مقایسه عملکرد مدل های کاکس جنگل بقای تصادفی و ماشین بردار پشتیبان بقا در پیش بینی بقا بیماران مبتلا به سکته مغزی

مقدمه و هدف: سکته مغزی یکی از مهم ترین علل مرگ و میر و ناتوانی در جهان است و پیش بینی دقیق بقای بیماران نقش مهمی در تصمیم گیری های بالینی دارد. در سال های اخیر روش های یادگیری ماشین به دلیل توانایی در تحلیل روابط غیرخطی و داده های پیچیده در مطالعات تحلیل بقا مورد توجه قرار گرفته اند. در این مطالعه عملکرد سه رویکرد تحلیل بقا شامل مدل کاکس، ماشین بردار پشتیبان بقا و جنگل بقای تصادفی در شناسایی عوامل موثر بر بقای بیماران سکته مغزی ارزیابی و مقایسه شد. روش کار: در این پژوهش ۳۳۲ بیمار مبتلا به سکته مغزی که طی سال های ۱۳۸۶ تا ۱۴۰۱ در بیمارستان امام خمینی اردبیل بستری شده بودند و ۱۵ سال پس از سکته مغزی پیگیری شدند. داده های جمعیت شناختی و بالینی شامل سن، جنسیت، وضعیت اقتصادی اجتماعی، بیماری های زمینه ای مانند فشار خون و بیماری های قلبی، نوع سکته و سابقه مصرف دخانیات جمع آوری شد. تحلیل بقا با استفاده از مدل کاکس و دو روش یادگیری ماشین شامل ماشین بردار پشتیبان بقا و جنگل بقای تصادفی انجام گرفت. عملکرد مدل ها با شاخص هایی نظیر دقت، حساسیت، ویژگی سطح زیر منحنی ROC و خطای برآورد تابع بقا ارزیابی شد. یافته ها: نتایج نشان داد مدل های یادگیری ماشین در مقایسه با مدل کاکس توانایی بالاتری در پیش بینی مرگ و میر در مدت بیماران سکته مغزی دارند. در میان مدل ها جنگل بقای تصادفی با AUC برابر ۰.۸۲۸۰ بهترین عملکرد را داشت. پس از آن مدل کاکس با AUC برابر ۰.۷۶۸۰ و ماشین بردار پشتیبان بقا با AUC برابر ۰.۷۱۱ در رتبه های بعدی قرار گرفتند. جنگل بقای تصادفی همچنین از نظر دقت، کلی حساسیت و پایداری پیش بینی عملکرد مطلوب تری داشت. تحلیل اهمیت متغیرها نشان داد که سن، فشار خون بالا، سابقه بیماری قلبی و نوع سکته از مهم ترین عوامل مرتبط با مرگ و میر بلندمدت بیماران هستند. نتیجه گیری: به طور کلی نتایج این مطالعه نشان می دهد که استفاده از روش های یادگیری ماشین به ویژه جنگل بقای تصادفی می تواند ابزار موثری برای پیش بینی دقیق تر بقای بیماران سکته مغزی و پشتیبانی از تصمیم گیری های بالینی باشد.

کلیدواژه ها:

تحلیل بقا ، سکته مغزی ، جنگل بقای تصادفی ، ماشین بردار پشتیبان بقا ، مدل کاکس