دوره 14، شماره 5 - ( مرداد 1399 )                   جلد 14 شماره 5 صفحات 68-59 | برگشت به فهرست نسخه ها


XML English Abstract Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Hashemian A H, Solouki L, Rezaei M, Attar A. Comparison of Generalized Weibull and Weibull Parametric Models in Survival Analysis of Patients with Hypertension to Acute Renal Failure: Death due to Cardiovascular Disease as a Competing Risk. Qom Univ Med Sci J 2020; 14 (5) :59-68
URL: http://journal.muq.ac.ir/article-1-2796-fa.html
هاشمیان امیر حسین، سلوکی لیلا، رضایی منصور، عطار آرمین. مقایسه مدل پارامتری وایبل و وایبل تعمیم‌یافته در تحلیل بقای بیماران با فشارخون بالا تا بروز رخداد نارسایی حاد کلیه: مرگ به علت بیماری‌های قلبی و عروقی به‌عنوان خطر رقابتی. مجله دانشگاه علوم پزشکی قم. 1399; 14 (5) :59-68

URL: http://journal.muq.ac.ir/article-1-2796-fa.html


1- گروه آمار زیستی، دانشکده بهداشت، دانشگاه علوم پزشکی کرمانشاه، کرمانشاه، ایران.
2- گروه آمار زیستی، دانشکده بهداشت، دانشگاه علوم پزشکی کرمانشاه، کرمانشاه، ایران. ، l_soloki68@yahoo.com
3- گروه پزشکی قلب و عروق، دانشکده پزشکی، دانشگاه علوم پزشکی شیراز، شیراز، ایران.
متن کامل [PDF 1279 kb]   (734 دریافت)     |   چکیده (HTML)  (3319 مشاهده)
متن کامل:   (674 مشاهده)
مقدمه
بیماری فشارخون بالا یکی از شایع‌ترین بیماری‌هاست و در همه جوامع افراد زیادی را درگیر کرده است. این بیماری زمینه‌ساز سایر بیماری‌های مزمن و کشنده‌ مانند سکته‌های قلبی و مغزی و بیماری‌های کلیه و کبد است (1). این بیماری معمولاً بدون علامت و با انجام اقداماتی به‌سادگی قابل‌کنترل و درمان است. با شناخت مهم‌ترین عوامل تأثیرگذار در بروز بیماری در چند دهه اخیر، عوارض و بیماری‌های مرتبط با فشارخون بالا کنترل ‌شده است (2).
فشارخون بالا در جمعیت بزرگ‌سالان در ایالات‌متحده به‌خصوص در میان افراد با بیش از 60 سال سن بسیار رایج است و حدوداً یک بیلیون بزرگ‌سال را در سراسر جهان تحت تأثیر قرار داده است (3، 4). در میان افراد با سن 50 سال یا بیشتر، فشارخون سیستولیک مجزا رایج‌ترین شکل فشارخون بالاست. فشارخون سیستولیک به‌عنوان پیش‌بینی خطر حوادث عروق کرونر، سکته مغزی، نارسایی قلبی و بیماری کلیوی مهم‌تر از فشارخون دیاستولیک است (9-5). آزمایش‌های بالینی نشان می‌دهد درمان فشارخون خطر ابتلا به بیماری قلبی و عروقی را کاهش می‌دهد که شامل حادثه سکته مغزی (35 تا 40 درصد)، سکته قلبی (15 تا 35 درصد) و نارسایی قلبی (64 درصد) است (10،11).
امروزه بیماری‌های قلبی و عروقی یکی از جدی‌ترین مشکلات مرتبط با سلامت جهان به‌شمار می‌رود (12) و بیماری‌های قلبی-عروقی مسئول تقریباً یک‌سوم مرگ‌ومیرها در سراسر جهان است (13). یکی از عوارض مهم درمان فشارخون، رخداد نارسایی حاد کلیه است که معمولاً بدون علامت است و تشخیص آن با بررسی بیوشیمیایی بیماران بستری هنگامی صورت می‌گیرد ‌که افزایش اخیر در غلظت نیتروژن اوره و کراتینین مشاهده شود (14). درنتیجه اهمیت بررسی بقای افرادی که دچار بیماری فشارخون هستند تا ابتلا به نارسایی حاد کلیه یا مرگ به علت بیماری‌های قلبی و عروقی (خطر رقابتی) به‌عنوان یک مسئله بهداشت عمومی حائز اهمیت است.
در علوم پزشکی، مطالعات بقا بخش قابل‌توجهی از پژوهش‌ها را به خود اختصاص داده‌اند. مطالعات بقا مطالعاتی هستند که به بررسی زمان بقای افراد می‌پردازند. در این مطالعات متغیر پاسخ، زمان تا وقوع رخداد مدنظر است. منظور از رخداد مدنظر در مطالعات پزشکی، وقوع مرگ یا عود بیماری است (15). در این مباحث اگر رخداد مدنظر برای فرد رخ دهد، اصطلاحاً شکست رخ ‌داده است و اگر تا پایان مطالعه، فرد رخدادی را تجربه نکند یا به دلایلی از مطالعه حذف شود، اصطلاحاً سانسور شده است (16). در تحلیل داده‌های بقا ممکن است با مواردی مواجه شویم که بیماران تحت مطالعه، قبل از آنکه رخداد مدنظر را در مطالعه تجربه کنند، بمیرند و این موضوع مانع از آن می‌شود که با روش‌های مرسوم در تحلیل بقا، بتوان بقای بیماران را به‌درستی محاسبه کرد (17). نکته‌ای که باید به آن توجه کنیم این است که خطرهای رقابتی شبیه سانسورشدن نیستند؛ زیرا در حالت سانسورشدگی، احتمال رخدادن پیشامد مدنظر در آینده وجود خواهد داشت، درحالی‌که درخطرهای رقابتی رخدادن یک پیشامد از رخدادن بقیه پیشامدها جلوگیری می‌کند و برای هر فرد تنها یک ‌زمان شکست و یک علت شکست وجود دارد (18).
در داده‌های ریسک رقابتی روش‌های معمول تحلیل بقا مناسب نیست؛ زیرا در این روش‌ها، ریسک‌ها به‌عنوان سانسور در نظر گرفته و معمولاً برآوردهای حاصل، بیشبرآورد می‌شوند. برای حل این مشکل روش‌هایی پیشنهاد شده است که در آن‌ها با درنظرگرفتن دو عامل زمان اولین واقعه و نوع آن، بقای بیمار را محاسبه می‌کنند. این روش‌ها را مخاطرات رقیب یا خطرهای رقابتی نامیده‌اند (19).
بر این اساس در این پژوهش دو عامل ابتلا به نارسایی حاد کلیه و مرگ به علت بیماری‌های قلبی و عروقی به‌عنوان دو مخاطره رقیب در بین افرادی در نظر گرفته ‌شده‌ است که فشارخون بالا دارند و تحلیل خطر رقابتی روی این بیماران با این فرض انجام گرفت که زمان تا رخداد پیشامد توزیع وایبل و وایبل تعمیم‌‌یافته داشت و به این صورت تابع بروز تجمعی مدلبندی شده است.
 
