ارزيابي متغيرهاي پيش‌آگهي در رده‌بندي نرخ بقاي بيماران مبتلا به سرطان كولوركتال با استفاده از درخت تصميم

Evaluation of Prognostic Variables for Classifying the Survival In Colorectal Patients using The Decision Tree

مقدمه و اهداف: جستجو برای ارزيابی و تحليل فاكتورهاي مهم و موثر در بقای بيماران يكی از مباحث كليدی در مطالعات بالينی است. مدل درخت تصميم روش جديدی است كه در تعيين فاكتورهای پيش آگهی بيماری و رده بندی بيمارن بر اساس زيرگروه‌هاي همگن استفاده می‌شود. در اين روش انتخاب رده‌ها برحسب مهم‌ترين فاكتورهای پيش‌آگهي صورت می‌گيرد. هدف از اين مطالعه تحليل داده‌های بقای بيماران مبتلا به سرطان كولوركتال با استفاده از درخت تصميم است. روش كار: در اين مطالعه، از داده‌های 739 بيمار مبتلا به سرطان كولوركتال استفاده شده است. اين داده‌ها در مركز تحقيقات بيماری‌های گوارش و كبد دانشگاه علوم پزشكی شهيد بهشتي ثبت شده‌اند. داده‌ها شامل اطلاعات دموگرافی و هيستوپاتولوژيك هستند. پيشامد مورد نظر در اين مطالعه مرگ بيماران است و زمان بقای بيماران از زمان تشخيص بيماری تا وقوع پيشامد (يا سانسور شدن) است كه بر حسب ماه اندازه‌گيری شده است. برای تحليل داده‌ها و رده‌بندي بيماران از مدل درخت تصميم استفاده شد. نتايج: مدل درخت تصميم متغيرهای مرحله سرطان در زمان تشخيص (بر حسب TNM)، سن بيمار در زمان تشخيص، متغير نوع مورفولوژی تومور و درجه سرطان را در سطح معناداري (05/0P<) به عنوان فاكتورهای پيش‌آگهی مهم در بقای بيماران مبتلا به سرطان كولوركتال نشان داد. همچنين بيماران بر حسب اين فاكتورها به پنج زيرگروه همگن رده‌بندی شدند. مقادير بزرگتر از 1 معيار اندازه اختلاف (measure of separation) (SEP)، مناسبت مدل را تائيد می‌كند. نتيجه‌گيری: مدل درخت تصميم علاوه بر ارزيابی فاكتورهاي پيش‌آگهی بيماری، روشی مناسب و قدرتمند در رده‌بندی نرخ بقای بيماران است.

Background & Objectives: Identifying the important influential factors is a great challenge in oncology studies. Decision tree is one of methods that could be used to evaluate the prognostic factors and classifying the patientsʹ homogeneously. This method identifies the main prognostic factors and then determines the subgroups of patients based on those prognostic factors. The aim of this study was to assess the prognostic factors and homogeneous subgroups of colorectal patient through survival tree. Methods: Data collected from an observational of 739 colorectal patients registered in the cancer registry affiliated to the center of Research Center of Gastroenterology and Liver Disease (RCGLD), Shahid Beheshti Medical University, Tehran, Iran. Death was the interested event and the survival time was calculated from date of diagnosis until occurrence of event (or censoring) in months. Finally we used decision tree based method for classifying and analyzing the data. Results: Based on our result, decision tree identified four covariates as important prognostic factors in 0.05 significant levels: general stage of cancer, age of diagnosis, histology of tumor and morphology type of tumor. Also patients based on these prognostic factors divided into five homogeneous subgroups. The greater values of measure of separation (SEP) criterion support the appropriateness of this model for such the data. Conclusion: Decision tree is powerful and intuitive method. It has a key feature that is in addition to evaluate the prognostic factors, provides the homogeneous subgroups for future analysis.