یک مدل چند حالته برای پیشرفت بیماری کلیوی

Mar 29, 2022


تماس: Audrey Hu Whatsapp/hp: 0086 13880143964 ایمیل:audrey.hu@wecistanche.com


MK Lintua، KM Shreyasb، آشا کاماتa، * و همکاران

خلاصه

زمینه:درک پیشرفت بیماری کلیوی در میان پزشکان بسیار مورد توجه است. مدل چند حالتی ابزار مناسبی برای مدل‌سازی اثرات متغیرهای کمکی است که بر شروع، پیشرفت و رگرسیون عملکرد کلیه تأثیر می‌گذارند.

هدف، واقعگرایانه:هدف پژوهش حاضر ارائه یک مدل تصادفی برایکلیهمرضپیشرفت و نشان دادن کاربرد همان.

روش شناسی:ما یک مدل مارکوف چند حالته همگن با زمان پیوسته نیمه پارامتریک برای داده‌های پیشرفت بیماری کلیوی به‌دست‌آمده از یک مطالعه گذشته‌نگر بر روی 225 بیمار که کولیستین (یک آنتی‌بیوتیک در حال ظهور مجدد) را در یک بیمارستان مراقبت‌های عالی در ساحلی کارناتاکا تجویز کردند، پیشنهاد کردیم. مراحل مختلف بیماری کلیوی بر اساس امتیاز بهبود بیماری کلیوی (KDIGO) تعریف شد. این مدل از سه حالت گذرا و یک حالت جذب کننده مرگ تشکیل شده است. اثرات کمکی بر روی نرخ انتقال دو طرفه با استفاده از مدل چند حالته برآورد شد.

نتایج:ما از داده های 225 بیمار برای مشاهده پیشرفت بیماری کلیوی آنها استفاده کردیم. همه بیماران تحت درمان با کولیستین بودند. میانگین مدت بستری در بیمارستان 21 روز بود. در مجموع 83 نفر (36.89 درصد) در بیمارستان فوت کردند. عوامل پیش آگهی مانند جنسیت، فشار خون بالا، سپسیس و جراحی از عوامل مهم مؤثر بر بیماری کلیه در مراحل مختلف هستند.

نتیجه:یافته‌های این مطالعه برای سیاست‌گذاران بهداشت عمومی برای اجرای سیاست‌ها و برنامه‌های درمانی برای بهبود بقای بیماران مفید خواهد بود. علاوه بر این، مدل‌سازی پیشرفت بیماری به درک بار مورد انتظار بیماری کمک می‌کند.

کلید واژه ها:مدل چند حالته،کلیه مرض، شدت انتقال، رویدادهای میانی، پیشرفت بیماری

cistanche deserticola benefits:teating kidney disease

فواید سیستانش دسرتیکولا: درمان بیماری کلیوی

1. مقدمه

کلیه مرضیک مشکل مهم بهداشت عمومی است. با این حال، مداخله زودهنگام می تواند اجتناب شودکلیهچالش ها و مسائلبه طور دائم پیامدهای نامطلوب و پیشرفتمزمنبیماری هامانندکلیهمرضرا می توان با داروها و تغییر سبک زندگی کافی کنترل کرد. از آنجایی که بیماری‌های کلیوی اغلب با بستری شدن در بیمارستان ختم می‌شوند، مدل‌سازی طول مدت اقامت، بقا و پیشرفت بیماری کلیوی مورد توجه پزشکان است.

رویکردهای استاندارد بقا مانند روش کاپلان-مایر یا مدل خطرات متناسب کاکس برای مدیریت تنظیمات بقای ساده بدون رویدادهای میانی کافی هستند. با این حال، پیشرفت بیماری کلیوی نمونه ای از یک فرآیند پیچیده با رویدادهای میانی مختلف است. مدل چند حالته یک روش کارآمد برای مدیریت فرآیندهای پیچیده مانند این است. آزمودنی ها می توانند در ابتدای مطالعه در یک حالت باشند، از حالت های مختلف عبور کرده و در نهایت به حالت نهایی ختم شوند. این انتقالات یک موضوع را می توان مدل سازی کرد و عوامل خطر مرتبط با زمان بقای انتقال های مختلف را می توان با استفاده از یک مدل چند حالته شناسایی کرد. این مدل اثر عوامل بالینی و جمعیتی مختلف را بر روی فرآیندهای بیماری پیچیده برآورد می کند. 1-3

