پيش‌بيني بروز حمله حاد قلبي با استفاده از رگرسيون لجستيك (مطالعه موردي: بيمارستاني در ايران)

Prediction of Acute Heart Attack using Logistic Regression (Case Study: A Hospital in Iran)

سكته قلبي اولين عامل مرگ‌ومير در ايران است كه بيش از نيمي از بيماران آن قبل از رسيدن به بيمارستان مي‌ميرند. برخي از حملات قلبي ناگهاني و شديدند، اما بيشتر آن‌ها به‌آهستگي آغاز مي‌شوند و با درد يا ناراحتي خفيفي همراه هستند. تشخيص زودرس اين علائم در بيماران براي نجات و درمان موفقيت‌آميز آنان حياتي است و اين امر اهميت، نياز، ضرورت و سودمندي طراحي سيستم‌هايي را براي ياري‌رساندن به پزشك در تشخيص زودهنگام بروز حملات حاد قلبي بيش از پيش مشخص مي‌كند. هدف اصلي اين پژوهش طراحي و ساخت يك مدل پيش‌بيني بروز حمله حاد قلبي در ايران، براساس فاكتورهاي باليني قابل‌گزارش توسط بيمار در خارج از بيمارستان است؛ يعني زماني‌كه اطلاعات آزمايش‌هاي تشخيصي و معاينات پزشكي در دسترس نيستند. اين مدل براي كاهش متوسط زمان از شروع علائم هشداردهنده سكته قلبي تا آغاز درمان قابل‌استفاده است. به‌اين‌منظور، داده‌هاي مربوط به 711 بيمار قلبي جمع‌آوري شد و سه مدل با استفاده از رگرسيون لجستيك و يك مدل با استفاده از درخت تصميم براي پيش‌بيني احتمال بروز حمله حاد قلبي ساخته شد. بهترين مدل رگرسيون لجستيك از لحاظ عملكرد داراي آماره C، 955/0 و دقت 9/94 درصد بود و متغيرهاي درد شديد قفسه سينه، درد پشت، تعريق سرد، تنگي نفس، حالت تهوع و استفراغ به‌عنوان شاخص‌هاي اصلي و مؤثر در بروز حمله حاد قلبي شناسايي شدند و در مدل درخت تصميم با آماره C، 938/0 متغيرهاي مستقل تنگي نفس، تپش قلب، ورم اندام‌ها، تعريق سرد، درد سمت چپ قفسه سينه، درد شديد قفسه سينه، سن و حالت تهوع قادر به پيش‌بيني تغييرات متغير وابسته (احتمال بروز حمله حاد قلبي) بودند.

Acute myocardial infarction is the most important reason of mortality in Iran. More than half of these deaths occur without the patient even reaching to a hospital. There is the evidence that patients with better knowledge of the symptoms of MI will seek help earlier. The purpose of this study is to determine how well a predictive model will perform based solely upon patientreportable clinical history factors, without using diagnostic tests or physical exam findings. We use 28 patientreportable history factors that are included as potential covariates in our models. Using a derivation data set of 663 patients, we build three logistic regression models and one decision tree model to estimate the likelihood of acute coronary syndrome based upon patientreportable clinical history factors only. The best performing logistic regression model have a Cindex of 0.955 and with an accuracy of 94.9%. The variables, severe chest pain, back pain, cold sweats, shortness of breath, nausea and vomiting is selected as the main features. A decision tree model has a Cindex of 0.938. The variables, shortness of breath, palpitations, edema, sweats, left chest pain, age, severe chest pain and nausea are selected as the main features. This model can have important utility in the applications outside of a hospital setting when objective diagnostic test information is not yet available. Given the very high mortality from MI in the Iran, even a small reduction in median time from onset of symptoms to treatment can translate into a substantial number of lives saved.