نوید نو

نوید نو

بکارگیری مدل رگرسیون لجستیک دو متغیره در تعیین عوامل مرتبط با ابتلا به دیابت و فشار خون بالا در افراد 65-35 ساله شهر مشهد

نوع مقاله : مقاله پژوهشی

نویسندگان
محمدتقی شاکری 1
راضیه یوسفی 2
مریم علیزاده 3
حسین تیره 3
حبیب اله اسماعیلی 1
1 استاد آمار زیستی، مرکز تحقیقات عوامل اجتماعی مؤثر بر سلامت، دانشگاه علوم پزشکی مشهد، مشهد، ایران
2 دانشجوی دکتری آمار زیستی، کمیته تحقیقات دانشجویی، دانشگاه علوم پزشکی مشهد، مشهد، ایران
3 کارشناسی ارشد آمار زیستی، گروه اپیدمیولوژی و آمار زیستی، دانشگاه علوم پزشکی مشهد، مشهد، ایران
10.22038/nnj.2019.41739.1171
چکیده
مقدمه: یکی از مهم‌ترین دلایل مرگ و میر در جهان، بیماری‌های قلبی- عروقی هستند که در میان عوامل ایجاد‌کننده این بیماری‌ها، فشار خون و دیابت اهمیت بیشتری دارند. با توجه به همبستگی بالای این دو بیماری می‌توان عوامل مرتبط با ابتلای همزمان به آن‌ها را به‌طور دقیق مورد بررسی قرار داد. در این راستا، پژوهش حاضر با هدف به‌کارگیری مدل رگرسیون لجستیک دو متغیره در راستای تعیین عوامل مرتبط با ابتلا به دیابت و فشار خون بالا در افراد 65-35 ساله شهر مشهد انجام شد.
مواد و روش‌ها: مطالعه مقطعی- تحلیلی حاضر در ارتباط با فاز مقطعی داده‌های مطالعه مشهد انجام شد. متغیرهای مورد بررسی در این پژوهش عبارت بودند از: اطلاعات جمعیت‌شناختی، اشتغال، استعمال دخانیات، شاخص توده ‌بدنی، میزان فعالیت فیزیکی، اضطراب، افسردگی، کلسترول، تری‌گلیسیرید و شاخص نسبت دور کمر به باسن. باید خاطرنشان ساخت که متغیرهای دیابت و پرفشاری خون به‌عنوان متغیرهای وابسته در نظر گرفته شدند. تجزیه و تحلیل‌ها داده‌ها نیز با استفاده از نرم‌افزار R3.4.4 در سطح معنا‌داری (05/0P<) صورت گرفت.
یافته‌ها: براساس نتایج، ارتباط میان سن، سطح تحصیلات، شاخص توده‌ بدنی، شاخص نسبت دور کمر به باسن، اضطراب، افسردگی، کلسترول و تری‌گلیسیرید با ابتلا به دیابت معنا‌دار بود (05/0P<). در ارتباط با فشار خون بالا نیز ارتباط سن، جنسیت، وضعیت اشتغال، شاخص توده ‌بدنی، شاخص نسبت دور کمر به باسن، اضطراب، کلسترول و تری‌گلیسیرید معنا‌دار بود (05/0P<).
نتیجه‌گیری: بر مبنای نتایج، استفاده از مدل دو متغیره به‌جای مدل‌های یک متغیره در شرایط وجود همبستگی به‌منظور دستیابی به نتایج دقیق‌تر پیشنهاد می‌شود. با توجه به اینکه بخش عمده‌ای از عوامل مرتبط، متغیرهای قابل‌کنترل مربوط به سبک زندگی بودند، بهتر است اقدامات در حوزه آموزش عمومی و پیشگیری در جهت ارتقای شیوه زندگی سالم در سطح جامعه معطوف گردند.
کلیدواژه‌ها
پرفشاری خون
تحلیل رگرسیون
بیماری‌های قلبی- عروقی
دیابت
مدل‌های رگرسیونی
  1. Ahmadi A, Hasan Zadeh J, Rajaei Fard AR. Investigate effective risk factor in Kohrang city in 2007. Iran J Epidemiol. 2008; 4(2):19-26. [in Persian]
  2. 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. Health Syst Res. 2012; 8(2):192-203. [in Persian]
  3. Lee M, Entzminger L, Lohsoonthorn V, Williams MA. Risk factors of hypertension and correlates of blood pressure and mean arterial pressure among patients receiving health exams at the preventive medicine clinic, King Chulalongkorn Memorial Hospital, Thailand. J Med Assoc Thai. 2006; 89(8):1213-21.
  4. Haghdost AA, Sadeghirad B. Meta-analysis of hypertension in Iran. J Kerman Univ Med Sci. 2006; 13(2):64. [in Persian]
  5. Shaw JE, Sicree RA, Zimmet PZ. Global estimates of the prevalence of diabetes for 2010 and 2030. Diabetes Res Clin Pract. 2010; 87(1):4-14.
