Прогностична модель логістичної регресії для оцінки показань до лікувальної імплантації при пролабуванні шлунку в стравохід або кардіальну ділянку шлунку

Автор(и)

  • Олександр Галушко Київський національний університет імені Тараса Шевченка

DOI:

https://doi.org/10.17721/1812-5409.2025/2.4

Ключові слова:

логістична регресія; прогностична модель; медична імплантація; пролабування шлунку; ендоскопічні предиктори; клінічне рішення

Анотація

Побудовано прогностичну модель на основі логістичної регресії для оцінювання показань до лікувальної імплантації у пацієнтів із пролабуванням шлунка у стравохід або кардіальну ділянку шлунка на основі даних 558 пацієнтів ендоскопічного відділення Кіровоградської обласної лікарні з клінічними симптомами й ендоскопічними характеристиками. Модель ураховує дев'ять предикторів: скарги на печію, регургітацію, тиск за грудиною, осиплість голосу, наявність дефектів слизової за Лос-Анджелівською класифікацією, висоту пролабування шлунка у стравохід або кардіальну ділянку шлунка, положення Z-лінії та наявність ерозій і виразок, укритих гематином. Під час побудови логістичної регресійної моделі особливу увагу приділено медичній інтерпретації отриманих коефіцієнтів, стандартних помилок, статистик Вальда, матриць варіацій, відношень шансів та іншим показникам моделі. Це дало змогу не лише оцінити статистичну значущість предикторів, а й зрозуміти їхнє клінічне значення у прогнозуванні можливості імплантації в конкретного пацієнта. Для аналізу залежностей між предикторами були використані таблиці спряженості та коефіцієнти Крамера, що допомогло виявити слабкі й помірні зв'язки між симптомами та зробити висновок про невилучення всіх предикторів з моделі. Для оцінювання пояснювальної здатності моделі використано коефіцієнти детермінації Кокса та Снелла, модифікований коефіцієнт детермінації Нейджелкера, тест Хосмера – Лемешова та класифікаційну таблицю за моделлю. Результати демонструють високу прогностичну здатність моделі (точність 98,6 %) і підтверджують клінічну значущість навіть рідкісних симптомів.

Посилання

Bernard, A., Cottenet, J., Pages, P. B., & Quantin, C. (2024). Is the Validity of Logistic Regression Models Developed with a National Hospital Database Inferior to Models Developed from Clinical Databases to Analyze Surgical Lung Cancers? Cancers, 16(4), 734. https://doi.org/10.3390/cancers16040734

Cox, D. R., & Snell, E. J. (1989). Analysis of binary data (2nd ed.). Chapman and Hall/CRC.

Greenland, S., Mansournia, M. A., & Altman, D. G. (2016). Sparse data bias: A problem hiding in plain sight. BMJ, 352, i1981. https://doi.org/10.1136/bmj.i1981

Hosmer, D. W., Lemeshow, S., & Sturdivant, R. X. (2013). Applied logistic regression (3rd ed.). Wiley.

Hua, Y., Stead, T. S., George, A., & Ganti, L. (2025). Clinical risk prediction with logistic regression: Best practices, validation techniques, and applications in medical research. Academic Medicine & Surgery. https://doi.org/10.62186/001c.131964

Lawenko, R. M. A., & Lee, Y. Y. (2016). Evaluation of gastroesophageal reflux disease using the Bravo capsule pH system. Journal of Neurogastroenterology and Motility, 22(1), 25–30. https://doi.org/10.5056/jnm15130

Li, J. N., Liu, C. L., & Tao, X. H. (2013). Clinical utility and tolerability of JSPH-1 wireless esophageal pH monitoring system. BMC Gastroenterology, 13(10). https://doi.org/10.1186/1471-230X-13-10

Matsui, S., Le-Rademacher, J., & Mandrekar, S. J. (2021). Statistical models in clinical studies. Journal of Thoracic Oncology, 16(5), 734–739. https://doi.org/10.1016/j.jtho.2021.02.021

Nguyen, M. (2020). A guide on data analysis. Bookdown. https://bookdown.org/mike/data_analysis/

Schober, P., & Vetter, T. R. (2021). Logistic regression in medical research. Anesthesia & Analgesia, 132(2), 365–366. https://doi.org/10.1213/ANE.0000000000005247

Sheskin, D. J. (2000). Handbook of parametric and nonparametric statistical procedures (2nd ed.). Chapman & Hall/CRC. https://dl.icdst.org/pdfs/files3/22a131fac452ed75639ed5b0680761ac.pdf

Van den Berg, R. G. (2017). Cramér's V – What and why? SPSS Tutorials. https://www.spss-tutorials.com/cramers-v-what-and-why/

Verma, V., & Sinha, B. (2025). Logistic regression-based detection of Parkinson's disease. Preprints. https://doi.org/10.20944/preprints202502.0239.v1

Завантаження

Опубліковано

23.12.2025

Номер

Розділ

Алгебра, геометрія та теорія ймовірностей

Як цитувати

Галушко, О. . (2025). Прогностична модель логістичної регресії для оцінки показань до лікувальної імплантації при пролабуванні шлунку в стравохід або кардіальну ділянку шлунку. Вісник Київського національного університету імені Тараса Шевченка. Фізико-математичні науки, 81(2), 31-35. https://doi.org/10.17721/1812-5409.2025/2.4