fa مقایسه عملکرد مدل کاکس و روش K ـ نزدیکترین همسایگی در تخمین بقای بیماران پیوند کلیه سایر تخصص هاي باليني Other Clinical Specialties پژوهشي Original <p dir="RTL" style="text-align: justify"><strong>مقدمه و هدف</strong>: روش رایج در برآورد بقا، مدل کاکس است که اعتبار نتایج آن، به پذیره مخاطرات متناسب وابسته است. روش <span dir="LTR">k</span>- نزدیکترین همسایگی یک روش ناپارامتری برای احتمالات بقا در جوامع ناهمگن می­باشد. هدف این مطالعه مقایسه کارایی مدل کاکس و روش <span dir="LTR">k</span>- نزدیکترین همسایگی (<span dir="LTR">KNN</span>) است.</p> <p dir="RTL" style="text-align: justify"><strong>روش کار</strong>: این مطالعه کوهورت گذشته­نگر بر روی 475 بیمار دریافت کننده پیوند کلیه طی سال­های 1390-1373 شهر همدان می­باشد. اطلاعات از پرونده­های پزشکی بیماران استخراج شد. مدت زمان بین پیوند کلیه و رد برگشت ناپذیر پیوند به عنوان پاسخ در نظر گرفته شد. برای مدل­سازی داده­ها، از مدل کاکس و روش <span dir="LTR">KNN</span> و برای مقایسه کارایی مدل­ها  از خطای پیش­بینی نمره بری­یر استفاده شد. </p> <p dir="RTL" style="text-align: justify"><strong>نتایج</strong>: از 475 گیرنده پیوند، 55 نفر (11.50%) رد پیوند داشتند. میزان بقای 5 ، 10 و 15 سال به ترتیب 91.70%، 84.90% و 74.50% بدست آمد. تعداد همسایگی بهینه با روش اعتبار سنجی متقاطع برابر 45 بدست آمد. نمره بری­یر برای الگوریتم <span dir="LTR">KNN</span> در زمان­های 5، 10 و 15 سال 0.003، 0.006 و 0.007 و برای مدل کاکس به ترتیب 0.036، 0.058 و 0.069 بدست آمد. روش <span dir="LTR">KNN</span> با تعداد همسایگی 45 خطای پیش­بینی کمتری در زمان­های 5، 10 و 15 سال نسبت به مدل کاکس دارد که نشان می­دهد این روش عملکرد بهتری دارد.</p> <p dir="RTL" style="text-align: justify"><strong>نتیجه نهایی</strong>: نتیجه این مطالعه نشان می­دهد که پیش­بینی روش <span dir="LTR">KNN</span> نسبت به مدل کاکس زمانی که حجم نمونه بالا و تعداد متغیر­های پیشگو زیاد است، دقت بالاتری دارد.</p> <p style="text-align: justify"><strong>Introduction & Objective:</strong> Cox model is a common method to estimate survival and validity of the results is dependent on the proportional hazards assumption. K- Nearest neighbor is a nonparametric method for survival probability in heterogeneous communities. The purpose of this study was to compare the performance of k- nearest neighbor method (K-NN) with Cox model.</p> <p style="text-align: justify"><strong>Materials & Methods:</strong> This retrospective cohort study was conducted in Hamadan Province, on 475 patients who had undergone kidney transplantation from 1994 to 2011. Data were extracted from patients’ medical records using a checklist. The duration of the  time between kidney transplantation and rejection was considered as the surviv­al time. Cox model and k- nearest neighbor method were used for Data modeling.  The prediction error Brier score was used to compare the performance models.</p> <p style="text-align: justify"><strong>Results:</strong>  Out of 475 transplantations, 55 episodes of rejection occurred<strong>.</strong> 5, 10 and 15 year survival rates of transplantation were 91.70<span dir="RTL"> %</span>, 84.90% and 74<span dir="RTL">.</span>50%, respectively. The number of neighborhood optimized using cross validation method was 45. Cumulative Brier score of <em>k</em>-NN algorithm for t=5, 10 and 15 years were 0.003, 0.006 and 0.007, respectively. Cumulative Brier of score Cox model for t=5, 10 and 15 years were 0.036, 0.058 and 0.058, respectively.  Prediction error of <em>k</em>-NN algorithm for t=5, 10 and 15 years was less than Cox model that shows that the k-NN method outperforms.</p> <p style="text-align: justify"><strong>Conclusions: </strong>The results of this study show that the predictions of KNN has higher accuracy than the Cox model when sample sizes and the number of predictor variables are high.</p> پیوند کلیه , رد برگشت ناپذیر پیوند , روش کاکس , روش K- نزدیکترین همسایگی Cox Model , Kidney Transplantation , K- Nearest Neighbor , Transplantation Rejection 300 308 http://sjh.umsha.ac.ir/browse.php?a_code=A-10-2-496&slc_lang=fa&sid=1 Javad Faradmal جواد فردمال 10031947532846002120 10031947532846002120 No Tahereh Omidi طاهره امیدی 10031947532846002121 10031947532846002121 No Jalal Pourolajal جلال پورالعجل 10031947532846002122 10031947532846002122 No Ghodratollah Roshanaei قدرت اله روشنایی gh.roshanaei@umsha.ac.ir 10031947532846002123 10031947532846002123 Yes