پیش‌بینی زمان بقای بیماران سرطان کولورکتال با رویکرد منطق فازی

مجریان: سعید موسوی , توحید جعفری کشکی

خلاصه روش اجرا: پیش‌بینی زمان بقا یکی از چالش‌های مهم مطالعات بقا می‌باشند. معمول‌ترین روشی که برای پیش‌بینی زمان بقا استفاده می‌شود مدل رگرسیون کاکس می‌باشد. علاوه بر مدل کاکس، مدل‌های پارامتری مانند مدل نمایی، وایبل، لگ-لجستیک و... نیز می‌توانند برای پیش‌بینی زمان بقا مورد استفاده قرار گیرند. مدل‌های ذکر شده احتمال بقا را در سال‌های مختلف و بر اساس مقادیر متغیرهای مستقل پیش‌بینی نمی‌کنند. خروجی مدل‌های مذکور احتمال بقا می باشد و به‌ طور مستقیم تعداد سال‌های بقا را پیش‌بینی نمی‌کنند و اثرات معمولا به صورت نسبت مخاطره بیان می‌گردد. همچنین هرگاه تعداد داده‌های سانسور شده زیاد باشد و یا داده‌ها از توزیع معینی پیروی نکنند استفاده از مدل‌های مذکور برای پیش‌بینی همراه با خطا خواهند بود.در این مطالعه از منطق فازی برای مدیریت داده‌های سانسور شده استفاده می‌گردد. با این فرض که بلافاصله بعد از زمان سانسور شدن، پیشامد مورد نظر رخ نمی‌دهد. امکان بقا بعد از لحظه سانسور شدن با عددی بین صفر و یک نشان داده خواهد شد که با افزایش زمان امکان بقا به صفر نزدیک می‌گردد. برای تعیین امکان بقا بعد از لحظه سانسور شدن از منطق فازی و تابع سیگموئید استفاده می‌گردد. ابتدا داده‌های بقا پیشامد و سانسور به صورت مجموعه‌های فازی تعریف می‌گردند. برای داده‌های پیشامد بقا تابع عضویت مستطیلی و برای داده‌های سانسور شده تابع سیگموئید به کار برده می‌شود. سپس با استفاده از مجموعه‌های فازی به دست آمده، مقادیر بقا برای داده‌های سانسور شده تقریب می‌گردد. مساحت زیر منحنی فازی تعریف شده برای داده‌ها به عنوان تقریبی برای زمان بقا برآورد می‌گردد. برای تقریب بهتر زمان‌های با مجموعه‌های فازی بهتر است داده‌ها به گروه‌های همگن تبدیل شوند. با فرض اینکه بیماران با ویژگی‌های مشابه روند بقا مشابهی دارند. ابتدا نمونه‌ها را از نظر متغیرهای دموگرافیک و پاتولوژیک خوشه بندی می‌کنیم. سپس در داخل هر خوشه مجموعه‌های فازی را برای داده‌های بقا تشکیل می‌دهیم و زمان بقا آنها را برآورد می‌کنیم. بدین صورت داده‌های بقای سانسور شده تقریب می‌گردند. با توجه به شکل داده‌های بقای تعدیل شده با مجموعه‌های فازی، از روش‌های رگرسیونی برای مدلبندی استفاده می‌گردد. انتظار داریم روش پیشنهادی بتواند محدودیت مربوط به تعداد داده‌های سانسور زیاد، نیاز به توزیع آماری را تعدیل کند و همچنین به صورت مستقیم زمان بقا را براساس واحد زمانی پیش‌بینی نماید.