Post on 03-Jan-2016
description
TÖBBSZÖRÖS REGRESSZIÓS SZÁMÍTÁSOK II
TÖBBSZÖRÖS LOGISZTIKUS REGRESSZIÓ
A többszörös elemzés a klinikai
orvostudományban, egy példa Volpato, S et al: Cardiovascular Disease,
Interleukin-6 and Risk of Mortality in Older Women. The Women’s Health and Aging Study. Circulation, 103, 947, 2001
620 >65 éves nő, anamnézis, orvosi vizsgálat, vérvétel, különböző gyulladásos markerek meghatározása: IL-6, CRP, albumin
3 éves követés (PROSPEKTÍV VIZSGÁLAT), a halálozás és ennek okának regisztrálása
Az alap szérum IL-6 szint és a 3 éves mortalitás
IL-6 szint,pg/ml
<1.78 1.79-3.10 >3.10
Meghalt(%)
17 (8) 24 (12) 54 (27)
Túlé lt 197 180 148
Össze-sen
214 204 202
A különböző IL-6 szérumszintű betegek demográfiai és egészségügyi jellemzői
IL-6 s zint,pg/ml
<1.78 1.79-3.10 >3.10 p (trend)
>20000 USDévi jöv., %
25.2 17.6 18.3 <0.05
dohányzik, % 12.3 29.7 33.8 <0.001
BMI kg/m2 27.6 0.4 29.1 + 0.5 29.8 + 0.5 <0.001
CHD, % 23.4 38.7 39.6 <0.001
Diabetes , % 10.3 17.7 23.8 <0.001
atheros c l.index
1.04 + 0.02 0.99 + 0.01 0.94 + 0.02 <0.001
Kérdés
• Mennyivel nagyobb kockázatuk (relatív rizikó) a magas IL-6 szintű egyéneknek a közepes és az alacsony IL-6 szintű egyénekhez viszonyítva arra, hogy 3 éven belül meghaljanak?
• Prospektív vizsgálat, RR számolható.
• A feladat az, hogy matematikai módszerekkel kiküszöböljük az egyéb tényezőket, amelyek a három IL-6 szintű csoportban különböznek és így adjunk választ a fenti kérdésre
• Ebből a célból különböző modelleket építünk fel, és a logisztikus regresszió módszerével végezzük el a számítást.
A 3 éves mortalitás nyers és adjusztált relatív rizikója (95% CI) az IL-6 szérumszint szerint
1. modelcs ak IL-6
2. model IL-IL-6, kor,dohányzás ,BMI
3.modelIL-6, kor,dohányzás ,BMI, CHD,diabetes ,carotisvas tags ág
Alacs onyIL-6 s zint
1 1 1
KözepesIL-6 s zint
1,51(0.81-2.81)
1.32 (0.70-2.47)
1.08 (0.57-3.04)
MagasIL-6 s zint
3.83 (2.22-6.62)
3.54 (2.03-6.17)
2.63 (1.48-4.96)
Kiechl, S. et al.: Chronic Infections and the Risk of Carotid Atherosclerosis. Circulation, 103,
1064, 2001
• Bruneck tanulmány: 1990, 826 40-79 éves egyén, carotis duplex scan: carotis atherosclerosis foka, plakkok száma).
• A vizsgált egyéneknél rögzítették, hogy szenvednek-e valamilyen krónikus légúti, húgyúti, fogászati vagy egyéb infekcióban.
