KLINIK TADQIQOTLARDA STATISTIK MODELLAR
Shahnoza Tursunova
TOSHKENT AMALIY FANLAR UNIVERSITETI
Toshkent shaxar Chilonzor tumani Gavxar ko’chasi 1-uy
(Shaxnoza Tursunova Farxod qizi)
shaxnozatursunova1993@gmail.com
https://doi.org/10.5281/zenodo.10467775
Kalit so’zlar:
Statistik modellar, Regressiya modellari
Annotatsiya:
Statistik modellar klinik tadqiqotlarda ma'lumotlarni tahlil qilish uchun asos bo'lib xizmat qilsa-da, ularni talqin
qilish asosiy statistik asosni etarli darajada tushunishni talab qiladi. Kuzatish mumkin bo'lgan ma'lumotlarning tabiati
to'g'risida umumiy ma'lumot yo'qligi sababli statistik modellashtirish juda qiyin vazifadir. Ushbu maqolada biz klinik
tadqiqotchilarga o'zlarining statistik modellari natijalarini yaxshiroq talqin qilishda yordam berish uchun regressiya
modellaridan foydalanish bo'yicha ba'zi ko'rsatmalar berishni va tadqiqotchilarni o'zlarining tadqiqotlari to'g'ri ishlab
chiqilishi va tahlil qilinishini ta'minlash uchun statistik mutaxassis bilan hamkorlik qilishga undashni maqsad qilganmiz.
KIRISH
Statistik model - bu kuzatilishi mumkin bo'lgan
ma'lumotlarning qanday yaratilishi haqidagi statistik
taxminlarning matematik ifodasidir. Bu, ayniqsa,
bemorlarning
fon
omillari
kabi
bir
nechta
o'zgaruvchilarni omon qolish vaqti kabi natijalar
bilan
bog'laydigan
klinik
tadqiqotlar
uchun
foydalidir, chunki bu munosabatlarni regressiya
funktsiyasi deb ataladigan matematik funktsiya
sifatida
ixcham ko'rsatishga imkon beradi.
Biroq,
statistik model - bu haqiqiy asosiy munosabatlarni
soddalashtirish va noto'g'ri taxminlar bilan u osongina
noto'g'ri natijalarga olib kelishi mumkin. "Barcha
modellar noto'g'ri, ammo ba'zilari foydali"; bu
statistik Jorj EP Box [
eslatma. Statistik modellashtirish juda qiyin vazifa
bo'lib,
bizda
kuzatilishi
mumkin
bo'lgan
ma'lumotlarning
tabiati
haqida
umumiy
tushunchamiz yo'q va u klinik tajriba asosida to'g'ri
yo'naltirilishi kerak. Statistik modellashtirishning
yana bir qiyin jihati shundaki, asosiy statistik
taxminlar mo'ljallangan auditoriya yoki hatto
tahlilchilar
tomonidan
yaxshi
tushunilmasligi
]. Bu, ayniqsa, statistik dasturiy ta'minot
tayyor bo'lgani uchun va odatda murakkab
ma'lumotlarni tahlil qilish uchun tegishli tajribaga ega
bo'lmagan
tadqiqotchilar
tomonidan
qo'llaniladi. Shunday qilib, ushbu maqola klinik
tadqiqotchilarga
o'zlarining
statistik
modellari
natijalarini yaxshiroq talqin qilishda yordam berish
umidi
bilan
statistik
modellarning,
xususan,
regressiya
modellarining
ba'zi
asoslari
va
tamoyillarini taqdim etishni va eng muhimi,
tadqiqotchilarni statistik ma'lumotlarga ega bo'lishni
ta'minlash uchun statistik bilan hamkorlik qilishga
undaydi. ularning tadqiqotlari tegishli tarzda ishlab
chiqilgan va tahlil qilingan
.
STATISTIK MODELNING
TARKIBIY QISMLARI
Statistik modellar odatda tenglamaning chap
tomonida qiziqish natijasi (qaram o'zgaruvchi deb
ataladi) va o'ng tomonida regressiya modellari deb
ataladigan bashoratchilar to'plami (kovariatlar yoki
mustaqil o'zgaruvchilar deb ataladi) bilan tenglamalar
sifatida ifodalanadi.
