ملخص: Les réseaux neurologiques artificiels (ANNs) fournissent de meilleures solutions que l'analyse discriminante linéaire (LDA) aux problèmes de la classification et de l'évaluation impliquant un grand nombre de variables (catégoriques et métriques) non homogènes. Dans cette étude, nous avons comparé la capacité de LDA traditionnel et une en arrière-propagation alimenter-vers l'avant (FF-BP) ANN à l'individu-élan de prévoir des traitements pharmacologiques reçus par les utilisateurs intraveineux de drogue (IDUs) hospitalisés pour la maladie médicale de coexistence. Quand le personnel médical a considéré la désintoxication appropriée ils ont habituellement suggéré la méthadone (RENCONTREE) et (ou) les benzodiazepines (BDZ). Donné quatre options différentes de traitement (RENCONTREES, BDZ, MET+BDZ, aucun traitement) comme variables dépendentes et 38 variables indépendantes, le FF-BP ANN a fourni la meilleure prévision de la décision du conseiller (exactitude globale: 62,7%). Il a réalisé le niveau le plus élevé de l'exactitude prédictive pour l'option de BDZ (90,5%), le plus bas pour aucun traitement (29,6), souvent ne mal classifiant aucun traitement comme BDZ. Le LDA a rapporté une exactitude moyenne inférieure (50,3%). Quand le groupe non traité a été exclu, ANN a amélioré son cadence absolue d'identification par seulement 1,2% et le groupe de BDZ est demeuré mieux prévu. En revanche, LDA a amélioré son cadence absolue d'identification de 50,3 à 58,9%, le maximum 65,7% pour le groupe de BDZ. En conclusion, le FF-BP ANN était plus précis que le modèle statistique (analyse discriminante) en prévoyant le traitement pharmacologique d'IDUs.

لغة: إنجليزية