Methodenartikel

Eine Methode der trigonometrischen Modellierung der saisonalen Schwankungen mit Multipler Sklerose Relapse Daten zeigten,

DOI:

10.3791/53169

9. Dezember 2015

In diesem Artikel

Zusammenfassung

Loading...
$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Die Kombination von Plotanalyse mit trigonometrischer Regression ist eine robuste Methode zur Erforschung komplexer, zyklischer Phänomene wie dem Zeitpunkt des Schubbeginns bei Multipler Sklerose (MS). Diese Methode ermöglichte eine unverzerrte Charakterisierung saisonaler Trends im Schubbeginn, was neue Rückschlüsse auf den Einfluss von saisonaler Variation, ultravioletter Strahlung (UVR) und Breitengrad ermöglichte.

Zusammenfassung

Loading...
$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Dieser Bericht beschreibt eine neuartige Stata-basierte Anwendung der trigonometrischen Regressionsmodellierung auf 55 Jahre Multiple-Sklerose-Rückfalldaten von 46 klinischen Zentren in 20 Ländern in beiden Hemisphären. Von zentraler Bedeutung für den Erfolg dieser Methode war der strategische Einsatz der Plot-Analyse, um die statistische Regressionsmodellierung zu leiten und zu untermauern. Eine initiale Plotanalyse war notwendig, um realistische Hypothesen über das Vorhandensein und die strukturelle Form von saisonalen und breitengradalen Einflüssen auf die Rückfallwahrscheinlichkeit aufzustellen und dann die Leistungsfähigkeit der resultierenden Modelle zu testen. Die trigonometrische Regression war dann notwendig, um diese Beziehungen zu quantifizieren, um wichtige Störfaktoren zu korrigieren und ein Maß an Sicherheit darüber zu schaffen, wie plausibel diese Assoziationen waren. Die Synchronisierung von Grafiktechniken mit der Regressionsmodellierung ermöglichte eine systematische Verfeinerung der Modelle bis zum Erreichen der Best-Fit-Konvergenz, was neue Rückschlüsse auf den unabhängigen Einfluss von Jahreszeit und Breitengrad auf die Vorhersage des Zeitpunkts des Rezidivbeginns bei MS ermöglichte. Diese Methoden haben das Potenzial für die Anwendung bei anderen komplexen Krankheits- und epidemiologischen Phänomenen, bei denen vermutet wird oder von denen bekannt ist, dass sie systematisch mit der Jahreszeit und/oder dem geografischen Standort variieren.

Einleitung

Loading...
$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Die häufigste Form der Multiplen Sklerose (MS) ist schubförmig remittierender Multipler Sklerose (RRMS). RRMS durch episodische Verschlechterungen der neurologische Funktion, gefolgt von teilweise oder vollständige Erholung gekennzeichnet. Global die Inzidenz und Prävalenz von MS mit zunehmendem Abstand vom Äquator in beiden Hemisphären. 1-3, ob die Häufigkeit von Rückfällen Ereignisse, die in RRMS spezifisch auftreten variieren auch mit dem Breitengrad und ob es irgendeine zugrundeliegende jahreszeitlichen Schwankungen bei solchen Verein, bleibt unklar. Bis heute Untersuchungen zu Saisonalität in Rückfall Timing haben, um einzelne klinischen Zentren beschränkt, die Begrenzung keine Rückschlüsse auf saisonale Trends im Rückfall Zeitpunkt in Einzel geografischen Standorten und somit nicht in der Lage zu erkunden breiteren Breiteneinflüssen. 4-14 Diese Studien wurden weiter durch kleine Probe begrenzt Größen und spärliche Rückfalldaten. A 2000 Meta-Analyse von zehn Studien von klinischen Zentren in Europa, den Vereinigten Staaten und Kanada, wo jeder Studie ein Minimum von dreißig Fällen den Hinweis auf die Saison-of-Auftreten von Rückfällen, beschrieb einen klaren Trend-Saison in den Zeitpunkt der Rückfall Entstehung, mit Rückfällen Höchststand im Frühjahr und mit einem Winter-Wanne 4 . Ähnliche zyklischen Jahres Trends im Auftreten haben in den Folge in Japan 15 und Spanien 16 beobachtet worden, wenn auch kleinere, Studien. Doch eine vergleichbare USA Studie versäumt, dieses Muster 17 zu bestätigen. Bisher wurden diese Studien und Beobachtungen zur Nordhalbkugel beschränkt. Die MSBase Studiengruppe analysierte kürzlich einen großen globalen Datensatz von MS-Schüben über beiden nördlichen und südlichen Hemisphäre auf saisonale Trends im Zeitpunkt der Rückfall Entstehung neben Breiten Einflüsse auf die Beziehung zwischen Spitzenrezidivwahrscheinlichkeit und saisonale ultraviolette Strahlung (UVR) Wanne 18 zu erkunden . Im Mittelpunkt dieser Verfahren war die Anwendung trigonometrischer Regressionszu visualisieren und auszuwerten Trends im Timing eines Rückwirkungseintritt und UVR Verteilungen.