Natija o'zgaruvchilari va regressiya modelining
turlari.Qiziqish
natijasi
uzluksiz
o'zgaruvchi,
ikkilamchi o'zgaruvchi, hisoblash o'zgaruvchisi yoki
voqea vaqti o'zgaruvchisi bo'lishi mumkin. Natija
o'zgaruvchisining turi ma'lumotlarni tahlil qilish
uchun ishlatiladigan regressiya modeli turini
belgilaydi. Buning sababi shundaki, statistik model
kuzatilgan ma'lumotlarga nafaqat natijalar va
kuzatilgan bemorlar uchun bashorat qiluvchilar
o'rtasidagi munosabatni tushunish, balki kuzatilgan
ma'lumotlardan olingan xulosalarni kattaroq aholiga
umumlashtirish
uchun
ham
mos
keladi. Umumlashtirish kuzatilgan ma'lumotlardan
natijaning ehtimollik taqsimoti haqidagi taxminlar
to'plamiga asoslangan xulosaga keladi.1-jadvalnatija
o'zgaruvchilarining umumiy turlarini, ba'zi bir misol
natijalarini, ular bilan bog'liq ehtimollik taqsimotini
va
mos
keladigan
regressiya
modelini
umumlashtiradi.
BASHORAT QILUVCHI
O'ZGARUVCHILAR VA
IZOHLASH.
Regressiya modelidagi bashorat qiluvchilar kategorik
yoki uzluksiz o'zgaruvchilar bo'lishi mumkin. Eng
oddiy toifali bashoratchi ikki darajaga ega, masalan,
jins (erkak va ayol). Jins va vazn yo'qotish o'rtasidagi
bog'liqlikni baholovchi chiziqli regressiya modeli [
o'rtacha
(
vazn yo'qotish
) =
a
+
b
·
jins
sifatida
ifodalanishi mumkin , bunda ayol mos yozuvlar
toifasi
(
jins
=
0)
va
jins
=
1
erkakni
ifodalaydi. Ushbu
modelda
kesishma
a
ayol
bemorlarning o'rtacha vazn yo'qotishini,
b
esa erkak
va ayol bemorlarning o'rtacha vazn yo'qotishidagi
farqni ifodalaydi. Ijobiy
b
o'rtacha erkak bemorlar
ayol
bemorlarga
qaraganda
ko'proq
vazn
yo'qotganligini anglatadi, salbiy
b
esa o'rtacha erkak
bemorlar
ayollarga
qaraganda
kamroq
vazn
yo'qotgan. Umuman olganda, K toifali bashoratchi K-
1 qo'g'irchoq o'zgaruvchilar, ya'ni ikkilik (0/1)
o'zgaruvchilar bilan ifodalanadi, regressiya modelida
bitta
toifa
mos
yozuvlar
sifatida
xizmat
qiladi. Masalan, davolashdan keyingi vazn yo'qotish
va tana massasi indeksi (BMI, 4 guruhga bo'lingan:
kam vazn, normal vazn, ortiqcha vazn yoki semizlik)
assotsiatsiyasini
kimyoterapiya
boshlanishida
baholovchi
model
o'rtacha
(vazn
yo'qotish)
=
sifatida
ifodalanishi
mumkin
.
a
+
g
1
·
bmi
1
+
g
2
·
bmi
2
+
g
3
·
bmi
3
, bu erda normal vazn mos
yozuvlar toifasi va kam vazn uchun
bmi
1
= 1
va
bmi
1
= 0 aks holda, ortiqcha vazn uchun
bmi
2
= 1
va
bmi
2
Aks holda = 0, semizlik uchun
bmi
3 = 1, aks
holda
bmi
3
=
0. a
-
og'irligi
normal
bo'lgan
bemorlarning o'rtacha vazni va
g
1
,
g
2
,
g
3
- normal
vaznli bemorlarga nisbatan kam vaznli, ortiqcha
vaznli va semirib ketgan bemorlar o'rtasidagi o'rtacha
vazndagi farqlar. Uzluksiz bashorat qiluvchi uchun,
masalan, yillardagi boshlang'ich yosh, uning natija
bilan bog'liqligi chiziqli modelda baholanishi
mumkin,
O'rtacha
(
vazn
yo'qotish
)
=
a
+
s
·
yosh
.
