پیش بینی خطر سکته مغزی بر اساس علائم کلینیکی با استفاده از روش رگرسیون لجستیک
Subject Areas : International Journal of Industrial Mathematics
مائده غلام آزاد
1
(
گروه ریاضی کاربردی، دانشگاه شهید مدنی آذربایجان، تبریز، ایران.
)
جعفر پورمحمود
2
(
گروه ریاضی کاربردی، دانشگاه شهید مدنی آذربایجان، تبریز، ایران.
)
علیرضا آتشی
3
(
Department of E-Health, Virtual School, Tehran University of Medical Sciences, Tehran, Iran.
)
مهدی فرهودی
4
(
Neurosciences Research Center, Tabriz university of medical sciences, Tabriz, Iran.
)
رضا دلجوان انوری
5
(
Neurosciences Research Center, Tabriz University of Medical Sciences, Tabriz, Iran.
)
Keywords: رگرسیون لجستیک, طبقه بندی, عوامل خطر, ریسک سکته مغزی, پیش بینی,
Abstract :
مدل سازی ریاضی یکی از روش های عملی است که می توان از آن برای حل مسائل واقعی استفاده کرد. مدل‌سازی را می‌توان با استفاده از روش‌های مختلفی از جمله روش‌های آماری که می‌توان از آنها برای پیش‌بینی رویدادهای مختلف استفاده کرد، انجام داد. سلامت یکی از مهمترین زمینه های تحقیقاتی در جهان امروز است. از بین بیماری های مختلف در بخش سلامت، این مطالعه مربوط به سکته مغزی است که دومین عامل مرگ و میر و ناتوانی طولانی مدت انسان است که منجر به انجام این تحقیق شده است. هدف اصلی این تحقیق طراحی و ساخت یک مدل پیش‌بینی‌کننده سکته مغزی بر اساس علائم و گزارش‌های بالینی بیماران است که پیش بینی میکند که آیا در آینده نزدیک سکته مغزی در بیماران رخ می‌دهد یا خیر. با استفاده از روش رگرسیون لجستیک، عوامل خطر اصلی سکته مغزی شناسایی و میزان بروز آنها پیش‌بینی شده است. در این مطالعه اطلاعات بالینی از 5411 بیمار جمع‌آوری و پس از اعمال روش LR، مدل پیش‌بینی‌کننده طراحی شد.
[1] J. Brownlee, Linear Regression for Machine Learning, Machine Learning Algorithms, (2020) http://machinelearningmastery.com.
[2] D. C. Charlesworth, D. S. Likosky, C. A. S. Marrin, Development and Validation of a Prediction Model for Strokes after Coronary Artery Bypass Grafting, The Society of Thoracic Surgeons Published by Elsevier Inc. 76 (2003) 436-443.
[3] K. L. Chien, T. C. Su, H. C. Hsu, Constructing the Prediction Model for the Risk of Stroke in a Chinese Population Report from a Cohort Study in Taiwan, Stroke journal 22 (2010) 1858-1864.
[4] W. Cole A Physico-Medical Essay Concerning the Late Frequency of Apoplexies Together With a General Method of Their Prevention and Cure: In a Letter to a Physician. Oxford, United Kingdom: The Theater. 1869. Reprinted by: New York, Classics of Neurology Neurosurgery Library (1995).
[5] M. A. Dronne, J. P. Boissel, E. Grenier, A mathematical model of ion movements in grey matter during a stroke, Journal of Theoretical Biology 240 (2006) 599-615.
[6] R. Deljavan, M. Farhoudi, H. SadeghiBazargani, Stroke in-hospital survival and its predictors: the first results from Tabriz Stroke Registry of Iran Internationa Journal of General Medicin 11 (2018) 233-240.
[7] H. Ebrahimi, S. Haghjoo-Javanmard, S. Asgary, Opium Addiction and Ischemic Stroke in Isfahan, Iran: A Case-Control Study, European neurology 79 (2018) 82-85.
[8] Y. Furuta, J. Hata, N. Mukai, Secular trends in the incidence, risk factors, and prognosis of transient ischemic attack in Japan: The Hisayama Study, Atherosclerosis 273 (2018) 84-90.
[9] M. Farhoudi, K. Mehrvar, H. SadeghiBazargani, Stroke subtypes, risk factors and mortality rate in the northwest of Iran, Iran J Neurol 163 (2017) 112-117.
[10] A. Huppert, G. Katriel , Mathematical modeling and prediction in infectious disease epidemiology, European Society of Clinical Microbiology and Infectious Diseases 19 (2013) 999-1005.
[11] S. H. Jee, J. W. Park, S. Y. Lee, Stroke risk prediction model: A risk profile from the Korean study, Atherosclerosis 197 (2008) 318-325.
[12] R. W. Mauthe, D. C. Haaf , P. Hayn, Predicting Discharge Destination of Stroke Patients Using a Mathematical Model Based on Six Items From the Functional Independence Measure, Academy of Physical Medicine and Rehabilitation 77 (1996) 100-103.
[13] S. McClean, Y. Qiao, K. Fullerton, STOPGAP: Stroke patient management and capacity planning, Operation research for health care 6 (2015) 78-86.
[14] S. Mathisen, L. Delan, J. Petter, Long- Term mortality and its risk factors in stroke survivors, Journal of stroke and cerebrovascular disease 25 (2016) 635-641.
[15] J. Markidan, J. W. Cole, C. A. Cronin, Smoking and Risk of Ischemic Stroke in Young Men, Stroke journal 49 (2018) 1276-1278.
[16] I. Ruczinski, C. Kooperbery, Logic Regression, Journal of Computational and Graphical Statistics 12 (2003) 475- 511.
[17] L. Torgo, J. Gama, Regression classification, Brazilian Symposium on Artificial Intelligence (1996).
[18] M. Talebi, M. Ghertasi, A. Taheraghdam, A comparison of risk factors and severity of ischemic stroke in female and male genders in North-West Iran: A cross-sectional study, Iranian Journal Neural 13 (2014) 215-219.
[19] B. Vahdani, Sh. Sadigh Behzadi, S. M. Mousavi, An artificial intelligence model based on LS-SVM for third-party logistics provider selection, International Journal of Industrial Mathematics 7 (2015) 301-311.
[20] World Health Organization, World health report 2000- health systems: improving performance, World Health Organization, Geneva, Switzerland (2000).
[21] Y. Zhuo, H. Yu, Zh. Yang, Prediction factors of recurrent stroke among Chinese adults using retional vasculature characteristics, Journal of stroke and cerebrovascular disease 26 (2017) 679-685.
[22] M. M. Zhaoxi, Y. MM. Yushan, L.MD. Yan, W. MM. Wanhua, C. MD. Yongjun, F. MD. Qi, Clinical Utility of the Inflammatory Factors Combined With Lipid Markers in the Diagnostic and Prognostic Assessment of Ischemic Stroke: Based on Logistic Regression Models, Journal of Stroke and Cerebrovascular Diseases 29 (2020) 104-121.
