نشریه دانشور پزشکی
پیاپی 54 (دی 1383)

در مطالعات مورد شاهدی در معرض عامل خطر بودن غالبا از طریق پرسش از افراد دو گروه مورد و شاهد مشخص می شود. دلایل مختلفی چون خطای حافظه، عدم تمایل به اعلام واقعیت، درک نادرست از سوال یا تعریف نا مناسب، منجر به طبقه بندی غلط مواجهه با عامل خطر و در نتیجه مخدوش شدن نتایج مطالعه می گردد. هدف از این بررسی نشان دادن تاثیر این خطا در تحلیل مطالعات مورد شاهدی و مقایسه میان روش های مختلف تصحیح آن تحت فرض های احتمالات طبقه بندی نادرست افتراقی و ناافتراقی است.
در تحلیل مطالعه مورد شاهدی با وجود متغیر دو حالتی در معرض عامل خطر بودن که با احتمال طبقه بندی نادرست همراه است اگر احتمالات طبقه بندی معلوم باشند آنگاه روش هایی برای تصحیح نسبت بخت وجود دارد. در عمل، اطلاع ما از این احتمالات طبقه بندی بر مبنای حدس های قابل قبول است. با کمک روش های تحلیل بیزی از عدم حتمیت در مورد احتمالات طبقه بندی نادرست به عنوان اطلاعات پیشین استفاده می کنیم. مشخصه های توزیع پسین با استفاده از آلگوریتم متروپلیس هستینگ و تولید نمونه های زنجیر مارکوف برآورد شده است. روش پیشنهادی براساس دو فرض وجود احتمالات طبقه بندی نادرست افتراقی و نا افتراقی در مورد تعیین رابطه بین مصرف سیگار وآنژین صدری به کار گرفته شده است.
در این مطالعه مشخص شد که بدون توجه به تصحیح طبقه بندی غلط مصرف سیگار در گروه بیمارو غیربیمار نسبت بخت ها 09/1 به دست آمده که اثر معنادار بخت آنژین صدری را برای افراد سیگاری نشان نمی دهد. با تصحیح براساس احتمالات طبقه بندی نادرست نا افتراقی نسبت بخت ها افزایش یافته؛ اما همچنان اثر معناداری را نشان نمی دهد. تصحیح براساس احتمالات طبقه بندی نادرست افتراقی منجربه برآورد نسبت بخت های 79/1 در حالت مشخص بودن ضرایب تصحیح و نسبت بخت های 2 در حالت نامشخص بودن ضرایب تصحیح گردیده است.
بحث: عدم توجه به احتمالات طبقه بندی نادرست منجر به برآوردهای غیرواقع بینانه از نسبت بخت ها و در نتیجه تحلیل های غیرواقعی از ارتباط میان متغیرها می گردد. برای تصحیح خطای طبقه بندی نادرست ابتدا لازم است احتمالات طبقه بندی نادرست در دو گروه مورد و شاهد بررسی و براساس آن از روش تصیح احتمالات طبقه بندی نادرست افتراقی یا نا افتراقی استفاده شود. عدم حتمیت در مورد ضرایب تصحیح احتمالات طبقه بندی نادرست منجر به برآوردهایی با پراکندگی بیش تر می شود.

در جمع آوری داده های انبوه، بعضی از متغیرها با عدم پاسخ روبه رو می شوند که به این ها داده های گمشده می گویند. این داده های گمشده می توانند در متغیر پاسخ یا در متغیرهای کمکی به وجود آیند.
در این مقاله داده های گمشده در متغیرهای کمکی مورد بررسی است و روش پیشنهادی برای تجزیه و تحلیل مدل های رگرسیون لجستیک را وقتی که متغیر پاسخ Y دو وضعیتی (بیمار و سالم) با مشاهدات کامل باشد و متغیر کمکی Z دارای مشاهدات کامل و متغیر کمکی X دارای مقادیر گمشده باشد مورد بررسی قرار داده ایم. در این جا فرض می کنیم مقادیر گمشده متغیر کمکی X تصادفی بوده است.
نتایج و برای این منظور، تابع درستنمایی برای داده های مشاهده شده را تعریف و برآوردهای حاصل را به روش ماکسیمم درستنمایی به دست آورده، سپس نتایج آن را با نرم افزار استاندارد S-Plus که داده های دارای مقادیر گمشده را حذف می کند مقایسه کردیم. برای تشریح بیش تر، هر دو روش را روی مثالی از بیماری گواتر اعمال کردیم.
بحث: مقایسه نتایج نشان داد که برآوردهای به دست آمده از مدل پیشنهادی نسبت به برآوردهای به دست آمده از نرم افزار که مبتنی بر حذف کلیه اطلاعات فرد دارای داده گمشده است دقت بیش تری دارند.

