شناسایی عوامل موثر بر بقای بیماران سرطان معده دارای متاستاز با استفاده از مدل جنگل تصادفی بقا و مقایسه آن با مدل رگرسیون کاکس

مقدمه و اهداف: در تحلیل بقا استفاده از مدل کاکس برای تعیین عوامل موثر، نیازمند برقراری پیش‌فرض‌هایی است که عدم برقراری آن‌ها منجر به نتایج اریب می‌شود. هدف این مقاله تعیین عوامل موثر بر بقای بیماران مبتلا به سرطان معده دارای متاستاز با استفاده از روش ناپارامتری جنگل تصادفی بقا (rsf) و مقایسه آن با مدل کاکس است.روش کار: در این مطالعه کوهورت گذشته‌نگر 201 بیمار مبتلا به سرطان معده دارای متاستاز مراجعه‌کننده به کلینیک امام خمینی استان همدان موردبررسی قرار گرفت. بقای بیماران از زمان تشخیص تا مرگ یا پایان مطالعه محاسبه شد. ویژگی‌های جمعیت شناختی (شامل سن و جنس) و متغیرهای مربوط به بیماری (شامل مرحله بیماری، گرید تومور، نوع درمان و ...) از پرونده بیماران استخراج شد. عوامل موثر با استفاده از مدل کاکس و جنگل تصادفی بقا تعیین و مقایسه شد. تحلیل داده‌ها با نرم‌افزار r3.4.3 و بسته‌های survival و randomforestsrc انجام شد.یافته‌ها: میانگین (انحراف معیار) سن تشخیص بیماران (12.9) 61.5 سال بود. بر اساس مدل کاکس تنها متغیر شیمی rlm;درمانی (p=0.033) بر بقا موثر بود. نتایج برازش مدل rsf نشان داد که متغیرهای موثر بر بقا به ترتیب نوع جراحی، محل متاستاز، شیمی rlm;درمانی، سن، گرید تومور، جراحی، تعداد لنفوم‌های درگیر، جنس و رادیوتراپی بود. همچنین مدلrsf باقاعده تقسیم لگرتبه بر اساس شاخص‌های مناسبت مدل نسبت به مدل کاکس عملکرد بهتری داشت.نتیجه‌گیری: درصورتی‌که تعداد متغیرها زیاد و بین متغیرها رابطه وجود داشته باشد روش rsf متغیرهای مهم و تاثیرگذار بر بقا را بدون نیاز به پیش‌فرض‌های محدودکننده با دقت بالا نسبت به مدل کاکس شناسایی می‌کند.

Identification of Factors Affecting Metastatic Gastric Cancer Patients’ Survival Using the Random Survival Forest and Comparison with Cox Regression Model

Background and Objectives: In survival analysis, using the Cox model to determine the effective factors requires the assumptions whose failure of leads to biased results. The aim of this paper was to determine the factors affecting the survival of metastatic gastric cancer patients using the nonparametric method of Randomized Survival Forest (RSF) model and to compare its result with the Cox model. Methods: In this retrospective cohort study, 201 patients with metastatic gastric cancer were evaluated in Hamadan Province. Patient survival was calculated from diagnosis to death or end of study. Demographic characteristics (such as gender and age) and clinical variables (including stage, tumor size, etc.) were extracted from the patient records. Factors affecting survival were determined using the Cox model and RSF. Data analysis was performed using the R3.4.3 software and RandomForestSRC and survival packages. Results: The mean (SD) age of patients was 61.5 (12.9) years old. The Cox model showed that chemotherapy (p=0.033) was effective in survival, and the results of fitting the RSF model showed that the most important variables affecting survival were type of surgery, location of metastasis, chemotherapy, age, tumor grade, surgery, number of involved lymph nodes, sex and radiotherapy. Based on the model appropriateness, the RSF model with logrank split rule had a better performance compared to the Cox model. Conclusion: If the number of variables is high and there is a relationship between the variables, the RSF method identifies the important and effective variables on survival with high accuracy without requiring restrictive assumptions compared to the Cox model.