Koroner arter hastalığında klinik sonlanımların öngörülmesinde lojistik regresyon analizi, cart ve rastgele orman algoritmalarının karşılaştırılması

Abstract

Amaç: Biz bu çalışmamızda klinik tahmin modeli olarak kullanılabilecek çok değişkenli regresyon ağaçlarından logistik regresyon analizi, sınıflama ve regresyon ağacı (CART) ve rastgele orman(random forest) yöntemleri tartışıldı ve örnek bir veri seti ile bu ağaçların performanslarını karşılaştırıldı. Materyal ve Metot: Mart 1991 ile Mart 1996 arasında, UCLA Tıp Fakültesi Yetişkin Kardiyak Görüntüleme ve Hemodinami laboratuvarına sevk edilen 1138 hasta alındı. Ayrıca, 12 aylık takibi olmayan 376 hasta da çalışmaya dahil edilmedi. Nihai çalışma popülasyonu 558 kişiden oluşmaktaydı. Tüm hastalarda, DSE sonrası takip eden 12 ay içinde aşağıdakilerden herhangi birinin meydana gelip gelmediğini belirlemek için tıbbi kayıt gözden geçirildi: `herhangi bir nedene bağlı ölüm, yeniden MI, takipte PTCA veya CABG ihtiyacı`. Analize yalnızca en az 12 aylık takibi olan veya ilk 12 ay içinde `herhangi bir nedene bağlı ölüm, yeniden MI, takipte PTCA veya CABG ihtiyacı` olarak tanımlanan bir kardiyak olayı olan hastalar dahil edildi. Rastgele orman, CART ve logistik regresyon modellerinin dobutamin stres ekokardiyografi sonuçlarını yorumlama güçleri ve model performansları karşılaştırılmıştırBulgular: Çalışmamızda; 8 prediktör her üç regresyon modeline dahil edilerek modellerin güçleri ile ölüm, MI, bypass ve PTCA öngördürücülükleri karşılaştırıldı. Model performanslarını karşılaştırılması için kullanılan birçok ölçüt bulunmaktadır. Biz tezimizde performans karşılaştırması için R2, Brier skoru, ölçekli brier, AUC (C istatistiği), kalibrasyon intercept, kalibrasyon slope ve ECI (estimated kalibrasyon indeksi) kullandık. R2 değeri CART için 0.283dir ve en yüksektir. Rastgele orman için R2 değeri 0.118'dir. Brier skoru en düşük olan CART analizidir ve en iyi performans göstergesi ona aittir. AUC değeri en yüksek olan CART analizidir. AUC CART analizi 0.785 dir ve logistik regresyon ve rastgele orman için sırasıyla 0.772, 0.704'dür. Sonuç: Her üç model de stres ekokardiyografi sonuçlarına göre klinik tahmin yapmada iyi düzeyde performans göstermiştir. CART en iyi model performansı sağlarken rastgele orman en düşük düzeyde model performansı sağlamıştır.

Aim: In this study, we will try to discuss logistic regression analysis, classification and regression tree (CART) and random forest (RF) methods from multivariate regression trees that can be used as clinical prediction models, and we will try to compare the performances of these trees with a sample data set.Material and method: Between March 1991 and March 1996, 1138 patients referred to the UCLA School of Medicine Adult Cardiac Imaging and Hemodynamics laboratory were recruited. In addition, 376 patients who did not have a 12-month follow-up were excluded from the study. The final study population consisted of 558 individuals. In all patients, the medical record was reviewed to determine if any of the following occurred within 12 months after DSE: `death from any cause, re-MI, need for PTCA or CABG at follow-up`. Only patients with at least 12 months of follow-up or a cardiac event within the first 12 months defined as `death from any cause, re-MI, need for PTCA or CABG at follow-up` were included in the analysis. The power to interpret dobutamine stress echocardiography results and model performances of the RF, CART and logistic regression models were compared.Results: In our study; Eight predictors were included in all three regression models, and the power of the models and their predictors of death, MI, bypass and PTCA were compared. There are many criteria used to compare model performances. We used R2, Brier score, scaled brier, AUC (C statistic), calibration intercept, calibration slope and ECI (estimated calibration index) for performance comparison in our thesis. The R2 value is 0.283 for CART and is the highest. The R2 value for the rastgele orman is 0.118. The CART analysis has the lowest Brier score and has the best performance indicator. It is the CART analysis with the highest AUC value. AUC CART analysis is 0.785 and 0.772 and 0.704 for logistic regression and random forest, respectively.Conclusion: All three models performed well in making clinical predictions based on stress echocardiography results. CART provided the best model performance, while random forest provided the lowest model performance.