The Journal of Shahid Sadoughi University of Medical Sciences

en آنالیز زمان بقای بیماران مبتلا به کووید-19 با مدل‌های پارامتری با استفاده از مدل شکنندگی: مطالعۀ کوهورت آینده‌نگر Survival Analysis of Patients with Covid-19 Using Parametric Models in the Presence of Frailty Variable: A Prospective Cohort Study اپیدمیولوژی Epidemiology پژوهشي Original article <div style="text-align: justify;">مقدمه: این مطالعه با هدف تعیین مدت بقای بیماران مبتلا به کووید-19 با استفاده از مدلهای‌پارامتری در حضور متغیر‌شکنندگی انجام شد. روش بررسی: داده‌های این پژوهش متعلق به یک مطالعه کوهورت‌آینده‌نگر از کلیه بیماران مبتلا به کووید-19 در شهرستان فریدون‌شهر است. با انجام آزمایش PCR بر 2269 روی فرد مشکوک به بیماری کووید-19؛ 880 بیمار قطعی، با روش سرشماری وارد مطالعه شدند. از زمان شروع علائم بیماری تا زمان مرگ بیماران به علت کووید-19 به عنوان متغیر پاسخ، در نظر گرفته شد. آنالیز داده‌ها با نرم‌افزار SPSS (نسخه 16) و R (نسخه 4.3.2) در سطح خطای 0/05 صورت گرفت. برازش دادهها با مدل‌های پارامتری بقا (با در نظر گرفتن توزیع گاما برای متغیر شکنندگی و با استفاده از معیار آکائیکه) انجام گردید. نتایج: بر اساس نتایج رگرسیون چندگانه، خطر مرگ در بیماران دارای سابقه بیماری قلبی 4/9 برابر افراد فاقد بیماری قلبی بود (CI 95% for HR=2.21-10.98،HR=4.9). میزان مرگ در بیمارانی‌که نیاز به بستری داشتند 4/2 برابر موارد سرپایی بود (HR=4.2, CI=1.74-10.24). همچنین افزایش سن ابتلا با نرخ مرگ‌ و میر رابطۀ مستقیم و معنی‌دار نشان داد ( CI=1.02-1.08،HR=1.05). با ورود متغیر شکنندگی به مدل، متغیر ابتلا به بیماری زمینه‌ای (قلبی عروقی) به عنوان یک فاکتور بسیار مهم در بقای بیماران شناخته گردید. در این بررسی و با توجه به ملاک آکائیکه مدل لگ نرمال برازش بهتری برای تحلیل بقای دادههای کووید-19 نشان داد. نتیجه‌گیری: با استفاده از متغیر شکنندگی در مدل‌های بقای بیماران مبتلا به کووید-19، می‌توان عوامل مؤثر بر مرگ‌و‌میر بیماران را شناسایی نمود که در مدل‌های رایج، شناخت این عوامل خطر، در بسیاری از مواقع غیر‌ممکن است.  </div> <div style="text-align: justify;">Introduction: This study was performed to investigate the survival analysis of patients using parametric models in the presence of fragility variables. Methods: The data of this research belonged to a prospective cohort study of all the patients with Covid-19 in Fereydunshahr City. By conducting PCR tests on 2269 individuals suspected of Covid-19, 880 definite patients of Covid-19 were identified by census method. The death of the patients due to Covid-19 was the failure event. The response variable was the time from the onset of symptoms to the time of death (or censoring) at the end of the study. The data were analyzed through SPSS (version 16) and R software (version 4.3.2) at an error level of 0.05 and fitted with survival parametric models (considering the gamma distribution for the frailty variable) using Akaike's criterion. Results: Based on multiple regression analysis, the risk of death in patients with a history of heart disease was 4.9 times more than of patients without heart disease (95% CI for HR=2.21-10.98, HR=4.9) and in hospitalization patients was 4.2 times more than of outpatient cases (HR=4.2, 95% CI for HR=1.74-10.24). Moreover, increasing the age showed a significant relationship with the mortality rate (95% CI for HR=1.02-1.08, HR=1.05). With the inclusion of fragility variable in the model, the variable of “cardiovascular disease” was recognized as an important risk factor in survival time of patients; while without the fragility variable, this variable was ignored. In this study, according to the Akaike's criterion, the log-normal model showed a goodness of fit with the Covid-19 data. Conclusion: Using the fragility variable in survival regression models of patients with Covid-19, it is possible to identify the factors affecting patient mortality that it’s impossible to identify these risk factors in conventional models.  </div> کووید-19, آنالیز بقا, شکنندگی, کوهورت آینده‌نگر Covid-19, Survival analysis, Frailty, Prospective cohort. 7951 7962 http://jssu.ssu.ac.ir/browse.php?a_code=A-10-3092-2&slc_lang=en&sid=1 Sadegh Kargarian-Marvasti صادق کارگریان مروستی sadegh.kargarian@gmail.com 0000-0002-7149-6344 No Department of Disease Control, Isfahan University of Medical Sciences, Isfahan, Iran. گروه مبارزه با بیماری‌ها، دانشگاه علوم پزشکی اصفهان، اصفهان، ایران. Malihe Hasannezhad ملیحه حسن‌نژاد Malihehasannezhad@yahoo.com 0000-0002-2412-1208 No Department of Infectious Diseases, Imam Khomeini Hospital, Tehran University of Medical Sciences, Tehran, Iran. گروه بیماری‍های عفونی، بیمارستان امام خمینی، دانشگاه علوم پزشکی تهران، تهران، ایران Jamileh Abolghasemi جمیله ابوالقاسمی abolghasemi1347@yahoo.com 0000-0003-3898-2217 Yes Department of Biostatistics, School of Public Health, Iran University of Medical Sciences, Tehran, Iran. گروه آمار زیستی، دانشکدۀ بهداشت، دانشگاه علوم پزشکی ایران، تهران، ایران