مدل چند حالتی معمولاً در مطالعات سرطان استفاده می‌شود، زیرا مراحل مختلفی از سرطان نشان‌دهنده پیشرفت بیماری است.4،5 به طور مشابه، مطالعاتی برای شناسایی عوامل خطر مؤثر بر پیشرفت ایدز در بیماران HIV انجام شده است. 6-8 بیماری‌هایی مانند دیابت ، بیماری مزمن کلیوی و غیره را نیز می توان با یک مدل چند حالته به جای یک مدل بقای ساده به طور کارآمد مدیریت کرد.9،10

در این مقاله، ما یک مدل چند حالته برای پیشرفت بیماری کلیوی بیماران دریافت کننده کولیستین در طول بستری خود ارائه کردیم. پرونده 225 بیمار بازیابی شد و نمرات KDIGO آنها در مقاطع زمانی مختلف برای مقاله همراه بالینی مورد دسترسی قرار گرفت. مدت بستری در بیمارستان تعداد روزهای بستری تا زمان فوت/ترخیص آنهاست. در طول مدت بستری در بیمارستان، بیماران مراحل مختلفی از شدت بیماری را سپری می کردند. ما فرآیند را با چهار حالت تعریف کردیم. سه حالت گذرا به دست آمده از امتیاز KDIGO در جدول 1 آورده شده است.

image

از مطالعات مختلف اپیدمیولوژیک، مشخص است که نشانگرهای زیستی مختلف و بیماری‌های همراه نقش مهمی در پیشرفت بیماری کلیوی دارند. ما اثرات متغیرهای کمکی را که بر شروع، پیشرفت و رگرسیون عملکرد کلیوی تأثیر می‌گذارند با استفاده از مدل چند حالتی تخمین زدیم. ما همچنین نمایشی برای مستندسازی، تحلیل و تفسیر داده ها ارائه می دهیم تا خوانندگان بتوانند مدل چند حالته را به راحتی پیاده سازی کنند. تا جایی که ما می دانیم، مدل مارکوف چند حالته برای مدل سازی پیشرفت بیماری کلیوی ناشی از کولیستین استفاده نشده است.

در ادامه مقاله، داده ها را ارائه می کنیم، روش شناسی را توضیح می دهیم و نتایج را مورد بحث قرار می دهیم.

cistanche deserticola

cistanche deserticola

2. مواد و روشها

2.1. توضیحات داده ها

مطالعه گذشته نگر در ابتدا برای درک عوامل خطر مرتبط با سمیت کلیوی ناشی از کولیستین در بیماران تحت درمان در بخش پزشکی، بیمارستان Kasturba، Manipal، از ژانویه 2016 تا دسامبر 2017 انجام شد. ما مرگ و میر در بیمارستان، طول مدت بیمارستان را بیشتر بررسی می کنیم. ماندن و پیشرفت بیماری کلیوی از مجموع 600 پرونده مورد غربالگری، 225 بیمار برای مطالعه حاضر مناسب بودند. سوابق بیمارستانی این 225 بیمار اساس مطالعه حاضر را تشکیل می دهد.

امتیاز KDIGO در مقاطع زمانی مختلف برای نظارت بر آن مشاهده شدکلیهعملکردبهبود و زوال فاکتورهای پیش آگهی مانند سن، جنس، دیابت، فشار خون بالا و غیره برای هر بیمار ثبت شد. مطالعات مشابه در ادبیات به مشکل با رگرسیون لجستیک یا تجزیه و تحلیل بقای معمولی با در نظر گرفتن نقطه پایانی به عنوان کاهش عملکرد کلیه نزدیک شد. این روش‌ها از انتقال پیشرفت و رگرسیون در حالت‌های مختلف غفلت می‌کنند. مدل چند حالته درک عمیقی از کلیات ارائه می دهدکلیه عملکردالگوهای بهبود یا زوال و پیامدهای مرگ بر حسب احتمالات انتقال. انتقال، تغییر حالت در طول مطالعه است و احتمال انتقال، احتمال انتقال از یک حالت به حالت دیگر است. به نظر می رسید که اکثر بیماران چندین بار بین حالت 1، حالت 2 و حالت 3 در نوسان هستند که نشان می دهد این حالت ها برگشت پذیر هستند. زمانی که سوژه بین دو حالت به جلو و عقب حرکت می کند، انتقال برگشت پذیر است.

