Factors affecting on short- and long-term results in coronary artery bypass surgery
Salonen, Harri (1998)
Tässä tietueessa ei ole kokotekstiä saatavilla Treposta, ainoastaan metadata.
Salonen, Harri
Tampereen yliopisto
1998
Kirurgia - Surgery
Lääketieteen ja biotieteiden tiedekunta - Faculty of Medicine and Life Sciences
Väitöspäivä
2017-03-24
Julkaisun pysyvä osoite on
https://urn.fi/URN:NBN:fi:uta-201703101249
https://urn.fi/URN:NBN:fi:uta-201703101249
Tiivistelmä
Tavoitteena oli laatia riskitekijämallit, joilla voidaan ennustaa koronaariohitusleikkauksen jälkeisiä varhais- ja pitkäaikaistuloksia.
Varhaistulosten osalta mallit ennustavat leikkausmortaliteettia ja -morbiditeettia.
Pitkäaikaistulosten osalta mallit ennustavat iskeemisiä sydäntapahtumia, sydäninfarkti-mortaliteettia, sydäninfarkteja ja angina pectoris -oireen paluuta.
Tilastollisena menetelmänä käytettiin Bayesian multi variate -analyysia, joka poimi kuhunkin malliin ensimmäiseksi parhaiten tapahtumaa ennustavan riskitekijän ja tämän rinnalle lisää riskitekijöitä, niin kauan kuin mallin sensitiivisyys ja spesifisyys paranivat.
Mitä yksilöidympää tapahtumaa mallissa käytettiin, sitä paremmaksi mallin sensitiivisyys ja spesifisyys nousivat. Näin ollen myös mallin käyttäarvo parani kliinisessä työssä. The aim was to form risk factor models, which could be used to predict the short- and long-term results in coronary artery bypass surgery.
As short-term results the models predict operative mortality and morbidity.
As long-term results the models predict ischemic event i.e. cardiac death, acute myocardial infarction and the symptoms of angina pectoris.
Statistical method was the Bayesian multivariate analysis, which finds first the best variable explaining the outcome with some critical value for Odds Ratio or Likelihood Ratio. It then searches through all possible combinations of two variables and fixes the pair best explaining the outcome using sensitivity plus specificity. The process then continues heuristically, adding variables one by one and calculating the statistical measures for each step as long as the sensitivity and specificity gets better.
The more precise dependent variable was in the model the better the sensitivity and specificity rose. So the value of the model got better in clinical work.
Varhaistulosten osalta mallit ennustavat leikkausmortaliteettia ja -morbiditeettia.
Pitkäaikaistulosten osalta mallit ennustavat iskeemisiä sydäntapahtumia, sydäninfarkti-mortaliteettia, sydäninfarkteja ja angina pectoris -oireen paluuta.
Tilastollisena menetelmänä käytettiin Bayesian multi variate -analyysia, joka poimi kuhunkin malliin ensimmäiseksi parhaiten tapahtumaa ennustavan riskitekijän ja tämän rinnalle lisää riskitekijöitä, niin kauan kuin mallin sensitiivisyys ja spesifisyys paranivat.
Mitä yksilöidympää tapahtumaa mallissa käytettiin, sitä paremmaksi mallin sensitiivisyys ja spesifisyys nousivat. Näin ollen myös mallin käyttäarvo parani kliinisessä työssä.
As short-term results the models predict operative mortality and morbidity.
As long-term results the models predict ischemic event i.e. cardiac death, acute myocardial infarction and the symptoms of angina pectoris.
Statistical method was the Bayesian multivariate analysis, which finds first the best variable explaining the outcome with some critical value for Odds Ratio or Likelihood Ratio. It then searches through all possible combinations of two variables and fixes the pair best explaining the outcome using sensitivity plus specificity. The process then continues heuristically, adding variables one by one and calculating the statistical measures for each step as long as the sensitivity and specificity gets better.
The more precise dependent variable was in the model the better the sensitivity and specificity rose. So the value of the model got better in clinical work.
Kokoelmat
- Väitöskirjat [4754]