استفاده از مدل رده‌بندی درختی برای تعیین عوامل مؤثر بر مرگ‌ومیر پس از عمل جراحی کرونری بای‌پاس در بیماران غیر وابسته به دیالیز

نویسندگان

1 گروه آمار زیستی، دانشکده پیراپزشکی، دانشگاه علوم پزشکی شهید بهشتی

2 دانشکده علوم پزشکی، دانشگاه تربیت مدرس

3 جراحی قلب و عروق، دانشکده پزشکی، دانشگاه علوم پزشکی تهران

چکیده

 مقدمه و هدف: بیماری­های­ عروق‌ کرونری قلب از علل شایع­ مرگ‌ومیر است و یکی از درمان­های رایج در
بیماران جراحی بای پاس عروق‌ کرونری به­شمار­می­رود. از جمله عواملی
که به افزایش مرگ‌ومیر و عوارض پس از عمل منجر­می‌شود، اختلال عملکرد کلیه است. هدف این پژوهش، شناسایی مهم­ترین عوامل تأثیرگذار در مرگ‌ومیر بیماران مبتلا به نارسایی کلیه و ارائه مدل
درختی برای پیش­بینی درصد فوت در اثر جراحی قلب است.    مواد و روش­ها: داده­ها از یک مطالعه مقطعی از 1390 بیمار در مدت سه سال از بیمارستان قلب شریعتی تهران جمع‌آوری و با توجه به هدف پژوهش، بیماران وابسته به دیالیز
و بقای کمتر از یک­ سال از مطالعه خارج شده­اند. در مطالعه حاضر، برای پیش‌بینی پیامد فوت، مدل­های رگرسیون لجستیک و رده­بندی درختی با نرم‌افزارهای SPSS ویراست 18.0 و CART ویراست 6.0 برازش و نتایج با یکدیگر مقایسه­شد.   نتایج: در مدل رده­بندی با دقت 90 درصد متغیرهای نارسایی کلیوی شدید، کارگذاری بالن پمپ داخل آئورتی حین و پس
از عمل، تنفس طولانی­مدت از راه دستگاه، مدت زمان خون­رسانی قلب حین عمل بیش از160 به‌عنوان زیرگروه‌های
دارای خطر بالای مرگ و افراد با عوارض قلبی- بطنی پس از عمل جراحی به­عنوان زیرگروه
با خطر متوسط مرگ معرفی­شدند. شاخص­های حساسیت
و ویژگی برای این مدل به­ترتیب 82 درصد و 89 درصد و برای مدل لجستیک 4/80 درصد و
88 درصد به‌دست­آمد.    نتیجه­گیری: مدل­های رده‌بندی
درختی و رگرسیون لجستیک متغیرهای مهم تقریبا یکسانی نتیجه­دادند، اما مدل درختی، دقت بیشتری داشت. متغیر کارگذاری بالن پمپ داخل آئورتی
تأثیرگذارترین عامل در مرگ‌ومیر معرفی­شد که درصد مرگ ناشی از آن برای کل بیماران حین
عمل 19 درصد و پس از عمل 1/54 درصد به‌دست­آمد. 

کلیدواژه‌ها


عنوان مقاله [English]

Application of classification tree model for determining the effective factors of mortality after coronary bypass surgery in dialysis-independent patients

نویسندگان [English]

  • Farid Zayeri 1
  • Reyhaneh Sadeghi Nejad 2
  • Hoda Noorkojuri 2
  • Jamshid Bagheri 3
  • Elaheh Ghazanfari 2
چکیده [English]

 Background and Objective: Coronary artery disease is one of the most
prevalent causes of death. A coronary artery
bypass surgery is a common treatment for this disease.
In addition, renal dysfunction can lead to increased mortality and post-operative
complications. This study aimed to identify the most important factors
influencing the mortality of patients who suffer from coronary artery disease
and to introduce a classification approach according to Classification Tree
(CART) model for predicting the mortality from this disease.    Materials and Methods: This research was conducted based on the information
gathered from a cross-sectional study on 1390 patients (except
dialysis-dependent) who undergone coronary artery bypass grafting, admitted to
Cardiology ward of Shariati hospital during the years 2007-2010. The ordinary
logistic regression model and a classification tree were utilized for
predicting the probability of death in these patients. The SPSS version 18.0
and CART version 6.0 were used for data analysis.  Results: In this study, the classification tree model (CART)
resulted in an accuracy of 90%. The patients with renal insufficiency,
intra-aortic balloon pump placement during and after surgery, prolonged
ventilation, and perfusion time over 160 were shown as the high-risk groups,
while those patients with heart ventricular post-operative complications
regarded as the medium-risk group. The sensitivity and specificity indices for
this model were 82% and 89%, respectively, while it was 80.4% and 88%,
respectively, for logistic model.   Conclusion: In the present study, the logistic and decision
tree models led to nearly similar results, however, the decision tree model
seemed to be more accurate. The IABP (Intra-Aortic
Balloon Pump < /font>) was the most effective factor for mortality. The
mortality rate due to this factor during and after surgery for all patients was
19% and 54.1%, respectively. 

کلیدواژه‌ها [English]

  • Coronary artery bypass graft
  • Classification tree model
  • Logistic regression model
  • Dialysis independent patients
  • Mortality