ترتیب داده ها گام مهمی در برازش یک مدل چند حالته است. شناسه منحصربه‌فرد که به هر بیمار داده می‌شود، از گروه‌بندی یک موضوع واحد مراقبت می‌کند. از این رو، هنگام مستندسازی داده‌ها باید دقت شود تا اطمینان حاصل شود که تمام اطلاعات یک بیمار تحت یک شناسه منحصربه‌فرد پوشش داده شده است. طرح داده های نمونه در جدول 2 آورده شده است.

image

2.2. مدل چند حالته

پیشرفت بیماری کلیوی را می توان به عنوان یک فرآیند تصادفی با فضای حالت محدود در زمان پیوسته تجسم کرد. حالات مختلف نشان دهنده شدت بیماری است. حالت ها دو نوع هستند: گذرا و جاذب. حالت جذب کننده حالتی است که پس از وارد شدن، نمی توان آن را ترک کرد. در حالی که، حالت های گذرا آنهایی هستند که دارای انتقال بیشتر هستند. مدل چند حالته ابزار مفیدی برای توصیف حرکات یک سوژه بین حالات مختلف در زمان پیوسته است. این مدل احتمالات انتقال را برای همه انتقال‌های ممکن محاسبه می‌کند. 11،12

ما یک مدل مارکوف چند حالته همگن زمان پیوسته چهار حالته را برای داده‌های پیشرفت بیماری کلیوی پیشنهاد کردیم. یک فرآیند مارکویی است اگر آینده فقط به زمان حال بستگی داشته باشد. مدل در شکل 1 نشان داده شده است.

image

فلش ها انتقال های احتمالی را نشان می دهند. فلش های دو طرفه حاکی از انتقال های برگشت پذیر است. اگر سوژه بین دو حالت به جلو و عقب حرکت کند، انتقال ها برگشت پذیر هستند. سه حالت گذرا (حالت با فلش های بیرون) در نظر گرفته شده عبارتند از: حالت 1 (KDIGO > 60)، حالت 2 (30 < kdigo="">< 60)،="" و="" حالت="" 3="" (kdigo=""><30). حالت="" 4="" (مرگ)="" جذب="" کننده="" است="" (حالت="" بدون="" فلش="" به="" بیرون).="" فرآیند="" (x(t)،="" t∈="" t)="" با="" فضای="" حالت="" s="{1،" 2،="" 3،="" 4}="" وضعیت="" اشغال="" شده="" در="" زمان="" t="" را="" توصیف="" می‌کند.="" متغیر="" زمان="" بر="" حسب="" روزهای="" شروع="" از="" پذیرش="" در="" بیمارستان="" اندازه="" گیری="" می="" شود.="" مدل="" چند="" حالته="" احتمالات="" انتقال="" را="" مشخص="" می="" کند.="" احتمالات="" انتقال="" (توابع="" زمان)="" توسط:="" اثرات="" کمکی="" (سن،="" جنس،="" فشار="" خون="" بالا،="" دیابت،="" و="" غیره)="" بر="" روی="" نرخ="" انتقال="" دو="" طرفه="" برآورد="" شد.="" تخمین="" خطر،="" λij="">

image

که در آن λij خطر آنی انتقال از حالت i به حالت j است. ماتریس شدت انتقال توسط:

image

متغیرهای پیوسته به صورت میانگین (SD) ارائه می شوند. متغیرهای طبقه بندی به عنوان فراوانی (درصد).

image

Q n × n ماتریس شدت انتقال است، که در آن، n حداکثر تعداد حالات درگیر در فرآیند است. شدت انتقال، نرخ لحظه ای انتقال از یک حالت به حالت دیگر را می دهد. ورودی (i, j) 0 است که امکان انتقال از i به j وجود نداشته باشد. ورودی های مورب عبارتند از: λii(t)=λi.=− ∑i=∕jλij(t) برای همه I ∈ S. حالت 4 یک حالت جذبی است، احتمال خروج از این حالت صفر است. مجموع عناصر هر ردیف از ماتریس انتقال صفر است. برازش یک مدل چند حالته، فرآیند یافتن شدت‌های انتقال ناشناخته است که احتمال را به حداکثر می‌رساند.

