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
 
SŁOWA KLUCZOWE
DZIEDZINY
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.
 
2.
Szydło R. Komu jest potrzebny statystyk medyczny? Onkol. Prakt. Klin. 2005; 1(3): 129–131.
 
3.
Michalski T. Statystyka. Wydawnictwo Szkolne i Pedagogiczne. Warszawa 2004, s. 5–7.
 
4.
Sobczyk M. Statystyka. Wydawnictwo Uniwersytetu Marii Curie-Skłodowskiej. Lublin 2001, s. 7–9.
 
5.
Dobbson A.J. The role of the statistician. Int. J. Epidemiol. 1983; 12(3): 274–275.
 
6.
Lenz R., Reuchert M. IT suport for healthcare processes-premises, challenges, perspectives. Data & Knowlegde Engineering 2007; 61: 39–58.
 
7.
Stanisz A. Przystępny kurs statystyki z zastosowaniem STATISTICA PL na przykładach z medycny. Tom II. StatSoft Polska. Kraków 2006, s. 217–254.
 
8.
Stanisz A. Biostatystyka. Wydawnictwo Uniwersytetu Jagiellońskiego. Kraków 2005, s. 325–335.
 
9.
Stanisz A. Regresja logistyczna. Medycyna Praktyczna 200110, http:www.mp.plartykulyindex.php?aid... [dostęp z dnia: 02.01.2013].
 
10.
Łapczyński M. Drzewa klasyfikacyjne i regresyjne w badaniach marketingowych. Uniwersytet Ekonomiczny. Kraków 2011.
 
11.
Stanisz A. Przystępny kurs statystyki z zastosowaniem STATISTICA PL na przykładach z medycyny. Tom III. StatSoft Polska. Kraków 2006, s. 113–153.
 
12.
Łapczyński M. Drzewa klasyfikacyjne w badaniach satysfakcji i lojal-ności klientów. StatSoft Polska. Kraków 2003.
 
13.
Gatnar E., Walesiak M. Statystyczna analiza danych z wykorzystaniem programu R. Wydawnictwo Naukowe PWN. Warszawa 2009, s. 238–260.
 
14.
Stanisz A. Statistica w badaniach naukowych i nauczaniu statystyki. StatSoft Polska. Kraków 2010, s. 61–80.
 
15.
StatSoft Electronic Statistic Textbook. Drzewa klasyfikacyjne, http:www.statsoft.pltextbookstathom... [dostęp z dnia: 02.01.2013].
 
16.
Koronacki J., Ćwik J. Statystyczne systemy uczące się. 2 wyd. EXIT. Warszawa 2008, s. 129–164.
 
17.
Harańczyk G. Krzywa ROC, czyli ocena jakości klasyfikatora i poszukiwanie optymalnego punktu odcięcia. StatSoft Polska. Kraków 2010, s. 79–89.
 
18.
Swets J.A., Dawes S.M., Monahan J. Better decisions through science. Sci. Am. 2000; 283(4): 82–87.
 
19.
Stanisz A. Przystępny kurs statystyki z zastosowaniem STATISTICA PL na przykładach z medycyny. Tom I. StatSoft Polska. Kraków 2006, s. 340–370.
 
20.
Harańczyk G., Stępień M. Ilustrowana sztuka podejmowania decyzji. Matematyka Społeczeństwo Nauczanie 2008; 41: 12–15.
 
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.
 
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.
 
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.
 
24.
Classification and Regression Trees. http:documents.software.dell.com StatisticsTextbookClassification-and-Regression-Trees [dostęp z dnia: 15.06.2015].
 
25.
Słapa R.Z. Zastosowanie ultrasonografii trójwymiarowej w diagnostyce zmian ogniskowych tarczycy. Akademia Medyczna w Warszawie. Warszawa 2007.
 
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.
 
eISSN:1734-025X