Logistic regression and classification tree methods as elements of diagnosis in cardiology

• Authors: Anna Spychała , Michał Skrzypek , Ewa Niewiadomska

Title variants

PL

Metody regresji logistycznej i drzewa klasyfikacyjnego jako elementy procesu diagnostycznego w dziedzinie kardiologii

• Languages of publication: EN

Abstracts

EN

INTRODUCTION: The purpose of statistical analysis in research is to identify accurate and reliable conclusions where the researcher has a great deal of sources and information. Usually, one can point to a few different methods that allow the task to be fulfilled, but each time the question arises: which one to choose? MATERIAL AND METHODS: The study was conducted using a database that included 3246 patients in the Second Department of Cardiology, Silesian Medical Centre in Katowice-Ochojec in 2003–2008. We were A model in which the STROKE dependent variable was considered was subjected to statistical analysis, and the results of the analysis suggested selecting the following variables: gender, transfusion, PTCA, IVA, IVM, SVA, aneurysm and hematocrit. RESULTS: The essential factors affecting the occurrence of stroke, according to logistic regression are: aneurysm, transfusion of blood components, prior treatment with PTCA and according to the classification tree: aneurysm and level of hematocrit. CONCLUSIONS: The results achieved by both the two statistical models complemented each other, and by combining them one is able to obtain reliable information to use as a base for the decision-making process.

PL

WSTĘP: Zadaniem analiz statystycznych w badaniach naukowych jest wskazanie trafnych i maksymalnie wiarygodnych wniosków w sytuacji, gdy badacz dysponuje wieloma informacjami. Zwykle można wskazać kilka różnych metod, które pozwalają to zadanie spełnić, jednak za każdym razem nasuwa się pytanie, którą z nich wybrać? MATERIAŁ I METODY: Badania zostały przeprowadzone na bazie danych, która obejmowała 3246 pacjentów przebywających na II Oddziale Kardiologii Górnośląskiego Centrum Medycznego w Katowicach-Ochojcu w latach 2003– –2008. Analizie statystycznej poddano model, w których za zmienną zależną uznano zmienną UDAR, natomiast wyniki przeprowadzonych analiz zasugerowały dobór następujących zmiennych objaśniających: płeć, przetoczenie, PTCA, IVA, IVM, SVA, tętniak i hematokryt. WYNIKI: Czynnikami istotnie wpływającymi na wystąpienie udaru, według regresji logistycznej, są: tętniak, przetoczenie składników krwi i przebyty zabieg PTCA, natomiast według drzewa klasyfikacyjnego – tętniak i poziom hematokrytu. WNIOSKI: Wyniki uzyskane za pomocą obydwu modeli statystycznych dopełniały się, a ich łączenie pozwala na uzyskanie wiarygodnych informacji, stanowiących podstawę procesu decyzyjnego.

Keywords

EN

ROC curve; analiza statystyczna; classification tree; drzewo klasyfikacyjne; krzywa ROC; logistic regression; regresja logistyczna; statistical analysis; stroke; udar

Discipline

• MEDICINE: MEDICINE

• Publisher: Śląski Uniwersytet Medyczny w Katowicach
• Journal: Annales Academiae Medicae Silesiensis
• Year: 2016
• Volume: 70
• Pages: 154–162

Contributors

author

Anna Spychała

• Department of Environmental Health, School of Public Health in Bytom, Medical University of Silesia in Katowice, Poland, ul. Piekarska 18, 41-902 Bytom, tel. [phone],

author

Michał Skrzypek

• Department of Environmental Health, School of Public Health in Bytom, Medical University of Silesia in Katowice, Poland

author

Ewa Niewiadomska

• Department of Environmental Health, School of Public Health in Bytom, Medical University of Silesia in Katowice, Poland