• A vizsgált egyének vérében megmértek egyes a krónikus infekcióra jellemző laboratóriumi markereket)
KÉRDÉSEK
• 1) VAN-E ÖSSZEFÜGGÉS A KRÓNIKUS FERTŐZÉSEK KLINIKAI ÉS LABORATÓRIUMI JELEI ÉS A CAROTIS ATHEROSCLEROSIS MÉRTÉKE KÖZÖTT A VIZSGÁLAT IDŐPONTJÁBAN (keresztmetszeti vizsgálat)2) VAN-E ÖSSZEFÜGGÉS A KRÓNIKUS FERTŐZÉSEK KLINIKAI ÉS LABORATÓRIUMI JELEI ÉS AZ ÚJ CAROTIS PLAKKOK KIFEJLŐDÉSE KÖZÖTT (prospektív vizsgálat)
• Számítás módja: többszörös lépcsőzetes logisztikus regressziós analízis
500 egyénben a kezdeti vizsgálatkor nem találtak carotis plakkot, közülük 125-ben fejlődött ki carotis plakk az 5 éves megfigyelési idő alatt. Mi jelezte ezt előre? OR: kategorikus:
igen/nem, folyamatos: 1 SD növekedés
Változó Sorrend(s tepwis eregres s ion)
OR (95% CI) p érték
Krónikusinfekció
1. 4.10 (2.37-7.10)
<0.0001
Ferritin 2. 1.45 (1.13-1.87)
0.005
Magasvérnyomás
3. 2.01 (1.19-3.42)
0.011
LDLkoles zterin
4. 1.51 (1.18-1.93)
<0.001
Életkor 5. 1.39 (1.08-1.78)
0.010
Alkohol (1-50 g /nap vsabs ztinens )
6. 0.55 (0.32-0.99
0.042
Hypo-thyreos is
7. 2.31 (1.00-5.45
0.050
Micro-albuminuria
8. 1.25 (0.99-1.60)
0.075
HDLkoles zterin
9. 0.81 (0.64-1.02)
0.081
Tsobuno Y et al. Green Tea and the Risk of Gastric Cancer in Japan. NEJM 344, 632, 2001.
• 1984, 26311 > 40 éves Miyagi tartomány, kérdőív: zöldtea fogyasztás mértéke
• Követési idő: 1999 748 személy-év 1982 dec.-ig. 419 gyomorrák, diagnózis időpontja
• Kérdés: befolyásolja-e a zöldtea fogyasztás a gyomorrák kifejlődésének az esélyét?
• Számítás: Cox regressiós analízis, reletív rizikó (prospektív vizsgálat): alap: <1 csésze/nap. A gyomorrák kimenetelét esetleg még befolyásoló változók (confounding variables): életkor, nem, ulcus az anamnézisban, dohányzás, alkohol, rizs, hús/zöldség fogyasztás
A zöldtea fogyasztás és a gyomorrák kifejlődésének relatív rizikója
Változó Zöldtea fogyas ztás , c s és ze /nap P fortrend
<1 1 vagy 2 3 vagy 4 >5
Gyomor-rák
41 49 55 151
Köv. idős zemély-év
36572 34129 43748 85299
Életkoradj. RR
1.0 1.1 (0.8-1.6))
1.0 (0.7-1.4)
1.3 (1.0-1.7)
0.05
Többvál-tozósRR1(mindenes et)
1.0 1.1 (0.8-1.6))
1.0 (0.7-1.4)
1.2 (0.8-1.6)
0.13
Többvál-tozósRR2(e ls ő 3 évki-hagyva)
1.0 1.2 (0.8-1.8))
1.0 (0.7-1.4)
1.4 (1.0-1.9)
0.07
Kimenetel (függő változó)
Példa a kimenetelre
A használandó többszörös analitikai módszer
Folyamatos Vérnyomás, testsúly, hőmérséklet
Többszörös lineáris regresszió
Dichotóm (igen-nem)
Halál, rák, felvétel intenzív osztályra
Többszörös logisztikus regresszió
Az igen eseményig eltelt idő
A halálig, a rák dg-ig eltelt idó
Cox regresszió (proportinal hazard analízis)
A többszörös modellek feltételezései
(assumptions) TÖBBSZÖRÖS LINEÁRIS
TÖBBSZÖRÖS LOGISZTIKUS
PROPRCIONÁLIS HAZARD ANALÍZIS
MIT MODELLEZÜNK? A függő változó átlaga A függő változó egyik értéke bekövetkezése esélyének (odds) temészetes logaritmusa (logit)
A relativ kockázat (hazard)
logaritmusa
A FOLYAMATOS FÜGGETLEN VÁLTOZÓK VISZONYA A FÜGGŐHÖZ (KIMENETELHEZ)
A függő változó átlaga lineárisan változhat több független változóval is
A függő változó logitja lineárisan változhat több független áltozóval is
A relatív hazard logaritmusa lineárisan változhat több független áltozóval is
A SKALARIS FÜGGETLEN VÁLTOZÓK VISZONYA A FÜGGŐHÖZ (KIMENETELHEZ)
A függő változó átlaga lineárisan változhat több független változó egységnyi változásával is
A függő változó logitja lineárisan változhat több független változó egységnyi változásával is
A relatív hazard logaritmusa lineárisan változhat több független változó egységnyi változásával is
A FÜGGŐ VÁLTOZÓ ELOSZLÁSA
Normális Binomiális Nincs meghatározva
Többszörös logisztikus regresszió
• Számszerűen (odds ratio formájában) fejezi ki az összefüggést egy független változó és egy dichotóm (beteg/nem beteg, férfi/nő, magas/nem magas, stb) függő változó között úgy, hogy ezt az összefüggést a többi független változóhoz illeszti (adjusted) tehát matamatikai módszerekkel a többi független változó hatását kiküszöböli. A cél általában a predikció.