در آماربرای تعیین تطابق بین اندازه گیری های حاصل از مقیاس های ترتیبی، روش هایی از قبیل محاسبه شاخص های توافق و همچنین مدل بندی توافق موجود است. در این مقاله ضمن بیان مشکلات استفاده از شاخص های توافق، موضوع مدل بندی ساختار توافق مورد بررسی قرار گرفته است.
این کار به کمک مدل جدید «پیوند مربع امتیازات» انجام گرفته و نتیجه این مدل با نتایج حاصل از مدل های موجود «پیوند یکنواخت»، «پارامتر قطری» و «توافق به علاوه پیوند یکنواخت» از طریق بیان دقیق جزئیات و برازش آن ها به داده های مربوط به شاخص ترتیبی نیاز به درمان ارتدنسی مقایسه شده است.
نتایج نشان داد که مدل پیوند یکنواخت (با 049/0p=) به داده ها برازش ندارد، در حالی که مدل های پارامتر قطری (با 133/0p=)، پیوند مربع امتیازات (با 183/0p=) و توافق به علاوه پیوند یکنواخت (با 684/0p=) برای داده ها مناسبند.
بحث: در بین مدل هایی که تنها یک پارامتر بیش از مدل استقلال داشتند، مدل پیوند مربع امتیازات، بهترین برازش را نشان داد، در حالی که مدل توافق به علاوه پیوند یکنواخت، به دلیل دارا بودن پارامترهای بیش تر، بهتر ازهمه مدل ها بود. به علاوه نتایج هر دو مدل پیوند مربع امتیازات، و توافق به علاوه پیوند یکنواخت نشان داد از بین دو دندان پزشکی که نمونه ها را نرخ گذاری کردند، دندان پزشک 1 نسبت به دندان پزشک 2 تمایل به نرخ گذاری (طبقه بندی) بالاتر دارد.

به منظور تبیین اثر عوامل خطر ناشناخته در داده های بقای چند متغیره، می توان از مدل های شکنندگی استفاده کرد. یک نمونه توسعه یافته از این مدل ها، مدل های شکنندگی همبسته است که در آن ها، اثر شکنندگی برای هر آزمودنی، از مجموع دو مؤلفه به نام های شکنندگی مشترک و شکنندگی اختصاصی تشکیل شده است. مؤلفه شکنندگی مشترک، عوامل خطر ناشناخته مشترک و مؤلفه شکنندگی اختصاصی، سایر عوامل خطر ناشناخته تابع خطر را تبیین می کنند.
تحلیل مدل شکنندگی همبسته بر مبنای مدل خطر وایبول به روش بیزی انجام گرفته است. به خاطر پیچیدگی این مدل، محاسبه توزیع های پسین پارامترها به روش تحلیلی امکان پذیر نیست. بنابراین، انجام تحلیل بیزی با استفاده از روش عددی مونت کارلوی زنجیر مارکوفی با به کارگیری الگوریتم های نمونه گیری گیبز، نمونه گیری ردی، نمونه گیری ردی سازوار، و الگوریتم متروپولیس صورت گرفته است.
در ادامه، به عنوان کاربردی برای مدل شکنندگی همبسته وایبول، تحلیل بیزی یک نمونه از زمان های دفع پیوند قرنیه دوطرفه در بیماران کراتوکنوس (قوز قرنیه) با استفاده از این مدل انجام یافته و عوامل مؤثر بر دفع پیوند قرنیه شناسایی شده اند. با استفاده از این مدل، وجود واسکولاریزاسیون قرنیه با افزایش دفع پیوند در ارتباط است و همچنین سن گیرنده در زمان انجام عمل پیوند و وجود آلرژی شدید چشمی، به صورت جزیی خطر دفع را افزایش می دهند.
علاوه بر این، تحلیل بیزی مدل وایبول و مدل شکنندگی مشترک وایبول نیز به روشی مشابه با تحلیل بیزی مدل شکنندگی همبسته بر روی این داده ها انجام شده و نتایج حاصل از سه مدل مورد بحث و بررسی قرار گرفته است. برای مقایسه برازش سه مدل از معیار لگاریتم درستنمایی پسین استفاده شد.
نتایج به دست آمده نشان می دهد که مدل شکنندگی همبسته وایبول با تبیین عوامل خطر ناشناخته محیطی و ژنتیکی مؤثر بر زمان های دفع پیوند قرنیه دوطرفه، قادر به برازش بهتر نسبت به مدل شکنندگی مشترک و مدل معمولی وایبول است.

پارامتر شکنندگی مشترک، همبستگی مثبت ناشی از عوامل ناشناخته محیطی و ژنتیکی را در بین زمان های بقای افراد همگروه تبیین می کند که برای برآورد آن مطا لعات متعددی انجام شده است. هدف این مطا لعه، تعیین توان و حجم نمونه برای آزمون این پارامتر و ارزیابی توان آزمون آن براساس زمان بقای پیوند قرنیه چشم بیمارانی است که این پیوند را دریافت کرده اند.
این امر از طریق مدل های خطی برآوردگرهای ماکزیمم درستنمایی ممکن است؛ ولی بستگی به نرم تابعی کراندار دارد. در این مطالعه با استفاده از توزیع مجانبی برآوردگر ماکزیمم درستنمایی که آمیخته ای از توزیع نرمال و توزیع تباهیده در نقطه صفر است و برآورد واریانس آن از طریق عکس ماتریس اطلاع مشاهده شده، توان آزمون به دست آمده است.
در این صورت مقادیر توان بستگی به حجم نمونه خواهند داشت و حجم نمونه با استفاده از روش های تکراری تا رسیدن به توان مورد نظر تعیین می شود.

