پیش‌بینی شروع سندرم متابولیک در یک مطالعه کوهورت با استفاده از مدل رگرسیون لجستیک

مقدمه: سندرم متابولیک(metabolic syndrome (mets)) یک وضعیت پیچیده است که به ‌صورت گروهی از اختلالات متابولیک ظاهر می‌شود و با شیوع برخی از بیماری‌ها مرتبط است. پیش‌بینی زودهنگام خطر mets در جمعیت میانسالان، می‌تواند برای کنترل و جلوگیری از ابتلا به بیماری‌های قلبی-عروقی موثر باشد. هدف این مطالعه، استفاده از رگرسیون لجستیک برای پیش‌بینی سندرم متابولیک و یافتن فاکتورهای خطر مرتبط با این سندرم است.روش کار: در این مطالعه کوهورت، عوامل مرتبط با سندرم متابولیک در مطالعه mashhad study، که شامل در مجموع 11570 شرکت‌کننده است، بررسی شد. با استفاده از رگرسیون لجستیک، فاکتورهایی که نسبت شانس ابتلا به سندرم متابولیک را افزایش می‌دهند، ارزیابی شد و مدل‌سازی پیش‌بینی با استفاده از رگرسیون لجستیک انجام شد.یافته‌ها: نتایج آنالیز با استفاده از مدل رگرسیون لجستیک نشان می‌دهد عواملی مانند شاخص توده بدنی، سابقه چربی خون بالا، سابقه فشار خون بالا و دیابت، نسبت خطر ابتلا به سندرم متابولیک را افزایش می‌دهند، همچنین شاخص‌هایی مانند کم‌تحرکی، سطح بالای اوره خون، محتوای هموگلوبین گلبول‌های قرمز، افزایش سن، جنسیت زن، سطوح بالای گاماگلوتامیل ترانسفراز کبدی و اسید اوریک خون، خطر ابتلا به سندرم متابولیک را افزایش می‌دهند.نتیجه‌گیری: به نظر می‌رسد شاخص توده بدنی، سابقه دیابت و بیماری قلبی در مقایسه با شاخص‌های دیگر از جمله سابقه چربی خون، فشار خون، کم تحرکی، اوره خون، اسید اوریک و محتوای هموگلوبین گلبول‌های قرمز خون با افزایش نسبت شانس ابتلا به سندرم رابطه دارد.

predicting the onset of metabolic syndrome in a cohort study using a logistic regression model

introduction: metabolic syndrome (mets) is a complex condition manifested as a group of metabolic disorders and is associated with the prevalence of certain diseases. early prediction of mets risk in the middle-aged population can be effective in controlling and preventing cardiovascular diseases. this study aimed to use logistic regression to predict metabolic syndrome and identify risk factors related to this condition.method: this cohort study investigated factors associated with metabolic syndrome in the mashhad study, which included a total of 11,570 participants. factors that increase the relative risk of metabolic syndrome were evaluated using logistic regression, and predictive modeling was performed using logistic regression.results: the results of the analysis using the logistic regression model showed that some factors, such as body mass index, history of high blood lipids, history of high blood pressure, and diabetes, increased the risk of metabolic syndrome. various indicators, such as inactivity, high blood urea level, red blood cell hemoglobin content, aging, female gender, high levels of liver gamma-glutamyl transferase, and blood uric acid increase the risk of developing metabolic syndrome.conclusion: it seems that body mass index, history of diabetes, and heart disease are related to the relative risk of developing the mets syndrome compared to the other indicators, such as history of blood lipids, sedentary blood pressure, blood urea, uric acid, and hemoglobin content of red blood cells. these findings were obtained using the logistic regression model.