عوامل مرتبط با شلي عضلات لگني در زنان، مدل رگرسيون لجستيك وزن‌دار در مطالعات با نمونه‌گيري پيچيده

Factors associated to pelvic prolapse in women, weighted logistic regression model in complex sampling studies

زمينه و هدف: در برخي مطالعات مانند مطالعات مورد-شاهدي براي انتخاب افراد بيمار و سالم از نمونه‌گيري پيچيده استفاده مي‌شود، اما اين امر اغلب در تحليل‌ها ناديده گرفته مي‌شود و روش معمولي حداكثر درستنمايي براي برآورد ضرايب مدل رگرسيون لجستيك بكار مي‌رود. هدف مطالعه حاضر اين است كه مدل رگرسيون وزن‌دار را به داده‌هاي حاصل از نمونه‌گيري پيچيده در مورد عوامل مرتبط با شلي عضلات لگني برازش و با روش معمولي و پس‌طبقه‌بندي مقايسه كند. مواد و روش كار: داده‌هاي به‌كار رفته در اين مطالعه با استفاده از نمونه‌گيري پيچيده از بين زنان شهري چهار استان كشور جمع‌آوري شده است. متغيرهاي سن، تحصيلات، شاخص توده بدني، سن ازدواج، تعداد بارداري، تعداد زايمان، تعداد زايمان واژينال و تعداد سقط با استفاده از پرسشنامه بدست آمده است. متغير شلي عضلات لگني (داشتن يا نداشتن) به‌عنوان متغير وابسته در نظر گرفته شده است. مدل‌هاي رگرسيون لجستيك معمولي، پس‌طبقه‌بندي و وزن‌دار به داده‌ها برازش داده شدند. براي مقايسه نيكويي برازش سه مدل فوق از تحليل منحني راك استفاده شد. يافته‌ها: خطاهاي استاندارد براي تمام برآوردها در روش پس‌طبقه‌بندي و وزن‌دار تقريباً با هم برابر و نسبت به روش معمولي بزرگ‌تر بودند. تعداد زايمان طبيعي، سن، كار در بيرون از منزل و شاخص توده‌ي بدني در روش معمولي ارتباط معني‌داري با خطر ابتلا به شلي عضلات لگني داشتند، اما در بقيه متغيرها ارتباط معني‌داري مشاهده نشد. سطح زير منحني راك در مدل معمولي، پس‌طبقه‌بندي و وزن‌دار به‌ترتيب 75/0، 72/0 و 73/0 بدست آمد. نتيجه‌گيري: نتايج نشان مي‌دهد كه وزن‌دهي علي‌رغم اينكه اريبي برآوردها را با تعديل خطاهاي نمونه‌گيري كاهش مي‌دهد، لزوما باعث كاهش واريانس نمي‌شود.

Background & Objectives: The use of complex sampling designs in data collection of some studies such as case-control studies is becoming common, yet this method has often been ignored in analysis. Ordinary logistic regression is used to estimate the coefficients of model, instead. The purpose of the present study is to evaluate the fitting of weighted logistic regression compared to that of ordinary (OLR) and post stratified (PSLR) logistic regression. Materials and Methods: The data used in this study were collected using complex sampling method among urban women in four provinces of Iran. Age, educational level, BMI, marital age, number of pregnancies and abortions, total and vaginal number of deliveries were considered in this research. Dependent variable was pelvic organ prolapse. Ordinary, post-stratified and weighted logistic regression was fitted to the data. To compare models’ goodness of fit, ROC curve analysis was used. Results: In post-stratified and weighted methods the standard errors of estimates were almost equal and both larger than that of ordinary method. In ordinary method, number of vaginal deliveries, age, employment and BMI showed statistically significant association with prolapsed pelvic. Area under ROC curve in ordinary, post-stratified and weighted methods obtained as 0.75, 0.72 and 0.73, respectively. Conclusion: Results showed that although weighting reduces the bias of estimates by adjusting sampling errors, it does not necessarily shrink their variance.