دراسة مقارنة بين النماذج الإحصائية التقليدية ونموذج الشبكات العصبية الاصطناعية في التصنيف والتنبؤ بالإصابة بمرض السكري | ||
| المجلة العلمية للدراسات التجارية والبيئية | ||
| Volume 16, Issue 3, July 2025, Pages 5035-5084 PDF (1.33 M) | ||
| Document Type: المقالة الأصلية | ||
| DOI: 10.21608/jces.2025.459387 | ||
| Authors | ||
| السيد محمد السيد محمد* ; ممدوح عبد العليم سعد موافي* 1; أحمد الألفي سعيد محمد* 2 | ||
| 1الأستاذ المساعد بقسم الإحصاء والرياضة والتأمين كلية التجارة - جامعة عين شمس | ||
| 2الأستاذ المتفرغ بقسم الإحصاء التطبيقي والتأمين كلية التجارة - جامعة قناة السويس | ||
| Abstract | ||
| يُعد مرض السكري أحد أكثر الأمراض المزمنة انتشارًا، ويُشكل تحديًا صحيًا واقتصاديًا كبيرًا نظرًا لما يترتب عليه من مضاعفات خطيرة قد تؤدي إلى الوفاة، وهو ما يُبرز الحاجة إلى أدوات تحليلية دقيقة لفهم العوامل المؤثرة في الإصابة وتعزيز فرص الوقاية والتدخل المبكر. وفي هذا السياق، هدفت الدراسة إلى مقارنة كفاءة ثلاثة نماذج إحصائية في تصنيف والتنبؤ بمرض السكري، وهي: الانحدار اللوجستي، التحليل التمييزي، والشبكات العصبية الاصطناعية، بالتطبيق على عينة مكوّنة من 385 حالة. وقد تم تقييم أداء هذه النماذج باستخدام مجموعة متنوعة من مؤشرات الأداء، بالإضافة إلي تطبيق التحقق المتقاطع لضمان ثبات الأداء وموثوقية النتائج. أظهرت النتائج تفوقًا ملحوظًا لنموذج الشبكات العصبية الاصطناعية بدقة كلية بلغت 97,2%، مقارنة بـ 95,8% و95,3% لكل من الانحدار اللوجستي والتحليل التمييزي على التوالي. كما اتفقت النماذج الثلاثة في تحديد أبرز المتغيرات المؤثرة، وفي مقدمتها: HbA1c test، مؤشر كتلة الجسم، العمر، والتاريخ العائلي للمرض. وتوصي الدراسة باعتماد نموذج الشبكات العصبية الاصطناعية كأداة تنبؤية فعالة في البيئات السريرية، إلى جانب استخدام نموذج الانحدار اللوجستي كأداة مساعدة في التشخيص، خاصة في الحالات التي تتطلب تفسيرًا واضحًا للنتائج. Diabetes mellitus stands among the most prevalent chronic diseases, posing a significant health and economic challenge due to its severe complications, which may lead to death. This highlights the need for precise analytical tools to understand the factors influencing the onset of the disease and to enhance opportunities for prevention and early intervention. In this context, the study aimed to compare the performance of three statistical models in classifying and predicting the incidence of diabetes: logistic regression, discriminant analysis, and artificial neural networks, applied to a sample of 385 cases. The models’ performance was evaluated using a variety of performance indicators, in addition to applying cross-validation to ensure performance stability and result reliability. The results revealed a marked superiority of the artificial neural network model, which achieved an overall accuracy of 97.2%, compared to 95.8% and 95.3% for logistic regression and discriminant analysis, respectively. All three models concurred in identifying the most critical predictors, notably the HbA1c test, body mass index, age, and family history of diabetes. The study recommends adopting the artificial neural network model as an effective predictive tool in clinical settings, alongside utilizing the logistic regression model as a supportive diagnostic tool, particularly in cases requiring clear interpretability of results. | ||
| Keywords | ||
| مرض السكري; التحليل التمييزي; الانحدار اللوجستي; الشبكات العصبية الاصطناعية; التصنيف; التنبؤ. Diabetes Mellitus؛ Discriminant Analysis؛ Logistic Regression؛ Artificial Neural Networks؛ Classification؛ Prediction | ||
|
Statistics Article View: 55 PDF Download: 36 |
||
