Прогностична модель логістичної регресії для оцінки показань до лікувальної імплантації при пролабуванні шлунку в стравохід або кардіальну ділянку шлунку
DOI:
https://doi.org/10.17721/1812-5409.2025/2.4Ключові слова:
логістична регресія; прогностична модель; медична імплантація; пролабування шлунку; ендоскопічні предиктори; клінічне рішенняАнотація
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
Номер
Розділ
Ліцензія
Авторське право (c) 2025 Oleksandr Halushko

Ця робота ліцензується відповідно до ліцензії Creative Commons Attribution 4.0 International License.
Автори, роботи яких публікуються у цьому журналі, погоджуються з такими умовами:
- Автори зберігають авторські права та надають журналу право на першу публікацію роботи, яка одночасно ліцензується згідно із Creative Commons Attribution License, тобто надається дозвіл іншим ділитися роботою з визнанням авторства роботи та першої публікації в цьому журналі.
- Автори можуть укладати окремі додаткові угоди щодо невиключного розповсюдження опублікованої журналом версії роботи (наприклад, розмістити її у репозитарії наукової установи чи опублікувати у книзі) з підтвердженням її початкової публікації у цьому журналі.
- Дозволяється та заохочується розміщення своїх робіт в мережі Інтернет авторами (наприклад, у репозитаріях наукових установ або на особистих веб-сторінках) до та під час процесу подання, оскільки це може призвести до продуктивного обміну, а також до більш ранніх цитувань опублікованої роботи та їх більшої кількості (див. The Effect of Open Access).