Das übergeordnete Ziel dieser Studie war es, die Hypothese, die zeitliche Änderung im Timing des Rückfalls Einsetzen in MS variiert erwartungsgemäß mit Saison sowohl in den nördlichen und südlichen Hemisphäre zu testen und diese Saisonalität wurde durch den Breitengrad beeinflusst. Das Grundprinzip für die Verwendung von trigonometrischen Modellierung, um diese Fragen zu untersuchen war seine Flexibilität zum Charakterisieren zwei- oder dreidimensionaler Phänomene, die bekanntlich oder vermutlich diskreten, vorhersagbare und konsistente Formen oder Muster, zu beschreiben, wie die jährlichen Zyklus der Spitzen und Täler allgemein in biologischen oder epidemiologischen Phänomene besitzen saisonale beobachtet. 19-22 Ein Nachteil der herkömmlichen Zeitreihenanalysen, einschließlich Fourier-Analyse ist die Annahme, dass die Zeit-Serien werden oft durch stochastische Prozesse gekennzeichnet. 21,23,24 Dagegen Einbeziehung trigonometrischen Funktionen into einer Regressionstyp-Modell hat den Vorteil, sowohl die Erleichterung Erforschung der regelmäßige und systematische Strukturen in periodischen Daten, während die Nutzung der Regressionsmodellstruktur zu anderen Korrelate zu erkunden oder passen für Störfaktoren der Saisonalität.

Trigonometrische Regression wurde bereits weit verbreitet in der medizinischen epidemiologischen Literatur verwendet worden, um die Zeitlichkeit in Themen so vielfältig ansteckende Krankheit-Outbreak-Detection, die Rolle des circadianen Rhythmen in der alles von autonomen Nervensystems Dysfunktion zu einer Frühplazentalösung bis hin zu saisonalen Korrelate von angeborenen Fehlbildungen und der Zeitpunkt zu erkunden Präsentationen der Unfall- und Notfall. 25-32 Eine solche Modellierung erfordert in der Regel größeren Stichproben als herkömmliche Zeitreihenanalysen und da dies das ist das erste Mal, es hat zu einem globalen Datensatz von MS Rückfall Einsetzen angewendet. Trigonometrische Regression, wie hier beschrieben ist, geeignetes Werkzeug für Ermittler zu erforschen jede phenomena, die systematisch über die Zeit bekannt ist, oder des Radfahrens vermutet. Nicht nur eine solche Modellierung Hilfe charakterisieren und zu visualisieren, diese Muster, es erlaubt ferner den Anwender auf die Treiber und korreliert diese Trends zu erforschen.

In Bezug auf die spezifischen Beispiel der MS Rückfall Auftreten hier präsentierten, den Einsatz von Streu und Reststücke zu visualisieren und zu beurteilen, wie eng eine Hypothese aufgestellt, trigonometrische Modellform passt die Daten bildet die kritische Schritt bei der Bestimmung: 1), ob die beobachteten Daten liefern ausreichende Beweise für die Unterstützung eine Hypothese der Saisonalität oder andere zeitliche Trends in den Zeitpunkt der Rückfall Entstehung; und 2) ob die Häufigkeit und Anordnung der Sinus- und Kosinus-Funktionen, die eine bestimmte trigonometrische Modell zu definieren ist ausreichend, um die Verwendung dieses Modells für nachfolgende Inferenz und Vorhersage zu ermöglichen. Regression Modellierung erlaubt auch Steuer für wichtige Störfaktoren jeglicher beobachteten saisonalen oder Breitenwirkung wie PatientenebeneNeigungen eines Rückfalls, insbesondere Faktoren, die an sich zeitveränderlichen, wie beispielsweise die Dauer der Vor-Rückfall Einwirkung von krankheitsmodifizierenden Medikament (DMD) Behandlung. Isolieren unabhängigen geografische und zeitliche Prädiktoren und Korrelate der Rückfall Entstehung Zeitpunkt in MS hat das Potenzial, die biologische Untersuchung der Mechanismen der Rückfallereignisse, die wiederum die Entwicklung zukünftiger Behandlungsmaßnahmen zur Vermeidung oder Verzögerung der Krankheits Exazerbation richtet informieren zu führen.

Die MSBase Registry

MS-Patienten beiträgt Rezidiv Daten für diese Analyse wurden durch die internationale MSBase Register bezogen. Gegründet im Jahr 2004, die Registrierung in Längsrichtung sammelt demografische, Krankheitsaktivität, der klinischen Untersuchung und Ermittlungen Eigenschaften und Metriken aus mündigen Patienten die Teilnahme an MS-Klinik mit Hilfe eines Internet-basierten, Arzt-Besitz und wird betrieben System. 33 Mitgliedzentren folgen einem gemeinsamen Protocol, die die minimale Datenmenge erforderlich definiert, um zu vereinbarten regelmäßigen Abständen übertragen werden, um sicherzustellen, Outcome-Daten, wie beispielsweise Rückfallereignisse werden konsequent und prospektiv zusammengestellt. Das Datum der Rückfall Entstehung als verbindliche Mindestdatensatz variablen enthalten. Neben relevanten klinischen Daten mit diesen Rückfall Ereignissen verbunden wird allgemein gesammelt einschließlich Kortikosteroid-Behandlung und Funktionssystem betroffen. Die Verwendung des gemeinsamen iMed Dateneingabesystem gewährleistet ferner einen einheitlichen Ansatz für Zentren zur Datensammlung und Berichterstellung. Das Projekt hält Human Research Ethics Committee Genehmigung oder Befreiung bei jedem Beitrag Zentrum. Einwilligungserklärung nach den örtlichen Gesetzen von allen Patienten eingeschlossen in die Analyse ist zwingend erforderlich.

