كاربرد مدل توأم بقا و داده هاي طولي در بيماران دياليز صفاقي

The application of joint model for longitudinal and survival data in peritoneal dialysis patients

  زمينه و هدف: در بسياری از مطالعات پزشكی، همراه با داده­های طولی كه مرتباً تحت يك دوره زمانی معين اندازه­گيری مي­شوند، اطلاعات مربوط به بقا، نيز جمع آوری می گردد. در چنين شرايطی استفاده از مدل هايی مثل مدل آميخته خطی يا روش GEE برای داده های طولی ومدل كاكس برای داده های زمان تا رخداد، به دليل عدم برقراری پيش فرض های لازم امكان پذير نمی باشند. در مقابل، مدل های توأم جهت در نظر گرفتن 1- خطای اندازه گيری متغير وابسته به زمان 2- داده های گمشده جزئی يكنوا بعد از رخداد پيشامد و3- رابطه توأم پاسخ های طولی وبقا به طور همزمان، معرفی می شوند. جهت بررسی بقا بيماران، مدل توأم مد نظر در اين پژوهش طی فرآيندی پاسخ طولی(كراتيينين) را به صورت يك متغير وابسته به زمان همراه با ساير متغير های مستقل در مدل بقا قرار می دهد .   روش كار: اين پژوهش شامل اطلاعات 417 نفر از مبتلايان به نارسايی مزمن كليه تحت درمان با روش دياليز صفاقی بود. بيماران از سال 1376 تا ابتدای سال 1388 به سه مركز درمانی (شريعتی، مدرس و شفا) درشهر تهران مراجعه نمودند . در اين مطالعه، داده های طولی و متغيرهای وابسته به زمان مورد استفاده قرار گرفته، لذا برای هر فرد متغيرهای مختلفی در زمان های معين اندازه گيری گرديد. در ابتدا برخی اطلاعات از پرونده بالينی بيماران جمع­آوری گرديد، سپس با بكارگيری مدل توأم به تعيين عوامل مؤثر بر روی بقا بيماران دياليز صفاقی پرداخته شد. يافته­ها با آناليز ابتدايی (كاكس تعميم يافته) مقايسه گرديد. جهت تحليل داده­ها از نرم افزار R استفاده وسطح معني­داری 05/0 در نظرگرفته شد.   نتايج: با بكار گيری مدل توأم، متغير های جنسيت، سن، ديابت، فشار خون دياستوليك، هموگلوبين، اوره ، LDL وكراتينين معني­دار مي­باشند؛ در مدل كاكس تعميم يافته تنها متغيرهای سن وفشار خون دياستوليك به عنوان عوامل موثر بر ريسك رخداد مرگ بيماران به شمار می آيند.   نتيجه گيری: مدل توأم، عوامل موثر بردو پاسخ را به طور همزمان مورد بررسی قرار مي­دهد. همچنين داده­های گمشده ای كه به علت رخداد يك پيشامد بوجود آمده و متغير های مستقل كه با خطای اندازه­گيری روبرو هستند را نيز مد نظر قرار مي­دهد. بنابراين در چنين مواردی استفاده از مدل های توأم كه منجر به نتايج بهتر و بالا رفتن آگاهی در مورد بيماری می گردد ضروری می باشد.

Background and Aim: In many medical studies along with longitudinal data, which are repeatedly measured during a certain time period, survival data are also recorded. In these situations, using models such as, mixed effects models or GEE method for longitudinal data and Cox model for survival data, are not appropriate because some necessary assumptions are not met. Instead, the joint models have been introduced, to consider: 1- measurement error in time-dependent covariates 2-monotone and non-ignorable missing data which occurs after an event and 3- relation between longitudinal and survival outcomes, simultaneously. At this paper, joint model Puts longitudinal response (i.e. creatinine) as a time dependent variable, along with other covariates in survival sub model, to investigate dialysis patients survival. Materials and Methods: This research contained information about 417 patients affected to chronic renal failure, under treatment of continuous ambulatory peritoneal dialysis (CAPD) method. Patients were referred to three medical centers in Tehran (Shariati, Modares and Shafa) between 1997 to 2009.In this study longitudinal data and time dependent covariate were used; Therefore, different variables for each person at certain time have been measured. In first some information was gathered from patient’s file, and then effective factors on survival of patients have been determined by using joint model. Results were compared with naive analysis (extended Cox model). For data analyzing, R software and significant level of 0.05 have been used. Results: with using joint model; sex, age, diabetes, diastolic blood pressure, haemoglobin, urea, LdL, and creatinine covariates were significant. In extended Cox model, only age and Diastolic blood pressure covariates were considered as effective factors on hazard of death in patients. Conclusion: Joint model assess the effective factors on both endpoints simultaneously. Also it considers missing data that appeared due to an event, and covariates which were measured with error. Therefore in these cases, using joint models that led to better results and more knowledge about dieses, are necessary.