FRINK Linked Data Fragments server

Matches in SemOpenAlex for { <https://semopenalex.org/work/W2891066988> ?p ?o ?g. }

• W2891066988 endingPage "777" @default.
• W2891066988 startingPage "770" @default.
• W2891066988 abstract "Type 2 diabetes mellitus (T2DM) is a metabolic disease with complex causes, manifestations, complications and management. Understanding the wide range of risk factors for T2DM can facilitate diagnosis, proper classification and cost-effective management of the disease.To compare the power of an artificial neural network (ANN) and logistic regression in identifying T2DM risk factors.This descriptive and analytical study was conducted in 2013. The study samples were all residents aged 15-64 years of rural and urban areas in East Azerbaijan, Islamic Republic of Iran, who consented to participate (n = 990). The latest data available were collected from the Noncommunicable Disease Surveillance System of East Azerbaijan Province (2007). Data were analysed using SPSS version 19.Based on multiple logistic regression, age, family history of T2DM and residence were the most important risk factors for T2DM. Based on ANN, age, body mass index and current smoking were most important. To test for generalization, ANN and logistic regression were evaluated using the area under the receiver operating characteristic curve (AUC). The AUC was 0.726 (SE = 0.025) and 0.717 (SE = 0.026) for logistic regression and ANN, respectively (P < 0.001).The logistic regression model is better than ANN and it is clinically more comprehensible.إعداد نماذج لمعدلات انتشار عوامل الخطر للإصابة بالسكري استناداً إلى شبكة عصبية اصطناعية وإلى التَّحَوُّف المتعدد.کمال قلی پور؛ محمد اصغری جعفرآبادی؛ شبنم. ایزدی؛ علی. جنتی؛ سینا کشاورز.يعتبر السكري من النمط 2 من أمراض التمثيل الغذائي (أيضي) وأسبابه ومظاهره ومضاعفاته وتدبيره العلاجي تتسم بأنها معقدة. ويمكن لفهم المجموعة الواسعة من عوامل الخطر للإصابة بالسكري من النمط 2 أن يُسَهِّل تشخيص المرض والتصنيف المناسب والتدبير العلاجي العالي الجدوى مقابل التكلفة.مقارنة قوة شبكة عصبية اصطناعية بالتَّحَوُّف اللوجستي في تحديد عوامل خطر الإصابة بالسكري من النمط 2.أجريت هذه الدراسة الوصفية والتحليلية في عام 2013. ولقد ضمت عينة الدراسة جميع مَنْ السكان الذين تتراوح أعمارهم بين 15 و 64 سنة في المناطق الريفية والحضرية في أذربيجان الشرقية، جمهورية إيران الإسلامية، والذين أخذنا موافقتهم على المشاركة في الدراسة (وعددهم 990). وقد جمعنا أحدث البيانات المتاحة من نظام ترصُّد الأمراض غير السارية في مقاطعة أذربيجان الشرقية (2007). كما قمنا بتحليل البيانات باستخدام نظام SPSS ، الإصدار 19.استناداً إلى التَّحَوُّف اللوجستي المتعدد، اتضح أن عوامل الخطر الأكثر أهمية في الإصابة بالسكري من النمط 2 هي العمر والتاريخ العائلي للإصابة بالسكري من النمط 2 ومكان السكن. بينما اتضح استنادًا إلى شبكة عصبية اصطناعية أن العمر ومنسب كتلة الجسم والتدخين الحالي هي عوامل الخطر الأكثر أهمية. ومن أجل اختبار التعميم، قَيَّمنا الشبكة العصبية الاصطناعية والتَّحَوُّف اللوجستي باستخدام المنطقة الواقعة تحت المنحنى المميز للمُتَقَبِّل العامل فوجدنا أنه كان 0.726 (0.025 = SE) ، في التَّحَوُّف اللوجستي SE = 0.025 ((وأنه كان SE = 0.026)) 0.717 في الشبكة العصبية الاصطناعية SE = 0.026 ((، وكان (p < 0.001).إن نموذج التَّحَوُّف اللوجستي أفضل من نموذج الشبكة العصبية الاصطناعية، وهو أكثر قابلية للفهم سريرياً.Modélisation de la prévalence des facteurs de risque du diabète sucré sur la base d’un réseau de neurones artificiels et d’une régression multiple.Le diabète sucré de type 2 est une maladie métabolique dont les causes, les manifestations, les complications et la prise en charge sont complexes. La compréhension de la vaste palette de facteurs de risque de ce type de diabète peut faciliter le diagnostic, l’établissement de la classification et améliorer la prise en charge de la maladie avec un bon rapport coût-efficacité.Comparer la performance d’un réseau de neurones artificiels (RNA) et de la régression logistique dans l’identification des facteurs de risque du diabète sucré de type 2.La présente étude descriptive et analytique a été menée en 2013. Tous les sujets de l’étude résidaient dans des zones urbaines ou rurales de la partie orientale de l’Azerbaïdjan et de la République islamique d’Iran ; ils avaient entre 15 et 64 ans et tous avaient consenti à participer à l’étude (n = 990). Les données les plus récentes ont été recueillies par l’intermédiaire du Système de surveillance des maladies non transmissibles de la Province orientale de l’Azerbaïdjan (2007). Elles ont été analysées à l’aide du logiciel SPSS (version 19).Pour la régression logistique, l’âge, les antécédents familiaux de diabète sucré de type 2 et le lieu de résidence se sont avérés être les facteurs de risque les plus importants. En ce qui concerne le RNA, l’âge, l’indice de masse corporelle et le tabagisme étaient les facteurs de risque de diabète sucré de type 2 les plus importants. Afin d’établir un test servant de base à une généralisation, le RNA et la régression logistique ont été évalués en utilisant la zone située sous la courbe ROC (caractéristique du fonctionnement du récepteur). La ROC était à 0,726 (erreur-type= 0,025) et 0,717 (erreurtype= 0,026) pour la régression logistique et le RNA respectivement (p < 0,001).Le modèle de régression logistique est meilleur que celui du RNA et cliniquement plus compréhensible." @default.