روش بررسی
اطلاعات موردنیاز از فایل داده مطالعه کارآزمایی بالینی SPRINT استخراج‌ شده است. SPRINT (کارآزمایی مداخله‌ای فشارخون سیستولیک) نوعی کارآزمایی بالینی برچسب باز بوده که در 102 سایت بالینی در ایالت متحده آمریکا انجام ‌شده است. SPRINT با همکاری مؤسسه ملی دیابت، دستگاه گوارش و کلیه، مؤسسه ملی اختلالات عصبی و سکته مغزی و مؤسسه ملی سالخوردگان انجام‌ شده است. جمعیت مطالعه‌شده بیماران مبتلابه فشارخون بالا بوده‌اند که به‌طور تصادفی 9هزار و 361 فرد با فشارخون سیستولیک 130 میلی‌متر جیوه یا بیشتر و در معرض خطر بیماری‌های قلبی و عروقی با هدف رسیدن به فشارخون سیستولیک 120 میلی‌متر جیوه (درمان با دُز شدید)، در مقایسه با فشارخون سیستولیک 140 میلی‌متر جیوه (درمان استاندارد) در دو گروه اختصاص داده شدند.
شرکت‌کنندگان از نوامبر 2010 تا مارس 2013 در مطالعه SPRINT ثبت‌نام‌شدند و طبق نتایج، روندی برای زود پایاندادن مداخله فشارخون انجام‌ شده و میانه پیگیری در 20 اوت 2015، 26/3 سال از متوسط برنامه 5 ساله بود. شرکت‌کنندگان برای حضور به بررسی این موارد نیاز داشتند: معیار سن حداقل 50 سال، فشارخون سیستولیک 130 تا 180 میلی‌متر جیوه و افزایش خطر حوادث قلبی و عروقی به‌طوری‌که افزایش خطر قلبی و عروقی توسط یک یا چند مورد از موارد زیر مشخص‌شد: بیماری‌های قلبی و عروقی بالینی یا تحت بالینی غیر از سکته مغزی، بیماری مزمن کلیوی به‌جز بیماری کلیوی پلیکیستیک با حدود نرخ فیلتراسیون گلومرولی (eGFR) 20 تا کمتر از 60 میلی‌لیتر در هر دقیقه بهازای هر 73/1 مترمکعب از مناطق سطح بدن. بیماران مبتلابه دیابت قندی یا سکته مغزی حذف شدند.
تعداد افراد مبتلابه نارسایی حاد کلیه 298 نفر و افرادی که به علت بیماری‌های قلبی و عروقی (سکته مغزی، سکته قلبی، نارسایی قلبی، پارگی آئورت، آریتمی های قلبی) فوت‌شده‌اند 85 نفر بود که در کل 383 فرد مبتلابه نارسایی حاد کلیه یا مرگ به علت بیماری‌های قلبی و عروقی بودند. گروه کنترل (افرادی که نارسایی حاد کلیه یا مرگ به علت بیماری‌های قلبی و عروقی برای آن‌ها رخ نداده بود) 459 نفر در نظر گرفته ‌شد. حجم نمونه کل 842 نفر در نظر گرفته شد.
در این مطالعه از خصوصیات دموگرافیک بیماران از قبیل جنسیت و خصوصیات بالینی مانند میزان کلسترول تام، نسبت آلبومین/کراتینین در ادرار، تعداد داروهای ضدفشارخون که در بدو ورود مصرف می‌کردند، نرخ فیلتراسیون گلومرولی (EGFR)، زیرگروه مبتلابه نارسایی مزمن کلیه، زیرگروه با سابقه بیماری‌های قلبی و عروقی استفاده شد. مدت‌زمان ورود افراد به مطالعه تا بروز رخداد نارسایی کلیه یا مرگ به علت بیماری‌های قلبی یا سانسورشدگی (سانسور از راست) به‌عنوان متغیر وابسته لحاظ شد.
در داده‌های ریسک رقابتی حداقل دو علت شکست وجود دارد که برای رخدادن با هم در رقابت‌ هستند. درنتیجه در تحلیل داده‌های ریسک رقابتی از تابع بروز تجمعی استفاده می‌شود. تابع بروز تجمعی یکی از پرکاربردترین توابع در تحلیل داده‌های ریسک رقابتی است. در این تابع نوع رخداد به‌عنوان یک متغیر لحاظ شده و این امکان را فراهم آورده است که احتمال وقوع چند رخداد را به‌طور هم‌زمان در نظر بگیرد. لذا در حضور خطرهای رقابتی، تابع توزیع معمولی استفاده نمی‌شود که در آن تنها متغیر زمان لحاظ شده است، بلکه از تابع بروز تجمعی استفاده می‌شود (16،20). تاکنون روش‌های زیادی مانند روش نیمهپارامتری کاکس و روش‌های پارامتری برای مدلبندی تابع بروز تجمعی پیشنهاد شده است.
به دلیل سادگی و کمبودن فرضیات مدل نیمهپارامتری مخاطرات متناسب کاکس و همچنین الزامینبودن یک توزیع احتمالی برای زمان‌های بقا، پژوهشگران از این ‌روش برای تحلیل داده‌های بقا استفاده می‌کنند. مدل مخاطرات متناسب کاکس باوجوداینکه موفقیت چشم‌گیری در کاربردهای زیست پزشکی داشته است، محدودیت‌هایی نیز دارد. یکی از محدودیت‌ها این است که اعتبار تحلیل رگرسیون کاکس به‌شدت به برقراری فرضیه مخاطرات متناسب وابسته است و در شرایطی که فرض مخاطره متناسب برقرار نباشد، نمی‌توان تابع بروز تجمعی را مدلبندی کرد. مهم‌ترین ایرادی که می‌توان به مدل کاکس در تحلیل داده‌های ریسک رقابتی گرفت، سانسور گرفتن خطرهای رقابتی و درواقع نادیدهگرفتن ریسک‌ها و درنتیجه بیش برآوردکردن مخاطرات خواهد بود (21).
بااین‌وجود، در مدل‌های پارامتری تجزیه‌وتحلیل قوی‌تری نسبت به روش‌های نیمهپارامتری قابل انجام‌ است و قائلشدن برخی مفروضات و انتخاب یک توزیع احتمالی فرضی برای زمان‌های بقا، برآوردهای کارآمدی به‌دست می‌دهند. همچنین خطرهای رقابتی پارامتری نمودارهایی هموار فراهم می‌آورند، لذا نمودارهای گرافیکی بهتری حاصل می‌شود. چنانچه مدل مناسبی به داده‌ها برازش داده شود، این امکان فراهم می‌شود که بتوان رفتار داده‌ها را در آینده پیش‌بینی کرد (21،22). از بین مدل‌های پارامتری، مدل وایبل نسبت به سایر مدل‌ها عمومیت بیشتری دارد؛ زیرا تابع مخاطره آن در طول زمان ثابت نیست و یک پارامتر اضافه به نام پارامتر شکل دارد که انعطاف‌پذیری این مدل را بیشتر می‌کند (23).
بر این اساس در این پژوهش دو عامل ابتلا به نارسایی حاد کلیه و مرگ به علت بیماری‌های قلبی و عروقی به‌عنوان دو مخاطره رقیب در نظر گرفته ‌شده‌اند و تحلیل خطر رقابتی روی این بیماران انجام و فرض می‌شود که زمان تا رخداد پیشامد، توزیع وایبل و وایبل تعمیم‌یافته دارد و به این صورت تابع بروز تجمعی مدلبندی شده است.
اولین گام برای برازش یک مدل پارامتری، برآورد پارامترهای مدل است. توزیع وایبل دو پارامتر به نام‌های پارامتر شکل ( ) و پارامتر مقیاس ( ) دارد. تابع چگالی توزیع وایبل با پارامترهای  به‌صورت زیر است:
 

