en روشی برای تحلیل داده‌های بقای سانسوریده با کاربردی در بیماری عروق کرونر قلب عمومى General پژوهشي Research <br> <span style="font-family:Times New Roman,serif;"><span style="font-size:12.0pt;">هدف از تحلیل داده‌های بقا از طریق رگرسیون، بسط یک مدل پیشگو با استفاده از متغیرهای پیشگو است. اما به‌دلیل سانسور در متغیرهای پاسخ و بالابعدی متغیرهای پیشگو، اطلاعات مورد نیاز برای مشخص کردن مدل مناسب اغلب ناکافی است. ما روشی را برای یک مطالعه‌ی یکپارچه از زمان بقا و پیشگوها پیشنهاد می‌کنیم. در ابتدا، روش‌های انتخاب متغیر برای یافتن یک زیرمجموعه‌ی مناسب از پیشگوها با احتمال معنی‌داری بالا بکار گرفته می‌شوند. سپس، بُعد پیشگوها با استفاده از روش‌های کاهش بُعد بسنده برای داده‌های سانسوریده بیش‌تر کاهش می‌یابد.</span></span><span dir="LTR"><span style="font-family:Times New Roman,serif;"><span style="font-size:12.0pt;"></span></span></span><br> <span style="font-family:Times New Roman,serif;"><span style="font-size:12.0pt;">به خصوص ما از مدل خطر متناسب کاکس برای ساخت یک مدل پیشگو برای داده‌های بقا استفاده می‌کنیم.</span></span><br> <span style="font-family:Times New Roman,serif;"><span style="font-size:12.0pt;">کاربردی برای داده‌های مربوط به بیماری‌های عروق کرونر قلب (</span></span><span dir="LTR"><span style="font-family:Times New Roman,serif;"><span style="font-size:12.0pt;">CHD</span></span></span><span style="font-family:Times New Roman,serif;"><span style="font-size:12.0pt;">) حاصل از مطالعه‌ی </span></span><span dir="LTR"><span style="font-family:Times New Roman,serif;"><span style="font-size:12.0pt;">TGLS</span></span></span><span style="font-family:Times New Roman,serif;"><span style="font-size:12.0pt;"> مفید بودن این کار را مشخص می‌کند.</span></span><br> &nbsp; <br> An objective of analyzing survival data via regression is to develop a predictive model given predictors. However, due to the censoring in response variables and the high dimensionality of predictors, information needed for an appropriate model specification is often inadequate. We propose a method for an integrated study of survival time and predictors. At first, variable selection methods are employed for finding the correct subset of predictors with significantly higher probability. This is based on the Lasso approach. Then, the dimension of the predictors is further reduced using sufficient dimension reduction methods. This is based on the Sliced inverse regression for censored data (DSIRII). In particular we use the popular Cox proportional hazards model to build a predictive model for survival data. An application to Coronary heart disease (CHD) data from the Tehran Lipid and Glucose (TGLS) study further illustrates the usefulness of the work.<br> <br> <br> &nbsp; داده‌ی سانسوریده, کاهش بُعد بسنده, زیرفضای مرکزی, رگرسیون وارون ورقه ورقه‌شده, انتخاب متغیر, بیماری عروق کرونر قلب. Censored data, sufficient dimension reduction, central subspace, sliced inverse regression, variable selection, corronary heart disease. 379 396 http://jsri.srtc.ac.ir/browse.php?a_code=A-10-168-1&slc_lang=en&sid=1 Azam Rastin اعظم راستین rastinstat@gmail.com 10031947532846002099 10031947532846002099 No Mohammad Reza Farid Rouhani رضا فریدروحانی m_ faridrohani@sbu.ac.ir 10031947532846002100 10031947532846002100 Yes Davoud Khalili داوود خلیلی dkhalili@endocrine.ac.ir 10031947532846002101 10031947532846002101 No