مدل های درختی بقا و کاربرد آنها در تحلیل زیرگروههای مشابه بیماران مبتلا به سرطان کولورکتال

مدل های درختی یک روش جدید و ابتکاری را برای تحلیل مجموعه داده های بزرگ بوسیله افراز بازگشتی داده ها به نمایش می گذارد، این مدل ها برای آنالیز اکتشافی داده ها و ایجاد رده بندی ساده و قابل تفسیر بکار می روند. در تحقیقات بالینی این مدل ها تکنیک هایی هستند که زیرگروههای همگن را با استفاده از روشهای ناپارامتری استخراج می کنند. ارائه این زیرگروهها برای آنالیزهای تشخیصی بعدی بسیار مفید است. در همین زمینه تحلیل زیرگروهها پیش می آید که هدف آن کشف اختلاف ممکن در اثر درمان در زیرگروههای مختلف بیماران است. در این پایان نامه مدل درختی بقا برای بیماران مبتلا به سرطان کولورکتال برازش داده شد. یافتن بهترین متغیر برای افراز با استفاده از الگوریتم استنباط شرطی اجرا شد، این الگوریتم بر اساس فرض استقلال بین متغیر پاسخ و متغیر کمکی اجرا می شود، و بدین ترتیب متغیرهایی وارد مدل درختی می شوند که با متغیر زمان بقای بیماران رابطه داشته باشند. در صورت عدم رد فرض صفر ساخت مدل درختی متوقف می شود. نتایج حاصل از این مدل معرفی چهار فاکتور پیش آگهی مهم و پنج زیرگروه در معرض خطر از بیماران با بقای مشابه است. نتایج مدل درختی با مدل کاکس مقایسه شد، مقایسه انجام شده بیانگر برتری مدل درختی در تحلیل داده های بقا با هدف معرفی فاکتورهای پیش آگهی مهم است. بعلاوه توانایی تعیین زیرگروههای همگن از بیماران از ویژگی های منحصر به فرد در مدل های درختی است که مدل کلاسیک کاکس قادر به آن نیست.