Einschlusskriterien

Insgesamt wurden 9811 Patienten beiträgt 32.762 Rezidiv Ereignisse wurden in die Analyse einbezogen. Klinische MS-Zentren mit einem Minimum von 20 registrierten Patienten zugestimmt, uploaDED und in der Registry ab dem 1. Dezember 2013 (Datum der Datenerfassung) verfolgt wurden für die Aufnahme in die Analyse. Um sicherzustellen, dass alle Rückfallereignisse in die Analyse einbezogen wurden prospektiv beobachtet, nur Rückfall Onsets datiert nach dem ersten aufgezeichneten Patientenstellung der Behinderung (mit der Kurtzke Expanded Disability Status Score (EDSS)) wurden in die Analyse einbezogen. Alle Patienten beiträgt Rückfalldaten auf die Analyse erfüllt formalen Diagnosekriterien für MS. 34,35

Meßergebnisse

Diese Studie als zwei primäre Ergebnisse: 1), ob es zeitliche Variation in der Rückfallwahrscheinlichkeit Einsetzen auf der Ebene der geografischen Lage, der Hemisphäre und / oder global; und 2), ob es eine Beziehung zwischen der Breite und der Verzögerung in Monaten zwischen dem Zeitpunkt der saisonalen UVR Trog und die anschließende Spitzenrezidivwahrscheinlichkeit Datum. Die MSBase Studiengruppe hypotheso bemessen, dass als absolute Vitamin D-Spiegel niedriger sind in den Regionen weiter von Equator und standortspezifische saisonale Bevölkerungsebene Vitamin-D-Nadir entfernt werden wahrscheinlich früher nach der Wintersonnenwende in so entfernten Orten zu erreichen, dann ist die Wirkung des niedrigen Vitamin D-Spiegel auf erhöhte MS Rückfallwahrscheinlichkeit würde in ähnlicher Weise beschreiben, wie zeitliche und Breitenmuster.

Relapse Definition und Termine

Ein Rückfall wurde als Auftreten neuer Symptome oder Verschlechterung bestehender Symptome anhaltend für mindestens 24 Stunden in Abwesenheit von gleichzeitigen Krankheit oder Fieber definiert und auftretende mindestens 30 Tagen nach einer früheren Attacke. Diese Definition wurde zuvor in einer MSBase Rückfall-Phänotyp-Analyse angewandt. 36 Der Beobachtungszeitraum für die jeweiligen Patienten, über die Rückfallereignisse beobachtet wurde als den Zeitraum von dem Zeitpunkt der ersten EDSS Einschätzung bis zum Datum des letzten festgelegt werdenEDSS Beurteilung in der Registrierung vor den Daten des Datenextrakt und Zusammenstellung erfasst. In Fällen, wo der genaue Tag der Rückfall Entstehung war nicht verfügbar oder nicht in der Lage für einen bestimmten Monat ermittelt werden kann, verwendet Kliniken entweder der 1. oder 15. Tag des Monats als Standarddaten. Von den 32.762 Rückfällen in diesem Bericht analysiert wurden 7913 (24,2%) und 4594 (14,0%) am 1. und 15. Tag des Monats, jeweils aufgezeichnet, deutlich höher als die Anteile an jedem anderen Tag des Monats, die reichten aufgezeichnet von 0,8% bis 5,6%. Um dies zu korrigieren, Rückfälle aufgezeichnet entweder der 1. der 15. Tag des Monats, wurden zu einem Tag innerhalb von 15 Tage-Intervall jeder Seite dieser beiden Standarddaten randomisiert. Die interne Validität dieses Ansatzes wurde durch Sensitivitätsanalysen bestätigt, die zeigten, dass die modellierten Schätzung der Spitzenrückfall Datum unter Standarddatum Randomisierung war nicht signifikant verschieden von einem model entweder die ursprüngliche berichteten Daten oder ohne Standarddaten vollständig.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Protokoll

Loading...
$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

HINWEIS: Jeder beschriebenen entspricht einem Schnitt von Stata-Code mit der gleichen Anzahl in der Code-Datei bereitgestellt Schritt. Stata Befehlsnamen wurden in dem folgenden Protokoll kursiv worden.

