Journal title

fa پیش بینی زمان های بقای سرطان تخمدان : مقایسه ی روش های پارامتریک با جنگل های بقای تصادفی Predicting Ovarian Cancer Survival Times: Comparison Of Parametric Methods With Random Survival Forests آمار حیاتی کوهورت 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 141 بیمار مبتلا به سرطان تخمدان که از سال 1387 تا پایان سال 1397 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 665/2 و کمترین عمق (MD) 349/2، مرحلهی بیماری با اهمیت نسبی 993/1 و عمق 678/2 و ماکسیمم پلاکت با اهمیت نسبی 132/2 و عمق 683/2 متغیرهای اثرگذار بودند. براساس نمرهی بریر خطای پیشبینی جنگل بقای تصادفی 16/0 و مدل کاکس 24/0 بود. مقدار خطای C-Index درجنگل بقای تصادفی 34/0 و در مدل کاکس 42/0 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. Background and Aim: Predicting survival time has many effective consequences in managing the quality of life for the rest of the patientchr('39')s life. On the other hand, survival data are highly variable and make accurate predictions difficult. Random survival forests by repeating tree construction and averaging the results of these trees cause reducing the prediction error and further generalizability of these results. This thesis compares the prediction error of the random survival forest model with the Cox and Weibull models in predicting the time to the first recurrence in patients with epithelial ovarian cancer. Materials and Methods: In this study, the data of 141 patients with ovarian cancer who referred to Imam Hossein Hospital in Tehran from 2008 to the end of 2018 were used. Cox regression, Weibull model, classification and regression tree, and random survival forest were fitted to the data to investigate the factors affecting the first recurrence of patients, respectively. Finally, using the C-Index and Brier score, the prediction error of these models were compared. Results: According to the results of random survival forest, metastatic tumor using the criterion (VIMP), with relative importance of 2.665 and minimal depth (MD) 2.349, tumor stage with relative importance of 1.993 and depth of 2.678, and maximum platelet count with relative importance of 2.132 and depth of 2.683 were effective variables. According to the Brier score, the random survival forest prediction error was 0.16 and the Cox model was 0.24. The C-Index error in the random survival forest was 0.34 and the Cox model was 0.42. Brier scores for the Cox and Weibull models were calculated to be approximately the same, so the random survival forest prediction error of the less than both Cox and Weibull models. Conclusion: Unlike classical methods, the random survival forest without the need for special presuppositions with less predictive error can well explain the variables of the response variable when exposed to high-dimensional data. سرطان تخمدان, جنگل بقای تصادفی, عود, روش های پارامتریک ovarian cancer, random survival forest, parametric methods, relapse 0 0 http://newresearch.medilam.ac.ir/browse.php?a_code=A-10-2611-1&slc_lang=fa&sid=1 maryam Deldar مریم دلدار ma.deldarf@gmail.com 0901273317 100319475328460040639 Yes Ilam University of Medical Sciences دانشگاه علوم پزشکی ایلام Kourosh Sayehmiri کورش سایه میری sayehmiri-k@medilam.ac.ir 4500980369 100319475328460040640 No Psychosocial Injuries Research Center, Ilam University of Medical sciences, Ilam, Iran مرکز تحقیقات آسیب‌های روانی و اجتماعی، دانشگاه علوم پزشکی ایلام، ایلام، ایران robab anbiaee رباب انبیائی anbiaee@gmail.com 0901132187 100319475328460040641 No Imam Hossein Hospital بیمارستان امام حسین Anahita Jalilian آناهیتا جلیلیان dr_anahita547@yahoo.com 0056716168 100319475328460040642 No Department of Obstetrics and Gynecology, School of Medicine, Ilam University of Medical sciences, Ilam, Iran گروه آموزشی زنان و زایمان، دانشکده پزشکی، دانشگاه علوم پزشکی ایلام، ایلام، ایران