Relatív rizikó (relative risk) , esély-arány (odds ratio)
• Példa: Az AIDS definiciójának megfelelő opportunista infekciók vagy tumorok előfordulása (továbbiakban röviden és helytelenül AIDS) előrehaladott HIV betegségben szenvedő betegekben. A betegeket folyamatosan két reverz transzkriptáz gátló szerrel kezelték, és két csoportra randomizálták. Az egyik csoport egy proteáz inhibitort (Ritonavir) is kapott, a másik csak placebot az alapkezelés mellett. 16 hétig regisztrálták az AIDS definiciójának megfelelő opportunista infekciók vagy tumorok előfordulását. (Cameron et al. Lancet 351, 543, 1998)
AIDS igen AIDS nem Ös s zes en
Ritonavir 119 (A) 424 (B) 543 (A+B)
Placebo 205 (C 342 (D) 547 (C+D)
Ös s zes en 324 (A+C) 766 (B+D) 1090(A+B+C+D)
Relatív rizikó
• Relatív rizikó: A/A+B osztva C/C+D-vel: a példában 119/543 osztva 205/547-el: 0.22/0.37=0.59 (95% CI: 0,48-0.71), tehát az AIDS kiejlõdésének a relatív kockázata a Ritonavírral kezelt csoportban csaknem a fele a szokásos kezelést kapott betegek kockázatának
Esély-arány (OR)• Először mindkét csoportban kiszámítjuk az esélyét
annak, hogy egy esemény, példánkban az AIDS kifejlődése, bekövetkezzen. Ez A/B, ill C/D, tehát példánkban 119/424=0.28, ill. 205/342=0.60. A két esély arány tehát A/B osztva C/D-vel, 0.28/0.60=0.47 (95% CI 0.33-0.67). Tehát a ritonavírrel is kezelt betegeknek az esélye arra, hogy bennük AIDS fejlõdjön ki. kevesebb, mint fele annak, amely a ritonavirrel nem kezelt betegek esetében áll fenn.
• EZ AZ ÖSSZEFÜGGÉS AZONBAN CSAK AKKOR IGAZ, HA A KÉT CSOPORT MÁS SZEMPONTBÓL NEM KÜLÖNBÖZIK EGYMÁSTÓL. HA IGEN: TÖBBSZÖRÖS LOGISZTIKUS REGRESSZIÓ VAGY MÁS HASONLÓ ELJÁRÁS ELVÉGZÉSE SZÜKSÉGES
A TÖBBSZÖRÖS LOGISZTIKUS REGRESSZIÓ
• Matematikai-statisztikai eljárás, amelyet akkor alkalmazunk, ha egy dichotóm változó bekövetkezésének valószínűsége és az egyes független változók közötti kapcsolatot szeretnénk kiszámítani. Ha a független változó nominális, akkor ezt 0-val, ill 1-el jelőljük, ha folyamatos, akkor egy bizonyos egységnyi növekedésre pl. 1 SD növekedésre vonatkozik a kapcsolat, az OR.