مدل چند حالته میانگین زمان اقامت در هر ایالت را تخمین می زند، که میانگین دوره ای است که بیمار در یک حالت گذرا در یک اقامت تنها قبل از رفتن به ایالت های دیگر می گذراند. زمان اقامت مورد انتظار به صورت -1/λjj محاسبه می‌شود، که در آن λjj ورودی قطری j Q(t) است.

احتمالات انتقال از شدت انتقال به صورت P(t)=exp[Q(t)] محاسبه می‌شوند. ماتریس احتمال انتقال به صورت زیر بدست می آید:

image

مجموع ردیف P برابر است با یک. برای حالت جذب j، Pjj(s,t) =1.

تابع احتمال با احتمالات انتقال تشکیل می شود. این تابع درستنمایی، L(Q) توسط،

image

جایی که عنصر Li,j ورودی سطر s(tij) و ستون s(ti,j بعلاوه 1) در ماتریس احتمال انتقال است.

مدل رگرسیون خطرات متناسب برای ترکیب اثرات متغیرهای کمکی بر شدت انتقال استفاده شد. با توجه به بردار متغیر Z،

image

ij بردار ضرایب رگرسیون است. ما از بسته MSM در R نسخه 4 استفاده کردیم.0.2 برای انجام تجزیه و تحلیل چند حالته.14 انتخاب مدل با آزمون نسبت درستنمایی انجام شد.

cistanche stem

ساقه سیستانچ

3. نتایج

3.1. تجزیه و تحلیل داده های اکتشافی

این مطالعه گذشته‌نگر با هدف مدل‌سازی پیشرفت بیماری کلیوی بیماران دریافت‌کننده کولیستین در طول اقامت در بیمارستان انجام شد. از 225 بیمار، 83 بیمار (37 درصد) در بیمارستان فوت کردند و 142 بیمار (63 درصد) زنده ترخیص شدند. آمار توصیفی را می توان در جدول 3 و جدول 4 یافت. میانگین مدت اقامت (IQR) 21 (16) روز بود. 166 بیمار مرد و 59 بیمار زن در بیمارستان بستری شدند. میانه (IQR) سن بیماران 57 (26) و میانگین (± انحراف معیار) 54 (17±) بود. 87 (39 درصد) بیمار مبتلا به فشار خون بالا، 78 (35 درصد) بیمار مبتلا به دیابت، 115 (51 درصد) بیمار مبتلا به سپسیس، 30 (13.3 درصد) بیمار مبتلا به بیماری مزمن کلیه (CKD)، 123 (55 درصد) بیماران مبتلا به پنومونی، و 59 (26 درصد) از بیماران آسیب حاد کلیه (AKI) داشتند. از بین بیماران بستری شده، 194 نفر ({29}} درصد) در بخش مراقبت‌های ویژه بستری شدند و 119 نفر (53 درصد) تحت عمل جراحی قرار گرفتند.

image

image

از بین 225 بیمار، 83 بیمار (37 درصد) در بیمارستان جان باختند و 142 بیمار (63 درصد) باقی مانده زنده ماندند. میانگین زمان بقا 38 روز بود (جدول 5). شکل 2 تخمین های کاپلان مایر از تابع بقا را نشان می دهد.

image

image

3.2. تحلیل چند حالته

126 بیمار در حالت 1، 48 بیمار در حالت 2 و 51 بیمار در حالت 3 در زمان بستری بودند. ماتریس انتقال فرآیند در جدول 6 آورده شده است. از آنجایی که انتقال ها برگشت پذیر بودند، بیش از یک انتقال از یک نوع در همان بیمار وجود داشت.

