مدل هاي آميخته خطي تعميم يافته: معرفي، روش هاي برآورد وكاربرد آن در مطالعات پزشكي

Generalized Linear Mixed Models: Introduction, Estimation Methods and Their Application in Medical Studies

مقدمه: در بسياري از مطالعات بخصوص مطالعات پزشكي اغلب با داده هايي روبه رو هستيم كه يا به صورت طولي ويا خوشه اي گردآوري شده اند.مدل هاي آميخته خطي تعميم يافته كه گسترش يافته مدل هاي خطي تعميم يافته ومدل هاي آميخته خطي هستند روش مفيدي براي تجزيه وتحليل اينگونه داده ها مي باشند. در اين مقاله ضمن معرفي اين مدل ها وروش هاي برآورد آنها با مثال هايي در زمينه پزشكي كاربرد اين مدل ها را توضيح ميدهيم. روش بررسي: داده هاي اين مطالعه مربوط به 8525 بيمار با سرطان ريه است كه براي تحليل آنها از مدل رگرسيون لجستيك آميخته توسط نرم افزار R نسخه 3.0.1 به روش لاپلاس استفاده شده است. يافته ها : تحليل رگرسيون نشان داد كه سن،ميزان تجربه دكتر ومرحله سرطان از عوامل موثر بر بهبودي افراد بيمار مي باشد وعوامل فردي واندازه گيري نشده پزشك معالج 4.03 از تغييرات مربوط به متغير پاسخ را پوشش مي دهد. نتيجه گيري: مدل هاي خطي آميخته تعميم يافته با اينكه دامنه بسيار گسترده اي از داده ها را شامل مي شوند ولي بسياري از محققين بدليل عدم آشنايي با اين مدل ها اثرات تصادفي را ناديده مي گيرند واين امرموجب مي شود كه برخي از پارامترها به اشتباه معني دار شوند.استفاده درست از اين مدل ها موجب مي شود از بسياري از اين نتايج اشتباه جلوگيري شود.

Introduction: In medical studies, we are often confronted with data that have been collected longitudinal or cluster. The generalized Linear mixed models that had been developed from the generalized linear models and linear mixed models- are useful methods for analyzing such data. In this paper, we introduced this models and their estimation methodologies using examples of their application in the medical field. Methods and Materials: The data of this study were related to 8525 lung cancer patients that mixed logistic regression model was used for the analysis with R software version 3.0.1 by Laplace method. Results: Regression analysis showed that age, level of experience of doctors and cancer stage were factors affecting on recovery of patients. Individual and not measured factors covered 4.03 variation of response variable. Conclusion: Generalized linear mixed models include a wide range of data, but many researchers ignored the random effects due to the lack of familiarity with these models. This mistakenly leads to some parameters have significant meanings. Correct use of these models leads to prevent many false results.