Metody regresji logistycznej i drzewa klasyfikacyjnego jako elementy procesu diagnostycznego w dziedzinie kardiologii
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=11813&_tc=32F4510F44D54B93654578ACE3F57E99 [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.pltextbookstathome_stat.html?http%3A%2F%2Fwww.statsoft.pl%2Ftextbook%2Fstclatre.html [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.