 
توزیع وایبل تعمیم‌یافته با داشتن یک پارامتر سوم ، علاوه بر وجود دو پارامتر ، انعطاف‌پذیری کافی دارد و می‌تواند شکل‌های مختلف تابع خطر را پوشش دهد. اگر فرض کنیم که متغیر تصادفی T از توزیع وایبل تعمیم‌یافته پیروی می‌کند، آنگاه تابع چگالی این توزیع با سه پارامتر  به‌صورت زیر است:
 
   
 
توزیع وایبل را می‌توان یک حالت خاص از این توزیع در نظر گرفت؛ زیرا زمانی که  باشد، این توزیع به وایبل با دو پارامتر   تبدیل می‌شود.
 
از تعداد 842 بیمار بررسی‌شده 590 نفر (1/70 درصد) مرد و 252 نفر (9/29 درصد) زن بودند. زمان بقا به‌عنوان زمان سپری‌شده از زمان ورود بیمار مبتلابه فشارخون بالا به مطالعه تا زمان رخداد نارسایی حاد کلیه در نظر گرفته شد. میانگین زمان بقا 88/14±49/929 روز و میانه زمان بقا 1029 روز برای این بیماران به‌دست آمد. ریسک رقیب عبارت بود از: مرگ به علت بیماری‌های قلبی و عروقی (سکته مغزی، سکته قلبی، نارسایی قلبی، پارگی آئورت و آریتمی های قلبی). در پایان مطالعه از مجموع 842 بیمار، 85 نفر (5/4 درصد) به علت بیماری‌های قلبی و عروقی فوت کردند، 298 نفر (7/15 درصد) دچار نارسایی حاد کلیه شده و 459 نفر (5/54 درصد) سانسور از راست شده بودند. میانگین±انحراف استاندارد کلسترول تام 47/1±82/185، نسبت آلبومین به کراتینین در ادرار 45/10±64/89 و نرخ فیلتراسیون گلومرولی (EGFR) 77/0±04/67 بود. سایر ویژگی‌های متغیرهای رسته‌ای در جدول 1 آمده است.
بعد از برازش مدل ریسک رقیب وایبل تعمیم‌یافته به داده‌ها، نتایج حاصل در جدول 2 نمایش داده‌ شده است. این نتایج حاکی از آن است که متغیرهای نرخ فیلتراسیون گلومرولی، تعداد داروهای ضد فشارخون مصرف‌شده در بدو ورود، نارسایی مزمن کلیه، نسبت

