پیش‌بینی عوامل موثر بر میزان ابتلا به بیماری کووید 19 در بیماران بستری با روش مدل‌سازی آماری

مقدمه: همه‌گیری کووید 19 اثر چشمگیری بر بهزیستی افراد و ملل مختلف در مسائل اجتماعی اقتصادی روانشناختی و بهداشت عمومی داشته است. با توجه به اهمیت پیش بینی پیک های شیوع و بروز بیماری کووید 19 مطالعه با هدف پیش بینی عوامل موثر بر میزان ابتلا در بیماران بستری با روش رگرسیون لجستیک چند متغیره در شهر خرم آباد انجام شده است.مواد و روش ها: مطالعه از نوع توصیفیتحلیلی است، داده‌های مبتلایان کووید 19 در پیک اول شروع بیماری که شامل 4425 نفر مراجعین به بیمارستان شهدای عشایر خرم‌آباد در سال 1399 بودند و از این تعداد 2978 نفر تست کووید انجام داده بودند، مورد بررسی قرار گرفتند. چک لیست متغیرها به صورت یک ابزار محقق ساخته به بررسی متغیرهای موثر با مراجعه روزانه و مطالعه پرونده بیماران، اطلاعات موجود به دست آمد. تجزیه و تحلیل اطلاعات با استفاده از روش های توصیفی، رگرسیون لجستیک چند متغیره و روش ماشین بردار پشتیبان در نرم افزار r برای مدل بندی عوامل خطر مرتبط با تشخیص بیماری انجام شد.یافته ها: بیشترین میزان ابتلا متعلق به گروه سنی 4049 سال (19%) و کمترین میزان ابتلا مربوط به گروه سنی 10-19 سال (1%) بود. گروه سنی 60 تا 69 سال با 6 درصد جمعیت و 25 درصد مرگ و میر بود. مدل ایجاد شده نشان می‌دهد از جمله موثرترین علایم، سن، تب، کاهش سطح هوشیاری، سطح اکسیژن خون و سابقه ابتلا به بیماری های قلبی می باشد.بحث و نتیجه گیری: با اطلاعات به دست آمده می توان با تشخیص متغیرهای موثر، افراد پرخطر را شناسایی کرد و در پیشگیری از بروز بیماری و شیوع بیشتر در گروه‌های پرخطر استفاده کرد که در کنترل پاندمی کووید 19 کمک شایانی می تواند داشته باشد.

Prediction of the Effective Factors on the Incidence of COVID-19 Disease in Hospitalized Patients using Statistical Modeling

Background: The COVID19 pandemic has had a significant impact on the wellbeing of different individuals and nations in terms of socioeconomic, psychological, and public health issues. Regarding the importance of predicting the peak outbreaks and incidence of COVID19, this study aimed to predict factors that affect the incidence of COVID19 pandemic in hospitalized patients admitted to a hospital in Khorramabad city of Iran, using a multivariate logistic regression model.Materials and Methods: In this descriptiveanalytical study, the data from 4,425 COVID19 patients in the first peak of the disease, who were referred to the Shohadaye Ashayer Hospital, Khorramabad, Iran, in 2020, were examined, from whom 2,978 people had undergone COVID19 test. Data were collected using a researchermade checklist for variables and examination of patients rsquo; daily records. Data analysis was performed using descriptive methods, multivariate logistic regression model, and backup vector machine method in the R software for the modeling of risk factors associated with the disease diagnosis.Results: The highest and lowest rates of incidence were observed in the age range of 4049 (19%) and 1910 years (1%). The age group 6069 years accounted for 6% of the population with a mortality rate of 25%. Based on the implemented model, the most effective symptoms associated with the incidence of COVID19 included age, fever, decreased level of consciousness, blood oxygen level, and a history of heart disease.Conclusion: The present study showed that identification of the effective variables of the disease led to the identification of highrisk individuals. This method can be used to prevent disease incidence and prevalence in highrisk groups and is a great help in controlling the COVID19 pandemic.