Journal of Ilam University of Medical Sciences

fa کاربرد رگرسیون جمعی مفصل دومتغیره در تعیین عوامل مؤثر بر آنزیم‌‌های کبدی ALT و AST Application of Bivariate Capula Additive Regression in Determining Factors Affecting ALT and AST Liver Enzymes آمار زیستی biostatistics پژوهشي Research مقدمه: معمولاً هنگامی‌که توزیع متغیر وابسته از خاصیت نرمال بودن پیروی نمی‌‌کند، می‌‌توان از نوع رگرسیون ناپارامتری استفاده کرد. در این مطالعه هم با توجه به ویژگی متغیرها، از الگوی رگرسیون مفصل دومتغیره برای تشخیص عوامل تأثیرگذار بر آنزیم‌‌های کبدی ALT و AST و همچنین برای ارتباط هر دو آنزیم استفاده‌شده است. این نوع رگرسیون هنگامی مناسب است که متغیرهای پاسخ، چولگی و وابستگی نسبتاً بالایی باهم داشته باشند. مواد و روش ها: در این مطالعۀ مقطعی، نمونه‌‌ای به حجم 2000 نفر از افراد شرکت‌کننده در مطالعۀ هم‌گروهی شهرکرد به‌تصادف انتخاب شد. برای رسیدن به الگوی رگرسیون مفصل، توزیع حاشیه‌‌ای گوسین معکوس و تابع مفصل گامبل با توجه به معیار آکائیک انتخاب گردید و از پکیج‌‌های آماری Gamlss،Copula ،Ggrm  در نرم‌افزار R استفاده شد. یافته‌ها: با توجه به یافته‌‌ها، برخی از متغیرها از طریق مؤلفه‌های توزیع‌‌ حاشیه‌‌ای و تابع مفصل بر غلظت آنزیم‌‌های ALT و AST به‌عنوان عوامل مؤثر شناسایی گردیدند. متغیرهای اورۀ خون، تری‌گلیسرید، GGT، ALP و BMI تأثیر غیرخطی و معنا‌‌داری بر میانگین غلظت آنزیم ALT داشتند. متغیرهای BMI، GGT، ALP، LDL و HDL به‌صورت غیرخطی و همچنین اورۀ خون به‌صورت خطی، بر میانگین غلظت آنزیم AST به‌طور معنی‌‌دار مؤثر بودند. درنهایت، متغیرهای BMI، تری‌گلیسرید، GGT و ALP بر ارتباط میان سطح غلظت آنزیم‌‌های کبدی ALT و AST تأثیر می‌‌گذارند. بحث و نتیجه‌گیری: پا استفاده از این الگو می‌‌توان علاوه بر شناسایی برخی عوامل مؤثر، به تشخیص روابط خطی و غیرخطی میان‌‌ متغیرهای مستقل با وابسته پی برد. Introduction: Nonparametric regression can usually be used when the distribution of the dependent variable does not follow the property of normality. In this study, due to the nature of the variables, a bivariate Capula regression model was used to identify the factors affecting the liver enzymes (ALT and AST) and the relationship between these enzymes. This type of regression is suitable when the response variables have a relatively high degree of skewness and interdependence. Material & Methods: In this cross-sectional study, a sample of 2000 participants in the Shahrekord cohort study were randomly selected. To achieve the Capula regression model, the inverse Gaussian margin distribution and the Gumble joint function were selected according to the Akaike criterion. Gamlss, Copula, and Ggrm statistical packages were used in the R software. (Ethic code: 3316) Findings: According to the findings, some variables were identified as effective factors on the concentration of ALT and AST enzymes through marginal distribution parameters and Capula function. Blood urea, triglyceride, GGT, ALP, and BMI had a nonlinear and significant effect on the mean concentration of the ALT enzyme. The BMI, GGT, ALP, LDL, and HDL (nonlinearly), as well as blood urea (linearly), had a significant effect on the mean concentration of AST enzyme. Finally, the variables of BMI, triglycerides, GGT, and ALP affect the relationship between the concentration levels of the liver enzymes (ALT and AST). Discussion & Conclusion: Using this model, in addition to identifying the effective factors, it is possible to distinguish between linear and nonlinear relationships between independent and dependent variables.   رگرسیون مفصل, تابع مفصل, آنزیم‌‌های کبدی ALT و AST ALT and AST liver enzymes, Copula function, Copula regression 69 80 http://sjimu.medilam.ac.ir/browse.php?a_code=A-10-6557-2&slc_lang=fa&sid=1 Farhad Mohammadi فرهاد محمدی farhad.m1993@yahoo.com 9600319475328460045049 0000000344169134 No Dept of Epidemiology and Biostatistics, Faculty of Health, Modeling in Health Research Center, Shahrekord University of Medical Sciences, Shahrekord, Iran 1 گروه اپیدمیولوژی و آمار زیستی، دانشکده بهداشت، مرکز تحقیقات مدل‌‌سازی در سلامت، دانشگاه علوم پزشکی شهرکرد، شهرکرد، ایران Morteza Sedahi مرتضی سدهی sedehi56@gmail.com 9600319475328460045050 0000000344031709 Yes Dept of Epidemiology and Biostatistics, Faculty of Health, Modeling in Health Research Center, Shahrekord University of Medical Sciences, Shahrekord, Iran 1 گروه اپیدمیولوژی و آمار زیستی، دانشکده بهداشت، مرکز تحقیقات مدل‌‌سازی در سلامت، دانشگاه علوم پزشکی شهرکرد، شهرکرد، ایران Soleiman Kheiri سلیمان خیری kheiri.soleiman@gmail.com 9600319475328460045051 9600319475328460045051 No Dept of Epidemiology and Biostatistics, Faculty of Health, Modeling in Health Research Center, Shahrekord University of Medical Sciences, Shahrekord, Iran گروه اپیدمیولوژی و آمار زیستی، دانشکده بهداشت، مرکز تحقیقات مدل‌‌سازی در سلامت، دانشگاه علوم پزشکی شهرکرد، شهرکرد، ایران Ali Ahmadi علی احمدی aliahmadi2007@gmail.com 9600319475328460045052 9600319475328460045052 No Dept of Epidemiology and Biostatistics, Faculty of Health, Modeling in Health Research Center, Shahrekord University of Medical Sciences, Shahrekord, Iran 1 گروه اپیدمیولوژی و آمار زیستی، دانشکده بهداشت، مرکز تحقیقات مدل‌‌سازی در سلامت، دانشگاه علوم پزشکی شهرکرد، شهرکرد، ایران Mehdi Omidi مهدی امیدی m.omidi@ilam.ac.ir 9600319475328460045053 9600319475328460045053 No Dept of Mathematics, Faculty of Sciences, Ilam University, Ilam, Iran گروه ریاضی، دانشکده علوم پایه، دانشگاه ایلام، ایلام، ایران