دفاع پایان نامه خانم شیما امین‌زاده دانشجوی کارشناسی ارشد آمار زیستی
شیما امین‌زاده دانشجوی کارشناسی ارشد آمار زیستی دوشنبه 24 دی 1403 از پایان نامه خود با عنوان"بررسی عوامل مرتبط با تغییر وضعیت بستری بیماران مبتلا به کووید-19 در یک مطالعه کوهورت مبتنی بر بیمارستان با استفاده ازمدل‌های چند حالته در بقا" به راهنماییدکتر مرجان منصوریان دفاع نمودند
چکیده
مقدمه: مدلهای چند حالته، یکی از رایج‌ترین مدلهای مورد استفاده برای توصیف فرآیند و مسیر پیشرفت در مطالعات بقا می‌باشد. این مدل‌ها تحت مدل فرآیند تصادفی تعریف شده‌اند. زیرا فرد در هر نقطه از زمان، یکی از مجموعه حالت‌های گسسته مورد نظر را اختیار می‌کند و ممکن است در طول زمان از حالتی به حالت دیگر منتقل شود. پیچیدگی تحلیلی این مدل‌ها به تعداد حالت‌های تعریف‌شده و تعداد انتقال‌های ممکن بین حالت‌ها بستگی دارد. هدف از این مدل‌ها، ارائه دید جامعی از روند بیماری بیمار یا تاریخچه زندگی یک فرد است. بر اساس مدل چند حالته در بقا می‌توان، تاثیر متغیرهای کمکی را در هر انتقال موجود و برای هر حالت میانی(گذرا) در بیماری، مدل کرده و احتمال انتقال، شدت انتقال و نسبت خطر موجود را برای آن به دست آورد. به همین جهت در این مطالعه به مدلبندی عوامل مرتبط با تغییر وضعیت بیماران مبتلا به بیماری عفونی کووید-19 بستری‌شده در بیمارستان در حالات مختلف بستری در بخش عمومی، بستری در بخش مراقبتهای ویژه(ICU)، ترخیص و یا مرگ و میر با به کارگیری مدلهای چندحالته در بقا پرداخته‌ایم.
مواد و روش ها: کاربرد این مدلسازی پر اهمیت در داده‌های بقا در مطالعه حاضر، بر اساس اطلاعات 634 بیمار مبتلا به کووید-19 است که از زمان بستری در بیمارستان خورشید مورد پیگیری قرار گرفته‌اند. بر اساس این داده‌ها، پیشرفت بیماری بیماران در بیمارستان در چهار حالت رخ داده است. حالت 1 نشان‌دهنده بستری در بخش عمومی، حالت 2 بستری در بخش مراقبتهای ویژه، حالت 3 ترخیص بیمار از بیمارستان و حالت 4 نشان‌دهنده وقوع مرگ بر اثر این عارضه است. این داده‌ها با هدف مدلبندی چند حالته در بقا(مدلهای دو حالته، سه حالته و چهار حالته(ریسک رقابتی)) برای ارائه پیشرفت سیر بیماری و انتقال بیماران از یک حالت به حالات بعدی، جمع‌آوری شده است. تحلیل داده‌ها در مدلهای دو حالته با استفاده از مدل رگرسیون خطرات متناسب کاکس مارکوف(CMM) و در مدل‌هایی با بیش از دو حالت( مدلهای سه حالته و چهار حالته(ریسک رقابتی)) با استفاده از مدل رگرسیون کاکس طبقه‌بندی شده مارکوف(SCMM) جهت دستیابی به نتایج مطلوب، انجام شده است.
یافته‌ها: بر اساس اطلاعات 634 بیمار 1318 حالت مختلف وجود دارد. از 1318 وضعیت بیماران، 598 وضعیت حاوی حالت 1 (45.4 درصد)، 86 وضعیت، مربوط به حالت 2 (6.5 درصد)، 589 وضعیت مربوط به حالت 3 (44.7 درصد) و 45 وضعیت مربوط به بیمارانی بود که حالت 4 (3.4 درصد) را تجربه کرده بودند. یافته‌های مطالعه در زمینه ویژگی‌های دموگرافیک بیماران بستری در بیمارستان خورشید اصفهان نشان می‌دهد که از مجموع 634 نفر که در بیمارستان بستری شدند، میانگین سنی شرکت‌کنندگان (15.41 
) 57 سال بود. این پژوهش شامل 389 نفر(61 درصد) مرد و 245 نفر(39 درصد) زن است. 552 نفر(87 درصد) افراد غیر سیگاری و 82 نفر(13 درصد) سیگاری هستند. میانه و میانگین زمان بقای بستری در بیمارستان برای بیماران تا ترخیص آن‌ها به ترتیب 5 و 9 روز است. بر اساس مدلهای دو حالته، سه حالته و چهارحالته(ریسک رقابتی) در بقا، مردان میانسان سیگاری با برخی فاکتورهای خونی مهم همچون سطح پلاکت خون، سطح سدیم خون، سطح پتاسیم خون، سطح منیزیم خون، فاکتورهای التهابی و فاکتورهای کبدی به همراه بیماری‌های زمینه‌ای همچون دیابت، فشار خون بالا، بیماری‌های قلبی عروقی و بیماری‌های تنفسی در معرض خطر بیشتری برای انتقال به حالت بستری در بخش مراقبتهای ویژه و حتی مرگ و میر بودند(p-value <0.001). همچنین این فاکتورها نسبت به رده مرجع خود، خطر نسبی افزایشی داشته‌اند(HR > 1). احتمال انتقال افراد از بخش بستری عمومی به ترخیص نسبت به ترخیص از بخش ICU در همه زمان‌ها بیشتر بود. همچنین احتمال انتقال از بخش ICU به مرگ و میر نیز در همه زمان‌ها، بیشتر از انتقال از بخش بستری عمومی بود.
