PL EN
 
PL EN
Bieżący numer
O czasopiśmie
Archiwum
Dla autorów
Dla recenzentów
Kontakt
2016 vol. 70
Pobierz cytowanie
Metody regresji logistycznej i drzewa klasyfikacyjnego jako elementy procesu diagnostycznego w dziedzinie kardiologii
Anna Spychała 1
,
 
Michał Skrzypek 1
,
 
Ewa Niewiadomska 1
 
 
 
Więcej
Ukryj
1
Department of Environmental Health, School of Public Health in Bytom, Medical University of Silesia in Katowice, Poland
 
 
Autor do korespondencji
Anna Spychała   

Department of Environmental Health, School of Public Health in Bytom, Medical University of Silesia in Katowice, Poland, ul. Piekarska 18, 41-902 Bytom, tel. 32 397 65 44
 
 
Ann. Acad. Med. Siles. 2016;70:154-162
DOI: https://doi.org/10.18794/aams/62581
 
 
Artykuł (PDF, 385.76 kB)
Referencje (26)
 
SŁOWA KLUCZOWE
udar
regresja logistyczna
analiza statystyczna
drzewo klasyfikacyjne
krzywa ROC
 
DZIEDZINY
Analityka medyczna
Kardiologia
Zdrowie publiczne
 
STRESZCZENIE
Wstęp:
Zadaniem analiz statystycznych w badaniach naukowych jest wskazanie trafnych i maksymalnie wiarygod-nych wniosków w sytuacji, gdy badacz dysponuje wieloma informacjami. Zwykle można wskazać kilka różnych metod, które pozwalają to zadanie spełnić, jednak za każdym razem nasuwa się pytanie, którą z nich wybrać?

Materiał i metody:
Badania zostały przeprowadzone na bazie danych, która obejmowała 3246 pacjentów przebywających na II Oddziale Kardiologii Górnośląskiego Centrum Medycznego w Katowicach-Ochojcu w latach 2003– –2008. Analizie statystycznej poddano model, w których za zmienną zależną uznano zmienną UDAR, natomiast wyniki przeprowadzonych analiz zasugerowały dobór następujących zmiennych objaśniających: płeć, przetoczenie, PTCA, IVA, IVM, SVA, tętniak i hematokryt.

Wyniki:
Czynnikami istotnie wpływającymi na wystąpienie udaru, według regresji logistycznej, są: tętniak, przetoczenie składników krwi i przebyty zabieg PTCA, natomiast według drzewa klasyfikacyjnego – tętniak i poziom hematokrytu.

Wnioski:
Wyniki uzyskane za pomocą obydwu modeli statystycznych dopełniały się, a ich łączenie pozwala na uzyskanie wiarygodnych informacji, stanowiących podstawę procesu decyzyjnego.
REFERENCJE (26)
1.
Koźmiński A.K., Piotrowski W. Zarządzanie. Teoria i praktyka. Wydawnictwo Naukowe PWN. Warszawa 2002.
Google Scholar
 
 
2.
Szydło R. Komu jest potrzebny statystyk medyczny? Onkol. Prakt. Klin. 2005; 1(3): 129–131.
Google Scholar
 
 
3.
Michalski T. Statystyka. Wydawnictwo Szkolne i Pedagogiczne. Warszawa 2004, s. 5–7.
Google Scholar
 
 
4.
Sobczyk M. Statystyka. Wydawnictwo Uniwersytetu Marii Curie-Skłodowskiej. Lublin 2001, s. 7–9.
Google Scholar
 
 
5.
Dobbson A.J. The role of the statistician. Int. J. Epidemiol. 1983; 12(3): 274–275.
Google Scholar
 
 
6.
Lenz R., Reuchert M. IT suport for healthcare processes-premises, challenges, perspectives. Data & Knowlegde Engineering 2007; 61: 39–58.
Google Scholar
 
 
7.
Stanisz A. Przystępny kurs statystyki z zastosowaniem STATISTICA PL na przykładach z medycny. Tom II. StatSoft Polska. Kraków 2006, s. 217–254.
Google Scholar
 
 
8.
Stanisz A. Biostatystyka. Wydawnictwo Uniwersytetu Jagiellońskiego. Kraków 2005, s. 325–335.
Google Scholar
 
 
9.
Stanisz A. Regresja logistyczna. Medycyna Praktyczna 200110, http:www.mp.plartykulyindex.php?aid=11813&_tc=32F4510F44D54B93654578ACE3F57E99 [dostęp z dnia: 02.01.2013].
Google Scholar
 
 
10.
Łapczyński M. Drzewa klasyfikacyjne i regresyjne w badaniach marketingowych. Uniwersytet Ekonomiczny. Kraków 2011.
Google Scholar
 