جدول شماره 1: تعداد و درصد بیماران مطالعه‌شده بر اساس
هر یک از متغیرها
نام متغیر   تعداد درصد
تعداد داروهای ضدفشارخون که در بدو ورود مصرف می‌شد. 0
1
2
3
4
5
66
219
280
221
53
3
8/7
26
3/33
2/26
3/6
4/0.
نارسایی مزمن کلیه دارد
ندارد
321
521
1/38
9/61
سابقه بیماری‌های قلبی و عروقی دارد
ندارد
206
636
5/24
5/75
جنس مرد
زن
590
252
1/70
9/29
آلبومین به کراتینین در ادرار و جنسیت بر زمان بقای بیماران مبتلابه نارسایی حاد کلیه تأثیرگذار بوده است (05/0P<)، اما متغیرهای سابقه بیماری‌های قلبی و عروقی و کلسترول تام اثر معناداری بر بقای بیماران نارسایی حاد کلیه نداشتند (جدول 2).
همچنین مدل وایبل به داده‌ها برازش داده‌ شد و نتایج حاصل در جدول 3 آمده است.
 
 
جدول شماره 2: نتایج حاصل از برازش مدل ریسک رقابتی وایبل تعمیم‌یافته به داده‌های بیماران مبتلابه فشارخون
متغیر ضریب β خطر نسبی ضریب (SE) فاصله اطمینان 95 درصد P
نرخ فیلتراسیون گلومرولی 0001 /0- 999/0 0001 /0 (26/1، 995/0) 001/0>
نارسایی مزمن کلیه
   دارد
   ندارد
 
6113/0
_
 
842/1
_
 
112/0
_
 
(84/2، 89/1)
_
 
001/0>
_
جنسیت
   زن
   مرد
 
410/0
_
 
663/0
_
 
123/0
_
 
(76/0، 53/0)
_
 
008/0
_
سابقه بیماری‌های قلبی و عروقی
   دارد
   ندارد
 
1462/0
_
 
157/1
_
 
104/0
_
 
(54/1، 981/0)
_
 
34/0
_
کلسترول تام 0016/0- 998/0 001/0 (32/1، 942/0) 52/0
نسبت آلبومین به کراتینین در ادرار 0003/0- 999/0 001/0 (24/1، 02/1) 041/0
تعداد داروهای ضد فشارخون 1267/0 135/1 0393/0 (54./1، 17/1) 049./0
پارامتر شکل (β) 005/0 005/1 452/0 (42/0، 37/0) 001/0>
پارامتر شکل (ϒ) 047/0 048/1 26/1 (54/1، 17/1) 001/0>
 
جدول شماره 3: نتایج حاصل از برازش مدل ریسک رقابتی وایبل به داده‌های بیماران مبتلابه فشارخون
متغیر ضریب β خطر نسبی ضریب (SE) فاصله اطمینان 95 درصد P
نرخ فیلتراسیون گلومرولی 0005/0- 999/0 0001/0 (54/1، 999/0) 001/0>
نارسایی مزمن کلیه 
   دارد
   ندارد
 
9080/0
_
 
480/2
_
 
136/0
_
 
(23/3، 899/1)
_
 
001/0>
_
جنس
   زن
   مرد
 
4209/0
-
 
656/0
-
 
138/0
-
 
(861/0، 5/0)
-
 
002/0
-
سابقه بیماری‌های قلبی و عروقی 
   دارد
   ندارد
 
1910/0
_
 
21/1
_
 
132/0
_
 
(56/1، 934/0)
_
 
15/0
_
کلسترول تام 0020/0- 998/0 001/0 (001/1، 994/0) 25/0
نسبت آلبومین /کراتینین در ادرار 0007/0- 999/0 0003/0 (00/1، 999/0) 022/0
تعداد داروهای ضد فشارخون 1077/0 11/1 0574/0 (24/1، 995/0) 061/0
پارامتر شکل 006/0 006/1 681/0 (74/0، 62/0) 001/0>
 
 

نمودار شماره 1: تابع بروز تجمعی بیماران بر اساس مدل وایبل تعمیم‌یافته

نمودار شماره 2: تابع بروز تجمعی بیماران بر اساس مدل وایبل
 
 

نمودار شماره 3: تابع بروز تجمعی بیماران برحسب جنس
 

نمودار شماره 4: تابع بروز تجمعی بیماران برحسب نارسایی مزمن کلیه
 
 
بر اساس توزیع وایبل و وایبل تعمیم‌یافته برآوردهای حاصل از درنظرگرفتن متغیرهایی که بر زمان بقا در هر یک از توزیع‌ها اثر معناداری داشتند، نمودار تابع بروز تجمعی رسم شد (نمودار 1 و 2). با توجه به تأثیرگذاربودن متغیرهای جنس (نمودار 3) و قرارداشتن در زیرگروه نارسایی مزمن کلیه (SUB-CKD) بر زمان بقای بیماران مبتلابه نارسایی حاد کلیه (نمودار 4)، نمودارهای تابع بروز تجمعی بیماران به تفکیک رسم شدند.
درنهایت به‌منظور انتخاب بهترین مدل برای داده‌های این پژوهش، معیار آکاییکه برای هر یک از توزیع‌ها به‌صورت مجزا محاسبه شد. مدلی که معیار آکاییکه در آن کمترین مقدار را به خود اختصاص دهد، به‌عنوان مدل مناسب‌تر برای داده‌ها شناخته شده است. با توجه به نتایج ارائه‌شده در جدول 4، مقدار معیار آکاییکه در مدل وایبل تعمیم‌یافته کمتر از مقدار آن در مدل وایبل است؛ بنابراین، درنظرگرفتن توزیع وایبل تعمیم‌یافته، برازش بهتری برای داده‌های نارسایی حاد کلیه دارد.
 
