استفاده از مدل رده‌بندي درختي براي تعيين عوامل موثر بر مرگ‌ومير پس از عمل جراحي كرونري باي پاس در بيماران غير وابسته به دياليز

Application of classification tree model for determining the effective factors of mortality after coronary bypass surgery in dialysis-independent patients

مقدمه و هدف: بيماري هاي عروق‌ كرونري قلب از علل شايع مرگ‌ومير است و يكي از درمان هاي رايج در بيماران جراحي باي پاس عروق‌ كرونري به شمار مي رود. از جمله عواملي كه به افزايش مرگ‌ومير و عوارض پس از عمل منجر مي‌شود، اختلال عملكرد كليه است. هدف اين پژوهش، شناسايي مهم ترين عوامل تاثيرگذار در مرگ‌ومير بيماران مبتلا به نارسايي كليه و ارايه مدل درختي براي پيش بيني درصد فوت در اثر جراحي قلب است. مواد و روش ها: داده ها از يك مطالعه مقطعي از 1390 بيمار در مدت سه سال از بيمارستان قلب شريعتي تهران جمع‌آوري و با توجه به هدف پژوهش، بيماران وابسته به دياليز و بقاي كمتر از يك سال از مطالعه خارج شده اند. در مطالعه حاضر، براي پيش‌بيني پيامد فوت، مدل هاي رگرسيون لجستيك و رده بندي درختي با نرم‌افزارهاي SPSS ويراست 18.0 و CART ويراست 6.0 برازش و نتايج با يكديگر مقايسه شد. نتايج: در مدل رده بندي با دقت 90 درصد متغيرهاي نارسايي كليوي شديد، كارگذاري بالن پمپ داخل آيورتي حين و پس از عمل، تنفس طولاني مدت از راه دستگاه، مدت زمان خون رساني قلب حين عمل بيش از160 به‌عنوان زيرگروه‌هاي داراي خطر بالاي مرگ و افراد با عوارض قلبي- بطني پس از عمل جراحي به-عنوان زيرگروه با خطر متوسط مرگ معرفي شدند. شاخص هاي حساسيت و ويژگي براي اين مدل به-ترتيب 82 درصد و 89 درصد و براي مدل لجستيك 4/80 درصد و 88 درصد به‌دست آمد. نتيجه گيري: مدل هاي رده‌بندي درختي و رگرسيون لجستيك متغيرهاي مهم تقريبا يكساني نتيجه دادند، اما مدل درختي، دقت بيشتري داشت. متغير كارگذاري بالن پمپ داخل آيورتي تاثيرگذارترين عامل در مرگ‌ومير معرفي شد كه درصد مرگ ناشي از آن براي كل بيماران حين عمل 19 درصد و پس از عمل 1/54 درصد به‌دست آمد.

Background and Objective: Coronary artery disease is one of the most prevalent causes of death. A coronary artery bypass surgery is a common treatment for this disease. In addition, renal dysfunction can lead to increased mortality and post-operative complications. This study aimed to identify the most important factors influencing the mortality of patients who suffer from coronary artery disease and to introduce a classification approach according to Classification Tree (CART) model for predicting the mortality from this disease. Materials and Methods: This research was conducted based on the information gathered from a cross-sectional study on 1390 patients (except dialysis-dependent) who undergone coronary artery bypass grafting, admitted to Cardiology ward of Shariati hospital during the years 2007-2010. The ordinary logistic regression model and a classification tree were utilized for predicting the probability of death in these patients. The SPSS version 18.0 and CART version 6.0 were used for data analysis. Results: In this study, the classification tree model (CART) resulted in an accuracy of 90%. The patients with renal insufficiency, intra-aortic balloon pump placement during and after surgery, prolonged ventilation, and perfusion time over 160 were shown as the high-risk groups, while those patients with heart ventricular post-operative complications regarded as the medium-risk group. The sensitivity and specificity indices for this model were 82% and 89%, respectively, while it was 80.4% and 88%, respectively, for logistic model. Conclusion: In the present study, the logistic and decision tree models led to nearly similar results, however, the decision tree model seemed to be more accurate. The IABP (Intra-Aortic Balloon Pump) was the most effective factor for mortality. The mortality rate due to this factor during and after surgery for all patients was 19% and 54.1%, respectively