دانشگاه رازی

   رگرسیون لجستیک از پرکاربردترین روش‌ها برای مدل‌سازی متغیر پاسخ گسسته (به‌ویژه دودویی) در علوم پزشکی است؛ مانند مرگ/حیات یا وجود/عدم بیماری. در تشخیص بیماری، پزشکان از منابع اطلاعاتی مختلفی مانند تاریخچه بالینی، معاینات بدنی، تست‌های آزمایشگاهی و غیره استفاده می‌کنند. اما انتساب افراد به دو گروه بیمار و سالم همواره قطعی نیست و مشاهدات مبهم در تشخیص بالینی فراوان‌اند. در چنین شرایطی، رگرسیون لجستیک معمولی مناسب نیست و برای مدل‌سازی مشاهدات دودویی مبهم از رگرسیون لجستیک فازی استفاده می‌شود. از سوی دیگر، طی یک دهه گذشته محققان دریافتند که مشاهدات مبهم باید تا حدودی قابل‌اعتماد باشند، در حالی که مجموعه‌های فازی قادر به نمایش قابلیت اطمینان مشاهدات مبهم نیستند؛ بنابراین رگرسیون لجستیک فازی نیز ممکن است کافی نباشد. برای رفع این مشکل، زاده در سال ???? مفهوم "Z-اعداد[1]" را معرفی کرد که قابلیت اطمینان داده‌های مبهم را نشان می‌دهد. با وجود معرفی Z-اعداد و کاربردهای گسترده آن در مدل‌سازی، تا کنون رگرسیون لجستیک مبتنی­برZ-اعداد برای مدل‌سازی مشاهدات دودویی مبهم ارائه نشده است. در این تحقیق، برای پر کردن این شکاف، مدل رگرسیون لجستیک فازی توسعه‌یافته مبتنی­بر Z-اعدادپیشنهاد می‌شود و برای تخمین پارامترهای آن از روش ترکیبی شبکه عصبی مصنوعی[2]-تکنیک بهینه‌سازی استفاده می‌گردد. جهت مطالعه موردی، به دلیل کاربردهای گسترده رگرسیون لجستیک در مطالعات بالینی و فراوانی مشاهدات مبهم در تشخیص بالینی، موارد مشکوک به بیماری لوپوس اریتماتوز سیستماتیک[3] (SLE) بر اساس برخی عوامل خطر مهم مدل‌سازی می‌شوند. نشان داده خواهد شد که مدل پیشنهادی در مقایسه با مدل فازی معمولی، در مدل‌سازی وضعیت مبهم بالینی مناسب‌تر است. [1] Z-Numbers [2] Artificial neural network (ANN) [3] Systemic lupus erythematosus (SLE)