جدول شماره 4: انتخاب بهترین مدل بر اساس معیار آکاییکه
مدل لگاریتم تابع درست‌نمایی تعداد پارامترها معیار آکاییکه
وایبل 313/2106 16 626/4244
وایبل تعمیم‌یافته 452/2098 18 904/4232
بحث
در مدل ریسک رقابتی، ریسک‌ها به‌عنوان سانسور در نظر گرفته نمی‌شود، بلکه نوع رخداد هم در تحلیل‌ها لحاظ می‌شود. همان‌طور که Austin (24) و Noordzij (25)اشاره‌ کرده‌اند، درنظرگرفتن ریسک‌ها به‌عنوان سانسور می‌تواند به نتایج اریبی منجر شود؛ بنابراین، استفاده از روش ریسک رقابتی به‌جای روش‌های مرسوم آنالیز بقا به دلیل توانایی این روش در لحاظ‌کردن چندین رخداد رقیب در تحلیل‌ها توصیه می‌شود. بدین ترتیب برآورد صحیح‌تر و دقیق‌تری راجع به وضعیت بیماران ارائه می‌شود. یکی از اهداف تحلیل ریسک‌های رقابتی، بررسی اثر متغیرهای کمکی بر زمان بقا است (26). Fine و همکاران استنباط‌هایی برای بررسی اثر تیمار و دیگر متغیرهای کمکی برای داده‌های ریسک رقیب با استفاده از مدل خطرات متناسب کاکس ارائه کردند. مطالعات بسیاری با استفاده از مدل فاین به بررسی اثر متغیرهای مستقل بر زمان بقا پرداختند (20،27،28). در همین راستا ما نیز در این پژوهش متغیرهای کمکی را از طریق پارامتر مقیاس توزیع وایبل و وایبل تعمیم‌یافته وارد و اثر آن‌ها را بر زمان بقا بررسی کردیم. هرچند مدل وایبل تفسیرهای ساده‌تری نسبت به مدل وایبل تعمیم‌یافته دارد، اما به دلیل کمتربودن انحراف استاندارد (SE) پارامترهای برآوردشده‌ و کمتربودن معیار آکاییکه مدل وایبل تعمیم‌یافته نسبت به مدل وایبل برازش مناسب‌تری به داده‌های نارسایی حاد کلیه در این پژوهش دارد.
با اینکه در زمینه تأثیر متغیر جنس در بقای بیماران اتفاق‌نظر وجود ندارد، در مطالعه Lau متغیر جنس مرد به‌عنوان فاکتوری با پیش‌آگهی بد در نارسایی حاد کلیه شناخته‌ شده است (27). همچنین مطالعه عاملی و همکاران معنی‌داری متغیر جنس و ابتلا به نارسایی حاد کلیه را گزارش کردند (29)، اما در مطالعه شهبازیان و همکاران متغیر جنس اثر معناداری در ابتلا به نارسایی حاد کلیه نداشته است (21). مطالعه حاضر نشان داد متغیر جنس اثر قابل توجهی روی بقای افراد تا رخداد نارسایی حاد کلیه دارد (30).
در مطالعه حاضر تعداد داروهای ضد فشارخون که در بدو ورود به مطالعه مصرف می‌شد، اثر معناداری بر میزان بقا تا رخداد نارسایی حاد کلیه داشته است. همچنین در مطالعه‌ای دیگر مصرف مواد نفروتوکسین اثر معناداری در بروز نارسایی حاد کلیه داشته است و با کاهش دُز این دارو می‌توان از میزان بروز نارسایی حاد کلیه به‌طور چشمگیری جلوگیری کرد (29).
در مطالعه اکبری و همکاران شایع‌ترین بیماری افرادی که به نارسایی حاد کلیه دچار شدند، فشارخون بوده است. در همین راستا در مطالعه حاضر تمامی افرادی که دچار نارسایی حاد کلیه شدند، افراد با فشارخون بالا بوده‌اند (31). در مطالعه Lau متغیر سن زیاد به‌عنوان فاکتوری با پیش‌آگهی بد در نارسایی حاد کلیه شناخته‌ شده است. در مطالعه حاضر نیز تمامی افراد شرکت‌کننده سن بیشتر از 50 سال داشتند. در مطالعه Rasmussen و همکاران متغیرهای فشارخون مزمن و بیماری مزمن کلیه به‌عنوان ریسک فاکتورها برای بیماری نارسایی حاد کلیه شناخته‌ شده است (32). همچنین در مطالعه عطار و همکارانش گزارش شد قرارداشتن بیماران در زیرگروه ابتلا به نارسایی (CKD: Chronic Kidney Disease) مزمن کلیه در افراد با فشارخون بالا، با کاهش فشارخون شدید، احتمال ابتلا به نارسایی حاد کلیه به‌صورت غیرعادی افزایش می‌یابد (33). در همین راستا در مطالعه حاضر قرارداشتن بیماران در زیرگروه ابتلا به نارسایی مزمن کلیه ارتباط معناداری با بقای بیماران مبتلابه نارسایی حاد داشت و همه افراد بررسی‌شده فشارخون بالا داشتند.
 