a
kesishmasi =
0
yoshda o'rtacha
(
vazn
yo'qotish
)
ni,
s
esa
yoshning har yili o'sishi bilan o'rtacha vazn
yo'qotishning o'zgarishini ifodalaydi . Ammo shuni
ta'kidlash
joizki,
yosh
=
0
o'rganilayotgan
populyatsiya doirasidan ancha tashqarida bo'lishi
mumkin va yoshdan 50 ni ayirib, mos yozuvlar yoshi
sifatida 50 kabi odatdagi yosh darajasini kiritish
orqali
bunday
ekstrapolyatsiyadan
qochish
mumkin
. Bunday
holda,
modelni
o'rtacha
(
vazn yo'qotish
) =
a
+
s
· (
yosh
–
50)
sifatida
ifodalash
mumkin,
bu
erda
a
endi
o'rtacha
(
vazn yo'qotish
)
yosh
= 50 ni
bildiradi. Ba'zi hollarda,
s
bo'lganda , o'zgarish bir
yillik o'sish arzimas darajada kichik deb hisoblanadi,
10 yil kabi yoshning sezilarli o'zgarishi ta'sirini
hisobga olish yanada mazmunli. Shunday qilib,
o'zgartirilgan bashoratchi bilan ishlash mumkin,
yoshi
trans
=
(
yosh
–
50)/10
va
o'rtacha
(
vazn
yo'qotish
) =
a
+
s
· yosh
trans
deb taxmin qilish
mumkin , bu erda
s
endi har bir yosh bilan bog'liq
o'rtacha vazn yo'qotish o'zgarishini ifodalaydi.
Yoshning 10 yilga o'sishi.
KO'P O'ZGARUVCHAN
MODELLARGA NISBATAN BIR
O'ZGARUVCHAN MODELLAR
Hozirgacha biz ko'pincha bir o'zgarmaydigan
modellar deb ataladigan faqat bitta bashorat
qiluvchiga ega modellarni muhokama qildik.
Bunday
modellar
bir
vaqtning
o'zida
ko'p
o'zgaruvchan
modellar deb ataladigan bir nechta
bashorat qiluvchilarni o'z ichiga olishi uchun
kengaytirilishi mumkin . Ko'pincha bular klinik
adabiyotda noto'g'ri bir o'zgaruvchan va ko'p
o'zgaruvchan
modellar
deb
ataladi,
tegishli
terminologiya bir o'zgaruvchan va ko'p o'zgaruvchan
modellar
ekanligini
ta'kidlash
muhimdir. Ko'p
o'zgaruvchan modelga misol:
bu erda
jinsi, bmi
va
yoshi
trans
oldingi modellarda
bo'lgani
kabi
aniqlanadi.
Bu
erda
a
kesishmasi normal vaznli ayol bemorning o'rtacha
vazn yo'qotishini ko'rsatadi, uning yoshi 50 bo'lib,
yosh
trans
= (
yosh
– 50)/10 = 0 ga to'g'ri keladi. Biroq,
b regressiya parametrlarini talqin qilish endi shartli
hisoblanadi.
