مدلبندی عوامل موثر بر ابتلا به بیماری فشارخون در افراد بالای 35 سال با استفاده از مدل رگرسیون لجستیک

نویسندگان
راضیه یوسفی 1
آزاده ساکی 2
حبیب اله اسماعیلی 2
مجید غیورمبرهن 3
مریم طایفی 3
1 گروه اپیدمیولوژی و آمار زیستی، دانشگاه علوم پزشکی مشهد، مشهد، ایران
2 مرکز تحقیقات عوامل اجتماعی موثر بر سلامت، دانشگاه علوم پزشکی مشهد، مشهد، ایران
3 مرکز تحقیقات سندرم متابولیک، دانشگاه علوم پزشکی مشهد، مشهد، ایران
چکیده
مقدمه

فشارخون یکی ­از عوامل ­اصلی بیماری­‌های قلبی- عروقی در جهان است. بنابراین شناسایی عوامل خطر این بیماری جهت اخذ سیاست­‌های پیشگیرانه اهمیت می‌­یابد. از این رو این مطالعه با هدف تعیین عوامل خطر ایجاد پرفشاری­ خون انجام شد.

مواد و روش‌­ها

در این مطالعه مقطعی اطلاعات مربوط به 9761 نفر شرکت­ کننده 35-65 ساله از فاز مقطعی مطالعه­ مشهد در نظرگرفته شدند. متغیر­های سن، جنس، شاخص توده ­بدنی، چربی­ خون با چگالی بالا، تری­ گلیسرید، سیگاری­‌بودن و سابقه خانوادگی فشارخون در مطالعه بکارگرفته شدند. کلیه تحلیل­‌ها با استفاده از نرم­افزار SPSS v.22 انجام گرفت.

یافته­‌ها

شرکت­کنندگان شامل حدود 40 درصد مرد و 60 درصد زن بودند. در تحلیل رگرسیون لجستیک ­چند متغیره، متغیرهای ­سن (0/0001=P ،1/08=OR)، جنسیت (0/0001=P ،1/146=OR)، سیگاری­بودن (0/0001=P ،1/536=OR)، چاقی (0/0001=P ،1/933=OR)، تری گلیسرید (0/0001=P ،1/004=OR) و سابقه خانوادگی فشارخون (0/0001=P ،1/296=OR)، معنی­‌دار شناخته شدند.

نتیجه­‌گیری

با توجه به تکنیک رگرسیون لجستیک بکار برده شده در این مطالعه، سیگاری­‌بودن، چاقی، بالا بودن مقدار تری­‌گلیسرید خون و سابقه­ خانوادگی پرفشاری ­خون، عوامل مرتبط با فشارخون می­‌باشند. بنابراین تغییر در سبک ­زندگی نقش مهمی را در پیشگیری از ابتلا به بیماری فشارخون و در نتیجه بیماری­‌های قلبی- عروقی دارد.
کلیدواژه‌ها
بیماری فشار خون
بیماری های قلبی و عروقی
تحلیل رگرسیون
مدل لجستیک

عنوان مقاله English

Modeling the Risk factors of hypertension in 35-65 years old individuals using logistic regression

نویسندگان English

Razieh Yousefi 1
Azadeh Saki 2
Habibollah Esmaily 2
Majid Ghayour Mobarhan 3
Maryam Tayefi 3
1 Department of Epidemiology & Biostatistics, School of Health, Mashhad University of Medical Sciences, Mashhad, Iran
2 Social Determinants of Health Research Center, Mashhad University of Medical Sciences, Mashhad, Iran
3 Metabolic syndrome research center, Mashhad University of Medical Sciences, Mashhad, Iran
چکیده English

Introduction

Hypertension is a common cause of cardiovascular disease in the world. Therefore identification of risk factors for hypertension is essential to carry out preventive masseurs. So this study was done with the aim of using logistic regression model to determine and assess the risk factors of hypertension, in Mashhad.

Materials & Methods

This Cross sectional study was carried out using the records of individuals between 35-65 years old from cross sectional phase of MASHHAD study. Age, gender, BMI, Smoking status, Family history of hypertension, Triglycerides (TG), HDL entered the model.