نتیجه‌گیری
هرچند مدل وایبل تفسیرهای ساده‌تری نسبت به مدل وایبل تعمیم‌یافته دارد؛ اما بهدلیل کمتر بودن انحراف معیار برآوردهای مدل وایبل تعمیم‌یافته نسبت به مدل وایبل، کمتر بودن معیار آکاییکه مدل وایبل تعمیم‌یافته، برازش مناسب‌تری به داده‌های نارسایی حاد کلیه این پژوهش دارد و تفسیر پارامترهای آن وابسته به زمان است.
همچنین تجزیه‌وتحلیل داده‌های نارسایی حاد کلیه نشان داده که براساس معیار آکاییکه توزیع وایبل تعمیم‌یافته نسبت به توزیع وایبل برای این داده‌ها مناسب‌تر است و انحراف استاندارد (se) پارامترهای برآورد شده‌ی مدل وایبل تعمیم‌یافته نسبت به مدل وایبل کمتر است. لذا، پیشنهاد می‌شود که در این دسته از مطالعات ضمن بررسی نتایج کلیه‌ی مدل‌های مختلف ریسک رقابتی تحلیل بقا به انتخاب بهترین و کاراترین مدل مبادرت ورزیده شود و نیز با داشتن میزان بقا و عوامل مؤثر بر میزان بقا در بیماران نارسایی حاد کلیه می‌توان در ارائه خدمات بهینه برای بیماران و همچنین اقدامات ویژه جهت کنترل و کاهش میزان ابتلا به نارسایی کلیه و افزایش بقای این بیماران اقدام نمود.
طبق نتایج مطالعه‌ی حاضر احتمالا با کنترل فشارخون می‌توان میزان بسزایی باعث کاهش رخداد نارسایی کلیه شد و افرادی که دچار نارسایی مزمن کلیه هستند به‌منظور اینکه کمتر دچار نارسایی حاد کلیه شوند بیشتر تحت پیگیری باشند.
 
تشکر و قدردانی
بدین‌وسیله از معاونت پژوهشی دانشگاه علوم پزشکی کرمانشاه تشکر می‌کنیم که هزینه اجرای این طرح را پذیرفتند. این مقاله قسمتی از پایان‌نامه دوره کارشناسی ارشد در دانشگاه علوم پزشکی کرمانشاه است. این مطالعه در دانشگاه علوم پزشکی کرمانشاه با کد اخلاق IR.KUMS.REC.1396.448 ثبت شد.

 
References:
 
  1. Kjeldsen SE. Hypertension and cardiovascular risk: general aspects. Pharmacol Res 2018;129:95-9. PMID: 29127059
  2. Dahlöf B, Hansson L, Lindholm L, Schersten B, Ekbom T, Wester P. Morbidity and mortality in the Swedish trial in old patients with hypertension (STOP-Hypertension). Lancet 1991;338(8778):1281-5. PMID: 1682683
  3. Kearney PM, Whelton M, Reynolds K, Muntner P, Whelton PK, He J. Global burden of hypertension: analysis of worldwide data. Lancet 2005;365(9455):217-23. PMID: 15652604
  4. Roger VL, Go AS, Lloyd-Jones DM, Benjamin EJ, Berry JD, Borden WB, et al. Heart disease and stroke statistics--2012 update: a report from the American Heart Association. Circulation 2012;125(1):e2-220. PMID: 22179539
  5. Lewington S, Clarke R, Qizilbash N, Peto R, Collins R; Prospective Studies Collaboration. Age-specific relevance of usual blood pressure to vascular mortality: a meta-analysis of individual data for one million adults in 61 prospective studies. Lancet 2002;360(9349):1903-13. PMID: 12493255
  6. Hsu CY, McCulloch CE, Darbinian J, Go AS, Iribarren C. Elevated blood pressure and risk of end-stage renal disease in subjects without baseline kidney disease. Arch Intern Med 2005;165(8):923-8. PMID: 15851645
  7. MacMahon S, Peto R, Collins R, Godwin J, Cutler J, Sorlie P, et al. Blood pressure, stroke, and coronary heart disease: part 1, prolonged differences in blood pressure: prospective observational studies corrected for the regression dilution bias. Lancet 1990;335(8692):765-74. PMID: 1969518
  8. Vasan RS, Larson MG, Leip EP, Evans JC, O'donnell CJ, Kannel WB, et al. Impact of high-normal blood pressure on the risk of cardiovascular disease. N Engl J Med 2001;345(18):1291-7. PMID: 11794147
  9. Verdecchia P, Angeli F. The seventh report of the joint national committee on the prevention, detection, evaluation and treatment of high blood pressure: the weapons are ready. Rev Esp Cardiol 2003;56(9):843-7. PMID: 14519269
  10. Thomopoulos C, Parati G, Zanchetti A. Effects of blood pressure lowering on outcome incidence in hypertension: 4. Effects of various classes of antihypertensive drugs–overview and meta-analyses. J Hypertens 2015;33(2):195-211. PMID: 25485720
  11. Wright JM, Musini VM, Gill R. Firstline drugs for hypertension. Cochrane Database Syst Rev 2018;4(4):CD001841. PMID: 29667175
