دوره 20، شماره 5 - ( 3-1401 )
جلد 20 شماره 5 صفحات 388-377 |
برگشت به فهرست نسخه ها
چکیده: (1894 مشاهده)
مقدمه: از آنجا که زنان حدود یک سوم از عمر خود را در یائسگی سپری میکنند، پیشبینی صحیح سن یائسگی طبیعی و پارامترهای موثر بر آن، برای افزایش امید به زندگی زنان بسیار مهم است.
هدف: هدف از این مطالعه مقایسه عملکرد مدلهای خطی تعمیمیافته (GLM) و روش حداقل مربعات معمولی (OLS) در پیشبینی سن یائسگی طبیعی در جمعیت بزرگی از زنان ایرانی بود.
مواد و روشها: این مطالعه مقطعی با استفاده از دادههای مرحله اول مطالعهی کوهورت شاهدیه که در سال 2016-2015 جمعآوری شده بود، انجام شده است. در مجموع 1251 زن که تجربه یائسگی طبیعی داشتند، وارد مطالعه شدند. برای مدلسازی سن یائسگی طبیعی، از مدل رگرسیون خطی چندگانه با استفاده از روش OLS و GLMs استفاده شد. با کمک معیار اطلاعات آکائیکه (ACI)، جذر میانگین مربع خطا (RMSE) و میانگین خطای مطلق (MAE)، عملکرد مدلهای رگرسیون اندازهگیری شد.
نتایج: میانگین سن یائسگی زنان 7/4 ± 1/49 سال (3/49-8/48 = CI:95%) با میانه 50 سال بود. تجزیه و تحلیل، مقادیر مشابه معیار Akaike را برای مدل خطی چندگانه با روش OLS و GLM با خانواده Gaussian نشان داد. با این حال، مقادیر RMSE و MAE در مدل GLM بسیار کمتر بود. در همه مدلها، تحصیلات، سابقه جراحی سالپینژکتومی، دیابت، ایسکمیک قلبی و افسردگی به طور معنیداری با سن یائسگی ارتباط داشتند.
نتیجه گیری: به منظور پیشبینی سن یائسگی طبیعی در این مطالعه، GLM با خانواده گاوسی و تابع پیوند Log با کاهش خطاهای RMSE و MAE میتواند جایگزین مناسبی برای مدلسازی سن یائسگی طبیعی باشد.
هدف: هدف از این مطالعه مقایسه عملکرد مدلهای خطی تعمیمیافته (GLM) و روش حداقل مربعات معمولی (OLS) در پیشبینی سن یائسگی طبیعی در جمعیت بزرگی از زنان ایرانی بود.
مواد و روشها: این مطالعه مقطعی با استفاده از دادههای مرحله اول مطالعهی کوهورت شاهدیه که در سال 2016-2015 جمعآوری شده بود، انجام شده است. در مجموع 1251 زن که تجربه یائسگی طبیعی داشتند، وارد مطالعه شدند. برای مدلسازی سن یائسگی طبیعی، از مدل رگرسیون خطی چندگانه با استفاده از روش OLS و GLMs استفاده شد. با کمک معیار اطلاعات آکائیکه (ACI)، جذر میانگین مربع خطا (RMSE) و میانگین خطای مطلق (MAE)، عملکرد مدلهای رگرسیون اندازهگیری شد.
نتایج: میانگین سن یائسگی زنان 7/4 ± 1/49 سال (3/49-8/48 = CI:95%) با میانه 50 سال بود. تجزیه و تحلیل، مقادیر مشابه معیار Akaike را برای مدل خطی چندگانه با روش OLS و GLM با خانواده Gaussian نشان داد. با این حال، مقادیر RMSE و MAE در مدل GLM بسیار کمتر بود. در همه مدلها، تحصیلات، سابقه جراحی سالپینژکتومی، دیابت، ایسکمیک قلبی و افسردگی به طور معنیداری با سن یائسگی ارتباط داشتند.
نتیجه گیری: به منظور پیشبینی سن یائسگی طبیعی در این مطالعه، GLM با خانواده گاوسی و تابع پیوند Log با کاهش خطاهای RMSE و MAE میتواند جایگزین مناسبی برای مدلسازی سن یائسگی طبیعی باشد.
نوع مطالعه: Original Article |
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |