Geri Dön

Alternatif regresyon modelleriyle miyokard infarktüsü sonrası sağkalımı etkileyen faktörlerin belirlenmesi

Determination of factors that influence the survival using alternative regression models in myocardial infarction

PDF İndir

  1. Tez No: 647166
  2. Yazar: İBRAHİM HALİL TANBOĞA
  3. Danışmanlar: DOÇ. DR. ÖMER ALKAN
  4. Tez Türü: Doktora
  5. Konular: Biyoistatistik, Biostatistics
  6. Anahtar Kelimeler: Biyoistatistik, Miyokard enfarktüsü, Regresyon modelleri, ST segmenti, Sağkalım, Bioistatistics, Myocardial infarction, Regression models, ST segment, Survival
  7. Yıl: 2019
  8. Dil: Türkçe
  9. Üniversite: Atatürk Üniversitesi
  10. Enstitü: Sağlık Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Biyoistatistik ve Tıp Bilişimi Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Amaç: Bu çalışmada, biz STEMI (ST elevasyonlu miyokard infarktüsü) yaşayan hastaların ilk 30 gün içerisinde olay yaşama risklerini değerlendirmek amacıyla farklı regresyon modelleri kullanarak, klinik prediksiyon modelleri oluşturacağız. Daha sonra bu modellerin performans ölçütlerini, iç ve dış geçerliliklerini karşılaştırmalı olarak değerlendireceğiz. Materyal ve Metot: Çalışmaya İstanbul Kartal Koşuyolu Yüksek İhtisas Eğitim ve Araştırma Hastanesine 2013-2018 yılları arasında ST elevasyonlu miyokard infarktüsü nedeniyle başvuran ve 30 günlük takip bilgileri olan 4598 hasta geriye dönük olarak dâhil edildi. Bu hastalardan, 2013-2015 yılları arasında başvuran 2306 hasta ÖĞRENİM.VERİSETİ'ni, 2016-2018 yılları arasında başvuran 2292 hasta TEST.VERİSETİ'ni oluşturdu. Daha sonra 10 farklı regresyon analizi [Logit, Probit, Bayesian logit, cezalı regresyonlar (Ridge, lasso, elastik-net), genelleştirilmiş toplamsal model, Cox regresyon, Parametrik sağ-kalım regresyonu, orantısal odss, kısmı orantısal odds ve genelleşitirlmiş sıralı logit)] ile ÖĞRENİM.VERİSETİ'nde klinik tahmin modelleri geliştirildi. Bu modellerin her birinin görünür ve bootstrap performanslarına ve kalibrasyonlarına bakıldı. Ayrıca, her bir modelin performansı TEST.VERİSETİ'nde de değerlendirilmiştir. Performans ölçütleri için R2, Brier skoru, Diskriminasyon (AUC ve diskriminasyon eğimi), yeniden sınıflandırma indeksleri ve kalibrasyon bakıldı. Bulgular: Regresyon modellerinde, dış geçerlilik analizlerinde hem R2 hem de diskriminasyonu (AUC) en iyi yöntem kısmi orantısal odds modeli ve genelleştirilmiş toplamsal model iken, en kötü model genelleştirilmiş sıralı logit yöntemiydi, diğer regresyon modelleri genellikle benzer R2 ve AUC değerlerine sahipti. Yeniden sınıflandırma indeksleri ve kalibrasyonlar genelleştirilmiş toplamsal modelde, diğer modellere göre daha iyiydi. Sonuç: Bu çalışmada, miyokard infarktüsü geçiren hastalarda, 30 günlük olayların tahmini için farklı regresyon yöntemleri ile geliştirilen klinik prediksiyon modeli, eksternal validasyon amaçlı farklı bir veri setinde, model performansları için test edilmiştir. Sonuç olarak hem performans hem diskriminasyon hem de kalibrasyonları göz önüne alındığında, ikili sonlanım kullanıldığında sürekli değişkenlerin doğrusal olmayan ilişkilerini dikkate alan genelleştirilmiş toplamsal model ve sıralı sonlanım kullanıldığında da değişkenlerin orantısallık varsayımlarını dikkate alan kısmi orantısal odds yönteminin daha iyi bir prediktif kapasiteye sahip olduğu belirlenmiştir.

