کاربرد رگرسیون جمعی مفصل دومتغیره در تعیین عوامل موثر بر آنزیم‌‌های کبدی alt و ast

مقدمه: معمولاً هنگامی‌که توزیع متغیر وابسته از خاصیت نرمال بودن پیروی نمی‌‌کند، می‌‌توان از نوع رگرسیون ناپارامتری استفاده کرد. در این مطالعه هم با توجه به ویژگی متغیرها، از الگوی رگرسیون مفصل دومتغیره برای تشخیص عوامل تاثیرگذار بر آنزیم‌‌های کبدی alt و ast و همچنین برای ارتباط هر دو آنزیم استفاده‌شده است. این نوع رگرسیون هنگامی مناسب است که متغیرهای پاسخ، چولگی و وابستگی نسبتاً بالایی باهم داشته باشند.مواد و روش ها: در این مطالعۀ مقطعی، نمونه‌‌ای به حجم 2000 نفر از افراد شرکت‌کننده در مطالعۀ هم‌گروهی شهرکرد به‌تصادف انتخاب شد. برای رسیدن به الگوی رگرسیون مفصل، توزیع حاشیه‌‌ای گوسین معکوس و تابع مفصل گامبل با توجه به معیار آکائیک انتخاب گردید و از پکیج‌‌های آماری gamlss،copula ،ggrm در نرم‌افزار r استفاده شد.یافته‌ها: با توجه به یافته‌‌ها، برخی از متغیرها از طریق مولفه‌های توزیع‌‌ حاشیه‌‌ای و تابع مفصل بر غلظت آنزیم‌‌های alt و ast به‌عنوان عوامل موثر شناسایی گردیدند. متغیرهای اورۀ خون، تری‌گلیسرید، ggt، alp و bmi تاثیر غیرخطی و معنا‌‌داری بر میانگین غلظت آنزیم alt داشتند. متغیرهای bmi، ggt، alp، ldl و hdl به‌صورت غیرخطی و همچنین اورۀ خون به‌صورت خطی، بر میانگین غلظت آنزیم ast به‌طور معنی‌‌دار موثر بودند. درنهایت، متغیرهای bmi، تری‌گلیسرید، ggt و alp بر ارتباط میان سطح غلظت آنزیم‌‌های کبدی alt و ast تاثیر می‌‌گذارند.بحث و نتیجه‌گیری: پا استفاده از این الگو می‌‌توان علاوه بر شناسایی برخی عوامل موثر، به تشخیص روابط خطی و غیرخطی میان‌‌ متغیرهای مستقل با وابسته پی برد.

Application of Bivariate Capula Additive Regression in Determining Factors Affecting ALT and AST Liver Enzymes

Introduction: Nonparametric regression can usually be used when the distribution of the dependent variable does not follow the property of normality. In this study, due to the nature of the variables, a bivariate Capula regression model was used to identify the factors affecting the liver enzymes (ALT and AST) and the relationship between these enzymes. This type of regression is suitable when the response variables have a relatively high degree of skewness and interdependence.Material Methods: In this crosssectional study, a sample of 2000 participants in the Shahrekord cohort study were randomly selected. To achieve the Capula regression model, the inverse Gaussian margin distribution and the Gumble joint function were selected according to the Akaike criterion. Gamlss, Copula, and Ggrm statistical packages were used in the R software.(Ethic code: 3316)Findings: According to the findings, some variables were identified as effective factors on the concentration of ALT and AST enzymes through marginal distribution parameters and Capula function. Blood urea, triglyceride, GGT, ALP, and BMI had a nonlinear and significant effect on the mean concentration of the ALT enzyme. The BMI, GGT, ALP, LDL, and HDL (nonlinearly), as well as blood urea (linearly), had a significant effect on the mean concentration of AST enzyme. Finally, the variables of BMI, triglycerides, GGT, and ALP affect the relationship between the concentration levels of the liver enzymes (ALT and AST).Discussion Conclusion: Using this model, in addition to identifying the effective factors, it is possible to distinguish between linear and nonlinear relationships between independent and dependent variables.