5129&slc_lang=fa&sid=1 M Aram Ahmadi محمد آرام احمدی No Department of Biostatistics and Epidemiology, Faculty of Health, kerman University of Medical Sciences, kerman, Iran فوق‌لیسانس آمار زیستی، مرکز مدل‌سازی در سلامت و گروه آمار زیستی و اپیدمیولوژی دانشکده بهداشت، دانشگاه علوم پزشکی کرمان A Bahrampour عباس بهرامپور abahrampour@yahoo.com Yes Research center for Modeling in Health, Institue for future studies in Health, Department of Biostatistics and Epidemiology, Faculty of Health, kerman University of Medical Sciences, kerman, Iran دکترای آمار زیستی، استاد مرکز مدل‌سازی سلامت پزوهشکده اینده پژوهی و گروه آمار زیستی و اپیدمیولوژی دانشکده بهداشت، دانشگاه علوم پزشکی کرمان