Journal of Mazandaran University of Medical Sciences

fa شناسایی مناسب ترین مدل پارامتریک بقاء با کم‌ترین خطای برآورد و بکارگیری آن در تعیین عوامل مرتبط با بقای بیماران مبتلا به سرطان روده بزرگ Identifying the Optimal Parametric Survival Model with Minimal Estimation Error to Determine Factors Influencing Survival in Colon Cancer Patients آمار زیستی Biostatistics پژوهشي-کامل Research(Original) سابقه و هدف: سرطان کولون، ده درصد تمامی موارد سرطان را در برمی‌گیرد. از طرفی شناسایی مدل مناسب برای تحلیل داده‌ها می‌تواند برای برآورد دقیق نتایج بسیار اثربخش باشد. بنابراین این مطالعه با هدف شناسایی بهترین مدل پارامتری بقا با کم‌ترین خطا برای برآورد بقای بیماران مبتلا به سرطان کولون، انجام پذیرفت. مواد و روش ‌ها: در این مطالعه کوهورت تاریخی، اطلاعات 761 بیمار مبتلا به سرطان کولون در استان مازندران طی سال‌های 1391-1396 مراجعه و تا سال 1398پیگیری شدند، مورد بررسی قرار گرفت. برای براورد بقای بیماران مبتلا به سرطان کولون، از روش کاپلان مایر استفاده شد. برای شناسایی بهترین مدل و از شاخص نمره بریر (Brier score index) برای مدل با کم‌ترین خطای برآورد استفاده شد. تجزیه و تحلیل داده ها با استفاده از نرم افزار R 3.6.1 انجام شد و سطح معنی داری 05/0 در نظر گرفته شد. یافته‌ها: بیماران مورد مطالعه، در طیف سنی 17 تا 91 سال قرار داشتند. میانگین سنی افراد87/35±60/14 سال بود و 79/4 درصد بیماران بیش از50 سال سن داشتند. از میان بیماران، 6/55 درصد (423 نفر) مرد با میانگین سنی (9/57±61/14) سال و 44/4 درصد (338 نفر ) زن با میانگین سنی (13/96±59/5) سال بودند. میانه و میانگین طول عمر بیماران به ترتیب60 و 2/07±53/71 ماه تعیین شد. میزان‌های بقا سه، پنج و هفت ساله به ترتیب 70، 49 و 37 درصد بود. در این مطالعه، مدل پارامتری وایبل با بالاترین دقت و کم‌ترین خطا در پیش‌بینی بقا و شناسایی مهم‌ترین عوامل مرتبط، بهترین مدل شناخته شد. استنتاج: در این تحقیق مدل بهینه با توجه به این که نرخ شکست در طول زمان به صورت افزایشی یکنوا بوده است، بنابراین مدل وایبل برازش بهتر و خطای کم‌تری نسبت به سایر مدل های مورد مطالعه داشته است. بنابراین برای تحلیل داده‌هایی با این توزیع، انتخاب مدل وایبل می‌تواند مفید باشد.   Background and purpose: Colon cancer accounts for approximately 10% of all cancer cases. Identifying the most appropriate model for data analysis can significantly improve the accuracy of survival estimates. Therefore, this study aimed to identify the best parametric survival model with the least error for estimating survival in patients with colon cancer. Materials and methods: In this historical cohort study, data from 761 patients with colon cancer in Mazandaran Province, referred between 2012 and 2017 and followed up until 2019, were reviewed. The Kaplan-Meier method was used to estimate patient survival. The Brier score index was employed to identify the model with the lowest estimation error. Data analysis was conducted using R software version 3.6.1, with a significance level set at 0.05. Results: The patients studied ranged in age from 17 to 91 years. The mean age was 60.14 ± 8.35 years, and 79.4% of patients were over 50 years old. Among the patients, 55.6% (423 patients) were males with a mean age of (61.14 ± 9.57) years and 44.4% (338 patients) were females with a mean age of (59.5 ± 13.96) years. The median and mean life expectancy of the patients were determined to be 60 and 53.71 ± 2.07 months, respectively. The three-, five-, and seven-year survival rates were 70%, 49%, and 37%, respectively. In this study, the Weibull parametric model was identified as the best model with the highest accuracy and the lowest error in predicting survival and identifying the most important related factors. Conclusion: In this study, the optimal model was the Weibull model, given that the failure rate increased uniformly over time, resulting in a better fit and lower error compared to the other models studied. Therefore, choosing the Weibull model can be useful for analyzing data with this distribution.   تحلیل بقا, مدل پارامتری بقا, شاخص آکائیک, نمره بریر, باقی مانده کاکس اسنل, سرطان کولون survival analysis, survival parametric model, Akaike index, Brier score, Cox-Snell residual, colon cancer 72 82 http://jmums.mazums.ac.ir/browse.php?a_code=A-10-370-37&slc_lang=fa&sid=1 Elahe Rahimi الهه رحیمی No MSc in Biostatistics, Faculty of Health, Mazandaran University of Medical Sciences, Sari, Iran کارشناس ارشد آمارزیستی ، گروه آمارزیستی و اپیدمیولوژی ، مرکز تحقیقات علوم بهداشتی ، دانشکده بهداشت ، دانشگاه علوم پزشکی مازندان ،ساری، ایران Jamshid Yazdani Charati جمشید یزدانی چراتی Yes Professor, Department of Biostatistics, Health Sciences Research Center, Mazandaran University of Medical Sciences, Sari, Iran اﺳﺘﺎد، گروه آمارزیستی و اپیدمیولوژی، مرکز تحقیقات علوم بهداشتی، دانشکده بهداشت، دانشگاه علوم پزشکی مازندان ،ساری، ایران Mohammad Eslami Juybari محمد اسلامی جویباری No Assistant Professor, Department of Internal Medicine, Imam Khomeini Hospital, Sari, Cancer Research Center, Mazandaran University of Medical Sciences, Sari, Iran استادیار،گروه داخلی، بیمارستان امام خمینی ساری، مرکز تحقیقات سرطان،دانشگاه علوم پزشکی مازندران، ساری، ایران Iradj Maleki ایرج ملکی No Professor, Department of Internal Medicine, Imam Khomeini Hospital, Sari, Gastroenterology and Liver Research Center, Mazandaran University of Medical Sciences, Sari, Iran استاد،گروه داخلی، بیمارستان امام خمینی ساری، مرکز تحقیقات گوارش و کبد،دانشگاه علوم پزشکی مازندران، ساری، ایران Raza ali Mohammadpour Tahamtan رضا علی محمدپور تهمتن No Professor, Department of Biostatistics, Health Sciences Research Center, Mazandaran University of Medical Sciences, Sari, Iran اﺳﺘﺎد،گروه آمارزیستی و اپیدمیولوژی، مرکز تحقیقات علوم بهداشتی، دانشکده بهداشت، دانشگاه علوم پزشکی مازندان ،ساری ،ایران Murteza Sanjarnipour مرتضی سنجرانی پور No Associate Professor, Department of Mathematics and Applications, Faculty of Mathematics and Computer Science, University of Sistan and Baluchistan, Zahedan, Iran دانشیار،گروه ریاضی و کاربردها، دانشکده ریاضی و علوم کامپیوتر، دانشگاه سیستان و بلوچستان،زاهدان، ایران