تحلیل بقای بیماران مبتلا به کووید- ۱۹با استفاده از مدل های پارامتری در حضور متغیر شکنندگی: مطالعە کوهورت آینده نگر

زمینه و هدف : مزیت استفاده از متغیر شکنندگی در مدل سازی آماری، شناسایی عوامل خطر موثری است که در مدل های معمولی (رگرسیون لجستیک و خطی، مدل های پارامتری وایبل، اکسپوننشیال، لگ نرمال و مدل نیمه پارامتری کاکس و ...) ناشناخته می مانند. این مطالعه با هدف تحلیل بقای بیماران مبتلا با استفاده از مدل های پارامتری در حضور متغیر شکنندگی انجام شد. مواد و روش ها : در این مطالعە کوهورت آینده نگر، حجم نمونه شامل ۸۸۰بیمار مبتلا به کووید-۱۹ ( شناسایی شده از ابتدای اسفند سال ۱۳۹۸تا ابتدای اسفند سال ۱۳۹۹) با روش سرشماری وارد مطالعه شدند. جهت تشخیص کووید- ۱۹از تست PCR (Polymerase Chain Reaction) توسط آزمایشگاه رفرنس مرکز بهداشت استان اصفهان استفاده و وضعیت بقای این بیماران (مرگ/زنده بودن یا سایر سانسور شدگی ها) تا یک سال پیگیری گردید. برای بررسی عوامل موثر بر بقای کووید- ۱۹ از ۴مدل پارامتری بقا (لگلجستیک، لگنرمال، وایبل و نمایی) استفاده گردید. جهت شناخت عوامل خطر شناسایی نشده در مدل های پارامتری از متغیر شکنندگی استفاده شد. کلیه محاسبات با نرم افزارR ( نسخه ۶.۳.۲) و آزمون ها با در نظر گرفتن خطای ۰/۰۵انجام شد. نتایج : در این بررسی و با توجه به ملاک آکائیکه مدل لگ لجستیک برازش بهتری برای تحلیل بقای داده های کووید- ۱۹نشان داد. با ورود متغیر شکنندگی به مدل، متغیر ابتلا به بیماری زمینه ای (قلبی عروقی) به عنوان یک فاکتور بسیار مهم در بقای بیماران شناخته گردید. در حالی که بدون متغیر شکنندگی، این متغیر نادیده گرفته می شد. با استفاده از مدل های پارامتری، دو عامل خطر موثر در مرگ بیماران مبتلا به کووید عبارت بودند از: ۱. افزایش سن و ۲. شدت بیماری (نیاز به بستری و دریافت داروی تخصصی ضد ویروسی)(P< ۰.۰۵). نتیجه گیری : با استفاده از متغیر شکنندگی در مدل های رگرسیونی بقای بیماران مبتلا به کووید- ۱۹، می توان عوامل موثر بر مرگ و میر بیماران را شناسایی نمود که در مدل های معمولی، شناخت این عوامل خطر، غیر ممکن است. همچنین از خصوصیات مدل لگ لجستیک، افزایش رخداد در شروع پیگیری و کاهش آن در ادامه پیگیری می باشد که با روند مرگ و میر در بیماری کووید- ۱۹سازگار می باشد.

کلیدواژه ها:

کووید- ۱۹ ، آنالیز بقاء ، متغیر شکنندگی ، مدل های پارامتری بقا ، رگرسیون