مقايسه مدل رگرسيون لجستيك چند سطحي با مدل رگرسيون لجستيك معمولي در بررسي عوامل مؤثر بر بروز از دست رفتن اتصال باليني پريودونشيوم

Comparing Multi-level and Ordinary Logistic Regression Models in Evaluating Factors Related to Periodontal Clinical Attachment Loss

مقدمه و اهداف: بيماري پريودنتال از شايع‌ترين بيماري‌هاي دهان و دندان است كه در مراحل پيشرفته باعث از دست رفتن اتصال باليني (CAL>3mm) مي‌شود. در اين مطالعه با استفاده از مدل كلاسيك و مدل‌هايي كه ساختار سلسله مراتبي داده‌ها را در نظر مي‌گيرند، برآورد ضرايب عوامل مؤثر بر ازدست رفتن اتصال باليني محاسبه و مورد مقايسه قرار گرفت. روش كار: اين مطالعه مقطعي روي 375 نفر زنان باردار و 192 نفر مادران داراي كودك سه‌ساله تحت پوشش 16 مركز بهداشتي و درماني علوم پزشكي شهيد بهشتي انجام گرديد. براي 6 دندان از هر فرد شاخص از دست رفتن اتصال باليني بر اساس فرم استاندارد WHO توسط دندان‌پزشك ثبت شد. تحليل داده‌ها با برازش مدل‌هاي رگرسيون لجستيك معمولي و رگرسيون لجستيك سه سطحي به‌وسيله نرم‌افزار 14 STATA انجام شد. يافته‌ها: از كل 3402 دندان بررسي‌شده 6.3% داراي CAL>3mm بود. بر اساس نتايج به‌دست‌آمده نسبت شانس بروز ازدست رفتن اتصال باليني در سه‌ماهه سوم بارداري نسبت به غير باردارها 2.4 برابر و در افرادي كه نخ دندان استفاده مي‌كنند، نسبت به افرادي كه نخ دندان استفاده نمي‌كنند 2.86 برابر، همچنين در دندان‌هاي خلفي 1.65 برابر دندان‌هاي قدامي است (0/005>P). نتيجه‌گيري: بر اساس معيار AIC مدل رگرسيون لجستيك چند سطحي برازش بهتري نسبت به رگرسيون لجستيك معمولي دارد و مي‌تواند ضرايب عوامل مؤثر بر CAL را دقيق‌تر برآورد نمايد، در صورت استفاده از مدل رگرسيون لجستيك معمولي در داده‌هاي داراي ساختار سلسله مراتبي، خطاي استاندارد پارامترها دچار كم‌برآوردي مي‌شود.

Background and Objectives: Periodontal disease is one of the most common oral health problems. Clinical attachment loss occurs in sever periodontal cases (CAL>3). In this study, we applied a classic regression model and the models that consider the hierarchical structure of the data to estimate and compare the effect of different factors on CAL. Methods: This cross-sectional study was performed in 375 pregnant women and 192 mothers of three-year-old children. The data were gathered from 16 health networks of Shahid Beheshti University of Medical Sciences, Tehran, Iran. CAL was determined for 6 teeth per person by a dentist according to WHO standard oral health examination form. Three-level and ordinary logistic regression analyses were applied for data analysis using the STATA software 14. Results: Of 3,402 examined teeth, 6.3% had CAL> 3mm. Based on the obtained results, the odds of CAL>3mm were 2.4 in the third semester compared to non-pregnant women. The odds of CAL>3mm were 2.86 in women without daily floss use compared to women with routine daily floss use. Posterior teeth were more likely to have CAL>3m than anterior teeth (OR = 1.65) (P-value < 0.05). Conclusion: According to the AIC index, multi-level logistic regression model has a better fit than ordinary logistic regression model and can estimate the coefficients of factors related to CAL>3mm more precisely. The use of the ordinary logistic regression model in hierarchical data can result in underestimated standard errors of the estimated parameters.