boshqa
bashorat
qiluvchilarning
qiymatlari. Masalan,
b
1
erkak bemorning o'rtacha
vazn yo'qotishining bir xil BMI toifasidagi va xuddi
shu yoshdagi ayol bemorga nisbatan farqini
ifodalaydi. Xuddi shunday,
b
2
vazni kam bo'lgan
bemorning o'rtacha vazn yo'qotishidagi bir xil jins va
yosh toifasidagi normal vaznli bemorga nisbatan
farqni ifodalaydi. Umuman olganda, yuqoridagi ko'p
o'zgaruvchan modeldagi har bir bashoratchining
ta'siri baholanayotgan bashoratchidan tashqari bir xil
atributlarga ega bo'lgan shaxslarning natijalarini
taqqoslaydi. Ko'p o'zgaruvchan modellarning bu
jihati, ayniqsa, chalkash omillarni sozlashda
foydalidir. Bu erda chalkashlik davolashning boshqa
omillar ta'siridan ajralib bo'lmaydigan ta'sirini
ifodalaydi, chalkashuvchi omillar deb ataladi, ular
odatda
davolanishni
tanlashga
ham,
natija
o'zgaruvchisiga ham taalluqlidir, ammo natijaga
davolash ta'sirining vositachisi bo'lmaydi. Ko'p
o'zgaruvchan modellar davolash ta'sirini taxmin
qiluvchi omillar sifatida qo'shish orqali chalkash
omillarning bir xil atributlari sharti bilan baholashga
imkon beradi.
Yuqoridagi ko'p o'zgaruvchan modelning yana bir
jihati shundaki, bashorat qiluvchining ta'siri boshqa
bashorat qiluvchilarning qiymatidan qat'iy nazar bir
xil bo'ladi. Masalan,
b
1
jinsining o'rtacha vazn
yo'qotishiga ta'siri BMI darajasidan yoki yoshdan
qat'i
nazar,
doimiydir
(qarang.
Jins
×
yosh
trans
kabi o'zaro ta'sir atamasini
kiritish
orqali
bu
taxminni
yumshatish
mumkin . Xususan,
Bu yosh darajalari bo'yicha o'rtacha vazn yo'qotishda
jinsning
differentsial
ta'siriga
imkon
beradi
(qarang
). O'zaro ta'sir shartlarini kiritish,
model va uning talqinini murakkablashtirishi
mumkin bo'lsa ham, bashorat qiluvchilar o'rtasidagi
ta'sir o'zgarishlarini hisobga olish uchun hisobga
olinishi kerak
.
XULOSA
Ushbu maqolada bizning e'tiborimiz statistik tahlil
uchun ma'lumotlar to'plamini yig'ishdan keyin
statistik modellarning asoslari va tamoyillariga
qaratilgan. Biz
ta'kidlaymizki,
muvaffaqiyatli
ma'lumotlarni tahlil qilishning kaliti tadqiqot
maqsadiga mos keladigan ma'lumotlarning sifati va
miqdorini oshirish uchun tadqiqotni loyihalashdir
ADABIYOTLAR
1. Box GEP, Draper NR.
Empirik model yaratish va javob
yuzalari
. Nyu-York,
AQSh:
Wiley; 1987. [
2. Grenlandiya S Regressiya modellariga kirish. Rothman
KJ, Grenlandiya S, Lash TL, tahrirlar.
Zamonaviy
epidemiologiya
, 3-nashr. Filadelfiya, AQSh: Lippincott
Williams & Wikins; 2008 yil, 381–417-betlar. [
3. Le-Rademacher J, Lopez C, Wolfe E, Foster NR,
Mandrekar SJ, Vang X, Kumar R, Adjei A, Jatoi A. Vaqt
o'tishi bilan vazn yo'qotish va omon qolish: 1000+ istiqbolli
davolangan va kuzatilgan o'pka saratonining muhim tahlili
bemorlar .
J Kaxeksiya sarkopeniya mushak
. 2020. doi:
10.1002/jcsm.12625. [
] [
] [
4. Dy GK, Mandrekar SJ, Nelson GD, Meyers JP, Adjei
AA, Ross HJ, Ansari RH, Lyss AP, Stella PJ, Schild SE,
Molina JR, Adjei AA. Kengaytirilgan kichik hujayrali
bo'lmagan o'pka saratonida birinchi darajali terapiya
sifatida gemsitabin va karboplatinni sediranib bilan yoki
bo'lmagan holda randomize II bosqich o'rganish: Shimoliy
markaziy saratonni davolash guruhi N0528 tadqiqoti .
