پیش‌بینی دیابت نوع 2 و تعیین میزان تاثیر عوامل خطر با استفاده از مدل رگرسیون لجستیک

مقدمه: بیماری دیابت یکی از بیماری‌های مزمن بوده که درمان قطعی ندارد و شایع‌ترین علت قطع اندام، نابینایی و نارسایی مزمن کلیویی و یکی از مهم‌ترین عوامل خطر در ‌ایجاد بیماری‌های قلبی است. رگرسیون لجستیک یکی از روش‌های تحلیل آماری در امر پیش‌بینی می‌باشد و از جمله روش‌های آماری چند متغیره‌ای است که می‌تواند برای ارزیابی ارتباط بین متغیرهای مستقل هرچند مخدوش کننده و یک متغیر وابسته مورد استفاده قرار ‌گیرد. هدف ‌این مطالعه، تعیین متغیرهای تاثیرگذار و میزان تاثیر آن‌ها بر ابتلا به دیابت و برآورد یک مدل پیش‌بینی رگرسیون لجستیک بود. روش‌: نمونه‌ها شامل 5357 نفر بود و دیابت نوع 2 به عنوان متغیر پاسخ در نظر گرفته شد. متغیرهای مستقل شامل: وزن، قد، نمایه توده بدنی (body mass index یا bmi)، محیط دور کمر، محیط دور باسن، نسبت کمر به باسن (waist.hip ratio یا whr)، کلسترول، سن، جنسیت، شغل، تحصیلات، استفاده از داروی کاهش فشار خون در دو هفته گذشته با تجویز پزشک، میزان فشار خون سیستولی و دیاستولی، سطح hdl (high-density lipoprotein)، سطح ldl (low-density lipoprotein)، وضعیت مصرف مواد مخدر، فعالیت‌هایی که منجر به بالا رفتن ضربان قلب می‌شود و تری‌گلیسرید بودند. جهت تعیین قدرت پیش‌بینی مدل رگرسیون لجستیک از شاخص‌های میزان حساسیت، ویژگی، دقت، ضریب kappa و منحنی roc (receiver operating characteristic) استفاده گردید. یافته‌ها: میزان حساسیت، ویژگی، دقت و ضریب توافق kappa برای مدل به ترتیب 764.0، 725.0، 731.0 و 312.0 بود و همچنین مساحت زیر منحنی roc، 822.0 به ‌دست آمد. از بین متغیرهای موجود به ترتیب تاثیر بر متغیر وابسته (بر اساس نسبت شانس)، متغیر نسبت whr، مصرف داروی کاهش فشار خون در دو هفته گذشته با تجویز پزشک، جنسیت، سطح تحصیلات، محیط دور کمر، پیاده‌روی و دوچرخه سواری، وزن، bmi، فشار خون سیستولیک، سن، فشار خون دیاستولیک، محیط دور باسن، تری‌گلیسرید، کلسترول، سطح ldl، استفاده از مواد مخدر، قد، سطح hdl و داشتن فعالیت کاری شدید 10 دقیقه‌ای معنی‌دار بودند. نتیجه‌گیری: با توجه به ملاک‌های دقت و قدرت پیش‌بینی و نیز با در نظر گرفتن مساحت زیر منحنی roc (822.0) که توانسته است دقت کلی آزمون را برای تشخیص دیابت در حد خوبی انجام دهد، می‌توان بیان داشت که رگرسیون لجستیک مدل مناسبی برای پیش‌بینی دیابت می‌باشد.