fa استفاده از مدل چندجمله‌ای کسری در تعیین عوامل مرتبط با بقای بیماران مبتلا به سرطان معده عمومى General پژوهشي Research <b>مقدمه و هدف:</b> یکی از روش‌های آماری تحلیل داده‌های بقا، مدل رگرسیونی کاکس است. استفاده از تکنیک‌های هموارسازی در مدل کاکس باعث برآورد دقیق‌تر برای پارامترها می‌شود. یکی از تکنیک‌های هموارسازی در مدل کاکس استفاده از مدل چندجمله‌ای کسری است. این مطالعه به منظور تحلیل عوامل مرتبط با بقای بیماران مبتلا به سرطان معده، با استفاده از دو مدل خطرات متناسب کاکس و چند‌جمله‌ای کسری در مدل کاکس انجام شده‌است. <b>روش کار: </b>در یک مطالعه گذشته‌نگر طی سال‌های 1382 تا 1387، 216 بیمار مراجعه‌کننده با تشخیص قطعی سرطان معده که در بخش سرطان بیمارستان طالقانی تهران تحت عمل جراحی قرار گرفتند، بررسی شدند. در این مطالعه به‌ منظور تحلیل عوامل مرتبط با بقای این بیماران، مدل‌های چندجمله‌ای کسری در کاکس و خطرات متناسب کاکس برازش و نتایج و کارآیی آن‌ها توسط ملاک آکاییکه با یکدیگر مقایسه شدند. <br> <b>نتایج:</b> نتایج حاصل از تحلیل مدل خطرات متناسب کاکس و چندجمله‌ای کسری نشان داد که سن هنگام تشخیص و اندازه تومور با طول عمر بیماران ارتباطی معنی‌دار داشتند (P<0/05) و ملاک آکاییکه در هر دو مدل برابر بود. <br> <b>نتیجه‌گیری:</b> در مطالعه حاضر، کارآیی دو مدل‌ خطرات متناسب کاکس و چندجمله‌ای کسری یکسان شد. در نتیجه با این‌ که استفاده از روش‌های هموارسازی برای از بین بردن آثار غیرخطی متغیرهای کمکی تأثیرگذار است، ولی مدل خطرات متناسب کاکس به دلیل راحتی تفسیر نتایج در داده‌های پزشکی و محدود نبودن در استفاده از انواع متغیرهای کمکی، مناسب‌تر است. <b>Background & Objectives:</b> Cox regression model is one of the statistical methods in survival analysis. The use of smoothing techniques in Cox model makes the more accurate estimates for the parameters. Fractional polynomial is one of these techniques in Cox model. The aim of this study was to assess the effects of prognostic factors on survival of patients with gastric cancer using the fractional polynomial in Cox model and Cox proportional hazards. <br><b>Methods:</b> Information of total of 216 patients with gastric cancer who underwent surgery in the gastroenterology ward of Taleghani Hospital in Tehran between 2003 and 2008 were included in this retrospective study. In this research, fractional polynomial in Cox model and Cox proportional hazards model were utilized for determining the effects of prognostic factors on patients’ survival time with gastric cancer. The SPSS version 18.0 and R version 2.14.1 were used for data analysis. These models were compared with Akaike information criterion.<br><b> Results:</b> The analysis of Cox proportional hazards and fractional polynomial models resulted in age at diagnosis and tumor size as prognostic factors on survival time of patients with gastric cancer independently (P<0.05). Also, Akaike information criterion was equal in both models. <br><b>Conclusion: </b>In the present study, the Cox proportional hazards and fractional polynomial models led to similar results with equal Akaike information criterions. Using of smoothing methods helped us eliminate non-linear effects but it seemed more appropriate to use Cox proportional hazards model in medical data because of its’ ease of interpretation and capability of modeling in both continuous and discrete covariates. مدل خطرات متناسب کاکس, هموارسازی, مدل چندجمله‌ای کسری, سرطان معده Cox proportional hazards model, Smoothing, Fractional polynomial model, Gastric cancer 50 58 http://irje.tums.ac.ir/browse.php?a_code=A-10-25-5030&slc_lang=fa&sid=1 H Noorkojuri هدی نور کجوری No Department of Biostatistics, Tarbiat Modares University, Tehran, Iran دانشجوی کارشناسی ارشد آمار زیستی، دانشکده علوم پزشکی، دانشگاه تربیت مدرس E Hajizadeh ابراهیم حاجی زاده hajizadeh@modares.ac.ir Yes Department of Biostatistics, Tarbiat Modares University, Tehran, Iran دانشیار، گروه آمار زیستی، دانشکده علوم پزشکی، دانشگاه تربیت مدرس AR Baghestani احمد رضا باغستانی No Department of Biostatistics, Faculty of Paramedical Sciences, Shahid Beheshti University of Medical Sciences, Tehran, Iran استادیار گروه آمار زیستی، دانشکده پیراپزشکی، دانشگاه علوم پزشکی شهید بهشتی MA Pourhoseingholi محمد‌امین پورحسینقلی No Department of Biostatistics, Gastroenterology and Liver Diseases Research Center, Shahid Beheshti University of Medical Sciences, Tehran, Iran استادیار، گروه آمار زیستی، مرکز تحقیقات بیماری‌های گوارش و کبد، دانشگاه علوم پزشکی شهید بهشتی