J
Torak
Onkol
. 2013
yil; 8 :
79–88. [
5. Negrao MV, Lam VK, Reuben A, Rubin ML, Landry LL,
Roarty EB, Rinsurongkawong V, Lyuis J, Roth JA, Swisher
SG, Gibbons DL, Wistuba II, Papadimitrakopoulou V,
Glisson BS, Blumenschein JGR, Jr. , Heymach QK, Chjan
J. PD-L1 ifodasi, o'simta mutatsion yuki va saraton geni
mutatsiyalari kichik hujayrali bo'lmagan o'pka saratonida
HLA sinf I genotipiga qaraganda immunitetni nazorat qilish
punkti blokadasidan ko'proq foyda keltiradi .
J Torak
Onkol
. 2019; 14 :
1021–1031. [
] [
6. Hosmer DW, Lemeshow S, Sturdivant RX.
Amaliy
logistik
regressiya
,
3-nashr. Wiley; 2013. [
7. Hastie TJ, Tibshirani RJ.
Umumlashtirilgan qo'shimcha
modellar
. Boka
Raton,
AQSh:
Chapman
&
Hall/CRC; 1990. [
8. Harrell FE.
Chiziqli modellarga, logistik va tartibli
regressiyaga va omon qolish tahliliga ilovalar bilan
regressiyani
modellashtirish
strategiyalari
. Springer; 2015. [
9. Grenlandiya S, Pearl J, Robins JM. Epidemiologik
tadqiqotlar
uchun
sabab
diagrammalari .
Epidemiologiya
1999; 10 :
37–
48. [
10. Williamson EJ, Aitken Z, Lawrie J, Dharmage SC,
Burgess JA, Forbes AB. Aralashtirgichni tanlash uchun
sabab diagrammalariga kirish .
Respirologiya
2014; 19 :
303–311. [
11. Heinze G, Dunkler D. O'zgaruvchan tanlov haqida
beshta
afsona .
Transpl
Int
. 2017; 30 :
6–
10. [
12. Steyerberg EW, Vickers AJ, Kuk NR, Gerds T, Gonen
M, Obuchowski N, Pencina MJ, Rattan MW. Bashoratli
modellarning ishlashini baholash: an'anaviy va yangi
o'lchovlar uchun asos .
Epidemiologiya
2010; 21 : 128–
138. [
] [
13. Mandrekar
SJ,
Schild
SE,
Hillman
SL
va
boshqalar. Ilg'or bosqich kichik bo'lmagan hujayrali o'pka
saratoni uchun prognostik model shimoliy markaziy saraton
davolash
guruhi
sinovlari
birlashtirilgan
tahlil .
Saraton
2006: 107 :
781-92. [
] [
14. Hastie T, Tibshirani R, Fridman J.
Statistik o'rganish
elementlari: ma'lumotlarni qazib olish, xulosa chiqarish va
bashorat
qilish
. 2-nashr. Springer; 2009. [
15. Halabi S, Li C, Luo S. Zamonaviy onkologiyada klinik
natijalar xavfini baholash modellarini ishlab chiqish va
tasdiqlash .
JCO
Precis
Oncol
. 2019; 3 :
] [
] [
16. Babyak MA. Siz ko'rgan narsa sizga mos kelmasligi
mumkin: regressiya tipidagi modellarda haddan tashqari
moslashish
haqida
qisqacha,
texnik
bo'lmagan
kirish .
Psixosom
Med
. 2004; 66 :
411–
421. [
17. Moons KG, Altman DG, Reitsma JB, Ioannidis JP,
Macaskill P, Steyerberg EW, Vickers AJ, Ransohoff DF,
Collins
GS. Individual
prognoz
yoki
diagnostika
(TRIPOD) uchun ko'p o'zgaruvchan bashorat modelining
shaffof hisoboti: tushuntirish va ishlab chiqish .
Enn Intern
Med
. 2015; 162 : Wl–73. [
] [
18. Hernán MA, Robins JM. Randomize sinov mavjud
bo'lmaganda, maqsadli sinovga taqlid qilish uchun katta
ma'lumotlardan foydalanish .
Am J Epidemiol
. 2016; 183 :
758–764. [
] [
] [
19. Steyerberg EW.
Klinik bashorat modellari: ishlab
chiqish, tasdiqlash va yangilashga amaliy yondashuv
. 2-
nashr. Springer; 2019. [