تعیین عوامل موثر بر شدت پره اکلامپسی، کاربرد روش درخت طبقه بندی و رگرسیون

زمینه و هدف: شناسایی و پیش بینی موارد پره اکلامپسی شدید با توجه به وخامت پی آمدهای مادری و نوزادی اهمیت زیادی دارد. در این مطالعه نقش برخی عوامل زمینه ای و مراقبتی همراه با پره اکلامپسی شدید با استفاده از مدل طبقه بندی درختی و رگرسیونی مورد ارزیابی قرار گرفت.روش بررسی: این مطالعه روی ۱۶۴۳ زن باردار در ۴ بیمارستان منتخب کشور که مبتلا به یکی از شکایت های ۵۳ گانه مرتبط با بارداری در نیمه اول سال ۱۳۸۴ بودند، انجام شد. متغیرهای مرتبط با وضعیت اجتماعی اقتصادی، تاریخچه باروری، سابقه بیماری های زمینه ای، بهره مندی از مراقبت های دوران بارداری، آگاهی از علایم خطر دوران بارداری و تعداد مراقبت ها، ابتلا به برخی مشکلات در بارداری- های قبلی و فعلی و شاخص توده بدنی قبل از بارداری به عنوان متغیرهای پیش بینی کننده و شدت پره اکلامپسی به صورت یک متغیر دو وضعیتی به عنوان متغیر وابسته وارد مدل تجزیه و تحلیل گردیدند. پیش بینی پیامد با استفاده از یک روش ناپارامتری به نام طبقه بندی درختی و رگرسیونی انجام گردید. نتایج تجزیه و تحلیل این مدل با روش رگرسیون لجستیک مقایسه گردید.یافته ها: فراوانی پره اکلامپسی در کل مراجعین ۵.۲ درصد بود. در مدل ۱ متغیرهای ابتلا به سردرد مکرر و درد اپیگاستر در دوران بارداری، تعداد حاملگی های قبلی و میزان بهره مندی از مراقبت های دوران بارداری، پیش بینی کننده در شناسایی موارد پره اکلامپسی شدید بود. در مدل ۲ فقط ابتلا مکرر به سردرد و تعداد حاملگی قبلی نقش پیش بینی کننده برای این پیامد وخیم بارداری را داشت. حساسیت در مدل ۱ و ۲ به ترتیب ۴۷.۸ درصد و ۳۹.۱ درصد و ویژگی در دو مدل به ترتیب ۹۶.۸ درصد و ۹۳.۶ درصد بود. در تحلیل رگرسیون لجستیک فقط متغیر ابتلا به سردرد در دوران بارداری با پره اکلامپسی شدید رابطه داشت (نسبت برتری ۲.۵، فاصله اطمینان ۹۵ درصد ۵-۱.۳).نتیجه گیری: این مطالعه نشان داد که با استفاده از متغیرهای قابل سنجش در دوران بارداری، قادر به پیش بینی پیامد پرخطر پره اکلامپسی شدید می باشد. با توجه به تفسیر ساده مدل های درختی و کاربرد آن در تصمیم گیری بالینی، می توان از آنها در سطوح مختلف نظام ارایه خدمات بهداشتی و درمانی استفاده نمود.

Keywords:

Severe preeclampsia , Prediction , Classification and Regression tree , Validation , پره اکلامپسی شدید , پیش بینی , روش درخت طبقه بندی و رگرسیونی , اعتباربخشی