مهندسی و مدیریت کیفیت

چکیده هدف این مقاله ارزیابی عملکرد روشهای کلاسیک تحلیل بقای بیماری و الگوریتمهای نوین یادگیری ماشین در پیشبینی پیامدهای بقای بیماران مبتلا به نارسایی قلبی است. این مقاله میکوشد مشخص کند آیا مدلهای مبتنی بر یادگیری ماشین میتوانند دقت پیشبینی بالاتری نسبت به رویکردهای آماری مرسوم ارائه دهند یا خیر. در این مقاله از مدلهای کاپلان–مایر، آزمون لگرنک، مدل خطرات متناسب کاکس و مدل پارامتریک وایبول در کنار تکنیکهای یادگیری ماشین شامل درخت تصمیم، جنگل تصادفی، رگرسیون لجستیک وزن‌دهی‌شده بر اساس احتمال سانسور (IPCW) ، ماشین بردار پشتیبان (SVM) و یک شبکه عصبی بقا استفاده شد و عملکرد مدلها بر اساس دقت پیشبینی ارزیابی گردید. مدل کاکس در میان روشهای کلاسیک بهترین عملکرد را نشان داد، در حالی که رگرسیون لجستیک IPCW و جنگل تصادفی بالاترین دقت را در میان مدلهای یادگیری ماشین به دست آوردند. شبکه عصبی بقا نیز عملکردی مشابه مدل کاکس و جنگل تصادفی داشت، اما بهبود معناداری نسبت به آنها ایجاد نکرد.این مقاله مقایسهای مختصر و مؤثر ارائه میدهد که نشان میدهد مدلهای یادگیری ماشین میتوانند در پیشبینی نتایج بیماران مبتلا به نارسایی قلبی نسبت به روشهای کلاسیک تحلیل بقا عملکرد برتری داشته باشند.

چکیده هدف: این مقاله با هدف برآورد پارامترهای توزیع وایبول آمیخته با استفاده از الگوریتم ژنتیک و مقایسه عملکرد آن با روش‌های سنتی برآورد ارایه شده است.
روش‌شناسی پژوهش: یک مطالعه شبیه‌سازی تحت شرایط اندازه نمونه‌ها و سطوح سانسور متفاوت انجام شد. الگوریتم ژنتیک برای بیشینه‌سازی تابع درستنمایی به‌کار گرفته شد.
یافته‎ها: نتایج نشان می‌دهد که الگوریتم ژنتیک نسبت به روش ماکسیمم درستنمایی، به‌ویژه در حضور داده‌های سانسورشده، برآوردهای پارامتری دقیق‌تر و پایدارتری ارایه می‌دهد.
اصالت/ارزش افزوده علمی: این مطالعه کاربردی نوین از الگوریتم‌های ژنتیک در تحلیل قابلیت اعتماد ارایه می‌دهد و اثربخشی آن‌ها در برآورد پارامترها برای داده‌های سانسورشده را نشان می‌دهد.