  6. Farvid M, Homayoni F, Amiri Z. Blood pressure lowering effects of micronutrients in type 2 diabetic patients. Iran J Endocrinol Metab. 2010; 12(1):7-15. [in Persian]
  7. Chaman R, Yunesian M, Hajimohamadi A, Taramsari MG. Investigating hypertension prevalence and some of its influential factors in an ethnically variant rural sample. Knowl Health. 2008; 3(4):39-42.
  8. Bonakdaran S, Taghavi M. Cardiovascular risk factors in type 2 diabetic patients in Mashhad city. Iran J Endocrinol Metab. 2010; 12(1):72-8. [in Persian]
  9. Zhang G, Patuwo BE, Hu MY. Forecasting with artificial neural networks: the state of the art. Int J Forecast. 1998; 14(1):35-62.
  10. Sedeghi M, Mehrabi Y, Kazemnejad A, Joharimajd V, Hadaegh F. Artificial neural network design for modeling of mixed bivariate outcomes in medical research data. Iran J Epidemiol. 2011; 6(4):28-39.
  11. Gauvreau K, Pagano M. The analysis of correlated binary outcomes using multivariate logistic regression. Biom J. 1997; 39(3):309-25.
  12. Fakhrzadeh H, Gaderpanahi M, Sharifi F, Badamchizadeh Z, Mierarefin M, Pourebrahim R, et al. Relation between physical activity and diabetes 2 risk in population age 24-64 in Tehran Iran. Iran J Diabetes Metab. 2010; 10(2):170-9. [in Persian]
  13. Hackett RA, Steptoe A. Psychosocial factors in diabetes and cardiovascular risk. Curr Cardiol Rep. 2016; 18(10):95.
  14. American Diabetes Association. Diagnosis and classification of diabetes mellitus. Diabetes Care. 2010; 33(Suppl 1):S62-9.
  15. Roman-Urrestarazu A, Ali FM, Reka H, Renwick MJ, Roman GD, Mossialos E. Structural equation model for estimating risk factors in type 2 diabetes mellitus in a Middle Eastern setting: evidence from the STEPS Qatar. BMJ Open Diabetes Res Care. 2016; 4(1):
    e000231.
  16. Shojaeizadeh D, Estebsari F, Aezam K, Batebi A, Mostafaei D. Comparison of diabetes type II patients life style effective factors with that of healthy people. SSU J. 2008; 16(2):71-9. [in Persian]
  17. Azizi A, Abasi MR, Abdoli GH. The prevalence of hypertension and its association with age, sex and BMI in a population being educated using community-based medicine in Kermanshah. Iran J Endocrinol Metab. 2008; 10(4):323-30. [in Persian]
  18. John U, Meyer C, Hanke M, Völzke H, Schumann A. Smoking status, obesity and hypertension in a general population sample: a cross-sectional study. J Assoc Phys. 2006; 99(6):407-15.
  19. Mohebbi H, Rahmaninia F, Sheikholeslami VD, Faraji H. The effects of the intensity and volume of resistance exercises on the post-exercise blood pressure, heart rate and rate pressure product. J Med Sci Islamic Azad Univ Mashhad. 2009; 5(1):27-34. [in Persian]
  20. Yousefi R, Ghayour Mobarhan M, Esmaily H, Saki A, Ferns GA, Tayefi M. Identifying factors associated with hypertension using structural equation modeling: a population-based study. Iran Rehabil J. 2018; 16(3):307-16.
  21. Navipour E, Esmaily H, Ghayour MM. Identify determinative factors of pre-diabetes by using logistic regression model in Mashhad. J Sabzevar Univ Med Sci. 2018; 25(2):619-28.
نوید نو
دوره 22، شماره 71
پاییز 1398
صفحه 30-40