مجله تخصصی

---

مقدمه و اهداف: بیماری‌های قلبی- عروقی یکی از عمده‌ترین دلایل مرگ در ایران به‌شمار می‌رود، با کنترل آلودگی هوا می‌توان میزان بروز این بیماری‌های قابل پیش‌گیری و مرگ ناشی از آن را کاهش داد. هدف از انجام این مطالعه تعیین ارتباط بین افزایش سطح آلودگی هوا و میرایی از بیماری‌های قلبی و تنفسی در شهر تهران است.

روش کار: میانگین غلظت روزانه پنج آلاینده‌ی مونواکسید کربن (Carbon monoxide) ، دی‌اکسید نیتروژن (Nitrogen dioxide )، ازن، (Ozone) دی‌اکسید گوگرد(Sulfur dioxide) و ذرات معلق (PM10) (Particulate matter with a diameter less than 10 microns) از 8 ایستگاه هواشناسی شهر تهران جمع‌آوری شد و اثر غلظت آن‌ها به روی تعداد مرگ روزانه ناشی از بیماری‌های قلبی- عروقی و تنفسی با استفاده از سری زمانی و مدل رگرسیون پوآسن GLARMA(Generalized Linear Autoregressive Moving Average ) ارزیابی شد. هم‌چنین عناصر اقلیمی مانند میانگین دما و رطوبت روزانه و حداقل و حداکثر دما به‌عنوان عوامل مخدوش کننده در نظر گرفته شد.

یافته‌ها: پس از برازش مدل نهایی و تعدیل اثر عوامل مخدوش کننده مورد نظر از بین آلاینده‌ها، میانگین روزانه ازن (P=0.02) و ذرات معلق (P<0.001) با تعداد مرگ روزانه رابطه آماری معنی‌داری را نشان داد.

نتیجه‏ گیری: با توجه به یافته‌های این مطالعه که با روش آماری جدیدی به آنالیز روابط بین آلاینده‌ها و مرگ پرداخته، لازم است برای کاهش موارد مرگ از بیماری‌های قلبی- عروقی و تنفسی اقدام‌های مناسب پیش‌گیرانه کارآمدتری روی منابع تولید آلاینده‌های ازن و ذرات معلق (PM10) صورت پذیرد.

---

مقدمه و اهداف: سل یک بیماری باکتریایی مزمن و به‏عنوان یک عامل مهم ابتلا و مرگ‌ومیر مطرح بوده و در اثر مجموعه‌ای از مایکوباکتریوم‌های سلی ایجاد می‌شود. آگاهی از بروز و تعداد موارد جدید این بیماری اطلاعات ارزشمندی را برای بازنگری برنامه‎ها و شاخص‎های توسعه فراهم می‎کند. مدل‎های سری زمانی و رگرسیون از مدل‎های متداول برای پیش‌بینی بوده، اما مستلزم پیش‌فرض‌هایی هستند. هدف این مطالعه پیش‎بینی موارد جدید بیماری با استفاده از مدل مارکوف پنهان است.
روش کار: داده‎های این مطالعه تعداد موارد جدید سل در استان همدان به‌صورت ماهانه طی سال‎های 94-1384 که توسط مرکز بهداشت استان همدان شناسایی شد؛ بود. در این مطالعه پیش‏بینی موارد جدید سل برای 24 ماه آینده با استفاده از مدل مارکوف پنهان و با نرم‏افزار R بسته مارکوف پنهان انجام شد.
یافته‌ها: بر اساس معیار برازش مدل، یک مدل مارکوف با دو حالت بهترین برازش را به داده‌ها داشت یعنی داده‎های این مطالعه آمیخته‎ای از دو توزیع پواسن با پارامتر میانگین تعداد رخداد 96/5 و 2/10 هستند. هم‌چنین یافته‌های پیش‎بینی بر اساس مدل مارکوف پنهان، تعداد موارد جدید سل طی 24 ماه آینده را بین 9-8 مورد جدید پیش‎بینی کرد.
نتیجه‌‌گیری: مدل‎های مارکوف پنهان مناسب‏ترین مدل پیش‎بینی با استفاده از زنجیر مارکوف است که علاوه بر شناسایی مدل‎ مناسب، قادر است ماتریس احتمال انتقال بین حالات مختلف بیماری را تعیین کند تا این احتمالات به پزشکان در پیش‌بینی مراحل آتی بیماری‌ و انجام اقدامات پیش‌گیرانه پیش از ورود به مراحل پیشرفته یاری نماید.

---

مقدمه و اهداف: در تحلیل بقا استفاده از مدل کاکس برای تعیین عوامل مؤثر، نیازمند برقراری پیش‌فرض‌هایی است که عدم برقراری آن‌ها منجر به نتایج اریب می‌شود. هدف این مقاله تعیین عوامل مؤثر بر بقای بیماران مبتلا به سرطان معده دارای متاستاز با استفاده از روش ناپارامتری جنگل تصادفی بقا (RSF) و مقایسه آن با مدل کاکس است.
روش کار: در این مطالعه کوهورت گذشته‌نگر 201 بیمار مبتلا به سرطان معده دارای متاستاز مراجعه‌کننده به کلینیک امام خمینی استان همدان موردبررسی قرار گرفت. بقای بیماران از زمان تشخیص تا مرگ یا پایان مطالعه محاسبه شد. ویژگی‌های جمعیت شناختی (شامل سن و جنس) و متغیرهای مربوط به بیماری (شامل مرحله بیماری، گرید تومور، نوع درمان و ...) از پرونده بیماران استخراج شد. عوامل مؤثر با استفاده از مدل کاکس و جنگل تصادفی بقا تعیین و مقایسه شد. تحلیل داده‌ها با نرم‌افزار R3.4.3 و بسته‌های survival و RandomForestSRC انجام شد.
یافته‌ها: میانگین (انحراف معیار) سن تشخیص بیماران (9/12) 5/61 سال بود. بر اساس مدل کاکس تنها متغیر شیمی‏درمانی (P=0.033) بر بقا مؤثر بود. نتایج برازش مدل RSF نشان داد که متغیرهای مؤثر بر بقا به ترتیب نوع جراحی، محل متاستاز، شیمی‏درمانی، سن، گرید تومور، جراحی، تعداد لنفوم‌های درگیر، جنس و رادیوتراپی بود. همچنین مدلRSF  باقاعده تقسیم لگ-رتبه بر اساس شاخص‌های مناسبت مدل نسبت به مدل کاکس عملکرد بهتری داشت.
نتیجه‌گیری: درصورتی‌که تعداد متغیرها زیاد و بین متغیرها رابطه وجود داشته باشد روش RSF متغیرهای مهم و تأثیرگذار بر بقا را بدون نیاز به پیش‌فرض‌های محدودکننده با دقت بالا نسبت به مدل کاکس شناسایی می‌کند.

---