بررسي ريسك فاكتورهاي سرطان پستان با استفاده از تحليل مدل هاي درختي

Evaluating the Risk Factors of Breast Cancer Using the Analysis of Tree Models

چكيده زمينه و هدف: در بسياري از تحقيقات پزشكي هدف تعيين ريسك فاكتورهاي بيماري مورد نظر با توجه به اثرات متقابل آن ها و رده بندي بيماران بر اساس اين ريسك فاكتورها است. براي اين منظور از مدل هاي رگرسيون، تحليل مميزي و رده بندي استفاده مي شود. حال آن كه بررسي پيش فرض ها براي اين مدل ها در داده هاي پزشكي اغلب بسيار مشكل خواهد بود. لذا بايد از روش هاي جايگزين استفاده نمود. هدف از اين مقاله ارايه ي روش رده بندي درختي براي بررسي ريسك فاكتورهاي سرطان پستان است. اين روش در سال 1984 توسط بريمن و همكاران تحت عنوان تحليل رده بندي و رگرسيون درختي عموميت يافت. روش تحقيق: در اين مطالعه از داده هاي يك مطالعه موردي شاهدي استفاده شده است كه در آن گروه مورد شامل 312 خانم مبتلا به سرطان پستان زير 40 سال با تشخيص قطعي بر مبناي آسيب-شناسي و گروه شاهد شامل 312 خانم زير 40 سال مراجعه كننده به بيمارستان امام خميني تهران به علت بيماري غيرنيوپلاستيك و غيرهورموني بودند. اين داده ها با استفاده از مدل هاي رده بندي درختي و با استفاده از نرم افزارCART تحليل شدند. يافته ها: نتايج حاصل نشان داد كه متغيرهايي مانند سابقه ي خانوادگي سرطان پستان، سابقه ي خانوادگي سرطان تخمدان، سابقه ي بيماري خوش خيم پستان، سن منارك، وضعيت قاعدگي، عدم فعاليت فيزيكي، قرار گرفتن در معرض حوادث استرس زا، عواملي موثر در ابتلا به سرطان هستند. نتيجه گيري: تعيين ريسك فاكتورها در سرطان پستان اهميت ويژه اي دارد. روش هاي رده بندي درختي به دليل عدم نياز به برقراري پيش فرض هاي سخت، ابزاري قدرتمند براي بررسي ريسك فاكتورهاست. همچنين به دليل شهودي بودن مدل هاي درختي، تفسير داده-ها براي محققين ساده تر مي باشد.

Background and Aim: In biomedical research, we are concerned with exploring the risk factors of disease and classifying the patients based on similarity of their responses. However, traditional methods need to consider the related assumptions that are difficult to establish in biomedical studies. In this study, an alternative analytical method was used for determining the risk factors of breast cancer and classifying patients into groups based on the similarity of their features. Advances in the practical and theoretical aspects of tree-based methods were developed by Breiman et al. (1984) in their monograph on classification and regression trees. Tree-based methods have become one of the most flexible, intuitive, and powerful data analytic tools for exploring complex data structures. Materials and Methods: In this article, we used the data from a case-control study. The two groups included 628 women who were under 40 years old. The case group included women with positive breast cancer diagnosis, and the control group included the patients who referred to Emam Khomeiny hospital with non-hormone and non-neoplastic disease. Results: Of covariate selected to build the classification tree methods, the following variables were determined as the risk factors for breast cancer: Family history breast cancer, and ovarian cancer, irregular menstruation, lack of physical activity, and low age of menarche. Conclusion: The simplicity of result interaction in terms of clinical or other relevant patient characteristics made trees an appealing approach in clinical and epidemiologic investigation.