1. Bereiten Sie und Plot der beobachteten Relapse Onset Daten

  1. Öffnen Sie eine do-Datei, indem Sie auf den Button "Neu Do-Datei-Editor" und verwenden Sie die Erzeugung Befehl, um die Anzahl der Rückfall Onsets zu jeder der zwölf Kalendermonate für jede der drei geografischen Ebenen vom berechnen modelliert werden: Ort, Hemisphäre und global. Aktionsbefehl, indem Sie auf die Aktionstaste "Execute (do)" do-Datei in der Do-File.
  2. Verwenden Sie die swilk oder sktest Befehl, um die zugrunde liegende Verteilung der Rückfall zählt für Normalität mit einem Shapiro-Wilk oder modifizierte Jarque-Bera-Test für Standort Gesamtrückfall Daten zu testen oder disaggregieren Patientenebene Rückfalldaten auf. Wählen Sie Code und klicken Sie auf "Ausführen (zu tun)".
    Hinweis: Bei Anwesenheit von signifikanten Skew, wenden Sie einen natürlichen Logarithmus-Transformation und anschließend testen Sie die Log-transformierten Rückfall Zählvariable für ungefähre Normalität nach der erneuten Anwendung der Shapiro-Wilk oder modifizierte Jarque-Bera-Test gegebenenfalls 38,39.
  3. Verwenden Sie den Befehl zu erzeugen, um eine neue Variable "north_month" für die südliche Hemisphäre Kalendermonate nach sechs Offset zum Plotten von beiden nördlichen und südlichen Hemisphäre Rückfälle nach Saison entlang der gleichen horizontalen Achse erlauben erstellen. Wählen Sie Code und klicken Sie auf "Ausführen (zu tun)".
    1. Graph ein Streudiagramm der beobachteten monatlichen Rückfall Onsets mit Rezidiv Frequenz auf der y-Achse und Kalendermonat auf der x-Achse für jede Halbkugel mit dem Befehl twoway streuen. Wiederholen Sie für jeden Standort. Beachten Sie Muster von Höhen und Tiefen in Rückfall Entstehung im Kalenderjahr durch Betrachten jeder Parzelle in der Grafik-Viewer öffnet sich automatisch, um die Bildschirm.
  4. Verwenden Sie den Befehl, um Radarziehen Radargrundstücke der Verteilung der Rezidivhäufigkeit nach Kalendermonaten mit je Radarachse der Aufnahme eines einzigen Monat im Uhrzeigersinn angeordnet. Wählen Sie Code und klicken Sie auf "Ausführen (zu tun)".
    1. Wiederholen Sie dies für alle Standorte. Beachten Sie Muster von Höhen und Tiefen in Rückfall Entstehung im Kalenderjahr durch Betrachten jeder Parzelle in der Grafik-Viewer öffnet sich automatisch, um die Bildschirm.
  5. Führen Sie den Befehl Seast auf ein Edwards Test der Saisonalität in den beobachteten Rückfall Daten. 40-42 Wiederholen Sie für alle geografischen Ebenen.

2. Modellbildung und Auswahl

  1. Verwenden Sie den Befehl zu erzeugen, um die jährlichen Zyklus Sinus- und Cosinus-trigonometrische Funktionen, um in der Regression verwendet werden soll. Wählen Sie Code und klicken Sie auf "Ausführen (zu tun)".
  2. Verwenden Sie den Befehl regress geben Sie die Form der Basismodell mit Rückfallzahl als abhängige Zielvariable und die Sinus- und Cosinus-Begriffe berechnetin Schritt 2.1 als primäre erklärenden Variablen.
    1. In standortspezifischen UVR 37 zu dem Basismodell als zusätzliche Stell Kovariate und verwenden Sie das Gewicht aweight Option analytischen, um das Modell für die Anzahl der Patienten, die von jedem Standort beigetragen gewichten. Wählen Sie Code und klicken Sie auf "Ausführen (zu tun)".
      ANMERKUNG: Notieren Sie die Modellbestimmungskoeffizient (R 2) und dem Restfehler im Ergebnisfenster, die automatisch öffnet, um zu screenen. UV-Strahlung: Tagesdurchschnitt erythemwirksamen gewichteten Umgebungs UVR für jeden Monat 1979-2004 inclusive wurde von der National Aeronautics and Space Administration Erdsonde Gesamt Ozone Mapping Spectrometer sourced für alle einzelnen Standorten in der Analyse berücksichtigt 37.
  3. Lagern Sie das Modell vorhergesagt monatlichen log (Rückfall) mit Hilfe des Befehls vorherzusagen. Convert Log Rückfälle zurück zu ganzzahligen Rückfallzahlen durch Potenzieren des log (Rezidiv) tige Verwendung des generaß Befehl. Wählen Sie Code und klicken Sie auf "Ausführen (zu tun)". Wiederholen Sie dies für alle Standorte.
  4. Überlagern die potenziert prognostizierten monatlichen Rückfall Schätzungen von 2,3 über den beobachteten monatlichen Rückfalls Daten über die Befehls twoway streuen. Wählen Sie Code und klicken Sie auf "Ausführen (zu tun)".
    1. Wiederholen Sie dies für alle Standorte. Informieren Sie sich über jedes Grundstück in der Grafik-Viewer.
  5. Verwenden Sie den Befehl Regress, den in 2.2 festgelegten Modell durch Hinzufügen eines zusätzlichen harmonischen Sinus / Cosinus-pair zu erweitern. Wählen Sie Code und klicken Sie auf "Ausführen (zu tun)".
    HINWEIS: Nehmen Sie den Restfehler und das Bestimmtheitsmaß. Sparen Sie und verwandeln Modellschätzungen nach 2.3 und Grundstück Modell schätzt auf beobachteten Daten per 2.4. Wiederholen Sie dies für alle Standorte.
  6. Verwenden Sie den Befehl Regress, den in 2.2 festgelegten Modell weiter ausbauen, indem zwei zusätzliche Harmonische Sinus / Cosinus-Paare. Wählen Sie Code und klicken Sie auf "Ausführen (zu tun)".
    ANMERKUNG: Notieren Sie die Residuen und den Koeffizienten derBestimmung. Vergleichen dieses Modells direkt mit dem Basismodell mit einem Likelihood Ratio Test. Verwenden Sie den ic post-Schätzbefehl estat zu Akaike und Bayes-Informationskriterien generieren. Sparen Sie und verwandeln Modellschätzungen nach 2.3 und Grundstück Modell schätzt auf beobachteten Daten per 2.4. Wiederholen Sie dies für alle geografischen Ebenen.

