مدل های بازگشتی تصحیح واریانس در مطالعات پزشکی

مقدمه: در بسیاری از مطالعات پزشکی و اپیدمیولوژی هر فرد تحت شرایطی می تواند وقایعی را چندین بار، یکی پس از دیگری و به صورت متوالی تجربه نماید که آن ها را وقایع بازگشتی می نامند. اهداف وسیع تحلیل این گونه وقایع می تواند شامل توصیف فرآیند رخداد واقعه در افراد، پراکندگی وقایع از فردی به فرد دیگر و رابطه بین متغیرهای پیش بین ثابت یا وابسته به زمان با زمان رخداد واقعه باشد. از این رو، هدف اصلی این مقاله ارائه و تفسیر مدل های پیشرفته آماری به منظور تحلیل درست این وقایع بود که در سال های اخیر پیشنهاد شده اند. مواد و روش کار: در این مقاله، برای مدلسازی وقایع بازگشتی روش های تصحیح واریانس که شامل مدل های AG، شرطی PWP (PWP-TT و PWP-GT) و مدل حاشیه ای WLW هستند، ارائه و با یکدیگر مقایسه شده اند. یافته ها: اغلب، مدل های شرطی PWP زمانی کاربرد دارند که تعداد وقایع کمی برای هر فرد رخ دهد و مخاطره رخداد مجدد واقعه میان رخداد های مختلف تغییر نماید. در حالی که مدل حاشیه ای WLW و مدل AG با پیش بین های وابسته به زمان، برای تعیین فراوانی وقایع به کار می روند. بحث و نتیجه گیری: محققان حوزه پزشکی و اپیدمیولوژی برای انتخاب صحیح مدل های بازگشتی باید به عوامل مختلفی از جمله تعداد وقایع، ارتباط میان وقایع، متغیر بودن اثر عوامل از واقعه ای به واقعه دیگر، فرایند بیولوژیکی و ساختار همبستگی داده ها توجه نمایند.  

Keywords:

Recurrent events , AG model , Conditional PWP model , Marginal WLW model , وقایع بازگشتی , مدل های بازگشتی , مدل AG , مدل حاشیه ای WLW , مدل شرطی PWP