Journal of Health System Research

fa کاربرد رگرسیون مؤلفه اصلی در مدل‌بندی عوامل مرتبط بر مرگ و میر ناشی از بیماری کووید 19 در پیک هفتم پاندمی The Application of Principal Component Regression in Modeling the Factors Associated with Mortality from COVID-19 during the Seventh Peak of the Pandemic آمار زیستی و اپیدمیولوژی Biostatistics and Epidemiology پژوهشي Research <div style="text-align: justify;">مقدمه: پیک هفتم بیماری کرونا نشان‌ دهنده جدیدترین موج همه‌گیری کووید 19 در ایران می‌باشد که به طور عمده توسط زیرشاخه‌های امیکرون مشخص می‌شود. با توجه به تأثیر متقابل عوامل مرتبط در مرگ و میر ناشی از کووید 19، استفاده از یک تکنیک آماری پیشرفته مانند رگرسیون لجستیک مؤلفه اصلی، امکان طبقه‌بندی و ارزیابی این متغیرها را فراهم می‌کند و در عین حال، دقت پیش‌بینی را بهبود می‌بخشد و مسایلی مانند چند خطی بودن که اغلب در رگرسیون سنتی وجود دارد را کاهش می‌دهد. روش‌ها: در این مطالعه مقطعی، داده‌های 8994 بیمار از سامانه پایش داده‌های مراقبت‌های درمانی بیمارستان‌های وابسته به دانشگاه علوم پزشکی مشهد در بازه زمانی تیر تا شهریور سال 1401 استخراج گردید. جهت شناسایی مهم‌ترین عوامل مرتبط بر مرگ بیماران، از رگرسیون لجستیک مؤلفه اصلی استفاده شد. داده‌ها در نرم‌افزار SPSS و سطح معنی‌داری 05/0 مورد تجزیه و تحلیل قرار گرفت. یافته‌ها: میانگین سنی شرکت‌کنندگان، 30/28 ± 87/50 سال بود. ارتباط معنی‌داری بین چندین متغیر از جمله مصرف مواد مخدر، تست کووید 19، وجود تب بالا، دیسترس تنفسی، کاهش سطح هوشیاری، علایم گوارشی، اینتوباسیون، میزان PO2، بیماری مزمن خون، سابقه پرفشاری خون، سرطان و دیابت با مرگ بیماران به دست آمد (05/0 > P). در مدل رگرسیونی، مؤلفه‌های فاکتورهای تنفسی و زمینه‌ای به ترتیب 62 و 15 درصد با فواصل اطمینان 86/1-41/1 و 30/1-01/1 و مؤلفه‌های اینتوباسیون و درجه حرارت، شانس مرگ و میر را 47/2 برابر با فاصله اطمینان 89/2-10/2 افزایش داد (05/0 > P). نتیجه‌گیری: شناسایی عوامل خطر برای ارایه دهندگان مراقبت‌های بهداشتی ضروری است تا زیرجمعیت‌های بیماران آسیب‌پذیر را شناسایی نمایند، کیفیت مراقبت را افزایش دهند، مداخلات درمانی را اولویت‌بندی کنند و منابع را به طور مؤثر تخصیص دهند.</div> <div style="text-align: justify;">Background: The seventh peak represented the latest surge of the coronavirus disease 2019 (COVID-19) pandemic in Iran, predominantly characterized by Omicron subvariants. Due to the complex interplay of various factors contributing to COVID-19 mortality, employing an advanced statistical technique such as principal component regression (PCR) allows for the categorization and evaluation of these variables while improving predictive accuracy and mitigating issues such as multicollinearity often encountered with traditional regression methods. Methods: In this cross-sectional study, data from 8994 patients were extracted from the Medical Care Monitoring Center (MCMC) of hospitals affiliated with Mashhad University of Medical Sciences, Mashhad, Iran, covering the period from July to September 2022. Principal component logistic regression was employed to identify significant factors associated with patient mortality. Data analysis was done using SPSS software at a significance level of 0.05. Findings: The mean age of participants was 50.87 ± 28.30 years. Statistically significant associations were found between several variables including drug use, COVID-19 test results, high fever, respiratory distress, decreased level of consciousness, gastrointestinal symptoms, intubation status, oxygen saturation (PO2) levels, chronic blood diseases, and histories of hypertension (HTN), cancer, and diabetes with patient mortality (P < 0.05). In the regression model, the components of respiratory factors and underlying factors increased the chance of death by 62% and 15%, respectively, with confidence intervals (CIs) of 1.41-1.86 and 1.01-1.30, respectively. Besides, the components of intubation and temperature increased the chance of death by 2.47 times with a CI of 2.10-2.89 (P < 0.05). Conclusion: Identifying risk factors is essential for healthcare providers to recognize vulnerable patient subpopulations, enhance the quality of care, prioritize treatment interventions, and effectively allocate resources.</div> کووید 19, آنالیز رگرسیون, عوامل خطر, مرگ و میر, ایران COVID-19, Regression analysis, Risk factors, Mortality, Iran 216 224 http://hsr.mui.ac.ir/browse.php?a_code=A-10-783-1&slc_lang=fa&sid=1 Farideh Khosravi فریده خسروی khosravif4001@mums.ac.ir 0000-0002-9599-0451 No PhD Student, Student Research Committee AND School of Health, Mashhad University of Medical Sciences, Mashhad, Iran دانشجوی دکتری تخصصی، کمیته تحقیقات دانشجویی و دانشکده بهداشت، دانشگاه علوم پزشکی مشهد، مشهد، ایران Maryam Salari مریم سالاری salariMR@mums.ac.ir No Assistant Professor, Department of Biostatistics, School of Health, Mashhad University of Medical Sciences, Mashhad, Iran استادیار، گروه آمار زیستی، دانشکده بهداشت، دانشگاه علوم پزشکی مشهد، مشهد، ایران Jamshid Jamali جمشید جمالی JamaliJ@mums.ac.ir 0000-0002-9681-8231 Yes Associate Professor, Social Determinants of Health Research Center, Mashhad University of Medical Sciences, Mashhad, Iran دانشیار، مرکز تحقیقات عوامل اجتماعی سلامت، دانشگاه علوم پزشکی مشهد، مشهد، ایران