image

32 انتقال از حالت 1 به حالت 4 وجود داشت که نشان می دهد 32 بیمار متعلق به دولت 1 در بیمارستان فوت کردند. به همین ترتیب، در ایالت 2 و 3 به ترتیب 27 و 24 مورد فوتی گزارش شده است. ورودی های مورب تعداد مواردی را نشان می دهد که بیماران در زمان های بعدی در همان حالت باقی مانده اند. میانگین تخمینی زمان اقامت در جدول 7 آورده شده است.

image

بسته msm برای انجام تحلیل چند حالته برای به دست آوردن اثرات متغیرهای کمکی بر شدت انتقال استفاده شد. مدل‌های چند حالته تک متغیره با متغیرهای کمکی مهم بالینی ساخته شدند. متغیرهای کمکی که از نظر آماری معنادار بودند (p-value<0.05) in="" the="" univariate="" analysis="" were="" considered="" in="" the="" final="" model.="" hazard="" ratios="" (95%="" confidence="" intervals)="" of="" each="" transition="" are="" shown="" in="" table="" 8="" and="" table="">

image

image

بیماران مرد در حالت 1 در معرض خطر بالا هستند [HR: 2.55; 95 درصد فاصله اطمینان (CI) (1.31-4.92)] از پیشرفت بیماری در مقایسه با زنان. با این حال، شانس رگرسیون برای بیماران مرد در حالت 2 نیز بیشتر است. در مقایسه با زنان در حالت 3، مردان 86 درصد کمتر احتمال پیامد نامطلوب دارند. وجود دیابت در انتقال‌های مختلف تأثیر متفاوتی را نشان داد. بیماران پرفشاری خون در حالت 2 در مقایسه با سایرین بیشتر در معرض خطر پیشرفت بیماری هستند و احتمال بازگشت آنها از حالت 3 نیز کمتر است. سپسیس یک عامل خطر بود و تأثیر معنی داری در انتقال از حالت 1 و حالت 2 به حالت جذب نشان داد. این نشان می دهد که بیماران مبتلا به سپسیس در معرض خطر بالای مرگ هستند. به طور مشابه، بیمارانی که تحت عمل جراحی قرار گرفته‌اند در حالت 3 بیشتر در معرض خطر مرگ قرار دارند. به دلیل عدم تعادل در برخی گروه‌ها، ممکن است برخی ارتباط‌های جعلی وجود داشته باشد که نشان‌دهنده اهمیت بالینی نباشد.

cistanche reviews: treat kidney disease

بررسی cistanche: درمان بیماری کلیوی

4. بحث و نتیجه گیری

بیماری کلیوی یک مشکل مهم بهداشت عمومی است. با این حال، مداخلات اولیه می تواند از مشکلات کلیوی برای همیشه جلوگیری کند. مدل‌سازی پیشرفت بیماری به درک بار مورد انتظار بیماری کمک می‌کند که می‌تواند برای سیاست‌گذاران ملی بهداشت عمومی مفید باشد.

برخی از رویدادهای میانی غیر کشنده بینش بیشتری در مورد پیشرفت بیماری می دهد. در بیشتر مطالعات، این رویدادها اغلب نادیده گرفته می شوند. با این حال، این رویدادهای میانی اهمیت قابل توجهی برای پزشکان برای بهبود طرح های درمانی دارند. مدل مارکوف چند حالته برای درک پیشرفت چندین بیماری مزمن که شامل انتقال در حالت‌های میانی مختلف است که شدت بیماری را در طول زمان مداوم نشان می‌دهد، استفاده شده است. این مدل بینش بیشتری در مورد الگوی رویداد پیچیده ارائه می دهد و بنابراین می توان از آن به عنوان ابزاری موثر برای مطالعه اثربخشی درمان ها استفاده کرد. مدل چند حالتی در مطالعات سرطان مورد استفاده قرار می گیرد زیرا مراحل مختلفی از سرطان وجود دارد که انتقال های متفاوتی را ایجاد می کند. دیابت، بیماری مزمن کلیوی، و غیره را نیز می توان با یک مدل چند حالته به جای یک مدل بقای ساده، به طور موثر مدیریت کرد. جدیدترین مطالعه ای که از یک مدل چند حالتی برای درک پیشرفت بیماری مزمن کلیوی استفاده کرد توسط گروور و همکارانش انجام شد.