References

• 1. Koźmiński A.K., Piotrowski W. Zarządzanie. Teoria i praktyka. Wydawnictwo Naukowe PWN. Warszawa 2002.
• 2. Szydło R. Komu jest potrzebny statystyk medyczny? Onkol. Prakt. Klin. 2005; 1(3): 129–131.
• 3. Michalski T. Statystyka. Wydawnictwo Szkolne i Pedagogiczne. Warszawa 2004, s. 5–7.
• 4. Sobczyk M. Statystyka. Wydawnictwo Uniwersytetu Marii Curie-Skłodowskiej. Lublin 2001, s. 7–9.
• 5. Dobbson A.J. The role of the statistician. Int. J. Epidemiol. 1983; 12(3): 274–275.
• 6. Lenz R., Reuchert M. IT suport for healthcare processes-premises, challenges, perspectives. Data & Knowlegde Engineering 2007; 61: 39–58.
• 7. Stanisz A. Przystępny kurs statystyki z zastosowaniem STATISTICA PL na przykładach z medycny. Tom II. StatSoft Polska. Kraków 2006, s. 217–254.
• 8. Stanisz A. Biostatystyka. Wydawnictwo Uniwersytetu Jagiellońskiego. Kraków 2005, s. 325–335.
• 9. Stanisz A. Regresja logistyczna. Medycyna Praktyczna 200110, http:www.mp.plartykulyindex.php?aid=11813&_tc=32F4510F44D54B93654578ACE3F57E99 [dostęp z dnia: 02.01.2013].
• 10. Łapczyński M. Drzewa klasyfikacyjne i regresyjne w badaniach marketingowych. Uniwersytet Ekonomiczny. Kraków 2011.
• 11. Stanisz A. Przystępny kurs statystyki z zastosowaniem STATISTICA PL na przykładach z medycyny. Tom III. StatSoft Polska. Kraków 2006, s. 113–153.
• 12. Łapczyński M. Drzewa klasyfikacyjne w badaniach satysfakcji i lojal-ności klientów. StatSoft Polska. Kraków 2003.
• 13. Gatnar E., Walesiak M. Statystyczna analiza danych z wykorzystaniem programu R. Wydawnictwo Naukowe PWN. Warszawa 2009, s. 238–260.
• 14. Stanisz A. Statistica w badaniach naukowych i nauczaniu statystyki. StatSoft Polska. Kraków 2010, s. 61–80.
• 15. StatSoft Electronic Statistic Textbook. Drzewa klasyfikacyjne, http:www.statsoft.pltextbookstathome_stat.html?http%3A%2F%2Fwww.statsoft.pl%2Ftextbook%2Fstclatre.html [dostęp z dnia: 02.01.2013].
• 16. Koronacki J., Ćwik J. Statystyczne systemy uczące się. 2 wyd. EXIT. Warszawa 2008, s. 129–164.
• 17. Harańczyk G. Krzywa ROC, czyli ocena jakości klasyfikatora i poszukiwanie optymalnego punktu odcięcia. StatSoft Polska. Kraków 2010, s. 79–89.
• 18. Swets J.A., Dawes S.M., Monahan J. Better decisions through science. Sci. Am. 2000; 283(4): 82–87.
• 19. Stanisz A. Przystępny kurs statystyki z zastosowaniem STATISTICA PL na przykładach z medycyny. Tom I. StatSoft Polska. Kraków 2006, s. 340–370.
• 20. Harańczyk G., Stępień M. Ilustrowana sztuka podejmowania decyzji. Matematyka Społeczeństwo Nauczanie 2008; 41: 12–15.
• 21. Lemon S.C., Roy J., Clark M.A., Friedmann P.D., Rakowski W. Classification and regression tree analysis in public health: methodological review and comparison with logistic regression. Ann. Behav. Med. 2003; 26(3): 172–181.
• 22. Long W.J., Griffith J.L., Selker H.P., D’Agostino R.B. A comparison of logistic regression to decision-tree induction in a medical domain. Comput. Biomed. Res. 1993; 26: 74–97.
• 23. Owczarek A. Drzewa decyzyjne oraz analiza hazardu proporcjonalnego Coxa w przewidywaniu niekorzystnych zdarzeń sercowych u chorych z przewlekłą niewydolnością serca. Rozprawa habilitacyjna nr 12/2011. Śląski Uniwersytet Medyczny w Katowicach. Katowice 2011.
• 24. Classification and Regression Trees. http:documents.software.dell.com StatisticsTextbookClassification-and-Regression-Trees [dostęp z dnia: 15.06.2015].
• 25. Słapa R.Z. Zastosowanie ultrasonografii trójwymiarowej w diagnostyce zmian ogniskowych tarczycy. Akademia Medyczna w Warszawie. Warszawa 2007.
• 26. Goel R., Misra A., Kondal D., Pandey R.M., Vikram N.K., Wasir J.S., Dhingra V., Luthra K. Identification of insulin resistance in Asian Indian adolescents: classification and regression tree (CART) andlogistic regre-ssion based classification rules. Clin. Endocrinol. (Oxf) 2009; 70(5): 717–724.

• Document Type: article