مدلسازی آمیخته مقطعی برای عوامل خطر متابولیک قلبی: ترکیبی از نشانگرهای رسته ای و پیوسته برای کلاس پنهان
چکیده
مقدمه: بیماری متابولیک¬قلبی برای توصیف طیفی از بیماری¬ها از جمله بیماری قلبی¬عروقی، سندرم متابولیک، سکته مغزی و دیابت نوع 2 است. این بیماری یکی از شایع¬ترین بیماری¬ها در سراسر جهان و ایران است و در حال¬حاضر سنگین¬ترین بار اقتصادی را برای کشورهای در حال توسعه دارد. فشارخون بالا، اضافه وزن و چاقی، دیس لیپیدمی و تری¬گلیسیرید عوامل خطر شناخته¬شده برای بیماری متابولیک¬قلبی هستند. عوامل¬خطر متابولیک¬قلبی در بین افراد براساس سن، بلوغ¬ جنسی، سابقه ¬خانوادگی و سطوح بالای عوامل¬ خطر متفاوت است. بنابراین، پیش¬بینی عوامل¬ خطر بیماری¬ متابولیک¬قلبی می¬تواند در روند درمانی بیماران مؤثر باشد. به این ترتیب، انتخاب مدلی که بتواند پیش¬بینی خوبی از عوامل¬خطر داشته باشد اهمیت دارد. رویکردهای آماری مختلفی برای پیش¬بینی عوامل¬خطر موثر بر بیماری¬های متابولیک¬قلبی وجود دارد. تجزیه و تحلیل پروفایل پنهان (LPA)، رویکردی است برای تعیین اینکه آیا پروفایل¬های تعریف¬شده برای عوامل¬خطر به اندازه کافی جزئیات مربوط به بیماری متابولیک¬قلبی را ارائه می¬دهند استفاده می-شود. علاوه¬براین، اطلاعات در مورد عوامل¬خطر می‌تواند مبنایی برای شناسایی بهتر پروفایل‌های پرخطر و مقابله با بیماری‌های متابولیک¬قلبی فراهم کند.
مواد و روش¬ها: مطالعه مقطعی حاضر به عنوان بخشی از مطالعه همگروهی آذر که توسط مرکز تحقیقات بیماری‌های گوارش و کبد دانشگاه علوم پزشکی تبریز، در سال 1399 بر روی 500 نفر از کارکنان بهداشتی و درمانی قراردادی تمام¬ وقت و بلندمدت انجام شد. در مطالعه حاضر از ترکیب متغیرهای نشانگر رسته¬ای و پیوسته برای شناسایی کلاس¬های پنهان استفاده شد که تعمیمی از دو رویکرد تجزیه و تحلیل پروفایل پنهان (LPA) و تجزیه و تحلیل کلاس¬پنهان (LCA) بود، که مدل¬سازی آمیخته رشد (GMM) نامیده می¬شود. LPA یک رویکرد متغیرپنهان طبقه‌بندی شده است که پروفایل¬های خطرپنهان در جمعیت حاضر را براساس مجموعه خاصی از متغیرها شناسایی کرد. سپس افراد را با درجات مختلف احتمال در گروه¬های قرار داد که پروفایل‌های متفاوتی از ویژگی‌های شخصی و یا محیطی داشتند. علاوه¬بر این، شاخص¬های تشخیصی ارائه شده در LPA امکان مقایسه مدل¬های مختلف و تصمیم¬گیری آگاهانه در مورد تعداد کلاس¬های اساسی را فراهم کرد.
یافته¬ها: تعداد کل افراد در ارزیابی اولیه 500 نفر بود که 493 نفر (6/98%) در مطالعه باقی -ماندند. نمونه¬نهایی شامل 493 شرکت¬کننده بود که 8/63% مرد بودند. میانگین سنی بیماران 43 سال (انحراف معیار 2/7) بود. شاخص¬های نیکویی برازش و آنتروپی برای انتخاب بهترین مدل از کلاس¬های 7-1 مقایسه شدند. همچنین آزمون¬های آماری برای برازش بهتر مدل محاسبه شدند. درصد شیوع افراد در کلاس¬ها و درصد تغییر مدل¬ها برای معیارهای اطلاعاتی بررسی شد. در نهایت، یک مدل با دو کلاس¬پنهان انتخاب شد که بالاترین درصد شیوع، بالاترین درصد تغییر و بهترین برازش را برای BIC پایین‌تر (1/37575) و آنتروپی بالاتر (910/0) بدست آورد. کلاس¬ها با برچسب¬های پروفایل کم¬خطر (210=n) و پروفایل پرخطر (290=n) نامگذاری شدند. عوامل-خطر در پروفایل پرخطر به طور معنی¬داری بیشتر از پروفایل کم‌خطر بود. نتایج رگرسیون -لجستیک نشان داد که پروفایل پرخطر به¬طور معنی¬داری با نمایه توده¬ بدنی (309/3=OR و فاصله اطمینان 95%: 95/0-01/0)، تری¬گلیسرید (02/1= ORو فاصله اطمینان 95%: 05/1-00/1)، کلسترول HDL (88/0= ORو فاصله اطمینان 95%: 99/0-79/0)، سیگارکشیدن در گذشته یا فعلی (05/0= ORو فاصله اطمینان 95%: 95/0-01/0) و هماتوکریت (07/12= ORو فاصله اطمینان 95%: 11/42-46/3) ارتباط داشت. همچنین شاخص¬های تشخیصی و سطح زیر منحنی ROC برای بررسی کفایت مدل رگرسیون¬لجستیک محاسبه شد و نتایج نشان داد مدل کفایت لازم را دارد.
نتیجه¬گیری: مطالعه ما با رویکرد LPA، الگوی خصوصیات مشترک پنهان کارکنان مراقبت های بهداشتی، پروفایل¬های کم¬خطر و پرخطر را نشان داد. به¬طور خاص، ما دریافتیم که تعیین پروفایل¬های خطر پنهان مشتق شده از LPA و پیش¬بینی کننده¬های مهم پروفایل¬ها، قطعا به یافتن راه¬هایی برای جلوگیری از بروز بیماری متابولیک¬قلبی کمک می¬کند.