جلسه دفاع از پایان نامه خانم ندا ابریشمی دانشجوی کارشناسی ارشد آمار زیستی

جلسه دفاع از پایان نامه خانم ندا ابریشمی  دانشجوی کارشناسی ارشد آمار زیستی دانشگاه علوم پزشکی اصفهان تحت عنوان کاربرد روشهای داده کاوی در کلاسبندی عوارض ناشی از واکسن کووید – 19 و بررسی ارتباط این کلاسبندی با پیامدهای ابتلا به کرونا  در شهر اصفهان(( به راهنمایی سر کار خانم دکتر زهرا حیدری و مشاوره سر کار خانم دکتر مریم نصیریان))  روز چهارشنبه 28 دی  ماه 1401 در دفتر گروه برگزار شد.

چکیده

مقدمه: عوارض واکسن­های مورد استفاده در طول همه­گیری کووید-19 جنجال­ها و شایعات بسیاری را با خود به­همراه داشته و به همین دلیل موافقان و مخالفانی دارد. بنابراین لازمست در زمینه عوارض واکسن­های حاوی سرم­های ضدکرونا تحقیقات جدی صورت گیرد تا علاوه بر بیان میزان شیوع عوارض، با طبقه­بندی آنها، مسیر بهتری برای پیشبرد اهداف پیشگیرانه بالینی ایجاد شود. همچنین با شناخت عوامل موثر بر پیامدهای ابتلا به کرونا و بررسی امکان ارتباط عوارض واکسیناسیون با ابتلا به کرونا، مسیر نوینی از حمایت­های بهداشتی را برای آحاد جامعه ایجاد نمود. بنابراین مطالعه حاضر با هدف کاربرد روش­های داده­کاوی در کلاس­بندی عوارض ناشی از واکسن کووید – 19 و بررسی ارتباط این کلاس­بندی با پیامدهای ابتلا به کرونا ویروس انجام شد.

مواد و روش‌ها: مطالعه حاضر از نوع مشاهده­ای است که در دو فاز و در شهر اصفهان و در بازه زمانی اردیبهشت 13399 الی آبان 1401انجام گرفته است. فاز اول که به­صورت مقطعی انجام می‏شود بر روی 144288 بزرگسال واکسینه شده و فاز دوم که یک کوهورت تاریخی است بر روی 2285 بزرگسال مبتلا به کرونا پس از واکسیناسیون، انجام شد. پس از مشاهده هر نوع عارضه در بزرگسالان ایرانی، سن، جنس و نوع عارضه(مانند تب، سرفه، تنگی نفس، بیاشتهایی و...) ثبت شد. سپس 15 عارضه ناشی از واکسن کووید-19 با استفاده از تکنیک داده کاوی خوشه بندی، شامل روشهای دومرحله ای، سلسله مراتبی و K-mean، خوشه بندی شدند. برای انتخاب بهترین مدل از معیار اطلاعات آکایک (AIC)، معیار بیزی شوارتز (BIC) و تفسیرپذیری نتایج استفاده شد. پس از آن با استفاده از رگرسیون لجستیک، جنگل تصادفی و ماشین بردار پشتیبان و بر اساس شاخصهای اختصاصیت، بهترین مدل پیشگو کننده برای پیامدهای ابتلا به کرونا (بستری در بیمارستان و بستری در ICU) انتخاب شد. تجزیه و تحلیل داده ها با استفاده از نرم افزار R انجام گرفت.

یافته‎ها: نتایج فاز اول نشان داد، برای 15 عارضه رایج، 5 خوشه (سرماخوردگی، آنفولانزا، پوست، داخلی و گوارشی) شناسایی شد. توزیع فراوانی زنان در همه خوشه ها به طور معنیداری بیشتر بود. میانگین سنی افراد در خوشه علائم آنفولانزا (p-value=0.001) و علائم گوارشی (p-value=0.001) بیشتر و در خوشه های علائم پوستی(p-value=0.001)و علائم داخلی (p-value=0.001) کمتر مشاهده شدند. در فاز دوم نیز، مدل جنگل تصادفی به عنوان یک مدل پیشبین مناسب یا شاخصهای عملکردی بالاتر نسبت به مدل­های ماشین بردار پشتیبان، رگرسیون لجستیک و رگرسیون لجستیک جریمه شده ارزیابی شد. با بررسی تاثیر 28 متغیر مستقل برای پیشگویی بستری در بیمارستان، مرتبط ترین آنها شامل تب، سرفه، دیسترس تنفسی، درد عضلانی، ct.scanغیرنرمال، کاهش spo2، سن، فشار خون، علایم اولیه سردرد، بروز تهوع، دیابت، کلاس عوارض واکسن و ابتلا به بیماری قلبی شناسایی شدند و همچنین سن، کلاس عوارض واکسیناسیون، تب، نوع واکسن، دیسترس تنفسی، سرفه، CT SCAN غیرنرمال، فشار خون، کاهش سطحSPO2، تغییرات سطح ضربان قلب، سردرد، درد عضلانی، بی­اشتهایی، دیابت، تب، تهوع، سرطان، به عنوان عوامل موثر برای پیشگویی بستری در ICU شناسایی شدند.

نتیجه‎گیری: در مطالعه حاضر، از داده­کاوی برای کلاسبندی اطلاعات، به­جهت ایجاد مجموعه خلاصه و ارزشمند از نظر بالینی و همچنین در حیطه مدل پیشبینی کننده عوامل موثر بر پیامدهای ابتلا به کرونا، مبنی بر سه مدل پیشبینی کننده استفاده شد. نتایج نشان داد توجه به کهولت سن و بروز تب، کاهش spo2، بیماریهای فشار خون، دیابت، قلبی و سرطان پیشآگهیهای مهمی برای بستری در بیمارستان و ICU هستند. همچنین توجه به کلاس عوارض ایجاد شده از واکسیناسیون نیز در راستای بهبود کیفیت خدمات مراقبتهای بیمارستانی حائز اهمیت است. علاوه بر نتایج بالینی حاصل شده، مدل جنگل تصادفی عملکرد بهتری نسبت به مدل­های ماشین بردار پشتیبان و رگرسیون لجستیک داشت، اما رگرسیون لجستیک جریمه شده، نتایج مناسبی در مقایسه با جنگل تصادفی ایجاد کرد. بنابر این استفاده از مدل­های جنگل تصادفی و رگرسیون لجستیک جریمه شده، برای پیشبینی عوامل موثر بر پیامدهای کرونا مناسب است.

کلیدواژه‏ها: واکسن کوید-19، عوارض جانبی، پیامد ابتلابه­کرونا، خوشه­بندی، دادهکاوی، یادگیری ماشین، پیش­بینی، رگرسیون لجستیک، رگرسیون لجستیک جریمه شده، جنگل تصادفی، ماشین بردار پشتیبان، بیماری

زمینه­ای.