Iranian Journal of Endocrinology and Metabolism

fa پیش‌بینی ابتلا به دیابت با استفاده از رگرسیون منطقی Prediction of Diabetes Using Logic Regression پژوهشی Original مقدمه: دیابت نوع 2 یکی از بیماری‌های چندعاملی است که با توجه به اهمیت و بار فردی و اجتماعی، لزوم شناسایی افراد پرخطر برای ابتلا به آن مشهود است. تاکنون مطالعه‌های متعددی برای پیش‌بینی بروز دیابت با استفاده از مدل‌های آماری موجود انجام شده است ولی با وجود اهمیت بالینی اثر متقابل عوامل خطرساز بر بروز دیابت، امکان لحاظ کردن همه‌ی اثرهای متقابل ممکن در مدل‌های آماری فعلی وجود ندارد. در این مطالعه، به منظور یافتن ترکیبات منطقی مناسب از عوامل خطرساز مرتبط با دیابت نوع 2 از روش رگرسیون لجستیک منطقی استفاده شد. مواد و روش‌ها: جمعیت مورد بررسی، از افراد بخش کوهورت مطالعه‌ی قند و لیپید تهران (TLGS) انتخاب شدند. 3523 نفر (8/57% زن و 2/42% مرد) وارد مطالعه شدند. تحلیل‌های مربوط با استفاده از روش رگرسیون لجستیک منطقی (Logic Logistic Regression) انجام شد. پارامترهای مدل با به کارگیری الگوریتم Annealing برآورد شد. به منظور اجتناب از بیش برآورد شدن، تعداد بهینه‌ی ترکیبات منطقی و متغیرهای مدل به روش اعتبار متقاطع تعیین شد. برای ارزیابی و مقایسه‌ی مدل منطقی به دست آمده با رگرسیون لجستیک حاصل از اثر اصلی، آماره‌ی انحراف، میزان حساسیت و ویژگی دو مدل محاسبه شد. هم‌چنین، مقایسه‌ی میزان پیش‌بینی بروز دیابت توسط مدل‌ها با استفاده از سطح زیر منحنی مشخصه‌ی عملکرد (ROC) انجام شد. نرم‌افزار R نسخه 1/8/2 برای انجام تحلیل‌ها مورد استفاده قرار گرفت. یافته‌ها: با استفاده از الگوریتم Anealing مدل رگرسیون لجستیک منطقی با 4 ترکیب بولی شامل 5 متغیر برازش داده شد. آماره‌ی انحراف این مدل 3/1203 به‌دست آمد که نسبت به مدل‌های دیگر و نیز مدل لجستیک پیشرو (آماره‌ی انحراف = 88/1206) برازش بهتری داشت. عبارات بولی یافت شده در مدل با 4 ترکیب شامل اختلال تحمل قند ناشتا (نسبت بخت: 53/5 و فاصله‌ی اطمینان 95%: 59/7 و 03/4، اختلال تحمل قند دوساعته (نسبت بخت: 45/5 و فاصله‌ی اطمینان 95%: 49/7 و 96/3)، داشتن سابقه‌ی فامیلی دیابت با (نسبت بخت: 89/1و فاصله‌ی اطمینان 95%: 63/2 و 38/1)، تری‌گلیسرید بالا یا دور کمر بالا (نسبت بخت: 4/2 و فاصله‌ی اطمینان 95%: 32/3 و 73/1) بود (برای همه متغیرها 001/0P<). سطح زیر منحنی راک مربوط به مدل 843/0 با فاصله‌ی اطمینان 95% مجانبی (874/0 و 813/0) به دست آمد که با سطح زیر منحنی راک مدل لجستیک پیشرو (839/0) تفاوت معنی‌داری نداشت. نتیجه‌گیری: به نظر می‌رسد رگرسیون منطقی به عنوان یک روش جدید، قابلیت خوبی برای غربالگری بیماری‌های چند عاملی از جمله دیابت دارد زیرا در این رگرسیون، امکان شناسایی و لحاظ کردن اثر متقابل بین عوامل خطرساز وجود دارد. Introduction: Detection of population at risk of type II diabetes, as a multi-factorial disease, is an important issue because of its individual and social impacts. To date, several studies have been conducted to predict the incidence of diabetes, using different statistical methods. However, despite its clinical importance, it is highly difficult to consider all interactions among risk factors, in ordinary statistical models. This study aimed to extract appropriate logic combination of type 2 diabetes risk factors employing the recently introduced method, Logic regression. Materials and Methods: The study population was selected from a cohort of the <place w:st="on"><city w:st="on">Tehran</city></place> Lipid and Glucose Study (TLGS). Data for 3523 participants, aged 20 years and over (57.8% female and 42.2% male) were entered into analysis, for which logistic logic regression method was used. The model parameters were estimated using the Annealing algorithm. To avoid overestimation, the optimal number of logic combinations was determined by the cross-validation method. Deviance, sensitivity and specificity measures were computed to evaluate the logic model and its comparison to ordinary logistic regression the latter accommodated only the main effects. The prediction power of the two models was compared by Area under ROC curve. R software version 2.8.1 was employed for analyses. Results: Logistic logic regression with the 4 Boolean combination including 5 variables was fitted using the Annealing algorithm and resulted in in deviance of 1203.30. This model had better fit compared to other logic models and also ordinary logistic regression with forward procedure (deviance=1206.88). The Boolean combination of the above model included impaired fasting glucose (OR=5.53, 95%CI: 4.03-7.59), IGT (OR=5.54, 95%CI: 3.96-7.49), family history of diabetes (OR=1.89, 95%CI: 1.38-2.63), and interaction of high triglycerides or abnormal waist circumference (OR=2.4, 95%CI: 1.73-3.32) all p-values <0.001. The area under ROC curve for the model was 0.843 (95%CI: 0.813-0.874). Conclusion: This study showed that the logic regression as a newly introduced method has the ability of recognizing and modelling the interactions between different risk factors. Therefore, it is recommended as an appropriate tool for screening of the multi-factorial diseases such as diabetes. رگرسیون منطقی، دیابت، اثرهای متقابل، پیش‌بینی بروز، منطق بولی، الگوریتم Annealing Logic regression, Diabetes, Interaction effects, Prediction of incidence, 16 24 http://ijem.sbmu.ac.ir/browse.php?a_code=A-10-799-20&slc_lang=fa&sid=1 Y. Mehrabi یداله محرابی ymehrabi@gmail.com 4000319475328460011373 4000319475328460011373 Yes A Khadem-Maboudi علی اکبر خادم معبودی 4000319475328460011498 4000319475328460011498 No F. Hadaegh فرزاد حدائق 4000319475328460011499 4000319475328460011499 No P Sarbakhsh پروین سربخش 4000319475328460011500 4000319475328460011500 No