• W2891066988 created "2018-09-27" @default.
• W2891066988 creator A5014047750 @default.
• W2891066988 creator A5016449944 @default.
• W2891066988 creator A5042496555 @default.
• W2891066988 creator A5043549464 @default.
• W2891066988 creator A5067932991 @default.
• W2891066988 date "2018-08-01" @default.
• W2891066988 modified "2023-10-11" @default.
• W2891066988 title "Modelling the prevalence of diabetes mellitus risk factors based on artificial neural network and multiple regression" @default.
• W2891066988 doi "https://doi.org/10.26719/emhj.18.012" @default.
• W2891066988 hasPubMedId "https://pubmed.ncbi.nlm.nih.gov/30328607" @default.
• W2891066988 hasPublicationYear "2018" @default.
• W2891066988 type Work @default.
• W2891066988 sameAs 2891066988 @default.
• W2891066988 citedByCount "13" @default.
• W2891066988 countsByYear W28910669882019 @default.
• W2891066988 countsByYear W28910669882020 @default.
• W2891066988 countsByYear W28910669882021 @default.
• W2891066988 countsByYear W28910669882022 @default.
• W2891066988 countsByYear W28910669882023 @default.
• W2891066988 crossrefType "journal-article" @default.
• W2891066988 hasAuthorship W2891066988A5014047750 @default.
• W2891066988 hasAuthorship W2891066988A5016449944 @default.
• W2891066988 hasAuthorship W2891066988A5042496555 @default.
• W2891066988 hasAuthorship W2891066988A5043549464 @default.
• W2891066988 hasAuthorship W2891066988A5067932991 @default.
• W2891066988 hasBestOaLocation W28910669881 @default.
• W2891066988 hasConcept C126322002 @default.
• W2891066988 hasConcept C134018914 @default.
• W2891066988 hasConcept C144024400 @default.
• W2891066988 hasConcept C149923435 @default.
• W2891066988 hasConcept C151956035 @default.
• W2891066988 hasConcept C2780221984 @default.
• W2891066988 hasConcept C2781179581 @default.
• W2891066988 hasConcept C2910068830 @default.
• W2891066988 hasConcept C555293320 @default.
• W2891066988 hasConcept C58471807 @default.
• W2891066988 hasConcept C71924100 @default.
• W2891066988 hasConceptScore W2891066988C126322002 @default.
• W2891066988 hasConceptScore W2891066988C134018914 @default.
• W2891066988 hasConceptScore W2891066988C144024400 @default.
• W2891066988 hasConceptScore W2891066988C149923435 @default.
• W2891066988 hasConceptScore W2891066988C151956035 @default.
• W2891066988 hasConceptScore W2891066988C2780221984 @default.
• W2891066988 hasConceptScore W2891066988C2781179581 @default.
• W2891066988 hasConceptScore W2891066988C2910068830 @default.
• W2891066988 hasConceptScore W2891066988C555293320 @default.
• W2891066988 hasConceptScore W2891066988C58471807 @default.
• W2891066988 hasConceptScore W2891066988C71924100 @default.
• W2891066988 hasIssue "08" @default.
• W2891066988 hasLocation W28910669881 @default.
• W2891066988 hasLocation W28910669882 @default.
• W2891066988 hasOpenAccess W2891066988 @default.
• W2891066988 hasPrimaryLocation W28910669881 @default.
• W2891066988 hasRelatedWork W1563850031 @default.
• W2891066988 hasRelatedWork W2356021670 @default.
• W2891066988 hasRelatedWork W2373768194 @default.
• W2891066988 hasRelatedWork W2385093445 @default.
• W2891066988 hasRelatedWork W2392604074 @default.
• W2891066988 hasRelatedWork W2415759662 @default.
• W2891066988 hasRelatedWork W3006026787 @default.
• W2891066988 hasRelatedWork W3175421130 @default.
• W2891066988 hasRelatedWork W3201008403 @default.
• W2891066988 hasRelatedWork W4286277264 @default.
• W2891066988 hasVolume "24" @default.
• W2891066988 isParatext "false" @default.
• W2891066988 isRetracted "false" @default.
• W2891066988 magId "2891066988" @default.
• W2891066988 workType "article" @default.