AI Summary & Key Takeaways
AI InsightROC curve areas of SA and LR, and SA and EAA were statistically different (p
📌 3 Key Takeaways
Abstract
Objective: In this study, we compared performances of logistic regression analysis (LR), flexible discriminant analysis (EAA) and neural networks (SA) in prediction of primary hypertension. Methods: Predictor variables were family history, lipoprotein A, triglyceride, smoking and body mass index. The data were collected from Cardiology Clinic of Trakya University Medical Faculty in Turkey, 2001. Logistic regression analysis, flexible discriminant analysis and ne-ural networks were used for prediction of control and hypertension groups. Comparison of the performance of all models was done using receiver operating characteristic (ROC) curve analysis. Results: All models had areas under the ROC curve'in the range of 0.793-0.984 and SA had sensitivity, specificity, and accuracy greater than 90% at ideal threshold. ROC curve areas of SA and LR, and SA and EAA were statistically different (p
Özet
Amaç: Bu çalışmada, primer hipertansiyonun tahminlenmesinde lojistik regresyon analizi (LR, Logistic Regression Analysis), esnek diskriminant analizi (EAA, Flexible Discriminant Analysis) ve sinir ağları (SA, Neural Networks) yöntemlerinin karşılaştırılması amaçlandı. Yöntemler: Aile hikayesi, lipoprotein A, trigliserid, sigara kullanımı ve vücut kitle indeksi tahminleyici değişkenler olarak ele alındı. Veriler, 2001 yılında Trakya Üniversitesi Tıp Fakültesi Kardiyoloji Kliniğinden elde edildi. Kontrol ve hipertansiyonlu bireylerden oluşan grupların tahminlenmesinde LR, EAA ve SA yöntemleri kullanıldı. Modellerin performansları ROC analiz ile karşılaştırıldı. Bulgular: Bütün modellerin ROC eğrisi altındaki alanları 0.793-0.984 aralığında yer aldı. Sinir ağlarının duyarlılık, özgüllük ve doğruluk oran-ları %90'dan daha yüksek bulundu. Sinir ağları ve LR ile SA ve EAA'nın ROC eğrisi altında kalan alanları istatistiksel olarak farklı bulundu (sırasıyla, p