3. Estimating Spitzen Relapse Probability

  1. Verwenden Sie die nichtlineare Kombination von Schätzfunktion (nlcom), um die Punktschätzung und 95% Konfidenzintervall für die Phasenverschiebung zu berechnen, unter Verwendung der besten passende Modell aus den Schritten 2.1 bis 2.6 identifiziert. Wählen Sie Code und klicken Sie auf "Ausführen (zu tun)".
    1. Konvertieren Sie diese Punktschätzungen und zugehörige Konfidenzintervalle um Zahlen, die Kalenderdaten der Spitzenrückfallfrequenz (T max) und Trogrückfallfrequenz (T min), wobei 1 = 1. Januar und 365 = 31. Dezember bis T max = Phasenverschiebung + (365/4) undT min = Phasenverschiebung + ((365/4) * 3). Wiederholen Sie dies für alle geografischen Ebenen. Spiel T max und T min auf ein Kalenderdatum über die Excel-Look-Up-Datei.
  2. Verwenden Sie den Befehl zu generieren, um Spitze-zu-Trog Differenz (T max minus T min) für jeden Ort, für alle 100 Patienten pro Seite standardisiert zu berechnen. Verwenden Sie einen Wilcoxon-Rangsummentest, standardisierte Spitze-zu-Trog Differenz durch Breitenbereich zu vergleichen. Wählen Sie Code und klicken Sie auf "Ausführen (zu tun)".

4. Modellierung ultraviolette Strahlung Daten

  1. Führen Sie Verwendung Befehl, um die UVR Daten zu laden. Berechnen Sie mittlere monatliche UVR für jeden Ort mit dem Befehl egen. Wählen Sie Code und klicken Sie auf "Ausführen (zu tun)".
  2. Graph ein Streudiagramm der monatlichen UVR (y-Achse) von Kalendermonats (x-Achse) für jeden Ort mit dem twoway Streufunktion. Informieren Sie sich über jedes Grundstück in der Grafik-Viewer öffnet sich automatisch, um die Bildschirm.
  3. Repessen Schritt 1.2 für die UVR Daten und verwenden Sie den Befehl regress, um eine Basis-Modell der Standortebene jährliche UVR Trend, wo monatlich UVR als den abhängigen Ergebnisvariablen und den in Schritt 2.1 Sinus- und Cosinus-trigonometrische Funktionen angegeben haben in das Modell eingearbeitet wie die erklärenden Variablen.
  4. Wiederholen Sie die Schritte 2.4 bis 2.6 für den UVR Modell und beschränkt sich auf die standortspezifischen Modellen. Dies beinhaltet erneutes Ausführen des Befehls twoway streuen, um vorhergesagte Schätzungen auf beobachteten Daten zu überlagern und mit dem Befehl regress, um die erweiterten harmonischen Modellvarianten laufen.
  5. Unter Verwendung der am besten passende Modell der standortspezifischen monatlichen UVR in Schritten 4.2 identifiziert bis 4.4 verwenden die Erzeugung Befehl, um die Phasenverschiebung Punktschätzung und zugehörige 95% Konfidenzintervall für UVR durch erneute Anwendung der in Schritt 3.1 Doppelwinkelformeln berechnet . Berechnen Sie T min (Datum des Trog UVR) für jeden Standort mit the Formel in Schritt 3.1 beschrieben. Wählen Sie Code und klicken Sie auf "Ausführen (zu tun)".

5. Modellierung UVR-Trog-zu-Rückfall-Peak-Lag

  1. Hängen Sie die vom Modell geschätzten Termin aus saisonalen UVR Trog aus Schritt 4.5 und Rückfall Peak stammt aus dem Schritt 3.1 für jeden Ort mit dem Befehl Merge. Verwenden Sie den Befehl zu erzeugen, um die Zeit in Monaten zwischen UVR Trog Datum und weiteren Rückfall Spitzendatum verstrichen berechnen. Wählen Sie Code und klicken Sie auf "Ausführen (zu tun)".
  2. Verwenden Sie den Befehl, um die sktest Verzögerung variable UVR-Trog-zu-Rückfall-Peak für signifikante Abweichungen von der Normaltest mit einem Shapiro-Wilk-Test Code auswählen und klicken Sie auf "Ausführen (zu tun)".
  3. Hängen Sie Standort-Level-Breitendaten zum Datensatz mit dem Befehl Merge. Konvertieren relativen Breite, um absolute Spielraum mit der abs (x) -Funktion. Wählen Sie Code und klicken Sie auf "Ausführen (zu tun)".
  4. Mit dem Befehl regress, testen Sie die Linearität of die Beziehung zwischen Lag und absolute Spielraum, indem Sie sowohl linearen und quadratischen Regressionen und Vergleichen Residuen. Wählen Sie Code und klicken Sie auf "Ausführen (zu tun)".
  5. Verwendung Regress, geben Sie eine lineare Regressionsmodell bedeuten, mit UVR-Trog-zu-Rückfall-Spitze lag als abhängige Zielvariable und absolute Breite in Einheiten von 10 Grad, wie der Einflußvariablen. Gewicht das Modell für die Anzahl der Patienten, die von jedem Ort mit dem aweights bilden Option beigetragen. Wählen Sie Code und klicken Sie auf "Ausführen (zu tun)".
  6. Verwenden Sie den Befehl Streu twoway um absolute Spielraum auf der y-Achse gegen UVR-Trog-zu-Rückfallverzögerung in Monaten auf der x-Achse zu zeichnen. Überlagern eine Ausgleichsgerade mit lfit graph Option. Visualisieren Sie die relativen Patientengewichte von jedem Standort mit der Option aweight analytische Gewichte. Wählen Sie Code und klicken Sie auf "Ausführen (zu tun)".

