دانلود ترجمه مقاله مدلهای تطبیقی و خطی تعمیم یافته و شبکه های عصبی – مجله اسپرینگر

فهرست مطالب:

چکیده ۱ مقدمه ۲ مدلهای خطی تعمیم یافته و مدلهای تطبیقی تعمیم یافته ۳ شبکه های عصبی مصنوعی ۴ نمره فیزیولوژی حاد ساده شده جدید (SAPS II) ۵ نتایج ۶ نتایج و کار آتی

  بخشی از ترجمه:

 ۱ مقدمه

از سال ۱۹۸۱، ازسیستمهای نمره گذاری عددی و مدلهای آماری چند متغیره برای ارزیابی شدت بیماری بیماران بحرانی استفاده شده است. مورد اول اوزان مورد نظر را به صورت ذهنی به متغیرهای منعکس کننده درجه اختلال و آشفتگی فیزیولوژیکی تخصیص می دهد. در حقیقت، نمره ارزیابی بهداشتی مزمن و فیزیولوژی حاد، که APACHE نامیده می شود، نمره فیزیولوژی حاد ساده شده که SAPS نامیده می شود و نمره APACHE II با استفاده از هیئت متخصصین برای انتخاب متغیرها و اوزان ساخته شدند. اخیراً، و به این دلیل که ذهنی بودن این روشهاممکن است منجر به بروز اختلافات نامطلوبی گردد، مدلهای آماری چند متغیره مورد بررسی قرار گرفته اند. سپس مدلهای احتمال مرگ و میر که MPM نامیده شده اند، نمره آپاچی III و SAPS II  توسعه یافته اند که اینها از روشهای عینی تر نظیر رگرسیون منطقی چند متغیره استفاده می کنند. اما این مسئله که وابستگی غیر خطی بین متغیر پاسخ دودویی و کواریات های پیوسته وجود دارد، منجر به اقتباس مدلهای تطبیقی تعمیم یافته (GAM) برای انجام فرایند تطابق و برازش می گردد. در حقیقت، نمره اخیراً توسعه یافته شدت بیماری، SAPS 3 و آپاچی ۵ نیز از استراتژیهای انعطاف پذیرتر نظیر درختان رگرسیون و اسپلین برای مدلسازی داده ها استفاده می کنند. بنابراین دراین مقاله، استفاده از GAM برای برآورد احتمالات مرگ و میر و یا دستیابی به نقاط برش تنظیم شده جدید با هدف طبقه بندی متغیرهای مستقل پیوسته راپیشنهاد می کنیم، به شرطی که هدف اصلی دستیابی به نمره شدت بیماری باشد. ازمتغیرهای  SAPS II استفاده گردید، زیرا نمره شدت بیماری اقتباس شده توسط متخصصین بالینی واحد مراقبت های ویژه پرتغال (ICU) بود جایی که مجموعه داده های آنالیز شده در مطالعه حاضر جمع آوری گردید. از آنجایی که شبکه های عصبی مصنوعی (ANN) یک جایگزین و راهکار برای برخی از روشهای آماری یعنی مدلهای رگرسیون هستند، در نتیجه هدف مطالعه حاضر ارزیابی عملکرد ANN برای پیش بینی بازده مورد مطالعه می باشد. بالاخره، شیوه های مختلف باهم مقایسه گردید.

 ۶٫ نتایج و کار آتی عملکردGAM نسبت به GLM و شبکه های عصبی بکاررفته در این مطالعه برتری دارد. در هنگام مقایسه دو شیوه آخر، که قدرت تمایز آنها مهم است، نتایج بر طبق موارد مطرح شده در جاهای مختلف بدست آمده است (بدون اختلافات اساسی بین سطوح زیر منحنی ROC). این مسئله درموردقدرت پیشگویانه صدق نمی کند چرا که نمودارهای کالیبراسیون شبکه عصبی عملکرد ضعیف تری ، مستقل از معیار بکاررفته (MSE یا فاصله KL) نشان دادند. این مسئله بدان معناست که در مطالعه حاضر، استفاده از ANN هیچ گونه سود و برتری وابسته ای نداشت. به عنوان کار آتی، سایر ساختارهای ANN نظیر شبکه های عصبی افزایشی یا جمعی تعمیم یافته، با هدف دستیابی به نتایج بهتر اجرا خواهند شد.

بخشی از مقاله انگلیسی:

۱ Introduction

Since 1981 numerical scoring systems and multivariable statistical models havebeen used to assess the severity of illness of critically ill patients. The former assign,subjectively, weights to variables reflecting the degree of physiologic derangement.In fact, the acute physiology and chronic health evaluation score, referred to asAPACHE [4], the simplified acute physiology score, referred to as SAPS [7] andthe APACHE II score [5] were built using a panel of experts to select variables andweights. More recently, and because the subjectivity of these procedures may lead toundesired discrepancies,multivariable statistical models were considered.Mortalityprobability models, referred to as MPM [9–۱۱], the APACHE III score [6] andthe SAPS II [8], were then developed, making use of more objective methodssuch as multiple logistic regression. However, the fact that a non-linear dependencebetween the binary response variable and the continuous covariates may exist ledus to adopt generalized additive models (GAMs) to accomplish the fitting process.In fact, the more recently developed severity of illness scores, SAPS 3 [14, 15]and APACHE IV [17] also make use of more flexible strategies, such as splinesand regression trees, to model the data. So, in this chapter, we propose the use ofGAMs to estimate the probabilities of death and/or to obtain new adjusted cut-offpoints with the purpose of categorizing the continuous independent variables, if themain interest is the obtainment of a severity of illness score. SAPS II variables were used because this was the severity of illness score adopted by the clinicians of thePortuguese intensive care unit (ICU) where the dataset analysed in the present studywas collected. Since artificial neural networks (ANNs) are an alternative to somestatistical methodologies, namely, regression models [16], this study also aims toevaluate the performance of ANNs to predict the outcome under study. Finally, acomparison of the several approaches was carried out.All statistical analyses were performed using S-PLUS (version 8.0, 2007;Insightful Corporation, Seattle, WA) and, to implement the ANNs, a new softwarewas developed using a standard commercially available mathematics packageformat (MATLAB R2006b, The Math-Works Inc., 3 Apple Hill Drive, Natick, MA01760). An ANN is, fundamentally, a mathematical model composed by a set of units(nodes), where information is processed [2]. These units are connected throughunidirectional communication links, which carry numerical data. One of the moststudied and used ANN architecture is the multi-layer perceptron (MLP). Fundamentally,one MLP consists of an input–output network, which has the neuronsdistributed by several layers, fully connected between adjacent layers, and wherethe flow of information is done in a feed-forward way. The following figure showsan MLP with three layers: an input layer, without neurons, a hidden layer and a layerwith one output neuron.

دانلود رایگان مقاله انگلیسی

خرید ترجمه فارسی مقاله با فرمت ورد

خرید نسخه پاورپوینت این مقاله جهت ارائه