A logisztikus regresszió során alkalmazott számítási mód
• A lineáris regresszióval ellentétben, amelynél a számítás az ún. legkisebb négyzetek módszerén alapszik, a logisztikus regresszió számítási módja az un. maximum likehood ratio kiszámítása. Ez, mint minden valószínűség-arány számítás, exponenciális, tehát a természetes logaritmus alapra vonatkozik. Ezt átalakítjuk úgy, hogy az egyenlet mindkét oldalán ln-t számítunk.
A logisztikus regresszió egyenlete
• odds (bekövetkezik/nem következik be, A/B= P/1-P. Ha a ln-át vesszük, ln (odds) = ln (P/1-P) = ßo + ßII
• Ha ezt az egyes független változók szerint részeire bontjuk, akkorln (odds) = ßo + X1ß1 + X2ß2....
• A ßo azt jelenti, hogy a ln(odds) mennyivel egyenlő, ha minden független változó = 0. A ß1 érték egyenlő az X változóra vonatkozó OR ln-ával, stb.
A logisztikus regresszió egyenlete (folyt.)
• A 0 hiptézisünk az, hogy a vizsgált változók által meghatározott esély-arány (OR) nem különbözik 1-től, tehát ezek a változók nem növelik az adott esemény bekövetkeztének valószínűségét. Ennek az OR-nek vesszük a ln-át, majd az egyenletet úgy alakítjuk át, hogy ezt az OR-t felbontjuk az egyes változók által meg-határozott OR-ekre, pontosabban ezek ln-áraln (OR) = X1(lnOR1) + X2(lnOR2)....
• Az egyes komputer programok vagy a ß vagy az OR értékeket adják meg, átszámíthatók: ß = ln(OR)
Modell felépítés a logisztikus regresszióban
• Hasonló a lineáris regresszióhozmanuálisautomatikus: forward selection backward elimination stepwise selection
• A számítógépes programok mérőszámot adnak (vö R2 a lineáris regressziónál), amely az egyes modellek „jóságát” (goodness of fit) fejezik ki.
A többszörös logisztikus regresszióval kapcsolatos legfontosabb kérdések
• Elegendő a megfigyelések száma? (5-10-szer több eset, mint változó)
• A modell megfelelő-e? Ha van interakció az egyes változók között, ezt a modell felépítésnél figyelembe kell és lehet is venni.
• Van-e az eredményeknek biológiai értelme? (automatikus modellfelépítés!)
• Ha váratlan összefüggés jön ki, lehet véletlen, de lehet értelme is: hipotézis felállítás, de ellenőrzés új vizsgálatban!!!
Példa a többszörös logisztikus regresszióra (Burián et al, Circulation, 2001)
Súlyos ISZB(n=248)
Kontroll be-tegek (n=53)
p
HDL chol,mmol/l
1.22 (0.67-2.05)
1.29 (1.14-1.37)
0.006
trig licerid,mmol/l
2.5 (0.3-16.6)
1.96 (0.9-6.3)
0.016
anti-hs p60,AU/ml
102 (0-2410) 57 (0-722) 0.0001
Chl.pneumpoz., %
79.4 64.2 0.021
Kérdés
• A négy paraméter előre képes-e jelezni, hogy egy adott egyén az ISZB-s beteg vagy kontroll-csoportba tartozik?
