بررسي عوامل خطر بر زمان بقاي لوسمي حاد كودكان با استفاده از مدل ريسك رقابتي

Risk Factors Influencing the Survival of Pediatric Acute Leukemia Using Competing Risk Model

سابقه و هدف: لوسمي‌هاي حاد، بدخيمي‌هايي با سير پيش رونده سريع هستند كه پيش‌سازهاي آن‌ها سلول‌هاي لنفوئيدي و يا ميلوئيدي است. مطالعه عوامل پيش‌آگهي دهنده بر بقا و درمان اين بيماري از اهميت ويژه‌اي در تحقيقات پزشكي برخوردار مي‌باشد لذا اين مطالعه با هدف به كارگيري رگرسيون ريسك رقابتي جهت مقايسه برخي عوامل باليني و پاتولوژيكي در لوسمي حاد كودكان انجام شده است. مواد و روش‌ها: مطالعه حاضر از نوع كوهورت تاريخي تحليل داده‌هاي بقا بوده است كه در آن اطلاعات 97 كودك مبتلا به لوسمي حاد از بخش آنكولوژي كودكان بيمارستان بوعلي سينا ساري طي سال‌هاي 85 تا 92، شامل متغيرهاي سن در زمان تشخيص، نوع لوسمي، جنس، تعداد گلبول‌هاي سفيد، شمارش پلاكت، ميزان هموگلوبين و وضعيت بيمار (زنده/ فوت شده) جمع‌آوري گرديد. آناليز آماري مطالعه با استفاده از مدل رگرسيون ريسك رقابتي و نرم‌افزار STATA نسخه 12 با سطح معني‌داري 0/05 صورت گرفت. يافته‌ها: ميانه دوره پي گيري براي بيماران مبتلا به لوسمي حاد 14/83 ماه بود كه طي اين مدت 27 مورد (27/83 درصد) از بيماران (17 مورد ALL و 10 مورد AML) فوت نمودند. بر اساس مدل رگرسيون ريسك رقابتي متغيرهاي نوع لوسمي، تعداد گلبول سفيد و هموگلوبين بر زمان بقا بيماران لوسمي حادتاثير گذار بودند. استنتاج: در حضور ريسك هاي رقيب به كارگيري مدل رگرسيون ريسك رقابتي نسبت به مدل رگرسيون كاكس كارايي بيش تري در شناسايي عوامل خطر بر پيش آگهي زمان بقاي بيماران مبتلا به لوسمي حاد داشت.

Background and purpose: Acute leukemia is a malignancy with a rapidly progressive course of the lymphoid or myeloid cells. A prognostic factor for its survival and treatment is of particular importance in medical research. Therefore, this study aimed at applying competing risk model to compare clinical and pathologic factors in pediatric acute leukemia. Materials and methods: A historical cohort analysis was performed on survival data of 97 children with acute leukemia collected from Pediatric Oncology Department in Booali Sina Hospital in Sari from 2006 to 2014. We recorded data including age at diagnosis, type of leukemia, sex, white blood cell count, and platelet count. Statistical analysis using competing risk model, Cox regression model and STATS software were performed. Results: The median follow-up period was 14.83 mounts during which 27 patients (27.83%) (17 ALL cases and 10 AML cases) passed away. In competing risk model significant relationship was found between type of leukemia, hemoglobin count and white blood cell count with survival time. Conclusion: In order to identify the prognostic risk factors on the survival of patients with acute leukemia, in presence of competing risks, using the competing risk regression model was found more efficient compared to cox regression model.