ما یک مدل چند حالته 4 حالته را برای پیشرفت بیماری کلیوی بیماران دریافت کننده کولیستین پیشنهاد کردیم. تلاش برای ارائه یک نمایش ساده از مدل چند ایالتی با هدف قرار دادن متخصصان سلامت انجام شد. با در دسترس بودن ابزارهای نرم افزاری پیشرفته، تجزیه و تحلیل ساده و موثر است. با وجود اینکه ما بر مدل کلی مارکوف تاکید کردیم، انواع مختلفی از مدل های چند حالته با توجه به ماهیت فرآیند وجود دارد.1،2،15-18.

مراحل اساسی زیر برای استفاده از مدل چند حالته توصیه می شود: (i) فرآیند را با شناسایی حالت های مختلف و انتقال های احتمالی همانطور که در شکل 1 و جدول 2 نشان داده شده است، تعریف کنید. ii) داده ها را به درستی همانطور که در جدول 1 نشان داده شده است مستند کنید. (iii) از نرم افزار و بسته مناسب برای تناسب با مدل استفاده کنید.

میانگین مدت اقامت 21 روز و میانگین زمان بقا 38 روز بود. نتایج نشان می دهد که جنسیت، دیابت، فشار خون بالا، سپسیس و جراحی عوامل مهمی هستند که بر پیشرفت یا پسرفت بیماری کلیوی تأثیر می گذارند. نتایج به‌دست‌آمده از مطالعه حاضر به دلیل تعداد کمتر آزمودنی‌ها از نظر قدرت محدود است. بنابراین، این یافته ها باید با احتیاط تعمیم داده شوند. پس از آن، مراحل مختلف بیماری کلیوی به دلیل حجم نمونه کوچکتر ادغام شدند. این امر بر تعمیم پذیری یافته ها تأثیر می گذارد، زیرا تصویر دقیقی از الگوهای انتقال پیشرفت بیماری کلیوی گنجانده نشده است.

بسته msm در R نسخه 4.0.2 برای تناسب با مدل چند حالته استفاده شد. با توجه به محدودیت های ذکر شده در اسناد بسته MSM، 14 گنجاندن متغیرهای کمکی بیشتر به دلیل مسائل همگرایی چالش برانگیز بود. بنابراین، برای مشکلات پیچیده تر، می توان از بسته املاک استفاده کرد.

یافته‌های یک مدل چند حالته برای سیاست‌گذاران بهداشت عمومی برای اجرای سیاست‌ها و برنامه‌های درمانی برای بهبود بقای بیماران مفید خواهد بود. علاوه بر این، مدل‌سازی پیشرفت بیماری به درک بار مورد انتظار بیماری کمک می‌کند.

cistanche extract benefit: improve kidney function

فواید عصاره سیستانچ: بهبود عملکرد کلیه

تایید اخلاق و رضایت برای شرکت

این مطالعه یک تحلیل ثانویه را ارائه می دهد. تاییدیه اخلاقی برای مقاله همراه بالینی به دست آمد.

منابع مالی

این تحقیق هیچ بودجه ای دریافت نکرد.

اعلامیه منافع رقابتی

نویسندگان هیچ تضاد منافعی برای افشا ندارند.