• Számítás többszörös logisztikus regressziófüggetlen változók: HDL-koleszterin, a triglicerid és az anti-hsp60 szintek (folyamatos változók, 1 SD változás) és a Chl, pneumoniae (nominális 0 (szeroneg), 1 (szeropoz)Függő változó: csoport 0: kontroll, 1: ISZB
Model: Logistic regression (logit) N of 0's:48 1's:241Dep. var: CSOPORT Loss: Max likelihood (MS-err. scaled to 1)Final loss: 115,14789192 Chi˛(4)=29,591 p=,00001
Const.B0 LOGHSP60 HDL_CHOL TRIGLICE CHL_PNEU
Estimate -,74 ,9383 -,186086 ,51 ,71548SE ,68 ,2997 ,284498 ,18 ,36015t(284) -1,08 3,1305 -,654084 2,81 -1,98662p-level ,28 ,0019 ,513587 ,01 ,04792-95%CL -2,08 ,3483 -,746078 ,15 -1,42439+95%CL ,61 1,5282 ,373907 ,86 -,00658Wald's khi2 1,16 9,8000 ,427826 7,88 3,94668p-level ,28 ,0017 ,513062 ,00 ,04697OR (unit ch) ,48 2,5556 ,830202 1,66 ,48896-95%CL ,12 1,4167 ,474223 1,16 ,24066+95%CL 1,84 4,6101 1,453402 2,37 ,99344
STATISTICA OUTPUT
SPSS output
Variables in the Equation
,000 ,000 6,244 1 ,012 1,000 1,000 1,000
-,758 ,426 3,174 1 ,075 ,468 ,203 1,079
-,004 ,005 ,677 1 ,410 ,996 ,986 1,006
,010 ,015 ,512 1 ,474 1,010 ,982 1,040
,883 ,783 1,270 1 ,260 2,417
LOGHSP60
CHLPNEU
HDLCHOL
TRIG
Constant
Step1
a
B S.E. Wald df Sig. Exp(B) Lower Upper
95,0% C.I.for EXP(B)
Variable(s) entered on step 1: LOGHSP60, CHLPNEU, HDLCHOL, TRIG.a.
Milyen jó a modell? (Goodness of fit) SPSS
Hosmer and Lemeshow Test
7,977 8 ,436Step1
Chi-square df Sig.
A measure of how well the model fits the data. It is based on the squared differences between the observed and predicted probabilities. A small observed significance level for the goodness-of-fit statistic indicates that the model does not fit well.
MIHEZ SZÁMÍTSUK AZ ODDS RATIOT?
• Ha a független változó kategorikus, főleg, ha bináris, akkor OK (beteg/nem beteg, dohányzik/nem dohányzik, férfi/nő, stb.).
• Ha viszont a független változó folyamatos, akkor koncepcionálisan nehéz felfogni, hogy egy egység pl. 1 SD változás mit jelent. Megoldások:értelmes kategóriákat állítok fel: pl. életkorban 10 év,binárissá teszem a független változót ( alacsony/nem alacsony, magas/nem magas labor. lelet, IQ, stb.)
HOL HÚZZUK MEG A HATÁRT?
A binárissá átalakítandó független változó minden adatát (a függő változó eredményétől függetlenül!!!) sorba rendezzük és megállapítjuk, hol van a 90. percentilis, a legfelsőbb (legalsóbb) kvartilis, tercilis, esetleg a medián határa. (legtöbb program megcsinálja)
Ezután megvizsgáljuk, hogy a függő változóhoz tartozó két csoportban a magas/nem magas stb. kategóriába tartozó független változó hány esetben fordul elő
Végül a logisztikus regressziós egyenletbe bevisszük mint bináris változót (nem magas: 0, magas: 1) ezt a független változót, és kiszámítatjuk az OR-t
Anti-hsp60 legfelső kvartilis vs. többi
• Példánkban az anti-hsp60 legfelső kvartilisának határa: 183,24 AU/ml.
• Ezután átkódoljuk a változót, úgy, hogy 0: <193.24, 1: >183.24.
• Megszámoltatjuk a géppel, hogy a beteg, ill kontroll csoportban hány 0 és 1 anti-hsp60 antitest szintű egyén van.
