Razi University

   رگرسيون لجستيك از پركاربردترين روش‌ها براي مدل‌سازي متغير پاسخ گسسته (به‌ويژه دودويي) در علوم پزشكي است؛ مانند مرگ/حيات يا وجود/عدم بيماري. در تشخيص بيماري، پزشكان از منابع اطلاعاتي مختلفي مانند تاريخچه باليني، معاينات بدني، تست‌هاي آزمايشگاهي و غيره استفاده مي‌كنند. اما انتساب افراد به دو گروه بيمار و سالم همواره قطعي نيست و مشاهدات مبهم در تشخيص باليني فراوان‌اند. در چنين شرايطي، رگرسيون لجستيك معمولي مناسب نيست و براي مدل‌سازي مشاهدات دودويي مبهم از رگرسيون لجستيك فازي استفاده مي‌شود. از سوي ديگر، طي يك دهه گذشته محققان دريافتند كه مشاهدات مبهم بايد تا حدودي قابل‌اعتماد باشند، در حالي كه مجموعه‌هاي فازي قادر به نمايش قابليت اطمينان مشاهدات مبهم نيستند؛ بنابراين رگرسيون لجستيك فازي نيز ممكن است كافي نباشد. براي رفع اين مشكل، زاده در سال ???? مفهوم "Z-اعداد[1]" را معرفي كرد كه قابليت اطمينان داده‌هاي مبهم را نشان مي‌دهد. با وجود معرفي Z-اعداد و كاربردهاي گسترده آن در مدل‌سازي، تا كنون رگرسيون لجستيك مبتني­برZ-اعداد براي مدل‌سازي مشاهدات دودويي مبهم ارائه نشده است. در اين تحقيق، براي پر كردن اين شكاف، مدل رگرسيون لجستيك فازي توسعه‌يافته مبتني­بر Z-اعدادپيشنهاد مي‌شود و براي تخمين پارامترهاي آن از روش تركيبي شبكه عصبي مصنوعي[2]-تكنيك بهينه‌سازي استفاده مي‌گردد. جهت مطالعه موردي، به دليل كاربردهاي گسترده رگرسيون لجستيك در مطالعات باليني و فراواني مشاهدات مبهم در تشخيص باليني، موارد مشكوك به بيماري لوپوس اريتماتوز سيستماتيك[3] (SLE) بر اساس برخي عوامل خطر مهم مدل‌سازي مي‌شوند. نشان داده خواهد شد كه مدل پيشنهادي در مقايسه با مدل فازي معمولي، در مدل‌سازي وضعيت مبهم باليني مناسب‌تر است. [1] Z-Numbers [2] Artificial neural network (ANN) [3] Systemic lupus erythematosus (SLE)