Özet (Çeviri)

Objective: In the medical literature, a growing number of articles have been published recently to predict post-STEMI (ST-elevation myocardial infarction) prognosis with clinical prediction models. However, in many of these articles, the steps of clinical prediction models have been violated, or appropriate regression models have not been selected. In this study, we aimed to built clinical prediction models using different regression models in order to evaluate the risks of experiencing events in the first 30 days of patients with STEMI. Materials and Methods: 4598 patients who admitted to the Istanbul Kartal Koşuyolu High Specialization Training and Research Hospital between 2013 and 2018 due to STEMI and had 30-day complete follow-up information were included retrospectively. Of these patients, 2306 patients who admitted between 2013 and 2015 constituted the TRAIN.DATASET and 2292 patients who admitted between 2016 and 2018 were TEST.DATASET. Then 10 different regression analyses [Logit, Probit, Bayesian logit, penalized regressions (Ridge, lasso, elastic-net), generalized additive model, Cox regression, Parametric survival regression, proportional odds, partial proportional odds and generalized ordered logit)]. Clinical prediction models were developed in TRAIN.DATASET. Apparent and bootstrap performances and calibrations of each of these models were assessed. In addition, the performance of each model has been evaluated in TEST.DATASET. R2, Brier score, Discrimination (AUC and discrimination slope), reclassification indexes, and calibration were evaluated for performances. Results: In regression models, both R2 and discrimination (AUC) were the best method in the partial proportional odds model and generalized additive model, while the worst model was the generalized ordered logit method, other regression models generally had similar R2 and AUC values. Reclassification indices and calibrations were better in the generalized additive model than in other models. Conclusion: In this study, we tested the clinical prediction model using different regression methods for the prediction of 30-day events in patients with STEMI, in a different external dataset for external validation. As a result, considering both performance, discrimination, and calibrations, we determined that when using ordinal outcome the partial proportional odds method, which takes into account the proportionality assumptions of individual variables, has a better predictive ability, when using binary outcome and using the generalized additive model that takes into account the nonlinear relationships of continuous variables, has a better predictive ability.

Benzer Tezler

  1. Tez No

    596803

    İvesi koyunlarında laktasyon süt verimlerinin çoklu doğrusal regresyon ve yapay sinir ağı modelleriyle karşılaştırılmalı incelenmesi

    Comparative investigation of lactation milk yield in Awassi sheep by multiple linear regression and artificial neural network models

    NİZAMETTİN YÜCEDAĞ

    Yüksek Lisans

    Türkçe

    Türkçe

    2019

    İstatistikAnkara Üniversitesi

    Zootekni Ana Bilim Dalı

    PROF. DR. MEHMET ERTUĞRUL

  2. Tez No

    549409

    Conway-Maxwell-Poisson regresyon modeli

    Conway-Maxwell-Poisson regression model

    BAHAR ÇELİK

    Yüksek Lisans

    Türkçe

    Türkçe

    2019

    İstatistikGiresun Üniversitesi

    Matematik Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ESİN AVCI

  3. Tez No

    828679

    Boylamsal verilerde çok düzeyli doğrusal regresyon ve kantil regresyon yöntemlerinin karşılaştırılması

    Comparison of multilevel linear regression and multilevel quantile regression methods in longitudinal data

    BEGÜM KAFKAS

    Doktora

    Türkçe

    Türkçe

    2023

    Eğitim ve ÖğretimHacettepe Üniversitesi

    Eğitim Bilimleri Ana Bilim Dalı

    DOÇ. DR. DERYA ÇOBANOĞLU AKTAN

  4. Tez No

    833215

    A hybrid prediction approach using multiple linear regression and decision tree

    Çoklu doğrusal regresyon ve karar ağacı kullanarak hibrit tahmin yaklaşım

    MARYAM ARIF AZEEZ AZEEZ

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ KAYHAN AYAR

  5. Tez No

    1011438

    Makine öğrenmesi ile paylaşımlı bisiklet talep tahmini

    Shared bicycle demand forecasting with machine learning

    RÜVEYDA ÜNER

    Yüksek Lisans

    Türkçe

    Türkçe

    2026

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKahramanmaraş Sütçü İmam Üniversitesi

    Bilişim Sistemleri Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ YAVUZ CANBAY

Geri Dön