كاربرد روش‌هاي كلاس‌بندي رگرسيوني در شناسايي اثرات متقابل عوامل خطر فلج مغزي كودكان

Classification Regression Methods in Identification of the Interactive Effects of the Risk Factors of Cerebral Palsy in Children

مقدمه و اهداف: شناسايی عوامل خطر و اثرات متقابل آن‌ها، در مطالعه‌های پزشكی بسيار مهم است. هدف از اين مطالعه شناسايی اثرات متقابل عوامل خطر فلج مغزی در كودكان 6-1 ساله دارای فلج مغزی است.روش كار: در اين مطالعه مقطعی، اطلاعات 225 كودك 6-1 ساله كه در سال‌های 87-1386جمع‌آوری شده بود؛ مورد استفاده قرار گرفت. برای شناسايی اثرات متقابل از روش‌های كلاس‌بندی رگرسيونی شامل درخت كلاس‌بندی رگرسيونی، آدابوست، بگينگ و الگوريتم C4.5 با استفاده از نرم‌افزار R نسخه 1-0-3 استفاده شد.نتايج: اثرات متقابل برگزيده از روش آدابوست (ازدواج فاميلی والدين: جنس كودك، حاملگی‌های قبلی: زايمان واژينال، ازدواج فاميلی والدين: زايمان نارس: جنس كودك، زايمان نارس: سابقه بيماری: آسفيكسی، ازدواج فاميلی والدين: آسفيكسی: جنس كودك، سابقه بيماری: جنس كودك: كوچك جثه نسبت به سن حاملگی، عفونت نوزادی: آسفيكسی: كوچكی جثه نسبت به سن حاملگی، سابقه بيماری: آسفيكسی: جنس كودك، زايمان نارس: زايمان واژينال: آسفيكسی)، روش بگينگ (ازدواج فاميلی والدين: آسفيكسی، ازدواج فاميلی والدين: زايمان نارس: آسفيكسی)، الگوريتم C4.5 (آسفيكسی: زايمان نارس، آسفيكسی: ازدواج فاميلی والدين: سابقه بيماری: زايمان نارس) و درخت كلاس‌بندی رگرسيونی (آسفيكسی: ازدواج فاميلی والدين) شناسايی شدند. حساسيت و ويژگی روش آدابوست بهتر از ساير روش‌های گفته شده، به ترتيب 029/0±941/0 و 030/0±951/0، به دست آمد.نتيجه‌گيری: روش آدابوست عملكرد موفق‌تری در تشخيص و مدل‌سازی اثرات متقابل احتمالی ميان عوامل خطر فلج مغزی كودكان داشت.

  Background & Objectives : The identification of risk factors and their interactions is important in medical studies. The aim of this study was to identify the interaction of risk factors of cerebral palsy in 1-6 years-old children with classification regression methods.   Methods : The data of this cross-sectional study which was conducted on 225 children aged 1-6 years was collected during 2008- 2009. Classification regression methods (classification and regression tree (CART), adapting boosting (AdaBoost), bagging, and C4.5 algorithm) were used to identify interactions between risk factors. Data analysis was carried out with R3.0.1 software.   Results : The identified interactions of the factors by a) the AdaBoost method were (consanguinity: sex, previous pregnancies: vaginal delivery, consanguinity: sex: preterm, history of the disease: preterm: asphyxia, consanguinity: sex: asphyxia, history of the disease: sex: small size relative to gestational age, neonatal infection: asphyxia: small size relative to gestational age, history of the disease: sex: asphyxia, preterm: asphyxia: vaginal delivery); by b) the bagging method were (consanguinity: asphyxia, consanguinity: preterm: asphyxia), by c) the C4.5 algorithm were (asphyxia: preterm, asphyxia: consanguinity: history of the disease: preterm), and by d) the CART method were (asphyxia: consanguinity). The sensitivity and specificity of the AdaBoost method was better than other methods (0.941±0.029 and 0.951±0.030, respectively).   Conclusion : The AdaBoost method could better recognize and model potential interactions between risk factors of cerebral palsy.