بررسی عوامل موثر بر متاستاز سرطان پستان با مقادیر گمشده با استفاده از مدل لجستیک با درستنمایی تاوانیده نیمرخ

نویسندگان
فروغ جمشیدی 1
عنایت الله بخشی 1
سمانه حسین زاده 1
سودابه شهیدثالث 2
1 دانشگاه علوم بهزیستی و توانبخشی تهران
2 دانشگاه علوم پزشکی مشهد
چکیده
مقدمه

سرطان پستان یکی از شایع‌‌ترین و نگران‌‌کننده ترین مشکلات بهداشتی زنان در دنیاست که با بروز عود موضعی و متاستاز در این بیماری، پاسخ به درمان مشکل‌‌تر شده و بقای بیماران کاهش می‌‌یابد. همچنین در چنین مواردی علائم و نشانه‌‌های ایجاد شده بسیار ناراحت کننده و دردناک می‌‌باشد، به همین دلیل یافتن میزان تاثیر فاکتورهای مختلف بر بروز متاستاز می‌‌تواند نقش تاثیرگذاری بر درمان و جلوگیری از پیشرفت آن داشته باشد.

مواد و روش‌‌ها

در مطالعه حاضر اطلاعات 1959 نفر از زنان مبتلا به سرطان پستان که در فاصله سال‌‌های 1380-1390 به بیمارستان امید مشهد مراجعه نموده‌‌اند جمع‌‌آوری و مورد بررسی قرار گرفت. برای تحلیل داده‌‌ها پس از جانهی داده‌‌های گمشده، از روش درستنمایی تاوانیده نیمرخ استفاده گردید و اجرای مدل و تحلیل داده‌‌ها در نرم‌‌افزار R انجام شد.

یافته‌‌ها

نتایج نشان داد، متغیرهای سابقه خانوادگی، مرحله بالینی، پروتئین Her2 و T (اندازه تومور) اثر معنی‌‌دار بر بروز متاستاز بیماران سرطان سینه دارد.

نتیجه‌‌گیری

با توجه به نتایج، متغیرهای مرحله بیماری و پروتئین her2، اندازه تومور و سابقه خانوادگی در تمامی شرایط تحلیل، اثر معنی‌‌داری بر بروز متاستاز در بیماران مبتلا به سرطان پستان داشتند .
کلیدواژه‌ها
درستنمایی تاوانیده نیمرخ
رگرسیون لجستیک
مقادیر گمشده
سرطان پستان
متاستاز

عنوان مقاله English

Applying logistic model on breast cancer metastatic with missing data : penalized profile likelihood

نویسندگان English

forough jamshidi 1
Enayatollah Bakhshi 1
Samaneh Hosein Zadeh 1
Soudabeh Shahid Sales 2
چکیده English

Introduction

Breast cancer is one of the most common and worrisome diseases among women all over the world which becomes more difficult with localized relapses and metastases in this disease and the chance of survival is reduced. therefore the effect of various factors on the incidence of metastases can have an important role in the treatment and prevention of disease progression.

Materials and Methods

In this study, 1959 women with breast cancer who referred to Omid Hospital in Mashhad from 2001 to 2011 were selected and evaluated. To analyze the data, after the imputation of missing data, the method of penalized profile likelihood was used and data analysis was done in the software R.

Results

The results of the analysis showed that family background, clinical stage, Her2 protein, and T (tumor size) variables had a significant effect on the incidence of metastasis in breast cancer patients.

Conclusion

According to the results, the stage code and her2 variables, tumor size and family history in all conditions of analysis had a significant effect on the incidence of metastasis in patients with breast.

