ارزیابی مدل های پارامتریک و نیمه پارامتریک در تحلیل بقای بیماران مبتلا به سرطان معده
Authors
abstract
سابقه و هدف: یکی از رایج ترین روش ها برای تجزیه و تحلیل اثر متغیرهای توضیحی برروی زمان بقاء، مدل نیمه پارامتریک کاکس می باشد، با این وجود، تحت شرایط خاص، مدل های پارامتریک زمان شکست شتابیده بر مدل کاکس برتری دارند. هدف از مطالعه حاضر ارزیابی کارایی مدل های پارامتریک و نیمه پارامتریک در تحلیل بقای بیماران مبتلا به سرطان معده است. مواد و روش ها: در این مطالعه گذشته نگر با مراجعه به پرونده بیماران مبتلا به سرطان معده که در کلینیک فوق تخصصی طوبی شهر ساری وابسته به دانشگاه علوم پزشکی مازندران تحت مداوا قرار گرفته بودند، اطلاعات 249 بیمار در چک لیست هایی جمع آوری شد و با تماس تلفنی از وضعیت نهایی آن ها اطلاع حاصل شد. به منظور شناسایی عوامل موثر کاهنده بقاء، روش های پارامتریک شامل وایبل، لگ لجستیک و لگ نرمال و مدل نیمه پارامتریک کاکس را به داده ها برازش داده و از معیار آکائیکه برای شناسایی کاراترین مدل استفاده شد. یافته ها: نتایج حاصل از تجزیه و تحلیل داده ها نشان داد که بیماران درمرحله ابتدایی پیشرفت بیماری، بیمارانی که تحت جراحی قرار گرفتند و بیمارانی که هنوز دچار متاستاز نشده بودند، به طور معنی داری میزان بقا بالاتری دارند (05/0p<) و برطبق معیار آکائیکه، در تحلیل تک و چند متغیری مدل لگ نرمال بهترین برازش را بر روی داده ها داشته و کاراترین مدل بندی می باشد و مدل های پارامتریک بر کاکس برتری دارند. استنتاج: مدل لگ نرمال به عنوان کاراترین مدل بندی چند متغیری در این مطالعه انتخاب شد هر چند که اختلاف موجود در بین مدل های پارامتریک لگ نرمال و لگ لجستیک و وایبل بسیار ناچیز می باشد و با توجه به ملاک آکائیکه با مدل کاکس بسیار اختلاف دارند. پیشنهاد می شود در شرایطی که از توزیع زمان بقا اطلاعاتی دردست است یا روند بین داده ای زمان بقا، حاکی از توزیع خاصی بین آن ها است از روش های پارامتریک استفاده شود.
similar resources
مقایسه رگرسیون کاکس و مدل های پارامتریک در تحلیل بقای بیماران مبتلا به سرطان معده
Background & Objectives: Although Cox regression is commonly used to detect relationships between patient survival and demographic/clinical variables, there are situations where parametric models can yield more accurate results. The objective of this study was to compare two survival regression methods, namely Cox regression and parametric models, in patients with gastric carcinoma registered a...
full textمقایسه مدلهای بیزی پارامتریک در تحلیل عوامل مؤثر بر میزان بقای بیماران مبتلا به سرطان معده
Background & Objectives: The Cox proportional-hazards regression and other parametric models model have achieved widespread use in the analysis of time-to-event data with censoring and covariates. However employing Bayesian method has not been widely used or discussed. The aim of this study was to evaluate the prognostic factors in using Bayesian interval censoring analysis.Methods: This cohort...
full textمقایسه مدل های بیزی پارامتریک در تحلیل عوامل مؤثر بر میزان بقای بیماران مبتلا به سرطان معده
مقدمه و اهداف: در اکثر تحقیقات پزشکی که هدف بررسی توزیع بقا است از روش های کلاسیک مانند رگرسیون کاکس و مدل های پارامتری استفاده می شود، حال آن که مدل های بیزی مزیت هایی نسبت به حالت کلاسیک دارند. هدف از مطالعه حاضر، مقایسه مدل های بیزی پارامتریک در تحلیل بقای بیماران مبتلا به سرطان معدء است. روش کار: این تحقیق یک مطالعه همگروه تاریخی است که از طریق مراجعه به پرونده بیماران مبتلا به سرطان معده ک...
full textتحلیل بقای بیماران مبتلا به سرطان معده با مدل کاکس: یک مطالعه پنج ساله
Normal 0 false false false EN-US X-NONE AR-SA MicrosoftInternetExplorer4 /* Style Definitions */ table.MsoNormalTable {mso-style-name:"Table Normal" mso-tsty...
full textمقایسهی مدل شبکه عصبی مصنوعی و رگرسیون کاکس در پیشبینی بقای بیماران مبتلا به سرطان معده
سابقه و هدف: یکی از روشهای آماری تحلیل دادههای بقا، مدل رگرسیونی کاکس است که نیازمند پذیرههایی مانند متناسب بودن مخاطرات است. در چند دهه اخیر بهکارگیری مدل شبکه عصبی مصنوعی برای پیشبینی دادههای بقا، افزایش یافته است. این مطالعه به منظور پیشبینی بقای بیماران مبتلا به سرطان معده به کمک دو مدل رگرسیونی کاکس و شبکه عصبی مصنوعی انجام شده است. مواد و روشها: طی سالهای 1381 لغایت 1385، تعداد ...
full textMy Resources
Save resource for easier access later
Journal title:
مجله دانشگاه علوم پزشکی مازندرانجلد ۲۴، شماره ۱۱۹، صفحات ۱۱-۱۸
Keywords
Hosted on Doprax cloud platform doprax.com
copyright © 2015-2023