مدل شكنندگي وابسته به زمان در حوادث بازگشتي و كاربرد آن در بيماري صرع

Time-dependent frailty model to gap times between recurrent events with application to epilepsy data

سابقه و هدف: در حوادث بازگشتي، يك نوع حادثه براي فردي چندين بار در طول زمان تكرار مي‌شود. مدل شكنندگي با وارد كردن وابستگي حوادث در مدل استنباط‌هاي كاراتري دارد. ثابت بودن شكنندگي در طول پيگيري مي‌تواند ناكافي باشد. لذا مدل‌هايي شكنندگي وابسته به زمان، واقعي‌تر هستند. هدف اين مطالعه برازش مدل شكنندگي وابسته به زمان براي حوادث بازگشتي است. مواد و روش‌ها: در اين مقاله مدل شكنندگي وابسته به زمان براي فاصله زماني بين حوادث بازگشتي معرفي گرديد كه تعميم مدل وينتربرت (2004) براي زمان وقوع حادثه در داده‌هاي خوشه‌اي بود. پارامترهاي مدل با روش مربع‌بندي گاوسي برآورد شدند. مدل براي داده‌هاي بيماري صرع برازش شد. يافته‌ها: مدل شكنندگي وابسته به زمان در مقايسه با مدل شكنندگي مشترك برازش بهتري داشت. ظهور مكرر ديسشارژ در نوار مغزي 56 بيمار مبتلا به صرع (73% مرد و 34% جانباز) بررسي گرديد. سن و وضعيت جانبازي رابطه معني‌داري با فاصله زماني بين ديسشارژها داشتند. معني‌دار بودن واريانس شكنندگي نشان داده كه عوامل وابسته به زمان باعث تغيير هم‌بستگي زمان وقوع ديسشارژها در طول زمان شده است. نتيجه‌گيري: هرگاه در مسائل پزشكي عوامل وابسته به زمان نامعلومي باعث تغيير در زمان وقوع حوادث بازگشتي شوند، استفاده از شكنندگي وابسته به زمان منجر به نتايج معتبرتري است. روش برآورد كوادراتور گاوسي يك تكنيك كاربردي براي برازش مدل‌هاي شكنندگي وابسته به زمان است و به جهت برنامه‌نويسي راحت‌تر براي عمومي‌تر شدن و كاربردي‌تر شدن مدل‌هاي پيشرفته از جمله مدل شكنندگي وابسته به زمان مناسب است

Introduction: In recurrent event a specific event occur repeatedly over time for a person. The frailty models take into account this correlation and provide efficient inferences. The frailties are assumed to be constant over time that it may be insufficient. Therefore time-varying frailty models are more realistic models. The aim of this study was to fit a time-dependent frailty model in the gap time between recurrent events. Materials and methods: In this study, a time-dependent frailty model was introduced in the gap time between recurrent events, that was a generalization of the Wintrebert (2004) model in cluster data (center-effect). The parameters were estimated by Gaussian quadrature method. The model was applied to epilepsy data. Results: The time-dependent frailty model fitted better in compare to shared frailty model. The observation time for IED on EEG in 56 patients (%73 male, %34 veteran status) with epilepsy was studied. Age and veteran status were the two risk factors in the gap time between IEDs. Variance of frailty was significant too. Conclusion: The result of time-dependent frailty model was reliable when there were unknown time-dependent factors in medical data and make changes on times of occurring recurrent events. The Gaussian quadrature was an applied method to fit a time-dependent frailty model. The programming for this method was comfortable; hence this method can cause time-dependent fraility models to be more practical in medical studies.