Results

The participants were 40% men and 60% female. The multivariate logistic regression model showed age (OR=1.080, P =0.0001), Gender (OR=1.146 , P =0.0001), Smoking(OR=1.536, P=0.0001), Fat (OR=1.933, P=0.0001), TG(OR=1.004, P=0.0001), Family history(OR=1.296, P=0.0001) to be significantly associated with increase in severity of hypertension in 0.01 significance level.

Conclusion

According to the logistic regression method used in this study, smoking, obesity, high triglycerides and family history of hypertension, are factors associated with hypertension. Therefore, change in lifestyle plays an important role in preventing hypertension and thus cardiovascular disease.

کلیدواژه‌ها English

Hypertension
Cardiovascular Diseases
Regression Analysis
Logistic Models
1. Global Health Observatory Data: World Health Organization; 2017. Available from:Http://www.who.int/gho. en/.
2. Organization WH. World health statistics 2015: World Health Organization; 2015. available from: https://www.who.int/gho/publications/world_health_statistics/2015/en/
3. Manandhar N, Raman TP. Risk factors of Hypertension: Logistic regression analysis. SCIREA Journal of Health. 2016;1(1):32-40.
4. Chobanian AV, Bakris GL, Black HR, Cushman WC, Green LA, Izzo Jr JL, et al. The seventh report of the joint national committee on prevention, detection, evaluation, and treatment of high blood pressure: the JNC 7 report. JAMA 2003;289(19):2560-71.
5. La Bella L. Blood Pressure Basics: The Rosen Publishing Group; The Rosen Publishing Group, Inc, 2010.
6. American Heart Association. What is high blood pressure? South Carolina Department of Health and Environmental Control: South Carolina State Library; 2017 [updated 2017-07]. Available from: https://dc.statelibrary.sc.gov/handle/10827/25131.
7. Jenei Z, Pall D, Katona E, Kakuk G, Polgar P. The epidemiology of hypertension and its associated risk factors in the city of Debrecen, Hungary. Public Health 2002;116(3):138-44.
8. Tsai PS, Ke TL, Huang CJ, Tsai J-C, Chen P-L, Wang S-Y, et al. Prevalence and determinants of prehypertension status in the Taiwanese general population. J Hypertens 2005;23(7):1355-60.
9. Manandhar N. Study on associated risk factors of hypertension at sipaghat of sindhupalchowk district, Nepal. Nep J Stat 2017;1:73-82.
10. Vaidya A, Pathak RP, Pandey MR. Prevalence of hypertension in Nepalese community triples in 25 years: a repeat cross-sectional study in rural Kathmandu. Indian Heart J 2012;64(2):128-31.
11. Sönmez H, Başak O, Camcı C, Baltacı R, Karazeybek H, Yazgan F, et al. The epidemiology of elevated blood pressure as an estimate for hypertension in Aydın, Turkey. J Hum Hypertens 1999;13(6):399-404.
12. Jeppesen J, Hein HO, Suadicani P, Gyntelberg F. High triglycerides and low HDL cholesterol and blood pressure and risk of ischemic heart disease. Hypertension 2000;36(2):226-32.
13. Ghayour-Mobarhan M, Moohebati M, Esmaily H, Ebrahimi M, Parizadeh SMR, Heidari-Bakavoli AR, et al. Mashhad stroke and heart atherosclerotic disorder (MASHAD) study: design, baseline characteristics and 10-year cardiovascular risk estimation. Int J Public Health 2015;60(5):561-72.
14. Ahmad W, Nawi M, Aleng N, Halim N, Mamat M, Hamzah M, et al. Association of hypertension with risk factors using logistic regression. Appl Math Sci 2014;8(52):2563-72.
15. Zheng Z, Li Y, Cai Y. The logistic regression analysis on risk factors of hypertension among peasants in East China & its results validating. IJCSI 2013;10(2):416-20.
16. Manandhar K, Koju R, Sinha N, Humagain S. Prevalence and associated risk factors of hypertension among people aged 50 years and more in Banepa Municipality, Nepal. Kathmandu Univ Med J 2012;10(39):35-8.