  12. Shafipour V, Shafipour L, Jafari H. The Effect of the cardiac rehabilitation program on the quality of life in patients with myocardial infarction. Arak Med Univ J 2011;14(5):34-42. Link
  13. Deaton C, Froelicher ES, Wu LH, Ho C, Shishani K, Jaarsma T. The global burden of cardiovascular disease. J Cardiovasc Nurs 2011;26(4 Suppl):S5-14. PMID: 21659814  
  14. Shahbazian H, Baghaiee S, Shahbazian N. Study of causes, complications and mortality rate of acute renal failure. Jundishpur Sci Med J 2007;5(4):688-93. Link
  15. Porta Bleda N, Gómez Melis G, Calle Rosingana ML, Malats i Riera N. Competing risks methods. Barcelona, Spain: Polytechnic University of Catalonia; 2007. Link
  16. Kleinbaum DG, Klein M. Survival analysis. Berlin, Germany: Springer; 2010. Link
  17. Dignam JJ, Zhang Q, Kocherginsky M. The use and interpretation of competing risks regression models. Clin Cancer Res 2012;18(8):2301-8. Link
  18. Wolbers M, Koller MT, Stel VS, Schaer B, Jager KJ, Leffondre K, et al. Competing risks analyses: objectives and approaches. Eur Heart J 2014;35(42):2936-41. PMID: 24711436
  19. Hougaard P. Analysis of multivariate survival data. Berlin, Germany: Springer Science & Business Media; 2012. Link
  20. Jeong JH. A new parametric family for modelling cumulative incidence functions: application to breast cancer data. J Royal Stat Soc Series A 2006;169(2):289-303. Link
  21. Klein JP, Moeschberger ML. Survival analysis: techniques for censored and truncated data. Berlin, Germany: Springer Science & Business Media; 2006. Link
  22. Wahed AS, Luong TM, Jeong JH. A new generalization of Weibull distribution with application to a breast cancer data set. Stat Med 2009;28(16):2027-94. PMID: 19424958  
  23. Mudholkar GS, Srivastava DK, Kollia GD. A generalization of the Weibull distribution with application to the analysis of survival data. J Am Stat Assoc 1996;91(436):1575-83. Link
  24. Austin PC, Lee DS, Fine JP. Introduction to the analysis of survival data in the presence of competing risks. Circulation 2016;133(6):601-9. PMID: 26858290
  25. Noordzij M, Leffondré K, van Stralen KJ, Zoccali C, Dekker FW, Jager KJ. When do we need competing risks methods for survival analysis in nephrology? Nephrol Dial Transplant 2013;28(11):2670-7. PMID: 23975843
  26. Jeong JH, Fine J. Direct parametric inference for the cumulative incidence function. J Royal Stat Soc Series C 2006;55(2):187-200. Link
  27. Lau B, Cole SR, Gange SJ. Competing risk regression models for epidemiologic data. Am J Epidemiol 2009;170(2):244-56. PMID: 19494242
  28. Prentice RL, Kalbfleisch JD, Peterson Jr AV, Flournoy N, Farewell VT, Breslow NE. The analysis of failure times in the presence of competing risks. Biometrics 1978;34(4):541-54. PMID: 373811
  29. Jabalameli M, Sajedi P, Khakbaz H, Taheri S. Frequency of acute renal failure in patients adimitted to Isfahan Alzahra (PBH) medical center ICU. Yafteh 2010;12(3):37-43. Link
  30. Uchino S, Kellum JA, Bellomo R, Doig GS, Morimatsu H, Morgera S, et al. Acute renal failure in critically ill patients: a multinational, multicenter study. JAMA 2005;294(7):813-8. PMID: 16106006
  31. Akbari H, Nikkhah A, Alizadeh A. Evaluation of acute renal failure and its associated factors in heart surgery patients in Fatima Zahra Hospital, Sari, 2012. J Mazandaran Univ Med Sci 2014;24(112):97-102. Link
  32. Rasmussen HH, Ibels LS. Acute renal failure multivariate analysis of causes and risk factors. Am J Med 1982;73(2):211-8. PMID: 7114078
  33. Attar A, Sayadi M. Effect of chronic kidney disease oncardiovascular events: an epidemiological aspect from SPRINT trial. Iran J Kidney Dis 2019;13(5):328-36. PMID: 31705750  
 
