روش‌شناسي طراحي و ساخت مدل پيش‌بيني موفقيت درمان ناباروري

Methodology for Designing Models Predicting Success of Infertility Treatment

زمينه و هدف: حدود بيست و پنج سال است كه مدل‌هاي پيش‌بيني كننده درمان ناباروري وارد عرصه سلامت شده‌اند. براي توليد و كاربرد مدل‌هاي پيش‌بيني كننده، اصول علمي وجود دارد كه جهت طراحي مدل پيش‌بيني موفقيت درمان ناباروري نيز به كار مي‌روند. هدف از اين مطالعه، فراهم آوردن اطلاعات پايه براي تدوين مدل پيش‌بيني كننده موفقيت درمان ناباروري است. مواد و روش‌ها: در اين مقاله، ابتدا اصول تدوين مدل پيش‌بيني كننده توضيح داده شده و سپس ضمن بيان جزييات بيشتر طراحي اين مدل‌ها با ذكر مثالي كه مربوط به درمان‌هاي ناباروري است، شرح داده مي‌شود. يافته‌ها: شناسايي و تعريف هدف و كاركرد مدل، اطلاعات ورودي كه براي تدوين مدل از آن‌ها استفاده خواهد شد، نوع مداخله يا اقدام تشخيصي كه موجب تغييرات در نمونه مي‌شود و مشخص بودن تعريف خروجي يا برون‌داد يا نتيجه‌اي كه از كاركرد مدل مورد انتظار است، مهم‌ترين اصولي هستند كه در قسمت اول توضيح داده شده و خصوصيات عوامل پيش‌گو در مدل نهايي، رسم روند نماي تهيه اطلاعات جمعيت هدف، اعتبار سنجي دروني و بيروني و توجه به برنامه تحليل نتايج از موارد مهمي هستند كه در ادامه شرح داده مي‌شود. نتيجه‌گيري: استفاده مناسب از مدل‌هاي پيش‌بيني كننده مي‌تواند بيماران و درمان‌گر را در انتخاب روش درماني مناسب ياري كند.

Background: The prediction models for infertility treatment success have presented since 25 years ago. There are scientific principles for designing and applying the prediction models that is also used to predict the success rate of infertility treatment. The purpose of this study is to provide basic principles for designing the model to predic infertility treatment success. Materials and Methods: In this paper, the principles for developing predictive models are explained and then the design of such models in infertility treatments is described in more details by explaining one sample. Results: The important principles for models that firstly are described are: identifying and defining the purpose, expected function of model, input data that will be used to develop a model: type of intervention or diagnostic procedures that can lead to changes in the samples and output definition or expected result of model function. Further, characteristics of predictive factors in final model, drawing the information flowchart, internal and external validation and attention to the analysis programme of results are the important subjects that have been described. Conclusion: If predictive models are used properly, can help treatment team and patients to achive best treatment in ART.