مجله تخصصی

---

مقدمه و اهداف: در بسیاری از تحقیقات پزشکی، با هدف بررسی توزیع بقای بیماران سرطانی براساس گروه‌بندی‌های دموگرافیک و کلینیکی از رگرسیون کاکس استفاده می‌شود حال آن‌که مدل‌های پارامتریک در برخی شرایط می‌توانند جایگزین مناسبی باشند. هدف از مطالعه حاضر مقایسه کارایی رگرسیون کاکس و مدل‌های پارامتریک در تحلیل بقای بیماران مبتلا به سرطان معده تحت مداوا در بخش گوارش بیمارستان طالقانی تهران است
 روش کار: این تحقیق یک مطالعه گذشته‌نگر بود که از طریق مراجعه به پرونده بیماران مبتلا به سرطان معده که از تاریخ بهمن 1381 لغایت دی 1385 در بخش گوارش بیمارستان طالقانی تهران تحت درمان بودند و از طریق تماس تلفنی، اطلاعات مربوط به بقای بیماران جمع‌آوری شد و مجموعاً اطلاعات 746 بیمار به مطالعه وارد شدند. برای بررسی عوامل مؤثر بر بقای بیماران از رگرسیون کاکس و مدل‌های پارامتریک شامل وایبل، نمایی و لگ نرمال استفاده شد و معیار مقایسه کارایی مدل‌ها ملاک آکائیکه بود. کلیه محاسبات با نرم افزار SAS انجام و سطح معنی‌داری 05/0 در نظر گرفته شد.
نتایج: نتایج حاصل نشان داد میزان بقا برای بیماران در گروه سنی زیر 35 سال، بیمارانی با تومورهای کوچک و بیمارانی که هنوز دچار متاستاز نشده بودند به طور معنی‌داری بالاتر است (05/0P<) هم‌چنین طبق ملاک آکائیکه، کارایی کاکس و مدل نمایی در آنالیز چند متغیری مشابه بودند اما در آنالیز تک متغیری، جز در مدل مربوط به تحلیل اثر اندازه تومور، مدل‌های پارامتریک از مدل کاکس کارایی بهتری داشتند و در میان آن‌ها مدل لگ نرمال از همه مناسب‌تر به نظر می‌رسید.
نتیجه گیری: مدل کاکس و مدل نمایی در آنالیز چند متغیری مشابه بودند و اگر چه در آنالیز تک متغیری یک مدل مشخص به عنوان کاراترین مدل به دست نیامد اما نتایج نشان داد مدل لگ نرمال در میان مدل‌های پارامتریک بهترین برازش را دارد و می‌تواند به عنوان جایگزین کاکس در تحلیل بقای بیماران سرطان معده به کار رود.

---

مقدمه و اهداف: در اکثر تحقیقات پزشکی که هدف بررسی توزیع بقا است از روش‌های کلاسیک مانند رگرسیون کاکس و مدل‌های پارامتری استفاده می‌شود، حال آن که مدل‌های بیزی مزیت‌هایی نسبت به حالت کلاسیک دارند. هدف از مطالعه‌ حاضر، مقایسه مدل‌های 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 که از تاریخ دی 1382 لغایت دی 1386 در بخش گوارش بیمارستان طالقانی تهران تحت درمان بودند، انجام شد. برای بررسی عوامل مؤثر بر بقای بیماران از مدل بیزی پارامتری در حالت سانسور فاصله‌ای استفاده گردید و معیار مقایسه برای انتخاب بهترین مدل، معیار اطلاع انحرافی (DIC) بود.
نتایج: نتایج حاصل نشان داد میزان بقا به سن هنگام تشخیص بیماری و اندازه تومور بستگی دارد. برای بیمارانی که سن آن‌ها هنگام تشخیص بیماری کمتر می‌باشد، میزان بقا بیشتر است و در مورد بیمارانی که اندازه تومور در آن‌ها کوچک‌تر می‌باشد، نیز میزان بقا بیشتر است. بر طبق ملاک DIC، مدل لگ نرمال نسبت به سایر مدل‌ها بیزی مناسب‌ترین مدل تشخیص داده شد.
نتیجه‌گیری: نتایج این مطالعه نشان داد که در بین مدل‌های بیزی پارامتری، مدل لگ‌نرمال قادر به برازش بهتر است. همچنین این مطالعه نشان داد سن بیمار در زمان تشخیص و اندازه تومور از عوامل مهم مرتبط با بقای بیماران مبتلا به سرطان معده هستند. در نتیجه در صورت تشخیص این بیماری در سنین پایین‌تر و مراحل اولیه پیشرفت بیماری، طول مدت بقاء بیماران افزایش می‌یابد

---

مقدمه و اهداف: یکی از روش‌های تحلیل داده‌های بقا، استفاده از مدل‌های پارامتری است که در آن باید توزیع زمان بقا مشخص باشد. در چند دهه اخیر، از مدل شبکه عصبی مصنوعی نیز برای پیش‌بینی داده‌های بقا استفاده شده است. هدف این مطالعه، پیش‌بینی بقای بیماران مبتلا به سرطان معده به کمک دو مدل پارامتری و مدل شبکه عصبی مصنوعی است.
روش کار: طی سال‌های 1381 لغایت 1385، تعداد 436 بیمار مراجعه کننده با تشخیص قطعی سرطان معده که در بخش گوارش بیمارستان طالقانی تحت عمل جراحی قرار گرفتند به صورت همگروه تاریخی مطالعه شدند. داده‌ها به تصادف به دو گروه آموزشی و آزمایشی تقسیم شدند. برای تحلیل داده‌ها از یک مدل پارامتری مناسب (از بین مدل‌های نمایی، وایبول، نرمال، لگ نرمال، لجستیک و لگ لجستیک) و مدل شبکه عصبی مصنوعی سه لایه استفاده شد. برای مقایسه پیش‌بینی‌های دو مدل، از سطح زیر منحنی مشخصه عملکرد، صحت کلاس‌بندی و شاخص هماهنگی استفاده شد.
نتایج: صحت پیش‌بینی مدل شبکه عصبی برابر 45/79 درصد و مدل پارامتری مناسب (وایبول) برابر 97/73 درصد گردید. سطح زیر منحنی مشخصه عملکرد برای مدل شبکه عصبی و پارامتری وایبول به ترتیب برابر 5/81 درصد و 8/74 درصد به دست آمد.
نتیجه‌گیری: مدل شبکه عصبی مصنوعی نسبت به مدل پارامتری پیش‌بینی‌های بهتری نتیجه داد. لذا بکارگیری این نوع مدل‌ها در زمینه پیش‌بینی بقا پیشنهاد می‌شود. این امر در تحقیقات مرتبط با حوزه سلامت و به خصوص در تخصیص منابع درمانی لازم برای افرادیکه پرمخاطره پیش‌بینی می‌شوند بسیار با اهمیت است.