fa به‏ کارگیری مدل مخاطره جمعی برای پیش ‏بینی زمان بقای بیماران مبتلا به لنفوم منتشر سلول‏های بزرگ B و تعیین ژن‏ های مؤثر بر آن با استفاده از داده‏ های ریزآرایه آسیب‌شناسی Pathology پژوهشي Original <p>زمینه: تحقیقات اخیر نشان داده است که بیان ژن&rlm;های مؤثر بر بقای بیماران سرطانی، نقش مهمی را به&rlm;عنوان عامل خطر یا عامل پیشگیری کننده بیماری بازی می&rlm;کنند. مطالعه حاضر برای تعیین ژن&rlm;های مؤثر بر بقای بیماران مبتلا به لنفوم منتشر سلول بزرگ B و پیش&rlm;بینی زمان بقای آن&rlm;ها با استفاده از این ژن&rlm;ها طراحی شده است. مواد و روش‌ها: مطالعه حاضر یک مطالعه مقطعی بوده که بر روی 40 بیمار مبتلا به لنفوم منتشر سلول B انجام شده است. برای این بیماران 2042 بیان ژن اندازه&rlm;گیری شده است، به&rlm;منظور پیش&rlm;بینی زمان بقای بیماران، ترکیب مدل بقای نیمه&rlm;پارامتری جمعی با دو روش انتخاب ژن الستیک نت و لاسو به&rlm;کار رفته است. مقایسه&rlm;ی روش&rlm;های ذکر شده با رسم سطح زیر منحنی مشخصه عملکرد و محاسبه میانه آن منحنی انجام گرفت. یافته‌ها: براساس یافته&rlm;های این مطالعه ده ژن مؤثر به&rlm;وسیله روش الستیک نت- جمعی انتخاب شده است و روش لاسو- جمعی هفت ژن انتخاب کرده است. ژن&rlm; GENE3325X زمان بقای بیماران را افزایش می&rlm;دهد (006/0=P) و ژن&rlm;های GENE3980X و GENE377X زمان بقای بیماران را کاهش می&rlm;دهند (004/0=P). این سه ژن به&rlm;عنوان مهم‌ترین ژن&rlm;ها&rlm; در هر دو روش انتخاب شده است. نتیجه‌گیری: مطالعه حاضر نشان داد که روش الستیک نت کارائی بهتری از روش رایج لاسو در تعیین ژن&rlm;های مؤثر بر زمان بقای بیماران دارد. علاوه‌بر این مشاهده شد که به&rlm;کار بردن مدل بقای جمعی به جای مدل رایج کاکس و استفاده از داده&rlm;های ریزآرایه راهکاری مفید و قابل استفاده برای پیش&rlm;بینی زمان بقای بیماران مبتلا به سرطان است.</p> <p>Background: Recent studies have shown that effective genes on survival time of cancer patients play an important role as a risk factor or preventive factor. Present study was designed to determine effective genes on survival time for diffuse large B-cell lymphoma patients and predict the survival time using these selected genes. Materials & Methods: Present study is a cohort study was conducted on 40 patients with diffuse large B-cell lymphoma. For these patients, 2042 gene expression was measured. In order to predict the survival time, the composition of the semi-parametric additive survival model with two gene selection methods elastic net and lasso were used. Two methods were evaluated by plotting area under the ROC curve over time and calculating the integral of this curve. Results: Based on our findings, the elastic net method identified 10 genes, and Lasso-Cox method identified 7 genes. GENE3325X increased the survival time (P=0.006), Whereas GENE3980X and GENE377X reduced the survival time (P=0.004). These three genes were selected as important genes in both methods. Conclusion: This study showed that the elastic net method outperformed the common Lasso method in terms of predictive power. Moreover, apply the additive model instead Cox regression and using microarray data is usable way for predict the survival time of patients.</p> سرطان لنفوم, آنالیز بقا, انتخاب ژن, الستیک نت, لاسو Lymphoma, Survival analysis, Variable selection, Elastic net, Lasso 711 719 http://ismj.bpums.ac.ir/browse.php?a_code=A-10-3-622&slc_lang=fa&sid=1 Arefa Jafarzadeh Kohneloo عارفه جعفرزاده کهنه ‏لو 570031947532846008424 570031947532846008424 No Department of Biostatistics & Epidemiology, School of Public Health, Hamadan University of Medical Sciences, Iran گروه آمار زیستی و اپیدمیولوژی، دانشکده بهداشت، دانشگاه علوم پزشکی همدان، ایران Ali reza Soltanian علیرضا سلطانیان 570031947532846008425 570031947532846008425 No Research Center for Modeling of Non-communicable Diseases and Department of Biostatistics & Epidemiology, School of Public Health, Hamadan University of Medical Sciences, Iran مرکز تحقیقات مدلسازی بیماری‏های غیرواگیر و گروه آمار زیستی و اپیدمیولوژی، دانشکده بهداشت، دانشگاه علوم پزشکی همدان، ایران Jalal Poorolajal جلال پورالعجل 570031947532846008426 570031947532846008426 No Research Center for Modeling of Non-communicable Diseases and Department of Biostatistics & Epidemiology, School of Public Health, Hamadan University of Medical Sciences, Iran مرکز تحقیقات مدلسازی بیماری‏های غیرواگیر و گروه آمار زیستی و اپیدمیولوژی، دانشکده بهداشت، دانشگاه علوم پزشکی همدان، ایران Hosean Mahjub حسین محجوب mahjub@umsha.ac.ir 570031947532846008427 570031947532846008427 Yes Research Center for Health Sciences and Department of Biostatistics & Epidemiology, School of Public Health, Hamadan University of Medical Sciences, Iran مرکز تحقیقات علوم بهداشتی و گروه آمار زیستی و اپیدمیولوژی، دانشکده بهداشت، دانشگاه علوم پزشکی همدان، ایران