بررسی عوامل مرتبط با پرفشاری خون با استفاده از مدل رگرسیون چندسطحی

نوع مقاله : مقاله پژوهشی

نویسندگان

1 استاد آمار زیستی، گروه اپیدمیولوژی و آمار زیستی، دانشکده بهداشت، دانشگاه علوم پزشکی مشهد، مشهد، ایران

2 مربی، مرکز تحقیقات توسعه اجتماعی و ارتقاء سلامت، دانشگاه علوم پزشکی گناباد، گناباد، ایران

3 کارشناسی ارشد آمار زیستی، گروه اپیدمیولوژی و آمار زیستی، دانشکده بهداشت، دانشگاه علوم پزشکی مشهد، مشهد، ایران

چکیده

مقدمه:پرفشاری خون یکی از مهم‌ترین عوامل خطر بیماری‌های قلبی- عروقی بوده و یک بیماری با شیوع بالا و عوارض جدی است. در این ارتباط، مطالعه حاضر با هدف شناسایی عوامل مرتبط با پرفشاری خون با استفاده از مدل رگرسیون چندسطحی انجام شد.
مواد و روشها:مطالعه حاضر از نوع مقطعی- تحلیلی بوده و داده‌های آن مربوط به مطالعه مشهد است که از سال 1387 آغاز شده و تاکنون ادامه دارد. جمعیت مورد مطالعه کلیه افراد 35 تا 65 سال ساکن در مشهد بودند. افراد نمونه نیز 9365 نفر بودند که با استفاده از روش نمونه‌گیری طبقه‌ای- خوشه‌ای انتخاب شدند. در این مطالعه اطلاعات دموگرافیک، شاخص تن‌سنجی، دیابت، اضطراب، افسردگی، سطح فعالیت فیزیکی و الگوهای غذایی ثبت گردیدند. به‌منظور توصیف آماری داده‌ها از نرم‌افزار SPSS 23و برای برازش مدل رگرسیون دوسطحی از نرم‌افزار MLwiN 2.10استفاده گردید. سطح معناداری نیز حداکثر معادل 05/0 در نظر گرفته شد.
یافته‌ها:نتایج حاکی از آن بودند که شیوع بیماری پرفشاری خون معادل 23 درصد (2135 نفر) بوده است که از این تعداد، 22 درصد (1230 نفر) زن با میانگین سنی 0/8±6/47 سال و 24 درصد (905 نفر) مرد با میانگین سنی 4/8±9/48 سال بودند. همچنین، نتایج حاصل از برازش مدل چندسطحی نشان از وجود رابطه معنادار و مثبتی بین متغیرهای ابتلا به دیابت نوع دو، کلسترول، شاخص توده بدنی و سن با پرفشاری خون داشتند (05/0P<).
نتیجهگیری:نتایج نشان دادند که بخش عمده‌ای از عوامل مرتبط با ابتلا به پرفشاری خون، متغیرهای قابل کنترل مربوط به سبک زندگی هستند و انجام اقدامات و مداخلات آموزشی به‌موقع و مناسب برای بهبود غربالگری، کنترل و حتی درمان بیماری ضروری می‌باشد.

کلیدواژه‌ها


1.     World Health Organization. Hypertension. Available at: URL: https://www.who.int/topics/hypertension/en/; 2015.
2.     Gholami FM, Kazemnejad A, Zayeri F, Rowzati M. Application of three level modeling in analysis of longitudinal blood pressure data of occupational center of Isfahan’s Mobarakeh Steel Company during years 2003 until 2009. J North Khorasan Univ Med Sci. 2011; 3:103-14. [in Persian]
3.     Hatami H, Razavi M, Eftekhar-e-Ardabili H, Maglesi F, Sayed Nozadi M, Prizadah M. Textbook of public health. 1st ed. Tehran:Argmand Press; 2005. P. 1101. [in Persian]
4.     Baghianimoghadam M, Aivazi S, Mzloomy SS, Baghianimoghadam B. Factors in relation with self–regulation of Hypertension, based on the Model of Goal Directed behavior in Yazd city. J Med Life. 2011; 4(1):30.
5.     Ahmadi A, Hasanzadeh JA, Rajaefard A. To determine the relative factors on hypertension in Kohrang, Chaharmahal & Bakhtiari province, 2007. Iran J Epidemiol. 2008; 4(2):19-25. [in Persian]
6.     Ezzati M, Geleijnse JM. Worldwide trends in blood pressure from 1975 to 2015: a pooled analysis of 1479 population-based measurement studies with 19·1 million participants. Lancet. 2017; 389(10064):37-55.
7.      Mirzaei M, Moayedallaie S, Jabbary L, Mohammadi M. Prevalence of hypertension in Iran 1980–2012: a systematic review. J Tehran Univ Heart Cent. 2016; 11(4):159-67. 
8.     Gholizadeh S, Moghimbeigi A, Poorolajal J, Khjeian MA, Bahramian F. Study of risk factors affecting
both hypertension and obesity outcome by using multivariate multilevel  logistic regression models. Iran South Med J. 2016; 19(3):385-97.
9.     Vahabi N, Salehi M, Azarbar A, Zayeri F, Kholdi N. Application of multilevel model for assessing the affected factors on failure to thrive in children less than two years old. Razi J Med Sci. 2014; 21(124):91-9.
10.  Hox JJ. Multilevel analysis: techniques, applications. Abingdon: Routledge; 2010. P. 147.
11.  De Leeuw J, Meijer E, Goldstein H. Handbook of multilevel analysis. New York: Springer; 2008.
12.  Ghayour-Mobarhan M, Moohebati M, Esmaily H, Ebrahimi M, Parizadeh SM, Heidari-Bakavoli AR, et al. Mashhad stroke and heart atherosclerotic disorder (MASHAD) study: design, baseline characteristics and 10-year cardiovascular risk estimation. Int J Public Health. 2015; 60(5):561-72.
13.  Shahsavari S, Nazari F, Karimyar Jahromi M, Sadeghi M. Epidemiologic study of hospitalized cardiovascular patients in Jahrom hospitals in 2012-2013. Iran J Cardiovasc Nurs. 2013; 2(2):14-21.
14.  Jonas BS, Lando JF. Negative affect as a prospective risk factor for hypertension. Psychosom Med. 2000; 62(2):188-96.
15.  Meraci M, Feizi A, Bagher NM. Investigating the prevalence of high blood pressure, type 2 diabetes mellitus and related risk factors according to a large general study in Isfahan-using multivariate logistic regression model. J Community Health Res. 2012; 8(2):193-203. [in Persian]
16.  Mottaghi A, Hosseini Esfahani F, Mirmiran P, Azizi F. Assessment of relationship between dietary patterns and incidence of hypertension: Tehran lipid and glucose study. Iran J Endocrinol Metab. 2015; 16(6):433-40.
17.  Kretchy IA, Owusu-Daaku FT, Danquah SA. Mental health in hypertension: assessing symptoms of anxiety, depression and stress on anti-hypertensive medication adherence. Int J Mental Health Syst. 2014; 8(1):25.
18.  Kokkinos PF, Giannelou AN, Manolis A, Pittaras AN. Physical activity in the prevention and management
of high blood pressure. Hellenic J Cardiol. 2009; 50(1):52-9.
19.  Lee SY, Song XY. Model comparison of nonlinear structural equation models with fixed covariates. Psychometrika. 2003; 68(1):27-47.