 
11.
Stanisz A. Przystępny kurs statystyki z zastosowaniem STATISTICA PL na przykładach z medycyny. Tom III. StatSoft Polska. Kraków 2006, s. 113–153.
Google Scholar
 
 
12.
Łapczyński M. Drzewa klasyfikacyjne w badaniach satysfakcji i lojal-ności klientów. StatSoft Polska. Kraków 2003.
Google Scholar
 
 
13.
Gatnar E., Walesiak M. Statystyczna analiza danych z wykorzystaniem programu R. Wydawnictwo Naukowe PWN. Warszawa 2009, s. 238–260.
Google Scholar
 
 
14.
Stanisz A. Statistica w badaniach naukowych i nauczaniu statystyki. StatSoft Polska. Kraków 2010, s. 61–80.
Google Scholar
 
 
15.
StatSoft Electronic Statistic Textbook. Drzewa klasyfikacyjne, http:www.statsoft.pltextbookstathome_stat.html?http%3A%2F%2Fwww.statsoft.pl%2Ftextbook%2Fstclatre.html [dostęp z dnia: 02.01.2013].
Google Scholar
 
 
16.
Koronacki J., Ćwik J. Statystyczne systemy uczące się. 2 wyd. EXIT. Warszawa 2008, s. 129–164.
Google Scholar
 
 
17.
Harańczyk G. Krzywa ROC, czyli ocena jakości klasyfikatora i poszukiwanie optymalnego punktu odcięcia. StatSoft Polska. Kraków 2010, s. 79–89.
Google Scholar
 
 
18.
Swets J.A., Dawes S.M., Monahan J. Better decisions through science. Sci. Am. 2000; 283(4): 82–87.
Google Scholar
 
 
19.
Stanisz A. Przystępny kurs statystyki z zastosowaniem STATISTICA PL na przykładach z medycyny. Tom I. StatSoft Polska. Kraków 2006, s. 340–370.
Google Scholar
 
 
20.
Harańczyk G., Stępień M. Ilustrowana sztuka podejmowania decyzji. Matematyka Społeczeństwo Nauczanie 2008; 41: 12–15.
Google Scholar
 
 
21.
Lemon S.C., Roy J., Clark M.A., Friedmann P.D., Rakowski W. Classification and regression tree analysis in public health: methodological review and comparison with logistic regression. Ann. Behav. Med. 2003; 26(3): 172–181.
Google Scholar
 
 
22.
Long W.J., Griffith J.L., Selker H.P., D’Agostino R.B. A comparison of logistic regression to decision-tree induction in a medical domain. Comput. Biomed. Res. 1993; 26: 74–97.
Google Scholar
 
 
23.
Owczarek A. Drzewa decyzyjne oraz analiza hazardu proporcjonalnego Coxa w przewidywaniu niekorzystnych zdarzeń sercowych u chorych z przewlekłą niewydolnością serca. Rozprawa habilitacyjna nr 12/2011. Śląski Uniwersytet Medyczny w Katowicach. Katowice 2011.
Google Scholar
 
 
24.
Classification and Regression Trees. http:documents.software.dell.com StatisticsTextbookClassification-and-Regression-Trees [dostęp z dnia: 15.06.2015].
Google Scholar
 
 
25.
Słapa R.Z. Zastosowanie ultrasonografii trójwymiarowej w diagnostyce zmian ogniskowych tarczycy. Akademia Medyczna w Warszawie. Warszawa 2007.
Google Scholar
 
 
26.
Goel R., Misra A., Kondal D., Pandey R.M., Vikram N.K., Wasir J.S., Dhingra V., Luthra K. Identification of insulin resistance in Asian Indian adolescents: classification and regression tree (CART) andlogistic regre-ssion based classification rules. Clin. Endocrinol. (Oxf) 2009; 70(5): 717–724.
Google Scholar
 
 
Udostępnij
Wyślij mailem
ARTYKUŁ POWIĄZANY
Zakrzepica zatok żylnych mózgowia w populacji pediatrycznej – przegląd literatury
Pacjent z CADASIL – wyzwanie diagnostyczne
Niezwykły objaw raka jasnokomórkowego – opis przypadku
Trudności diagnostyczne i terapeutyczne u 32-letniej kobiety po udarze mózgu z przetrwałym otworem owalnym i z genetycznie uwarunkowaną nadkrzepliwością – opis przypadku
Znaczenie hiponatremii u chorych z pierwszym w życiu udarem niedokrwiennym mózgu
Indeksy
 
Indeks słów kluczowych
Indeks dziedzin
Indeks autorów
eISSN:1734-025X
Journals System - logo


© 2006-2025 Journal hosting platform by Bentus
Scroll to top