التنبؤ بأمراض اللوكيميا باستخدام تقنية الكريكنك المشترك ((Co-Kriging
سجل المقالة
الصفحات
25-39الملخص
يتناول هذا البحث مشكلة التنبؤ بأنواع سرطان الدم (اللوكيميا) باستخدام تقنية الكريكنك المشترك (Co-Kriging). وتهدف الدراسة الى تحديد العوامل المؤثرة في خطر الإصابة بسرطان الدم، وحساب معدل الإصابة الكلي المعياري حسب العمر ورصد أي زيادة زمنية في معدلات الإصابة بين المرضى وذلك من خلال تطبيق دالة التغاير المتقاطع (Cross-Variogram) المعتمدة على المتغيرات الرئيسة لأنواع سرطان الدم ومتغير ثانوي (مساعد)، وهو تضخم العقد اللمفاوية، الذي يلعب دورا في امراض سرطان الدم. أجريت دراسة مقطعية في مدينة الموصل _العراق وشملت عينة الدراسة بيانات حقيقية مأخوذة من السجلات الطبية لمستشفى الموصل للأورام خلال عام 2020 وتمثلت هذه البيانات في: العمر، الجنس، نوع سرطان الدم، الاعراض السريرية وتضخم العقد اللمفاوية (بوصفه مؤشرا على الإصابة بالسرطان). شملت الدراسة الأنواع الثلاثة الأكثر شيوعا من سرطان الدم وهي: ابيضاض الدم اللمفاوي الحاد (ALL)، وابيضاض الدم النخاعي الحاد (AML)، وابيضاض الدم النخاعي المزمن (CML)، حيث سجلت معدلات انتشار متفاوتة بين هذه الأنواع. ومن خلال تطبيق تحليل تباين الخطأ في التنبؤ المكاني المشترك ومعايير التحقق من صحة الخطأ، تم الحصول على قيم صغيرة تدعم كفاءة عملية التنبؤ.
كما أظهرت النتائج ان معدل الإصابة بالسرطان اعلى في المدن مقارنة بالأحياء والقرى التابعة لمدينة الموصل، ويعزى ذلك الى الكثافة السكانية المرتفعة وتعدد مصادر التلوث، إضافة الى الملوثات الاشعاعية الناتجة عن العمليات العسكرية خلال الحروب. وقد تبين ان ابيضاض الدم اللمفاوي الحاد (ALL) يصنف بوصفه احطر أنواع سرطان الدم، نظرا لخصائصه البيولوجية الفريدة التي تجعله شديدة العدوانية وسريع الانتشار. ويعد تضخم العقد اللمفاوية السبب الرئيس قي الإصابة ب (ALL)، إضافة الى الاستعداد الوراثي.
الكلمات المفتاحية:
المراجع
- References
- A. G. Journel and C. J. Huijbregts, Mining Geostatistics. London, U.K. and New York, Academic Press, 1978.
- N. A. C. Cressie, Statistics for Spatial Data. New York, NY, USA: Wiley, 1993.
- G. Matheron, “Principles of geostatistics,” Economic Geology, vol. 58, no. 8, pp. 1246–1266, 1963, doi: 10.2113/gsecongeo.58.8.1246. [Online]. Available: https://doi.org/10.2113/gsecongeo.58.8.1246
- H. Wackernagel, Multivariate Geostatistics: An Introduction with Applications. Berlin–Heidelberg, Germany: Springer, 2003.
- J.-P. Chilès and P. Delfiner, Geostatistics: Modeling Spatial Uncertainty. Hoboken, NJ, USA: John Wiley & Sons, 2012.
- P. A. Dowd and E. Pardo-Igúzquiza, “The many forms of co-kriging: A diversity of multivariate spatial estimators,” Mathematical Geosciences, 2023. [Online]. Available: https://link.springer.com/
- M. A. Oliver and R. Webster, Geostatistics for Environmental Scientists. Chichester, U.K.: John Wiley & Sons, 2015.
- H. Rakotonirina, P. Hénine, O. Atteia, and A. Van Exem, “A generative deep neural network as an alternative to co-kriging,” Applied Computing and Geosciences, 2024, doi: 10.1016/j.acags.2024.100198. [Online]. Available: https://doi.org/10.1016/j.acags.2024.100198
- N. Cressie and C. K. Wikle, Statistics for Spatio-Temporal Data. Hoboken, NJ, USA: John Wiley & Sons, 2011.
- M. L. Stein, Handbook of Spatial Statistics. Boca Raton, FL, USA: CRC Press / Chapman & Hall, 2020.
- T. Gneiting et al., “Covariance functions for space–time data,” Journal of the American Statistical Association, vol. 105, no. 491, pp. 1022–1040, 2010. [Online]. Available: https://doi.org/10.1198/jasa.2010.tm09420
- M. L. O. Salvaña and M. G. Genton, “Nonstationary cross-covariance functions for multivariate spatio-temporal random fields,” Spatial Statistics, vol. 37, Art. no. 100411, 2020. [Online]. Available: https://doi.org/10.1016/j.spasta.2020.100411
- P. Goovaerts, Geostatistics for Natural Resources Evaluation. Oxford, U.K.: Oxford University Press, 1997.
- C. V. Deutsch, Geostatistics Course Notes. Edmonton, AB, Canada: Geostatistics Center, University of Alberta, 2015.
- C. V. Deutsch, “The decision of stationarity,” Geostatistics Lessons, Jun. 8, 2022. [Online]. Available: https://geostatisticslessons.com/the-decision-of-stationarity/
- L. Dávila and C. V. Deutsch, “Co-kriging with inequality-sampled data,” Dept. of Civil and Environmental Engineering, University of Alberta, Edmonton, AB, Canada, 2022.
- X. Ma, Multivariate Geostatistical Modeling. Edmonton, AB, Canada: University of Alberta, 2009.
- T. Hengl and R. A. MacMillan, Predictive Soil Mapping with R. Wageningen, Netherlands: OpenGeoHub Foundation, 2019. [Online]. Available: https://soilmapper.org/
- T. S. Gonçalves, H. Klammler, L. R. B. Leal, and L. de Queiroz Salles, “Multivariate geostatistics for mapping of transmissivity and uncertainty in karst aquifers,” Water, vol. 16, no. 17, Art. no. 2430, 2024. [Online]. Available: https://www.mdpi.com/2073-4441/16/17/2430
- M. L. Krock, W. Kleiber, D. Hammerling, and S. Becker, “Modeling massive highly multivariate nonstationary spatial data with the basis graphical lasso,” Journal of Computational and Graphical Statistics, pp. 1–16, 2023, doi: 10.1080/10618600.2023.2174126. [Online]. Available: https://doi.org/10.1080/10618600.2023.2174126
- K. Alie, D. A. Stephens, and A. M. Schmidt, “Computational considerations for the linear model of coregionalization,” arXiv preprint, 2024. [Online]. Available: https://arxiv.org/
- J. M. Ver Hoef and N. Cressie, “Multivariable spatial prediction,” Mathematical Geology, vol. 25, no. 2, pp. 219–240, 1993, doi: 10.1007/BF00893273. [Online]. Available: https://doi.org/10.1007/BF00893273
- J. M. Mohammed, “Multivariate spatial statistical data point estimation with application,” Journal of Administrative and Economic Sciences, Univ. of Kirkuk, vol. 21, no. 85, 2015.
المعرفات
معرف الكائن الرقمي DOI: 10.33899/jes.v35i4.61650
هذا العمل مرخص بموجب رخصة 
