تعیین عوامل موثر بر قند خون ناشتای بیماران مبتلا به دیابت نوع دو در طول زمان با به کارگیری توابع مفصل

زمینه و هدف: از ویژگی‌های بارز یک مطالعه طولی این است که آزمودنی‌ها در طول زمان به طور مکرر اندازه‌گیری می‌شوند. در مقابل مطالعات طولی، مطالعات مقطعی قرار می‌گیرند که در آن ها برای هر آزمودنی فقط یک مشاهده به دست می‌آید. هدف اصلی این مطالعه، به کار بردن توابع مفصل برای مدل‌بندی وابستگی درون آزمودنی‌ها در طول زمان است. روش کار: در این مطالعه طولی از اطلاعات ثبت شده بیماران مبتلا به دیابت نوع دو در بیمارستان لولاگر تهران استفاده شد. اطلاعات بیمارانی که حداقل دو مرتبه طی سال‌های 1385 تا 1390 به بیمارستان مراجعه داشتند، ثبت شد. عوامل موثر بر قند خون ناشتای بیماران با مدل رگرسیون و بکار گیری توابع مفصل تعیین شد. انتخاب تابع مفصل با استفاده از نمودار p-p مانده‌های تابع مفصل صورت گرفت. برازش مدل به وسیله نرم افزار r انجام شد. یافته‌ها: در این مطالعه فقط سه متغیر کمکی معنی دار بودند. متغیرهای سیگار کشیدن (0.001>p)، پیشینه خانوادگی (0.001>p) و مدت ابتلا به بیماری(0.001>p) اثر معنی دار مثبتی بر میزان قند خون داشتند. متغیر کمکی مدت ابتلا به بیماری با برآورد ضریب 0.003 ، نشان دهنده این بود که مقادیر مورد انتظار میزان قند خون ناشتا، به شرط ثابت ماندن سایر متغیرها ، با افزایش مدت ابتلا به بیماری در طول زمان افزایش می‌یابد. نتیجه گیری: علاوه بر تعیین عوامل خطر میزان قند خون ناشتا، نشان داده شد که استفاده از تابع مفصل یک روش مناسب برای تحلیل داده‌های طولی و مدل‌بندی همبستگی بین داده‌ها است

Determining factors affecting fasting blood sugar in patients with type 2 diabetes using Copula functions

Background: The defining characteristic of a longitudinal study is that subjects are measured repeatedly through time. Longitudinal studies are in contrast to crosssectional studies, in which a single outcome is measured for each individual. The primary objective of this study is to use copulas to model the withinsubject dependencies over time. Methods: In this longitudinal study, we used the hospital records of patients with type 2 diabetes in Lolagar hospital, Tehran. Information of patients who visited the hospital at least twice during the years 200611 were recorded. Factors affecting fasting blood sugar were determined by regression model and the use of copula functions. We used the Residuals pp plot of copula function for selecting copula. Fitting model was done with R software. Results: In this study, only three explanatory variables were statistically significant. Smoking (p<0.001), family history (p<0.001), and duration of illness (p<0.001) were the positively significant variables. The coefficient estimate of duration of illness was 0.003, meaning that other variables remained the same, as duration of illness increases by one unit, the expected value of fasting blood sugar will increase. Conclusion: In addition to identifying risk factors of fasting blood sugar, it was shown that use of copula function is an appropriate method for longitudinal data analysis and modeling correlations between data.