مدل سازی داده های چند متغیره، همبسته و رتبه ای پزشکی معمولا دشوارتر از تحلیل داده های پیوسته یا دو حالتی است. برآورد پارامترهای رگرسیونی در چنین مدل هایی به سبب ماهیت همبسته و رتبه ای داده ها، با روش های معمول، نظیر روش حداکثر درستنمایی بسیار زمان بر و مستلزم طراحی برنامه های کامپیوتری پیچیده است.
در این مقاله، طریقه به کارگیری یک مدل رگرسیون حاشیه ای بخت های متناسب برای تحلیل این گونه داده ها و همچنین استفاده از روش معادلات برآوردگر تعمیم یافته را به منظور برآورد پارامترهای این مدل مورد بررسی قرار می دهیم. این روش مبتنی بر برآورد شبه درستنمایی بوده، انجام آن بسیار ساده تر از دیگر روش های معرفی شده در این زمینه است. همچنین، ساختارهای مختلفی برای توصیف همبستگی بین متغیرهای پاسخ ارائه و روش برآورد هر یک معرفی می شود.
روش تشریح شده در داده های به دست آمده از مطالعه وضعیت پریودنتال دانش آموزان 19-15 ساله تهرانی مورد استفاده قرار گرفت. با مقایسه نتایج حاصل از برازش مدل به کمک معادلات برآوردگر تعمیم یافته و روش حداکثر درستنمایی، مشخص شد که این روش برازش مناسب تری نسبت به روش حداکثر درستنمایی به دست می دهد.
بحث: روش معادلات برآوردگر تعمیم یافته، روشی مناسب و ساده برای تحلیل داده های همبسته و رتبه ای پزشکی است که می توان آن را جانشین روش های پیچیده تری نظیر حداکثر درستنمایی کرد.

مطالعات طولی که در آن ها متغیر پاسخ رسته ای رتبه ای (نظیر شدت درد، درجه بهبودی، شدت استفراغ و...) باشند، جایگاه ویژه ای در علوم پزشکی دارد؛ زیرا پزشک برای بررسی سیر و تاثیر روش های درمانی مختلف بیمار را به طور مکرر در طول زمان مورد معاینه قرار می دهد. یکی از مهم ترین مشکلات تحلیل داده های چنین مطالعاتی وجود داده های گم شده است.
مدل مورد استفاده، مدل خطی تعمیم یافته است که به صورت است. در این مقاله ضمن منظور کردن همبستگی بین مشاهدات هر فرد، در یک مثال عملی، ضرائب در دو حالت داده های کامل و وجود مقادیر گم شده، با استفاده از روش بیزی و به کمک نرم افزارهای SAS و WINBUGS، برآورد و با هم مقایسه شده اند.
نتایج نشان داد که تحلیل با روش بیزی و با مدل ارائه شده، با داده های کامل و وجود 10 و20 درصد مقادیر گم شده، متغیرهای معنادار تغییری نکرده است، در حالی که با حذف 20 درصد از افرادی که داده گم شده داشتند، متغیری معنادار نشده است.
حذف اطلاعات مربوط به افرادی که داده گم شده دارند، باعث کاهش دقت تحلیل داده ها می شود. لذا استفاده از روش بیزی (حتی با پیشین های ناآگاهی بخش) در مطالعات طولی با مقادیر گم شده، با مدل ارائه شده، توصیه می شود.

اهمیت روزافزون نقش علل ژنتیکی در ایجاد بیماری ها و ظهور روش های بیوتکنولوژیکی جدید، باعث شده است که در سال های اخیر در تحقیقات مربوط به سبب شناختی بیماری ها مطالعات مولکولی اهمیت ویژه ای پیدا کنند. DNA میکرواری به عنوان یک روش بیوتکنولوژی نوین جهت مطالعه بیان ژن ها، در تحقیقات پزشکی کاربردی وسیع یافته است و به نحو گسترده ای جهت درک ساختار ژنتیکی نهفته بیماری های مختلف با هدف فراهم کردن روش هایی دقیق تر برای تشخیص، پیشگیری و درمان بیماری ها به کار می رود.
استفاده ازDNA میکرواری در اندازه گیری میزان بیان هزاران ژن به طور همزمان، جهت مطالعه رفتار و عملکرد سلول ها منجر به تولید حجم انبوهی داده ارزشمند شده است. از این رو نقش علم آمار در طراحی، تلخیص، تحلیل و تفسیر درست نتایج این گونه مطالعات اهمیت فوق العاده ای یافته است. در مقاله حاضر، داده های بیان ژنی لوکمیا به وسیله روش های آماری تجزیه و تحلیل شده است. براساس بررسی انجام شده لوکمیای حاد طبقه بندی گردیده، و روش DNA میکرواری، کاربرد آن و برخی روش های تحلیل آماری آن ها معرفی شده است. در این مطالعه از داده های لوکمیا که در سال 1999 توسط Golub منتشر شده استفاده گردیده است.