نتیجه‌گیری: نتایج این مطالعه نشان می‌دهد سالمندان، مردان، سیگاري‌ها، بیماران با بیماری‌های زمینه‌ای فشار خون بالا، بیماران دیابتی، بیماران تنفسی و بیماران قلبی-عروقی در خطر بستري شدن در بیمارستان در اثر ابتلاء به کووید-19 و انتقال به وضعیت مراقبتهای ویژه و مرگ بیمار قرار دارند. تعدد بیماری‌های زمینه‌ای یک عامل مستعدکننده پیش‌آگهی مرگ و میر بالا می‌باشد. توصیه می‌شود این افراد موردتوجه بیشتر متخصصان مربوطه قرار بگیرند. این افراد باید به طور مکرر تحت نظارت و غربالگری قرار گیرند.
واژه‌های کلیدی: تحلیل بقا، فرآیند تصادفی، مدلهای چند حالته، مدل رگرسیون خطرات متناسب کاکس مارکوف، مدل رگرسیون کاکس طبقه‌بندی شده مارکوف.
Associated factors with patient's admission status between covid-19 patients in a hospital-based cohort study using multi-state survival models
Abstract
Introduction: Multi-state models are one of the most common models used to describe the process and progression path in survival studies. These models are defined under the stochastic process model. Because at each point in time, an individual adopts one of the desired discrete states and may transition from one state to another over time. The analytical complexity of these models depends on the number of defined states and the number of possible transitions between states. The purpose of these models is to provide a comprehensive view of the patient's disease process or the life history of an individual. Based on the multi-state model in survival, the effect of auxiliary variables at each existing transition and for each intermediate (transitional) state in the disease can be modeled and the probability of transition, severity of transition and hazard ratio can be obtained for it. Therefore, in this study, we modeled factors related to changes in the status of patients with COVID-19 infectious disease admitted to the hospital in different states of hospitalization in the general ward, hospitalization in the intensive care unit (ICU), discharge, or death by using multi-state survival models.
Materials and Methods: The application of this important modeling to survival data in the present study is based on information from 634 patients with COVID-19 who have been followed up since their admission to Khorshid Hospital. Based on these data, the progression of the patients’ disease in the hospital occurred in four states. State 1 indicates hospitalization in the general ward, state 2 hospitalization in the intensive care unit, state 3 discharge from the hospital, and state 4 indicates death due to this complication. These data were collected with the aim of modeling multi-state survival (two-state, three-state, and four-state (competing risk) models) to represent the progression of the disease course and the transition of patients from one state to the next. Data analysis was performed in two-state models using the Cox Markov proportional hazards regression model (CMM) and in models with more than two states (three-state and four-state models (competing risk)) using the stratified Cox Markov regression model (SCMM) to achieve the desired results.
Results: Based on the data of 634 patients, there are 1318 different states. Of the 1318 states of patients, 598 states contained state 1 (45.4%), 86 states were related to state 2 (6.5%), 589 states were related to state 3 (44.7%), and 45 states were related to patients who experienced state 4 (3.4%). The findings of the study on the demographic characteristics of patients hospitalized in Khorshid Hospital of Isfahan show that out of a total of 634 people who were hospitalized, the average age of the participants was 57 (±15.41) years. This study included 389 (61%) men and 245 (39%) women. 552 (87%) were non-smokers and 82 (13%) were smokers. The median and average hospital stay for patients until their discharge were 5 and 9 days, respectively. Based on two-state, three-state and four-state (competing risk) survival models, middle-aged male smokers with some important blood factors such as blood platelet levels, blood sodium levels, blood potassium levels, blood magnesium levels, inflammatory factors and liver factors along with underlying diseases such as diabetes, hypertension, cardiovascular diseases and respiratory diseases were at higher risk for transfer to intensive care unit hospitalization and even death (p-value < 0.001). These factors also had an increased relative risk compared to their reference category (HR > 1). The probability of individuals being transferred from general ward hospitalization to discharge was higher than that of being discharged from ICU at all times. The probability of transferring from ICU to death was also higher than that of transferring from general ward hospitalization at all times.
Conclusion: The results of this study show that the elderly, men, smokers, patients with underlying diseases such as hypertension, diabetes, respiratory and cardiovascular patients are at risk of hospitalization due to COVID-19, transfer to intensive care and death. Multiple underlying diseases are a predisposing factor for high mortality. It is recommended that these individuals receive more attention from relevant specialists. These individuals should be monitored and screened frequently.
Keywords: Survival Analysis, Stochastic Processes, Multi-State Models, Cox Markov proportional hazards regression model, stratified Cox Markov regression model.
