سامانه مدیریت اطلاعات تحقیقات، پژوهش و فناوری

---

سابقه و هدف: پیش­بینی زمان بقا دارای پیامدهای مؤثر زیادی در مدیریت کیفیت زندگی برای باقیمانده­ی عمر بیمار است، از طرفی داده­های بقا بسیار متغیرند و پیش­بینی­های دقیق را دشوار می­سازند. جنگل بقای تصادفی با تکرار ساخت درخت و میانگین­گیری روی نتایج این درخت­ها باعث کم شدن خطای پیش­بینی و تعمیم­پذیری بیشتر این نتایج می­شود. این پایان نامه به مقایسه­ی خطای پیش­بینی مدل جنگل بقای تصادفی با مدل­های کاکس و وایبول در پیش­بینی زمان تا عود اول در بیماران مبتلا به سرطان تخمدان اپیتلیال می­پردازد.
مواد و روش­ها: در این مطالعه­ از اطلاعات ۱۴۱ بیمار مبتلا به سرطان تخمدان که از سال ۱۳۸۷ تا پایان سال ۱۳۹۷ به بیمارستان امام حسین تهران مراجعه کرده بودند استفاده شد. برای بررسی عوامل مؤثر بر عود اول بیماران، رگرسیون کاکس، مدل وایبول، درخت رگرسیون و کلاس­بندی و جنگل بقای تصادفی به داده­ها برازش شد و با استفاده از شاخص C-Index و نمره­ی بریر خطای پیش­بینی این مدل­ها با هم مقایسه شدند.
یافته­ ها: طبق نتایج جنگل بقا، متاستاتیک بودن تومور با استفاده از ملاک (VIMP)، با اهمیت نسبی ۶۶۵/۲ و کمترین عمق (MD) ۳۴۹/۲، مرحله­ی بیماری با اهمیت نسبی ۹۹۳/۱ و عمق ۶۷۸/۲ و ماکسیمم پلاکت با اهمیت نسبی ۱۳۲/۲ و عمق ۶۸۳/۲ متغیرهای اثرگذار بودند. براساس نمره­ی بریر خطای پیش­بینی جنگل بقای تصادفی ۱۶/۰ و مدل کاکس ۲۴/۰ بود. مقدار خطای C-Index درجنگل بقای تصادفی ۳۴/۰ و در مدل کاکس ۴۲/۰ بود. نمره­ی بریر برای مدل کاکس و وایبول تقریبا به یک میزان محاسبه شد، بنابراین خطای پیش­بینی جنگل بقای تصادفی از هر دومدل کاکس و وایبول کمتر شد.
نتیجه­گیری: برخلاف روش­های کلاسیک، جنگل بقای تصادفی بدون نیاز به پیش فرض خاصی با خطای پیش­بینی کمتر می­تواند تغییرات متغیر پاسخ را هنگام مواجهه با داده­های با ابعاد بالا به­خوبی تبیین کند.