منابع
1 اندرسن پی کی. مدل های چند حالتی در تجزیه و تحلیل بقا: مطالعه نفروپاتی و مرگ و میر در دیابت Stat Med. 1988؛ 7 (6): 661-670.
2 Andersen PK، Esbjerg S، Sørensen TI. مدل های چند حالته برای دوره های خونریزی و مرگ و میر در سیروز کبدی Stat Med. 2000؛ 19 (4): 587-599.
3 Amorim LD، Cai J. مدل سازی رویدادهای مکرر: آموزشی برای تجزیه و تحلیل در اپیدمیولوژی. Int J Epidemiol. 2015؛ 44 (1): 324-333.
4 Le-Rademacher JG، Peterson RA، Therneau TM، و همکاران. کاربرد مدل‌های چند حالته در آزمایش‌های بالینی سرطان. Clin Trials. 2018؛ 15 (5): 489-498.
5 Putter H، van der Hage J، de Bock GH، و همکاران. برآورد و پیش‌بینی در یک مدل چند حالتی برای سرطان پستان. Biom J. 2006؛ 48 (3): 366-380.
6 حمیدی او، تاپک ل، پورولاجال ج، و همکاران. شناسایی عوامل خطر برای پیشرفت به ایدز و مرگ و میر پس از عفونت HIV با استفاده از مدل چند حالته بیماری-مرگ. Clin Epidemiology Glob Health. 2017؛ 5 (4): 163-168.
7 تاپک ال، کوسوروک ام آر، صادقی فر م، و همکاران. درختان بقا به صورت بازگشتی برای تجزیه و تحلیل داده های زمان تا رویداد: کاربرد برای داده های ایدز و مرگ و میر پس از عفونت HIV. روش BMC Med Res. 2018؛ 18 (1): 1-2.
8 Matsena Zingoni Z، Chirwa TF، Todd J، و همکاران. پیشرفت بیماری HIV در بین بیماران درمان ضد رتروویروسی در زیمبابوه: یک مدل مارکوف چند دولتی جبهه بهداشت عمومی. 2019؛ 7:326.
9 علیاری ر، حاجی زاده ا.، امینروآیا ع، و همکاران. مدل‌های چند حالتی برای پیش‌بینی ایجاد عوارض دیررس دیابت نوع 2 در یک مطالعه کوهورت باز. دیابت متابس سندرم چاقی. 2020؛ 13:1863.
10 Grover G، Sabharwal A، Kumar S، و همکاران. یک مدل مارکوف چند حالتی برای پیشرفت بیماری مزمن کلیوی. Turkiye Klinikleri J Biostat. 2019؛ 11 (1): 1-4.
11 Keiding N، Klein JP، Horowitz MM. مدل های چند حالته و پیش بینی نتیجه در پیوند مغز استخوان Stat Med. 2001؛ 20 (12): 1871-1885.
12 Klein JP، Qian C. مدل سازی بقای چند حالتی نشان داده شده در پیوند مغز استخوان. بیومتریک. 1996:93-102.
13 Manzini G، Etrich TJ، Kremer M، و همکاران. مزایای یک رویکرد چند حالته در تحقیقات جراحی: چگونه رویدادهای میانی و مشخصات فاکتور خطر بر پیش آگهی یک بیمار مبتلا به سرطان رکتوم به صورت محلی پیشرفته تأثیر می گذارد. روش BMC Med Res. 2018؛ 18 (1): 1-11.
14 جکسون CH. مدل های چند حالته برای داده های پانل: بسته MSM برای نرم افزار R. J Stat. 2011؛ ​​38 (8): 1-29.
15 مارشال جی، جونز آر.اچ. مدل های چند حالته و رتینوپاتی دیابتی Stat Med. 1995 سپتامبر 30؛ 14 (18): 1975-1983.
16 Meira-Machado L, de Una- ˜ Alvarez ´ J, Cadarso-Suarez ´ C, et al. مدل های چند حالته برای تجزیه و تحلیل داده های زمان تا رویداد روش های آماری Med Res. 2009؛ 18 (2): 195-222.
17 Begun A, Icks A, Waldeyer R, et al. شناسایی یک مدل زنجیره مارکوف غیرهمگن با زمان پیوسته چند حالته برای بیماران با کاهش عملکرد کلیه تصمیم گیری پزشکی 2013 فوریه؛ 33 (2): 298-306.
18 O'Keeffe AG، Su L، خداحافظی VT. مدل‌های چند حالته مرتبط برای فرآیندهای متعدد: کاربرد برای پیشرفت بیماری کلیوی در لوپوس اریتماتوز سیستمیک انجمن سلطنتی آمار. 2018؛ 67 (4): 841–860.



شما نیز ممکن است دوست داشته باشید