• HSP60KV HSP60KV Row alacsony magas Totals
KO 51 3 54 PS 175 73 248All Grps 226 76 302Végül elvégezzük a logisztikus analízist a folyamatos változót a
binárissal helyettesítve
STATISTICA OUTPUT
Const.B0 HDL_CHOL TRIGLICE HSP60_M_ CHL_PNEU
Estimate 2,06560 -,79768 ,1339 2,00283 -,92184
SE ,54187 ,34038 ,1409 ,62255 ,36728
t(287) 3,81201 -2,34351 ,9505 3,21714 -2,50987
p-level ,00017 ,01979 ,3426 ,00144 ,01263
-95%CL ,99906 -1,46764 -,1434 ,77749 -1,64475
+95%CL 3,13214 -,12773 ,4112 3,22817 -,19892
Wald's khi214,531405,49206 ,9035 10,35002 6,29946
p-level ,00014 ,01911 ,3419 ,00130 ,01208
OR(u.ch) 7,89002 ,45037 1,1433 7,40998 2.34
-95%CL 2,71574 ,23047 ,8664 2,17600 1.18
+95%CL 22,92288 ,88009 1,5086 25,23339 4.66
SPSS output
Variables in the Equation
-,004 ,005 ,644 1 ,422 ,996 ,986 1,006
,004 ,014 ,067 1 ,795 1,004 ,977 1,031
-,931 ,417 4,984 1 ,026 ,394 ,174 ,893
2,248 ,754 8,887 1 ,003 9,470 2,160 41,523
1,720 ,717 5,760 1 ,016 5,585
HDLCHOL
TRIG
CHLPNEU
HSPHILOW
Constant
Step1
a
B S.E. Wald df Sig. Exp(B) Lower Upper
95,0% C.I.for EXP(B)
Variable(s) entered on step 1: HDLCHOL, TRIG, CHLPNEU, HSPHILOW.a.
A logisztikus regressziós számítással megoldható problémák
• Az egyes vizsgált változók hatásának számszerűsítése esély-arány (95% CI) formájában
• Ha két változó egymástól független és nem befolyásolják egymás hatását, akkor vizsgálni lehet, hogy van-e együttes hatásuk (joint effect)
• A két független változó egymástól független, de befolyásolják egymás hatását a függő változóra, számszerűsíteni lehet ezt a kölcsönhatást (interakciót) is
A multicollinearitásból adódó problémák megoldása
• Multicollinearitás: egymással korreláló független változók• Pneumonia – ápolási idő - láz (Celsius – Fahrenheit). Vagy
születési súly – fogantatástól eltelt idő• Hogyan tudom megállapítani? Mi a határ? R>0.9: ne,
R=0.8-0.9: bizonytalan, R<0.8: mehet• És, ha több a független változó? Tolerance és reciproka a
variance inflation factor. Tolerance: <0.25 kétes, <0.10 tilos, variance inflation factor 4, ill 10
• Mit csináljunk az egymástól függő változókkal? Hagyjuk ki, de melyiket?; és/vagy (pneumonia izzadás-hidegrázás); skálát készítünk a korreláló változókból
A szükséges mintaszám
• Többszörös regressziónál, nem lehet kevesebb, mint ami az egyszeri regressziónál kijön
• 10 x független változók száma
• De, ha az outcome vagy a dichotóm független változó előfordulási gyakorisága kicsi, akkor nagyon sok beteg kellhet
Hogyan lehet a független változók számát csökkenteni?
• Néhány változót kihagyunk– Elméleti megfontolásból– A mérési körülményeket figyelembe véve
• Két változó erősen korrelál. Melyiket hagyjuk ki?– Amelyikben több a hiányzó adat– Ahol nagyobb a mérési hiba valószínűsége– Amelyik orvosilag kevésbé jelentős
– Empirikus megfigyelések alapján• A változó nem függ össze az outcome-al az egyszeri vagy a többszörös
analízisban• A változó minimális mértékben befolyásolja csa a modell eredményét
• A változók egy részét kombináljuk egy változóvá vagy skálává– És/vagy– Szummációs skálák– Faktor analízis
Hogyan kódoljunk?
• 0 és 1 jobb, mint 1 és 2 stb• Nő – ffi, a kérdéstől függ• Mi legyen a referencia kategória? Pl életkor, rassz.
