Tekrarlı ölçüm verilerinde çok değişkenli çözümleme yöntemler kullanılarak en iyi modelin kestirimi

Abstract

Bilgi teknolojilerin gelişmesi ile birçok alanda olduğu gibi sağlık alanında da kompleks verilerin toplanması ve işlenmesi daha kolay ve hızlı yapılabilmektedir. Bu sayede her geçen gün daha fazla sağlık verisi toplanabilmekte ve toplanan bu veriler bilgisayar ortamında istatistiksel yöntemler ile analiz edilerek yeni bilgilere dönüştürülebilmektedir. Böylelikle istatistiğin klinik araştırmalarda kullanımı da hızla artmaktadır.Klinik çalışmalarda, tekrarlı ölçümler deneklerin kendi içindeki ve denekler arasındaki farklılıklarının ortaya konulması açısından önemli verilerdir. Tekrarlı ölçümler, aynı bireylerden farklı zaman noktalarında elde edilen ilişkili verilerdir ve analizlerinde çok değişkenli istatistik yöntemleri kullanılmaktadır. Bu verilerin analizlerinde en sık kullanılan yöntemler Genelleştirilmiş Tahmin Denklemi(GTD), Genelleştirilmiş Doğrusal Karma Etkili Modelidir (GDKM). GDKM, aynı deneğin tekrarlı ölçümleri arasındaki ilişkiyi modellerken GTD, tüm deneklerin tekrarlı ölçümleri arasında ilişkiyi tanımlayan bir yöntemdir. Tekrarlı veriler için kullanılan bir başka yöntem de İkinci Dereceden Sonuç Çıkarım Fonksiyonu (İDSÇF)? dur. İDSÇF, GTD? nin devamı olarak, boylamsal verilerin analizinde tahmin ve çıkarım için geliştirilmiş yeni bir yöntemdir.Bu çalışmada, Anestezi ve Reanimasyon kliniğinden alınan, cevap değişkeninin iki durumlu ve tekrarlı olduğu bir veri seti kullanılmıştır. İlk aşamada veri setine uygulanan yöntemlerin sonuçları, sonraki aşamada ise birbirlerine göre parametre tahminlerinin etkinlikleri incelenmiştir. Son olarak Bootstrap yöntemi ile elde edilen parametre tahminlerin doğruluğu araştırılmıştır.Kullanılan yöntemlerin bazı eksiklileri olmasına rağmen, tekrarlı ölçümlerin analizinde kullanılabilecek en uygun yöntemlerdir. Çalışma, bilindiği kadarıyla GTD, GDKM ve İDSÇF yöntemlerinin karşılaştırıldığı ilk çalışmadır ve bulgular incelendiğinde, GTD ve İDSÇF yöntemleri birbirine yakın sonuçlar, GDKM yöntemine göre ise daha etkili sonuçlar vermektedir. Bootstrap ise yöntemlerin parametre tahminlerinin oldukça tutarlı olduğunu göstermiştir.