مجله دانشگاه علوم پزشکی ایلام، جلد ۲۹، شماره ۶، صفحات ۶۹-۸۰

عنوان فارسی کاربرد رگرسیون جمعی مفصل دومتغیره در تعیین عوامل مؤثر بر آنزیم‌‌های کبدی ALT و AST
چکیده فارسی مقاله مقدمه: معمولاً هنگامی‌که توزیع متغیر وابسته از خاصیت نرمال بودن پیروی نمی‌‌کند، می‌‌توان از نوع رگرسیون ناپارامتری استفاده کرد. در این مطالعه هم با توجه به ویژگی متغیرها، از الگوی رگرسیون مفصل دومتغیره برای تشخیص عوامل تأثیرگذار بر آنزیم‌‌های کبدی ALT و AST و همچنین برای ارتباط هر دو آنزیم استفاده‌شده است. این نوع رگرسیون هنگامی مناسب است که متغیرهای پاسخ، چولگی و وابستگی نسبتاً بالایی باهم داشته باشند.
مواد و روش ها: در این مطالعۀ مقطعی، نمونه‌‌ای به حجم 2000 نفر از افراد شرکت‌کننده در مطالعۀ هم‌گروهی شهرکرد به‌تصادف انتخاب شد. برای رسیدن به الگوی رگرسیون مفصل، توزیع حاشیه‌‌ای گوسین معکوس و تابع مفصل گامبل با توجه به معیار آکائیک انتخاب گردید و از پکیج‌‌های آماری Gamlss،Copula ،Ggrm  در نرم‌افزار R استفاده شد.
یافته‌ها: با توجه به یافته‌‌ها، برخی از متغیرها از طریق مؤلفه‌های توزیع‌‌ حاشیه‌‌ای و تابع مفصل بر غلظت آنزیم‌‌های ALT و AST به‌عنوان عوامل مؤثر شناسایی گردیدند. متغیرهای اورۀ خون، تری‌گلیسرید، GGT، ALP و BMI تأثیر غیرخطی و معنا‌‌داری بر میانگین غلظت آنزیم ALT داشتند. متغیرهای BMI، GGT، ALP، LDL و HDL به‌صورت غیرخطی و همچنین اورۀ خون به‌صورت خطی، بر میانگین غلظت آنزیم AST به‌طور معنی‌‌دار مؤثر بودند. درنهایت، متغیرهای BMI، تری‌گلیسرید، GGT و ALP بر ارتباط میان سطح غلظت آنزیم‌‌های کبدی ALT و AST تأثیر می‌‌گذارند.
بحث و نتیجه‌گیری: پا استفاده از این الگو می‌‌توان علاوه بر شناسایی برخی عوامل مؤثر، به تشخیص روابط خطی و غیرخطی میان‌‌ متغیرهای مستقل با وابسته پی برد.
کلیدواژه‌های فارسی مقاله رگرسیون مفصل، تابع مفصل، آنزیم‌‌های کبدی ALT و AST

عنوان انگلیسی Application of Bivariate Capula Additive Regression in Determining Factors Affecting ALT and AST Liver Enzymes
چکیده انگلیسی مقاله Introduction: Nonparametric regression can usually be used when the distribution of the dependent variable does not follow the property of normality. In this study, due to the nature of the variables, a bivariate Capula regression model was used to identify the factors affecting the liver enzymes (ALT and AST) and the relationship between these enzymes. This type of regression is suitable when the response variables have a relatively high degree of skewness and interdependence.
Material & Methods: In this cross-sectional study, a sample of 2000 participants in the Shahrekord cohort study were randomly selected. To achieve the Capula regression model, the inverse Gaussian margin distribution and the Gumble joint function were selected according to the Akaike criterion. Gamlss, Copula, and Ggrm statistical packages were used in the R software.
(Ethic code: 3316)
Findings: According to the findings, some variables were identified as effective factors on the concentration of ALT and AST enzymes through marginal distribution parameters and Capula function. Blood urea, triglyceride, GGT, ALP, and BMI had a nonlinear and significant effect on the mean concentration of the ALT enzyme. The BMI, GGT, ALP, LDL, and HDL (nonlinearly), as well as blood urea (linearly), had a significant effect on the mean concentration of AST enzyme. Finally, the variables of BMI, triglycerides, GGT, and ALP affect the relationship between the concentration levels of the liver enzymes (ALT and AST).
Discussion & Conclusion: Using this model, in addition to identifying the effective factors, it is possible to distinguish between linear and nonlinear relationships between independent and dependent variables.
 
کلیدواژه‌های انگلیسی مقاله ALT and AST liver enzymes, Copula function, Copula regression

نویسندگان مقاله فرهاد محمدی | Farhad Mohammadi
Dept of Epidemiology and Biostatistics, Faculty of Health, Modeling in Health Research Center, Shahrekord University of Medical Sciences, Shahrekord, Iran
1 گروه اپیدمیولوژی و آمار زیستی، دانشکده بهداشت، مرکز تحقیقات مدل‌‌سازی در سلامت، دانشگاه علوم پزشکی شهرکرد، شهرکرد، ایران

مرتضی سدهی | Morteza Sedahi
Dept of Epidemiology and Biostatistics, Faculty of Health, Modeling in Health Research Center, Shahrekord University of Medical Sciences, Shahrekord, Iran
1 گروه اپیدمیولوژی و آمار زیستی، دانشکده بهداشت، مرکز تحقیقات مدل‌‌سازی در سلامت، دانشگاه علوم پزشکی شهرکرد، شهرکرد، ایران

سلیمان خیری | Soleiman Kheiri
Dept of Epidemiology and Biostatistics, Faculty of Health, Modeling in Health Research Center, Shahrekord University of Medical Sciences, Shahrekord, Iran
گروه اپیدمیولوژی و آمار زیستی، دانشکده بهداشت، مرکز تحقیقات مدل‌‌سازی در سلامت، دانشگاه علوم پزشکی شهرکرد، شهرکرد، ایران

علی احمدی | Ali Ahmadi
Dept of Epidemiology and Biostatistics, Faculty of Health, Modeling in Health Research Center, Shahrekord University of Medical Sciences, Shahrekord, Iran
1 گروه اپیدمیولوژی و آمار زیستی، دانشکده بهداشت، مرکز تحقیقات مدل‌‌سازی در سلامت، دانشگاه علوم پزشکی شهرکرد، شهرکرد، ایران

مهدی امیدی | Mehdi Omidi
Dept of Mathematics, Faculty of Sciences, Ilam University, Ilam, Iran
گروه ریاضی، دانشکده علوم پایه، دانشگاه ایلام، ایلام، ایران


نشانی اینترنتی http://sjimu.medilam.ac.ir/browse.php?a_code=A-10-6557-2&slc_lang=fa&sid=1
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/48/article-48-2473636.pdf
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده آمار زیستی
نوع مقاله منتشر شده پژوهشی
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات