مقايسه رگرسيون لجستيك و تحليل مميزي در شناسايي عوامل تعيين‌كننده ديابت نوع 2 در ميان افراد پره‌ديابتي مناطق روستايي شهرستان كرمانشاه

Comparison logistic regression and discriminant analysis in identifying the determinants of type 2 diabetes among prediabetes of Kermanshah rural areas

زمينه: عدم كنترل به‌موقع ديابت منجر به عوارض جبران‌ناپذيري در ساير بافت‌هاي بدن از جمله قلب، كليه و چشم مي‌گردد. با توجه به اين‌كه افراد پره‌‌ديابتي مستعدترين افراد براي ابتلا به اين بيماري هستند، در اين مطالعه به بررسي مهم‌ترين عوامل تعيين‌كننده ابتلا به ديابت در اين گروه از افراد با استفاده از دو روش پيشرفته آماري رگرسيون لجستيك و تحليل مميزي پرداخته شد. روش‌ها: داده‌هاي اين مطالعه از 17 مركز بهداشتي درماني روستايي شهرستان كرمانشاه جمع‌آوري گرديد. 100 بيمار ديابتي و 100 بيمار پره‌ديابتي وارد مطالعه شدند. اطلاعات جمعيت‌شناختي، شاخص توده بدن، قندخون ناشتا (FBS)، تست تحمل گلوكز خوراكي (OGTT)، فشارخون، چربي خون و ميزان تحرك روزانه در دو چك ليست جداگانه گردآوري شد. مدل‌هاي رگرسيون لجستيك و تحليل مميزي به‌منظور شناسايي عوامل تعيين‌كننده بر داده‌ها برازش و از نمودار راك جهت مقايسه قدرت پيش‌بيني مدل ها استفاده شد. يافته‌ها: قدرت پيش‌بيني رگرسيون لجستيك و تحليل مميزي به‌ترتيب برابر 884/0 و 80/0 برآورد شد. متغيرهاي جنس (027/0P=) و FBS (001/0P < ) در رگرسيون لجستيك و متغيرهاي سن (014/0P=)، FBS (001/0P < ) و OGTT (001/0P < ) در تحليل مميزي معنادار بودند. مدل رگرسيون لجستيك با 79 درصد از حساسيت بالاتري برخوردار بود. نتيجه‌گيري: در اين مطالعه رگرسيون لجستيك در تفكيك بيماران ديابتي از پره‌ديابتيك، قدرت بيشتري نشان داد. در جوامعي كه گروه‌هاي مورد و كنترل قرابت زيادي دارند، كشف تفاوت‌هاي آن‌ها نيازمند روش‌هاي نيرومندتر است. بنابراين استفاده از اين روش‌ها در مطالعات پزشكي توصيه مي‌گردد.

Background: Failure to control diabetes on time leads to irreparable complications in other parts of body such as heart, kidneys, eyes, and etc. As those most susceptible to the disease are pre-diabetic individuals, this study aims to identify the Determinants for diabetes in people with pre-diabetes employing two advanced statistical methods of logistic regression and discriminant analysis. Methods: Data were collected from 17 health centers in the rural area of Kermanshah city. 100 diabetic patients and 100 pre-diabetes persons (controls) were enrolled. Demographic data, body mass index, fasting blood sugar (FBS), oral glucose tolerance test (OGTT), blood pressure, blood lipid levels and daily activity in two separate forms by the staff of Disease control from health records were collected. Logistic regression and discriminant analysis to identify Determinants and ROC curve were used to compare the predictive power of the models. Results: The predictive power of logistic regression and discriminant analysis were 0.884 and 0.80 respectively. Sex (P= 0.027) and FBS (P < 0.001) in logistic regression and age (P=0.014), FBS (P < 0.001) and OGTT (P < 0.001) were significant in the discriminant analysis. Logistic regression model was more sensitive (79%). Conclusion: In this study, logistic regression was more powerful in the separation of patients from pre-diabetic. In communities that have high affinity between case and control groups, identifying differences needs stronger methods. Thus, using these methods recommended in medical studies.