زهرا بامی - MSc Student in Biostatistics, Faculty of Health, Golestan University of Medical Sciences, Gorgan, Iran
ناصر بهنام پور - Assistant Professor, Department of Biostatistics and Epidemiology, Faculty of Health, Golestan University of Medical Sciences, Gorgan, Iran
بهرام صادق پور گیلده - Professor, Department of Statistics, Faculty of Mathematical Sciences, Ferdowsi University of Mashhad, Mashhad, Iran
مجید غیور مبرهن - Professor, Department of Nutrition, School of Medicine, Metabolic Syndrome Research Center, Mashhad University of Medical Sciences, Mashhad, Iran
حبیب الله اسماعیلی - Professor, Department of Epidemiology and Biostatistics, School of Health, Neonatal Research Center, Mashhad University of Medical Sciences Mashhad, Iran

سابقه و هدف: درک عوامل خطر بیماری های قلبی- عروقی که مهم ترین علت مرگ در تمام دنیا است، می تواند تغییرات مهمی در روش های پیشگیری، اتیولوژی و درمان آن ایجاد نماید. هدف این مطالعه مقایسه عملکرد دو مدل رگرسیون لجستیک و الگوریتم CART در تعین عوامل پیش آگهی دهنده بر ابتلا به بیماری عروق کرونر در ساکنین شهر مشهد است. مواد و روش ها: در این مطالعه مورد- شاهد از داده های مطالعه کوهورت (MASHAD STUDY: Mashhad Stroke and Heart Atherosclerotic Disorder) که در سال ۲۰۰۹، انجام شده بود، استفاده و عوامل پیش آگهی دهنده بر ابتلا به بیماری عروق کرونر با دو مدل رگرسیون لجستیک و الگوریتم CART، با نرم افزارهای ۱۴ Stata و R تعیین شد. کارایی دو مدل با سطح زیر منحنی مشخصه عملکرد (AUC) مقایسه شد.تمامی افراد مبتلا به بیماری عروق کرونر به عنوان مورد و به ازای هر مورد، سه شاهد در نظر گرفته شد. یافته ها: رگرسیون لجستیک نشان داد سابقه سکته قلبی، ابتلا به دیابت، سابقه ابتلا به چربی خون، سن و سابقه بیماری عروق کرونر در پدر و برادر از عوامل پیش آگهی دهنده بر ابتلا به بیماری عروق کرونر در مشهد هستند. الگوریتم CART نیز، سن بالا، سابقه سکته قلبی، سابقه فشارخون، افسردگی، سطح فعالیت شبانه روزی و شاخص توده بدنی را به عنوان عوامل پیش آگهی دهنده تعیین کرد. استنتاج: عوامل پیش آگهی دهنده مشترک حاصل از دو مدل، سابقه سکته قلبی و سن بود. با توجه به کارایی بهتر مدل لجستیک، می توان پیشنهاد کرد در صورت عدم وجود اثر متقابل در متغیرهای پیش بین، برای شناسایی عوامل موثر بر ابتلا به بیماری عروق کرونر از مدل رگرسیون لجستیک چندگانه باینری استفاده شود.

CART algorithm, Logistic regression, coronary artery disease, MASHAD STUDY, الگوریتم CART, رگرسیون لجستیک, بیماری عروق کرونر, MASHAD STUDY