6. Sensitivitätsanalysen von Patientenebene Relapse Propensities

  1. Verwenden Sie den Befehl mepossion zu einem Mixed-Effects-Poisson-Regression angeben, wo monatliche Rückfallzahl ist die abhängige Ergebnisvariable, die in Schritt 2.1 Sinus- und Cosinus-trigonometrische Funktionen werden wieder in dem Modell wie die festen Variablen einbezogen, Baseline-EDSS, alter MS Einsetzen und vor der Exposition gegenüber MS spezifische krankheitsmodifizierende Behandlung werden als potenzielle Störfaktoren und persönliche Patienten-Kenn als Zufallseffekt angegeben inbegriffen. Wählen Sie Code und klicken Sie auf "Ausführen (zu tun)".
  2. Wiederholen Sie die Schritte 2.4 bis 2.6, um den am besten passenden Poisson-Modell zu identifizieren. Dies beinhaltet erneutes Ausführen des Befehls twoway streuen, um vorhergesagte Schätzungen auf beobachteten Daten zu überlagern und mit dem Befehl regress, um die erweiterten harmonischen Modellvarianten laufen.
  3. Verwenden Sie die nichtlineare Kombination von Schätzfunktion (nlcom), um die Punktschätzung und 95% Konfidenzintervall für die Phasenverschiebung zu berechnen und die Berechnung der Datumder Spitzenrückfallfrequenz. Ergebnisse mit der primären Analyse vergleichen.
  4. Verwenden Sie den Befehl zu generieren, um UVR-Trog-zu-Rückfall-Peak-Verzögerung in Monaten für jeden Standort neu zu berechnen, wie in Schritt 5.1 beschrieben, unter Verwendung der Patientenebene Poisson Modellschätzungen der Spitzenrückfall Datum in Schritt 6.3 abgeleitet. Wählen Sie Code und klicken Sie auf "Ausführen (zu tun)".
  5. Verwenden Sie den Befehl Regress auf absolute Breite als Prädiktor für Verzögerung umzugestalten, wie in Schritt 5.5 beschrieben, und vergleichen Sie die Ergebnisse mit der primären Analyse. Wählen Sie Code und klicken Sie auf "Ausführen (zu tun)".

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Ergebnisse

Loading...
$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Die Anwendung von trigonometrischen Regression auf 32.762 Rückfall Ereignisse aus 46 klinischen Zentren in 20 Ländern bezogen war die Grundlage für die eine vertretbare statistische Argument für die Beobachtung, dass der Zeitpunkt des Rückfalls Einsetzen in MS ist zyklische und saisonale über beide Hemisphären, und dass die Dauer zwischen saisonalen UVR Trog und weiteren Rückfall Spitzen korreliert mit Breite. Entscheidend für das war das Vertrauen auf Plot-Analyse, um die zwangsläufig iterativen Prozess der Modellentwi...

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Diskussion

Loading...
$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Die hier beschriebene Protokollinformationen eine systematische Regression basierte Technik, durch visuelle Plot-Analyse, der globalen MS Rückfall Entstehung Daten geführt. Es nimmt als Ausgangspunkt eine relativ einfache deskriptive Analyse der Rückfall Daten aus 20 Ländern in beiden Hemisphären, in dem der Benutzer Theorien über die Zeitlichkeit des Rückfalls Einsetzen Zeitpunkt in MS und durch die Verwendung von trigonometrischen Modelle testet diese Theorien formell zu erkunden. Durch einen schrittweisen Prozess der...

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Offenlegungen

Loading...
$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Tim Spelman erhielt Honorare für Beratung und Finanzierung für die Reise von Biogen Idec Inc; Orla Grau erhalten Reise Unterstützung von Biogen Idec, Merck Serono und Novartis; Entschädigung für die Über wissenschaftlichen Beiräten von Biogen Idec, Genzyme, Novartis und Merck Serono, Robyn Lucas nicht offenbart keine konkurrierenden Interessen und Helmut Butzkueven eine Entschädigung für die Über wissenschaftlichen Beiräten und als Berater für Biogen Idec und Novartis; Lautsprecherhonorare von Biogen Idec Australia, Australien Merck Serono, Novartis und Australien; Reisen nach Unterstützung durch Biogen Idec Australien und Merck Serono Australien; Forschungsunterstützung von CASS Foundation (Australien), Merck Serono Australien, den Royal Melbourne Krankenhaus Freunde der Neurowissenschaften Foundation und der University of Melbourne.