نوع مطالعه: مقاله پژوهشي | موضوع مقاله: اپیدمیولوژی
دریافت: 1399/1/31 | پذیرش: 1399/5/25 | انتشار: 1399/5/10

فهرست منابع
1. 1. Kjeldsen SE. Hypertension and cardiovascular risk: general aspects. Pharmacol Res 2018;129:95-9. PMID: 29127059 [DOI:10.1016/j.phrs.2017.11.003]
2. Dahlöf B, Hansson L, Lindholm L, Schersten B, Ekbom T, Wester P. Morbidity and mortality in the Swedish trial in old patients with hypertension (STOP-Hypertension). Lancet 1991;338(8778):1281-5. PMID: 1682683 [DOI:10.1016/0140-6736(91)92589-T]
3. Kearney PM, Whelton M, Reynolds K, Muntner P, Whelton PK, He J. Global burden of hypertension: analysis of worldwide data. Lancet 2005;365(9455):217-23. PMID: 15652604 [DOI:10.1016/S0140-6736(05)17741-1]
4. Roger VL, Go AS, Lloyd-Jones DM, Benjamin EJ, Berry JD, Borden WB, et al. Heart disease and stroke statistics--2012 update: a report from the American Heart Association. Circulation 2012;125(1):e2-220. PMID: 22179539
5. Lewington S, Clarke R, Qizilbash N, Peto R, Collins R; Prospective Studies Collaboration. Age-specific relevance of usual blood pressure to vascular mortality: a meta-analysis of individual data for one million adults in 61 prospective studies. Lancet 2002;360(9349):1903-13. PMID: 12493255 [DOI:10.1016/S0140-6736(02)11911-8]
6. Hsu CY, McCulloch CE, Darbinian J, Go AS, Iribarren C. Elevated blood pressure and risk of end-stage renal disease in subjects without baseline kidney disease. Arch Intern Med 2005;165(8):923-8. PMID: 15851645 [DOI:10.1001/archinte.165.8.923]
7. MacMahon S, Peto R, Collins R, Godwin J, Cutler J, Sorlie P, et al. Blood pressure, stroke, and coronary heart disease: part 1, prolonged differences in blood pressure: prospective observational studies corrected for the regression dilution bias. Lancet 1990;335(8692):765-74. PMID: 1969518 [DOI:10.1016/0140-6736(90)90878-9]
8. Vasan RS, Larson MG, Leip EP, Evans JC, O'donnell CJ, Kannel WB, et al. Impact of high-normal blood pressure on the risk of cardiovascular disease. N Engl J Med 2001;345(18):1291-7. PMID: 11794147 [DOI:10.1056/NEJMoa003417]
9. Verdecchia P, Angeli F. The seventh report of the joint national committee on the prevention, detection, evaluation and treatment of high blood pressure: the weapons are ready. Rev Esp Cardiol 2003;56(9):843-7. PMID: 14519269
10. Thomopoulos C, Parati G, Zanchetti A. Effects of blood pressure lowering on outcome incidence in hypertension: 4. Effects of various classes of antihypertensive drugs-overview and meta-analyses. J Hypertens 2015;33(2):195-211. PMID: 25485720 [DOI:10.1097/HJH.0000000000000447]
11. Wright JM, Musini VM, Gill R. First‐line drugs for hypertension. Cochrane Database Syst Rev 2018;4(4):CD001841. PMID: 29667175 [DOI:10.1002/14651858.CD001841.pub3]
12. Shafipour V, Shafipour L, Jafari H. The Effect of the cardiac rehabilitation program on the quality of life in patients with myocardial infarction. Arak Med Univ J 2011;14(5):34-42. Link
13. Deaton C, Froelicher ES, Wu LH, Ho C, Shishani K, Jaarsma T. The global burden of cardiovascular disease. J Cardiovasc Nurs 2011;26(4 Suppl):S5-14. PMID: 21659814 [DOI:10.1097/JCN.0b013e318213efcf]
14. Shahbazian H, Baghaiee S, Shahbazian N. Study of causes, complications and mortality rate of acute renal failure. Jundishpur Sci Med J 2007;5(4):688-93. Link
15. Porta Bleda N, Gómez Melis G, Calle Rosingana ML, Malats i Riera N. Competing risks methods. Barcelona, Spain: Polytechnic University of Catalonia; 2007. Link
16. Kleinbaum DG, Klein M. Survival analysis. Berlin, Germany: Springer; 2010. Link
17. Dignam JJ, Zhang Q, Kocherginsky M. The use and interpretation of competing risks regression models. Clin Cancer Res 2012;18(8):2301-8. Link [DOI:10.1158/1078-0432.CCR-11-2097]
18. Wolbers M, Koller MT, Stel VS, Schaer B, Jager KJ, Leffondre K, et al. Competing risks analyses: objectives and approaches. Eur Heart J 2014;35(42):2936-41. PMID: 24711436 [DOI:10.1093/eurheartj/ehu131]
19. Hougaard P. Analysis of multivariate survival data. Berlin, Germany: Springer Science & Business Media; 2012. Link
20. Jeong JH. A new parametric family for modelling cumulative incidence functions: application to breast cancer data. J Royal Stat Soc Series A 2006;169(2):289-303. Link [DOI:10.1111/j.1467-985X.2006.00409.x]
21. Klein JP, Moeschberger ML. Survival analysis: techniques for censored and truncated data. Berlin, Germany: Springer Science & Business Media; 2006. Link
22. Wahed AS, Luong TM, Jeong JH. A new generalization of Weibull distribution with application to a breast cancer data set. Stat Med 2009;28(16):2027-94. PMID: 19424958 [DOI:10.1002/sim.3598]
23. Mudholkar GS, Srivastava DK, Kollia GD. A generalization of the Weibull distribution with application to the analysis of survival data. J Am Stat Assoc 1996;91(436):1575-83. Link [DOI:10.1080/01621459.1996.10476725]
24. Austin PC, Lee DS, Fine JP. Introduction to the analysis of survival data in the presence of competing risks. Circulation 2016;133(6):601-9. PMID: 26858290 [DOI:10.1161/CIRCULATIONAHA.115.017719]
25. Noordzij M, Leffondré K, van Stralen KJ, Zoccali C, Dekker FW, Jager KJ. When do we need competing risks methods for survival analysis in nephrology? Nephrol Dial Transplant 2013;28(11):2670-7. PMID: 23975843 [DOI:10.1093/ndt/gft355]
26. Jeong JH, Fine J. Direct parametric inference for the cumulative incidence function. J Royal Stat Soc Series C 2006;55(2):187-200. Link [DOI:10.1111/j.1467-9876.2006.00532.x]
27. Lau B, Cole SR, Gange SJ. Competing risk regression models for epidemiologic data. Am J Epidemiol 2009;170(2):244-56. PMID: 19494242 [DOI:10.1093/aje/kwp107]
28. Prentice RL, Kalbfleisch JD, Peterson Jr AV, Flournoy N, Farewell VT, Breslow NE. The analysis of failure times in the presence of competing risks. Biometrics 1978;34(4):541-54. PMID: 373811 [DOI:10.2307/2530374]
29. Jabalameli M, Sajedi P, Khakbaz H, Taheri S. Frequency of acute renal failure in patients adimitted to Isfahan Alzahra (PBH) medical center ICU. Yafteh 2010;12(3):37-43. Link
30. Uchino S, Kellum JA, Bellomo R, Doig GS, Morimatsu H, Morgera S, et al. Acute renal failure in critically ill patients: a multinational, multicenter study. JAMA 2005;294(7):813-8. PMID: 16106006 [DOI:10.1001/jama.294.7.813]
31. Akbari H, Nikkhah A, Alizadeh A. Evaluation of acute renal failure and its associated factors in heart‎ surgery patients in Fatima Zahra Hospital, Sari, 2012‎. J Mazandaran Univ Med Sci 2014;24(112):97-102. Link
32. Rasmussen HH, Ibels LS. Acute renal failure multivariate analysis of causes and risk factors. Am J Med 1982;73(2):211-8. PMID: 7114078 [DOI:10.1016/0002-9343(82)90181-4]
33. Attar A, Sayadi M. Effect of chronic kidney disease oncardiovascular events: an epidemiological aspect from SPRINT trial. Iran J Kidney Dis 2019;13(5):328-36. PMID: 31705750

ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
CAPTCHA

ارسال پیام به نویسنده مسئول


بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.

کلیه حقوق این وب سایت متعلق به مجله دانشگاه علوم پزشکی قم می باشد.

طراحی و برنامه نویسی : یکتاوب افزار شرق
© 2024 CC BY-NC 4.0 | Qom University of Medical Sciences Journal

Designed & Developed by : Yektaweb