Dans de nombreux problèmes statistiques, les variables ont des effets interactifs les unes sur les autres. Les méthodes statistiques existantes pour déterminer les modèles prédictifs, y compris les méthodes de régression et les arbres de décision, ne sont pas capables de reconnaître et de prendre en compte de tels effets, et les effets d’interaction entre les variables, s’ils sont identifiés et inclus dans le modèle, ne dépassent finalement pas les deux et trois voies en raison de sa complexité. Pour surmonter cette lacune, cette étude introduit la régression logistique comme une nouvelle méthode de régression généralisée dans laquelle les variables prédictives sont construites comme des combinaisons booléennes de variables binaires. L'algorithme de recherche par recuit est utilisé pour trouver de tels composés dans l'espace des états possibles et également pour estimer les paramètres liés à ces composés. Les tests de randomisation sont utilisés pour confirmer l’existence d’une relation entre les données. Afin d’éviter toute surestimation, le nombre optimal de combinaisons logiques et de variables du modèle est déterminé à l’aide de la méthode de validation croisée. Dans le cadre de l'application de cette méthode, les données de l'étude de cohorte sur le diabète et les lipides de Téhéran ont été analysées à l'aide d'une régression logistique, dans laquelle l'effet des variables anthropométriques, du diabète et des lipides, de la pression artérielle, etc. sur l'incidence du diabète a été examiné, et enfin un modèle a été présenté pour prédire l'incidence du diabète.