Danksagungen

Loading...
$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Die Autoren danken Ivan Hanigan für seine Unterstützung bei der Extraktion und Interpretation der Satellitendaten der ultravioletten Strahlung. Die Arbeit wurde unterstützt durch den NHMRC Career Development Award (Clinical) an HB [ID628856], NHMRC Project Grant [1032484], NHMRC Center for Research Excellence [Grant ID 1001216] und die MSBase Foundation. Die MSBase Foundation ist eine gemeinnützige Organisation, die von Merck Serono, Biogen Idec, Novartis Pharma, Bayer-Schering, Sanofi-Aventis und BioCSL unterstützt wird. RL wird durch einen NHMRC Career Development Award [ID 1004898] unterstützt.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Materialien

Liste der in diesem Artikel verwendeten Materialien
NameUnternehmenKatalognummerKommentare
Stata SE Version 13StataCorp, College Station, TexasVersion 13Statistische Analysesoftware für die Analyse
Microsoft Excel 2010Microsoft2010Tabellenkalkulationsprogramm zum Nachschlagen von Kalenderdaten

Referenzen

Loading...
$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Simpson, S. Jr, Blizzard, L., Otahal, P., Van der Mei, I., Taylor, B. Latitude is significantly associated with the prevalence of multiple sclerosis: a meta-analysis. J Neurol Neurosurg Psychiatry. 82 (10), 1132-1141 (2011).
  2. Risco, J., et al. Latitudinal prevalence gradient of multiple sclerosis in Latin America. Mult Scler. 17 (9), 1055-1059 (2011).
  3. Hollingworth, S., Walker, K., Page, A., Eadie, M. Pharmacoepidemiology and the Australian regional prevalence of multiple sclerosis. Mult Scler. 19 (13), 1712-1716 (2013).
  4. Jin, Y., de Pedro-Cuesta, J., Soderstrom, M., Stawiarz, L., Link, H. Seasonal patterns in optic neuritis and multiple sclerosis: a meta-analysis. J Neurol Sci. 181 (1), 56-64 (2000).
  5. Bamford, C. R., Sibley, W. A., Thies, C. Seasonal variation of multiple sclerosis exacerbations in Arizona. Neurol. 33 (6), 697-701 (1983).
  6. Bisgard, C. Seasonal variation in disseminated sclerosis (Danish). Ugeskrift for Laeger. 152 (16), 1160-1161 (1990).
  7. Callaghan, T. S. Multiple sclerosis and sinusitis. Lancet. 328 (8499), 160-161 (1986).
  8. Gay, D., Dick, G., Upton, G. Multiple sclerosis associated with sinusitis: a case-controlled study in general practice. Lancet. 327 (8485), 815-819 (1986).
  9. Goodkin, D. E., Hertsgaard, D. Seasonal variation of multiple sclerosis exacerbations in North Dakota. Arch Neurol. 46 (9), 1015-1018 (1989).
  10. Hopkins, C. E., Swank, R. L. Multiple sclerosis and the local weather. Arch Neurol. 74 (2), 203-207 (1955).
  11. O'Reilly, M. A. R., O'Reilly, P. M. R. Temporal influences on relapses of multiple sclerosis. Eur Neurol. 31 (6), 391-395 (1991).
  12. Schapira, K. The seasonal incidence of onset and exacerbations in multiple sclerosis. J Neurol Neurosurg Psychiat. 22 (4), 285(1959).
  13. Sibley, W. A., Foley, J. M. Seasonal variation in multiple sclerosis and retrobulbar neuritis in Northeastern Ohio. Trans Am Neurol Assoc. 90, 295-297 (1965).
  14. Sosa, E. M., Betancor, L. P., Rosas, C., Navarro, M. C. Multiple sclerosis in the province of Las Palmas (Spanish). Archivos de Neurobiologia. 46 (3), 161-166 (1982).
  15. Ogawa, G., Mochizuki, H., Kanzaki, M., Kaida, K., Motoyoshi, K., Kamakura, K. Seasonal variation of multiple sclerosis exacerbations in Japan. Neurol Sci. 24 (6), 417-419 (2004).
  16. Abella-Corral, J., Prieto, J. M., Dapena-Bolaño, D., Iglesias-Gòmez, S., Noya-Garcìa, M., Lema, M. Seasonal variations in the outbreaks in patients with multiple sclerosis. Rev Neurol. 40 (7), 394-396 (2004).
  17. Koziol, J. A., Feng, A. C. Sesonal variations in exacerbations and MRI parameters in relapsing-remitting multiple sclerosis. Neuroepidemiology. 23 (5), 217-223 (2004).
  18. Spelman, T., et al. Seasonal variation of relapse rate in multiple sclerosis is latitude dependent. Ann Neurol. 76 (6), 880-890 (2014).
  19. Gallier, J. H. Curves and surfaces in geometric modeling: theory and algorithms. , Morgan Kaufmann. (2000).
  20. Agoston, K. Computer Graphics and Geometric Modelling: Implementation & Algorithms. Springer Science & Business Media. , (2005).
  21. Cox, N. J. Speaking Stata: in praise of trigonometric predictors. Stata Journal. 6 (4), 561-579 (2006).
  22. Bhaskaran, K., Gasparrini, A., Hajat, S., Smeeth, L., Armstrong, B. Time series regression studies in environmental epidemiology. Int J Epidemiol. , (2013).
  23. Bracewell, R. N. The Fourier Transform and Its Applications. , McGraw-Hill. New York. (2000).
  24. Korner, T. W. Fourier Analysis. , Cambridge University Press. Cambridge. (1998).
  25. Rigdon, S. E., et al. Detection of Outbreak Signals Using R. Online J Public Health Inform. 6 (1), (2014).