Kérdésfeltevéstől függ, más eredmények más interpretáció
• Életkor: ha lineáris a változás: legöregebb vagy legfiatalabb kategória
• De ha U-alakú az összefüggés (alkohol-fogyasztás – szívbetegségek) a középső kategória is lehet referencia
Független egymást nem befolyásoló változók
• Mind a magas anti-hsp60 szint, mind a Chl. pneum. fertőzöttség összefüggésben van az ISZB-vel (OR: 7.47 (2.18-25.2), ill. 2.17 (1.18-4.66).
• A két változó között nincs korreláció: Spearman r: - 0.007 (p=0.91)
• Számítsuk ki a magas anti-hsp60 szint OR-át, a Chl.pneum. szeronegatívoknál (2.06 (1.12-3.78)) és a Chl. pneum. szeropozitívoknál (3.85 (2.63-5.62). Tehát az ISZB és a magas anti-hsp közötti összefüggés fennáll a Chl. pneumoniae fertőzéstől függetlenül, a két változó nem (gyengén?) befolyásolja egymást
CP- aHSP lo CP - aHSP hig CP+ aHSP low CP+ aHSP high0
100
200casescontrols
Két változó együttes hatása
age and genderadjusted OR
(95% CI)
p value
CP neg - aHSP60low
1 -
CP negaHSP60 high
6.80 (2.02-22.83) 0.0019
CP pos aHSP60low
2.16 (1.26-3.70) 0.0052
CP neg aHSP60high
82.0 (10.6-625.0) <0.0001
Az alap szérum IL-6 szint és a 3 éves mortalitás
IL-6 szint,pg/ml
<1.78 1.79-3.10 >3.10
Meghalt(%)
17 (8) 24 (12) 54 (27)
Túlé lt 197 180 148
Össze-sen
214 204 202
A korábbi cerebrovascularis betegség (CVB) hatása az IL-6 és a mortalitás közötti
összefüggésre (interakciót találtak, p=0.09)
IL-6,pg/ml
Nincs CVB azanamnézisben
CVB az anamnézisben
szám exitszám
ORmodel3 (95%
CI)
szám exitszám
ORmodel3 (95%
CI)<1.78 131 10 1 83 7 1
1.79-3.10
104 7 0.33(0.11-1.05)
100 17 1.76(0.73 -4.38
>3.10 76 14 1.13(0.44-2.86
126 40 4.15(1.80-9.55)
P fortrend
0.441 <0.001
Haplotípus Egészséges kontrollok
Egyének száma (%)
Colorectalis carcinomások
Egyének száma (%)
P érték
LTA 252G+TNF -308A +HSP70 1267G + RAGE -429C
non carrier heterozygote
108 (92.3) 9 (7.7)
148 (80.9) 35 (19.1)
0.006
A 6.1 kiterjesztett haplotípus és a colorectalis carcinoma
Interakció
• 8.1 haplotípus*nem p=0.0489
• 8.1 haplotípus*életkor p=0.009
A
controls patients0
25
50
75
100
p=0.008
%B
controls patients0
25
50
75
100no AH8.1 carrierAH8.1 carrier
p=0.287
%
C
controls patients0
25
50
75
100p=0.018
%
D
controls patients0
25
50
75
100p=0.146
%
<67 éves (A) and >=67 éves (B); nők (C) and férfiak (D)
Table 4 Gender-adjusted risk of carriers vs non carriers of the LTA 252A+TNF -308A+HSP70 1267G + RAGE -429T haplotype belonging to different age groups at diagnosis to have colorectal cancer
Group Odds ratio (95% confidence interval)
P values
< 67 years old 5.878 (1.300-26.571) 0.021
> 67 years old 1.858 (0.655-5.266) 0.244
All patients 2.870 (1.316-6.263) 0.008
Group Odds ratio (95% confidence interval)
P values
Females 4.208 (1.338-13.232) 0.024
Males 1.828 (0.564-5.929) 0.315
All patients 2.870 (1.316-6.263) 0.008
Table 5 Age-adjusted risk of females and male carriers vs non carriers of the LTA 252A+TNF -308A+HSP70 1267G + RAGE -429T haplotype to have colorectal cancer