شناسایی مناسب ترین مدل پارامتریک بقاء با کم ترین خطای برآورد و بکارگیری آن در تعیین عوامل مرتبط با بقای بیماران مبتلا به سرطان روده بزرگ

سال انتشار: 1404
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 23

فایل این مقاله در 11 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_JMUMS-35-246_007

تاریخ نمایه سازی: 30 تیر 1404

چکیده مقاله:

سابقه و هدف: سرطان کولون، ده درصد تمامی موارد سرطان را در برمی گیرد. از طرفی شناسایی مدل مناسب برای تحلیل داده ها می تواند برای برآورد دقیق نتایج بسیار اثربخش باشد. بنابراین این مطالعه با هدف شناسایی بهترین مدل پارامتری بقا با کم ترین خطا برای برآورد بقای بیماران مبتلا به سرطان کولون، انجام پذیرفت. مواد و روش ها: در این مطالعه کوهورت تاریخی، اطلاعات ۷۶۱ بیمار مبتلا به سرطان کولون در استان مازندران طی سال های ۱۳۹۱-۱۳۹۶ مراجعه و تا سال ۱۳۹۸پیگیری شدند، مورد بررسی قرار گرفت. برای براورد بقای بیماران مبتلا به سرطان کولون، از روش کاپلان مایر استفاده شد. برای شناسایی بهترین مدل و از شاخص نمره بریر (Brier score index) برای مدل با کم ترین خطای برآورد استفاده شد. تجزیه و تحلیل داده ها با استفاده از نرم افزار R ۳.۶.۱ انجام شد و سطح معنی داری ۰۵/۰ در نظر گرفته شد. یافته ها: بیماران مورد مطالعه، در طیف سنی ۱۷ تا ۹۱ سال قرار داشتند. میانگین سنی افراد۸۷/۳۵±۶۰/۱۴ سال بود و ۷۹/۴ درصد بیماران بیش از۵۰ سال سن داشتند. از میان بیماران، ۶/۵۵ درصد (۴۲۳ نفر) مرد با میانگین سنی (۹/۵۷±۶۱/۱۴) سال و ۴۴/۴ درصد (۳۳۸ نفر ) زن با میانگین سنی (۱۳/۹۶±۵۹/۵) سال بودند. میانه و میانگین طول عمر بیماران به ترتیب۶۰ و ۲/۰۷±۵۳/۷۱ ماه تعیین شد. میزان های بقا سه، پنج و هفت ساله به ترتیب ۷۰، ۴۹ و ۳۷ درصد بود. در این مطالعه، مدل پارامتری وایبل با بالاترین دقت و کم ترین خطا در پیش بینی بقا و شناسایی مهم ترین عوامل مرتبط، بهترین مدل شناخته شد. استنتاج: در این تحقیق مدل بهینه با توجه به این که نرخ شکست در طول زمان به صورت افزایشی یکنوا بوده است، بنابراین مدل وایبل برازش بهتر و خطای کم تری نسبت به سایر مدل های مورد مطالعه داشته است. بنابراین برای تحلیل داده هایی با این توزیع، انتخاب مدل وایبل می تواند مفید باشد.

نویسندگان

الهه رحیمی

MSc in Biostatistics, Faculty of Health, Mazandaran University of Medical Sciences, Sari, Iran

جمشید یزدانی چراتی

Professor, Department of Biostatistics, Health Sciences Research Center, Mazandaran University of Medical Sciences, Sari, Iran

محمد اسلامی جویباری

Assistant Professor, Department of Internal Medicine, Imam Khomeini Hospital, Sari, Cancer Research Center, Mazandaran University of Medical Sciences, Sari, Iran

ایرج ملکی

Professor, Department of Internal Medicine, Imam Khomeini Hospital, Sari, Gastroenterology and Liver Research Center, Mazandaran University of Medical Sciences, Sari, Iran

رضا علی محمدپور تهمتن

Professor, Department of Biostatistics, Health Sciences Research Center, Mazandaran University of Medical Sciences, Sari, Iran

مرتضی سنجرانی پور

Associate Professor, Department of Mathematics and Applications, Faculty of Mathematics and Computer Science, University of Sistan and Baluchistan, Zahedan, Iran

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Sung H, Ferlay J, Siegel RL, Laversanne M, Soerjomataram I, ...
  • Bray F, Ferlay J, Soerjomataram I, Siegel RL, Torre LA, ...
  • Dorai T, Aggarwal BB. Role of chemopreventive agents in cancer ...
  • Malla RR. Microbiome conundrum in colon cancer: development, progression, and ...
  • Maajani K, Khodadost M, Fattahi A, Shahrestanaki E, Pirouzi A, ...
  • Long AG, Lundsmith ET, Hamilton KE. Inflammation and colorectal cancer. ...
  • Gerds TA, Cai T, Schumacher M. The performance of risk ...
  • Henderson R, Keiding N. Individual survival time prediction using statistical ...
  • Mogensen UB, Ishwaran H, Gerds TA. Evaluating random forests for ...
  • Efron B. The efficiency of Cox's likelihood function for censored ...
  • Oakes D. The asymptotic information in censored survival data. Biometrika ...
  • Kalbfleisch JD, Prentice RL. The statistical analysis of failure time ...
  • Lawless JF, Yuan Y. Estimation of prediction error for survival ...
  • Hosmer D, Lemeshow S, May S. Model development. Applied Survival ...
  • Kleinbaum DG, Klein M. Survival Analysis: A self-learning text,۲nd ed, ...
  • Klein J, Moeschberger ML. Survival Analysis: Techniques for Censored and ...
  • Panahi MH, Panahi H, Mahdavi Hezaveh A, Mansournia MA, Bidhendi ...
  • Roshani D, Moradi G, Rasouli MA. Survival Analysis of Patients ...
  • Ghazali AK, Musa KI, Naing NN, Mahmood Z. Prognostic factors ...
  • Xiang Y, Jin F, Gao Y. Cancer survival in Shanghai, ...
  • Ulanja MB, Rishi M, Beutler BD, Sharma M, Patterson DR, ...
  • Møller H, Sandin F, Robinson D, Bray F, Klint Å, ...
  • Sabouri S, Esmaily H,Shahid Sales S,Emadi M. Determining related factors ...
  • Agyemang-Yeboah F, Yorke J, Obirikorang C, Nsenbah Batu E, Acheampong ...
  • Gallego MG, Acenero MF, Ortega JS, Aljama A. Vascular enumeration ...
  • Nasiri Sh, Sorush A, Karamnezhad M, Mehrkhani F, Mosafa S, ...
  • Hassan M, Suan M, Soelar SA, Mohammed NS, Ismail I, ...
  • Xu F, Di M, Dong J, Wang F, Jin Y, ...
  • Park SY, Lee HS, Choe G, Chung JH, Kim WH. ...
  • Li C, Cao S,Sun x,Lu C,Guo M. Prognostic modeling of ...
  • نمایش کامل مراجع