کلیدواژه‌ها English

penalized profile likelihood
logistic regression
missing values
Breast Cancer
metastasis
1. Ferlay J, Shin HR, Bray F, Forman D, Mathers C, Parkin DM. Estimates of worldwide burden of cancer in 2008: GLOBOCAN 2008. Int J Cancer 2010:127:2893-917.
2. Jalali Nadoushan MR, Davati A, Bagherzadeh Shahidi SH. Expression of MDM2 gene in primary breast cancer and it's relationship with prognostic factors. J Gorgan Univ Med Sci 2008;10(2):27-31. [Persian]
3. Faghani M, Nasiri E, Bahadori MH, Mohammad Ghasemi F. Genetic predisposing of P53 codon 72 on developing of breast cancer in postmenopausal women in Isfahan. Jour Guilan Univ Med Sci 2008;17(67):94-100. [Persian]
4. Mousavi M, Gouya M; Ramazani R, Davanlou M, Hajsadeghi N, Seddighi Z. Cancer incidence and mortality in Iran. Ann Oncol 2009;20(3):556-63.
5. Gohari MR, Mahmoudi M, Kazem M, Pasha E, Khodabakhshi R. Recurrence in breast cancer analysis with frailty model. Saudi Med J 2006;27(8):1187-93.
6. Bernstein L, Ross RK. Endogenous hormones and breast cancer risk. Epidemiol Rev 1993;15(1):48-65.
7. Cowper DC, Kubal JD, Maynard C, Hynes DM. A primer and comparative review of major US mortality databases. Nn Epidemiol 2002;12:462-8.
8. Lamont EB, Herndon JE, Weeks JC, Henderson IC, Earle CC, Schilsky RL, et al. Measuring disease-free survival and cancer relapse using Medicare claims from CALGB breast cancer trial participants (companion to 9344). J Natl Cancer Inst 2006;98(18):1335-8.
9. Khodabakhshi R, Gohari MR, Moghadamifard Z, Foadzi H, Vahabi N. Disease-free survival of breast cancer patients and identification of related factors. Razi Journal of Medical Sciences 2011;18(89):27-33.
10. Ska N, Murawska M, Pogoda K. Breast cancer brain metastases: differences in survival depending on biological subtype, RPA RTOG prognostic class and systemic treatment after whole-brain radiotherapy (WBRT). Ann Oncol 2010;21(5):942-8.
12. Heinz G, Ploner M, Beyea J. Confidence intervals after multiple imputation: combining profile likelihood information from logistic regressions. Stat Med 2013;32(29):5062-76.
13. Hasanpoor Dehkordi A, Azari S. Quality of lifeand related factor in cancer patients. Behbood 2006;10(2):110-19. [Persian]
14. Saki A, Hajizadeh E, Tehranian N. Evaluating the risk factors of breast cancer using the analysis of tree models. Ofogh-e-Danesh 2011;17(1):60-9. [Persian]
15. Safaee A, Zeighami B, Tabatabaee HR, Moghimi Dehkordi B. Quality of life and related factors in breast cancer patients under chemotherapy. irje 2008:3(4):61-6.
16. Fathi F, Pourasghar M, Janbabai Gh. Pain control with hypnosis for acute myeloid leukemia patients under chemotherapy. Medical Journal of Mashhad University of Medical Sciences 2016;59(2):71-81. [Persian]
17. Hosseini M, Hassannejad R, Khademolghorani SH, Tabatabaeian M, Mokarian F. Identification of patterns of breast cancer metastasis among women referred to Isfahan Seyedoshohada Center, Iran, between 1999 and 2009 by association rules and ordinal logistic regression scientific research. Scientific Research Journal of Health System Research (HSR) 2011;7(6):746-62.
18. Roohparvarzadeh N, Ghaderi M, Parsa A, Allahyari A. Prevalence of risk factors for breast cancer in women (20 to 69 Years old) in Isfahan 2012-2013. Iranian Journal of Breast Diseases 2014;7(1):52-61. [Persian]
19. White IR, Royston P, Wood AM. Multiple imputation using chained equations: issues and guidance for practice. Statistics in Medicine 2011;30(4):377-99.
20. Zhu J, Hastie T. Classification of gene microarrays by penalized logistic regression. Biostatistics 2004;5(3):427-43.
21. He H, Oetting WS, Brott Mj, Basu S. Power of multifactor dimensionality reduction and penalized logistic regression for detecting gene-gene Interaction in a case-control study. BMC Med Genet 2009;10:127.
22. Croiseau P, Cordell HJ. Analysis of North American rheumatoid arthritis consortium data using a pevalized logistic regression approach. BMC Proc 2009;3:S61.
23. Milne RL, Fagerholm R. Vevanlinna H, Benitez J. The importance of replication in gene-gene interaction studies: multifactor dimensionality reduction applied to a two-stage breast cancer case-control study. Carcinogenesis 2008;29(6):1215-8.
24. Ritchie MD, Hahn LW, Roodi N, Bailey LR, Dupont WD, Parl FF , et al. Multifactor-dimensionality reduction reveals high-order interactions among estrogen-metabolism gene in sporadic breast cancer. Am J Hum Genet 2001;69(1):138-47. 25. Moghadamifard Z, Abolghasemi J, Asadilari M, Mohammadi M, Gohari M, Salehi M. Effective factors in the appearance of metastasis in patients with breast cancer using frailty model. J Arak Uni Med Sci 2013;15(8):85-94.
26. Gohari M, Moghadamifard Z, Abolghasemi J, Mohammadi M, Mokhtari P. Prognostic factors of metastases in breast cancer patients using the recurrent Andersen-Gill model. koomesh 2013;14(4):483-9.
27. Hosseinzadeh S, Haghighat S. Determining risk factors for local recurrence and metastasis in breast cancer patients using bivariate logistic model. JHPM 2016;5(5):55-62.