  26. Ziemssen, T., Reimann, M., Gasch, J., Rüdiger, H. Trigonometric regressive spectral analysis: an innovative tool for evaluating the autonomic nervous system. J Neural Transm. 120 (1), 27-33 (2013).
  27. Luque-Fernandez, M. A., et al. Absence of circadian rhythms of preterm premature rupture of membranes and preterm placental abruption. Ann Epidemiol. 24 (12), 882-887 (2014).
  28. Luteijn, J. M., et al. Seasonality of congenital anomalies in Europe. Birth Defects Res A Clin Mol Teratol. 100 (4), 260-269 (2014).
  29. Giardini, V., Russo, F. M., Ornaghi, S., Todyrenchuk, L., Vergani, P. Seasonal impact in the frequency of isolated spina bifida. Prenat Diagn. 33 (10), 1007-1009 (2013).
  30. Eghtesady, P., Brar, A., Hall, M. Seasonality of hypoplastic left heart syndrome in the United States: A 10-year time-series analysis. J Thorac Cardiovasc Surg. 141 (2), 432-438 (2011).
  31. Abiona, T. O., Adebowale, S. A., Fagbamigbe, A. F. Time Series Analysis of Admission in the Accident and Emergency Unit of University College Hospital, Ibadan, Southwestern Nigeria. Am. J. Comput. Appl. Math. 2 (1), 1-9 (2012).
  32. Cantwell, K., Dietze, P., Morgans, A. E., Smith, K. Ambulance demand: random events or predicable patterns? Emerg Med J. 30 (11), 883-887 (2012).
  33. Butzkueven, H., et al. MSBase: an international, online registry and platform for collaborative outcomes research in multiple sclerosis. Mult Scler. 12 (6), 769-774 (2006).
  34. Poser, C. M., et al. New diagnostic criteria for multiple sclerosis: guidelines for research protocols. Ann Neurol. 13 (3), 227-231 (1983).
  35. McDonald, W. I., et al. Recommended diagnostic criteria for multiple sclerosis: guidelines from the International Panel on the diagnosis of multiple sclerosis. Ann Neurol. 50 (1), 121-127 (2001).
  36. Kalincik, T., et al. Risk of relapse phenotype recurrence in multiple sclerosis. Mult Scler. , (2014).
  37. Total Ozone Mapping Spectrometer on board the Earth Probe spacecraft. , Available from: http://iridl.ldeo.columbia.edu/SOURCES/.NASA/.GSFC/.TOMS (2013).
  38. D'Agostino, R. B., Belanger, A. J., D'Agostino, R. B. Jr. A suggestion for using powerful and informative tests of normality. Am Stat. 44 (4), 316-321 (1990).
  39. Gould, W. W., Rogers, W. H. Summary of tests for normality. Stata Technical Bulletin. 3, 20-23 (1991).
  40. Stolwijk, A. M., Straatman, H., Zielhuis, G. A. Studying seasonality by using sine and cosine functions in regression analysis. J Epidemiol Community Health. 53 (4), 235-238 (1999).
  41. Brookhart, M. A., Rothman, K. J. Simple estimators of the intensity of seasonal occurrence. BMC Med Res Methodol. 8 (1), 67(2008).
  42. Fernández-Durán, J. J., Gregorio-Domìnguez, M. M. Testing for seasonality using circular distributions based on non-negative trigonometric sums as alternative hypotheses. Stat Methods Med Res. 23 (3), 279-292 (2011).
  43. Lemire, J. M., Archer, D. C., Beck, L., Spiegelberg, H. L. Immunosuppressive actions of 1,25-dihydroxyvitamin D3: preferential inhibition of Th1 functions. J Nutr. 125, Suppl 6. 1704S-1708S (1995).
  44. Tsoukas, C. D., et al. Inhibition of interleukin-1 production by 1,25-dihydroxyvitamin D3. J Clin Endocrinol Metab. 69 (1), 127-133 (1989).
  45. Lemire, J. M. Immunomodulatory actions of 1,25-dihydroxyvitamin D3. J Steroid Biochem Mol Biol. 53 (1-6), 599-602 (1995).
  46. van Etten, E., Mathieu, C. Immunoregulation by 1,25-dihydroxyvitamin D3: basic concepts. J Steroid Biochem Mol Biol. 97 (1-2), 93-101 (2005).
  47. Tsoukas, C. D., Provvedini, D. M., Manolagas, S. C. 1,25-dihydroxyvitamin D3: a novel immunoregulatory hormone. Science. 224 (4656), 1438-1440 (1984).
  48. Smolders, J., Menheere, P., Kessels, A., Damoiseaux, J., Hupperts, R. Association of vitamin D metabolite levels with relapse rate and disability in multiple sclerosis. Mult Scler. 14 (9), 1220-1224 (2008).
  49. Provvedini, D. M., Manolagas, S. C. 1 Alpha,25-dihydroxyvitamin D3 receptor distribution and effects in subpopulations of normal human T lymphocytes. J Clin Endocrinol Metab. 68 (4), 774-779 (1989).
  50. Provvedini, D. M., Tsoukas, C. D., Deftos, L. J., Manolagas, S. C. 1 alpha,25-Dihydroxyvitamin D3-binding macromolecules in human B lymphocytes: effects on immunoglobulin production. J Immunol. 136 (8), 2734-2740 (1986).

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Nachdrucke und Genehmigungen

Genehmigung beantragen, um den Text oder die Abbildungen dieses JoVE-Artikels zu verwenden

Genehmigung beantragen

Schlagwörter

Trigonometrische RegressionBreitengradanalyseZeitpunkt des R ckfallsStata SoftwareUVR Modellierungharmonisches ModellPhasenverschiebungDatenvisualisierung

Verwandte Artikel