دانلود مقالات ISI درباره آنالیز بقاء + ترجمه فارسی
Survival Analysis
آشنایی با موضوع
آنالیز بقاء یا تحلیل ماندگاری یا تجزیه بقاء یا تحلیل بقاء یکی از مباحث علم آمار است که در رشتههای مختلفی از جمله علوم کامپیوتر، اپیدومیولوژی و کشاورزی کاربرد دارد. تحلیل بقا به مجموعهای از روشهای آماری تحلیل داده گفتهمیشود که در آنها متغیر مطلوب زمان وقوع یک پدیده است. این موضوع در علوم مهندسی نظریه قابلیت اطمینان نامیده میشود.
ویژگی خاص تحلیل بقاء این است که با دادههای سانسور شده وفق داشته و از این رو از اطلاعات دامهای که در زمان ارزیابی هنوز زنده هستند استفاده مینماید. تحلیل بقاء، به عنوان یک روش آماری که اساساً برای تحقیقات زیستی و مهندسی یافته میتواند در آنالیز دادههای طول عمر مورد استفاده قرار گیرد. این روش آماری اطلاعات حاصل از دامهای حذف شده (سانسور نشده) و حذف نشده (سانسور شده) را با یکدیگر ترکیب نموده و تحلیل آماری دادههای سانسور شده را امکانپذیر ساخته و از سویی دیگر خصوصیت غیر خطی دادههای طول عمر را نیز مورد توجه قرار میدهد.
مثالهایی از تحلیل بقا
تخمین مدت زمانی که یک بیمار در بیمارستان باید بماند.
تخمین مدت زمانی که طول میکشد تا یک گروه از افراد برای اولین بار به یک بیماری مبتلا شوند.
تخمین مدت زمانی که یک بیمار زنده میماند.
تخمین مدت زمانی که متخلفی که به قید ضمانت آزاد شدهاست دوباره خلاف کند و دستگیر شود.
تحلیل بقا، مجموعه ای از تکنیکهای آماری متنوع، جهت تحلیل متغیرهای تصادفی است که دارای مقادیر نامنفی می باشند. نوعا مقدار این متغیر تصادفی، زمان شکست یک مولفه فیزیکی و یا زمان مرگ یک واحد بیولوژیک می باشد. در تحلیل داده های بقا مسئله اصلی یافتن مدل مناسبی برای همبستگی زمان بقا با متغیرهای عوامل مختلف می باشد. اگر داده ها دارای موارد ناتمام نباشد می توان این ارتباط را بوسیله رگرسیون چندگانه بیان نمود. البته بعلت وجود چولگی بایستی در انجام این روش از تبدیل لگاریتم و یا تکنیک معکوس تابع و بسط آن استفاده نماید. ولی اگر داده های ناتمام داشته باشیم استفاده از آنالیز رگرسیون به دلیل نداشتن مقدار دقیق متغیر وابسته غیر ممکن خواهد بود. در ساختن مدل بقا تابع مخاطره را برای هر فرد به عنوان یک تابع از متغیرها (Covariates) با زمان ثابت در نظر گرفت از آنجائیکه ممکن است در طول مطالعه همه متغیرها یا بعضی از آنها با زمان تغییر کنند می توان مدل را با استفاده از متغیرهای وابسته به زمان ساخت و اثر تغییر زمان روی تابع بقا را مورد ارزیابی قرار داد. همانطور که می دانیم متغیرهای وابسته به زمان، اطلاعات مفیدی را در باره چگونگی تاثیر تاریخچه بیماران روی بقا در اختیار می گذارند. اما به محقق تصویر کاملی از وضعیت بیمار در آینده را نمی دهد و نمی توان آنالیز صحیح جهت پیشگویی در وضعیتهای خاص بیمار را ارائه نماید. برای رفع مشکل، معمولا از مدلهای چند حالته استفاده می کنند اخیرا در مسائل اپیدمیولوژی نیز از این مدل چند حالته برای بررسیهای بقا در جامعه بخصوص در مورد افراد سرطانی اقداماتی صورت داده اند که متاسفانه در مدلهای ارائه شده بعضی نکات اسای در نظر گرفته نشده است، از آنجمله عوامل موثر در فراهم نمودن بستر مناسب برای رشد بیماری بطور خاص مشخص نمی گردد. و به تعبیری افرادیکه دارای بیماری هستند ممکن است در اثر عواملی دیگر فوت کنند که در مدل نیامده، البته در آنالیز این عوامل را بصورت اطلاعات ناتمام استفاده می کنند که چندان قابل قبول نیست و از طرفی دیگر همراهی توزیع عوامل خطر در زمانهای مختلف و همراه بودن، با عامل بیماری و خالص نمودن احتمالهای مرگ و میر از بیماری، مسائلی هستند که باید در آنالیز داده ها مورد توجه قرار گیرد. با این دیدگاه، این رساله توانسته است با معرفی مدل جدید چند حالته و استفاده از نظریه رقابت جوئی، نقائص مطرح شده را بنحوی بر طرف سازد و با بکارگیری آن روی داده های مربوط به مبتلایان به سرطان مری و معده به نتایج جالبی دسترسی پیدا نماید.
در این صفحه تعداد 1353 مقاله تخصصی درباره آنالیز بقاء که در نشریه های معتبر علمی و پایگاه ساینس دایرکت (Science Direct) منتشر شده، نمایش داده شده است. برخی از این مقالات، پیش تر به زبان فارسی ترجمه شده اند که با مراجعه به هر یک از آنها، می توانید متن کامل مقاله انگلیسی همراه با ترجمه فارسی آن را دریافت فرمایید. در صورتی که مقاله مورد نظر شما هنوز به فارسی ترجمه نشده باشد، مترجمان با تجربه ما آمادگی دارند آن را در اسرع وقت برای شما ترجمه نمایند.
مقالات زیر هنوز به فارسی ترجمه نشده اند. در صورتی که به ترجمه آماده هر یک از مقالات زیر نیاز داشته باشید، می توانید سفارش دهید تا مترجمان با تجربه این مجموعه در اسرع وقت آن را برای شما ترجمه نمایند.
Keywords: آنالیز بقاء; L3; mandibular canines; L4; mandibular first premolars; L5; mandibular second premolars; L7; mandibular second molars; Prediction of agenesis of the mandibular second premolar; Demirjian stage; Survival analysis;