fa تعیین عوامل موثر بر شدت پره اکلامپسی، کاربرد روش درخت طبقه بندی و رگرسیون عمومى General تحقيقي Original Articles زمینه و هدف: شناسایی و پیش بینی موارد پره اکلامپسی شدید با توجه به وخامت پی آمدهای مادری و نوزادی اهمیت زیادی دارد. در این مطالعه نقش برخی عوامل زمینه ای و مراقبتی همراه با پره اکلامپسی شدید با استفاده از مدل طبقه بندی درختی و رگرسیونی مورد ارزیابی قرار گرفت.روش بررسی: این مطالعه روی 1643 زن باردار در 4 بیمارستان منتخب کشور که مبتلا به یکی از شکایت های 53 گانه مرتبط با بارداری در نیمه اول سال 1384 بودند، انجام شد. متغیرهای مرتبط با وضعیت اجتماعی اقتصادی، تاریخچه باروری، سابقه بیماری های زمینه ای، بهره مندی از مراقبت های دوران بارداری، آگاهی از علایم خطر دوران بارداری و تعداد مراقبت ها، ابتلا به برخی مشکلات در بارداری- های قبلی و فعلی و شاخص توده بدنی قبل از بارداری به عنوان متغیرهای پیش بینی کننده و شدت پره اکلامپسی به صورت یک متغیر دو وضعیتی به عنوان متغیر وابسته وارد مدل تجزیه و تحلیل گردیدند. پیش بینی پیامد با استفاده از یک روش ناپارامتری به نام طبقه بندی درختی و رگرسیونی انجام گردید. نتایج تجزیه و تحلیل این مدل با روش رگرسیون لجستیک مقایسه گردید.یافته ها: فراوانی پره اکلامپسی در کل مراجعین 5.2 درصد بود. در مدل 1 متغیرهای ابتلا به سردرد مکرر و درد اپیگاستر در دوران بارداری، تعداد حاملگی های قبلی و میزان بهره مندی از مراقبت های دوران بارداری، پیش بینی کننده در شناسایی موارد پره اکلامپسی شدید بود. در مدل 2 فقط ابتلا مکرر به سردرد و تعداد حاملگی قبلی نقش پیش بینی کننده برای این پیامد وخیم بارداری را داشت. حساسیت در مدل 1 و 2 به ترتیب 47.8 درصد و 39.1 درصد و ویژگی در دو مدل به ترتیب 96.8 درصد و 93.6 درصد بود. در تحلیل رگرسیون لجستیک فقط متغیر ابتلا به سردرد در دوران بارداری با پره اکلامپسی شدید رابطه داشت (نسبت برتری 2.5، فاصله اطمینان 95 درصد 5-1.3).نتیجه گیری: این مطالعه نشان داد که با استفاده از متغیرهای قابل سنجش در دوران بارداری، قادر به پیش بینی پیامد پرخطر پره اکلامپسی شدید می باشد. با توجه به تفسیر ساده مدل های درختی و کاربرد آن در تصمیم گیری بالینی، می توان از آنها در سطوح مختلف نظام ارایه خدمات بهداشتی و درمانی استفاده نمود. Background & Objective: Despite advances in medical sciences, preeclampsia and eclampsia are still among chief causes of maternal mortality worldwide. In this study, we used classification and regression trees to investigate the role of certain inherent and maternity care factors in severe preeclampsia. Materials & Methods: This study was done on 1643 pregnant women admitted at 4 hospitals in Iran with one of the 53 maternity complaints were enrolled in this study during 2005. Variables of socioeconomic status, history of pregnancy and diseases, health care visits numbers awareness of warning signs, and the body mass index before pregnancy were recorded in the analysis model as predictors, and preeclampsia severity was entered as the dependent variable. A non-parametric method, known as the classification and regression tree was used to predict the studied consequence. Model validation was done using subsets of the study sample. The results were compared with logistic regression analysis. Results: The incidence of preeclampsia among the studied patients was 5.2%. In model 1, variables of frequent headaches and epigastric pain during pregnancy, the number of previous pregnancies, and the amount of maternal care received were predictive of severe preeclampsia. In model 2, only frequent headaches and the number of previous pregnancies were found predictive. Sensitivity for model 1 and 2 was 47.8% and 39.1%, respectively, and specificity was 96.8% and 93.6%, respectively. In logistic regression analysis, only frequent headache was related to severe preeclampsia (OR=2.5, CI 95%: 1.3-5.0). Conclusion: This study showed that using of variables that can be measured during maternity care visits to predict severe preeclampsia. Regarding the simple interpretation of tree models and their application in clinical decision making, which can be used in different levels of the health care system. پره اکلامپسی شدید, پیش بینی, روش درخت طبقه بندی و رگرسیونی, اعتباربخشی Severe preeclampsia, Prediction, Classification and Regression tree, Validation 47 54 http://goums.ac.ir/journal/browse.php?a_code=A-10-1-62&slc_lang=fa&sid=1 AA.Keshtkar (PhD) عباسعلی کشتکار 5900319475328460048280 5900319475328460048280 Yes SR.Majdzade (PhD) سیدرضا مجدزاده 5900319475328460048281 5900319475328460048281 No K.Mohammad (PhD) کاظم محمد 5900319475328460048282 5900319475328460048282 No F.Ramezanzade (MD) فاطمه رمضان زاده 5900319475328460048283 5900319475328460048283 No S.Borna (MD) صدیقه برنا 5900319475328460048284 5900319475328460048284 No A.Azemikhah (MD, MPH) آرش عازمی خواه 5900319475328460048285 5900319475328460048285 No F.Hosaini (BSc) فاطمه حسینی 5900319475328460048286 5900319475328460048286 No