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

Das übergeordnete Ziel dieser statistischen trigonometrischen Regression ist es, den zeitlichen Ablauf von Schubereignissen zu modellieren, die üblicherweise den Krankheitsverlauf eines Patienten bei Multipler Sklerose charakterisieren, und diese Modelle zu verwenden, um saisonale und breitengradale Korrelate des Schubbeginns zu untersuchen. Diese Methode kann dazu beitragen, Schlüsselfragen des natürlichen Verlaufs in der Epidemiologie der Multiplen Sklerose zu untersuchen, einschließlich der unabhängigen Einflüsse von Jahreszeit und Breitengrad sowie des Zeitpunkts des Rückfalls, was ein großes Potenzial für nachfolgende Untersuchungen der biologischen Mechanismen des Rückfalls darstellt. Der Hauptvorteil dieser Technik besteht darin, dass sie ein flexibles, regressionsbasiertes Werkzeug zur Erforschung und Untersuchung periodischer und zyklischer Phänomene bietet.

Auf diese Weise können die Einflüsse von Breitengrad und Jahreszeit von einer Reihe anderer Korrelate des Rezidivs isoliert werden, einschließlich Patienten- und Behandlungsfaktoren. Die hier beschriebene Analyse wird mit Hilfe einer befehlszeilengesteuerten Statussoftware durchgeführt. Beginnen Sie damit, eine Do-Datei zu öffnen.

Klicken Sie auf die Schaltfläche "Neuer Dateieditor". Berechnen Sie anschließend mit dem Befehl generate die Anzahl der Rückfall-Beginne, die auf jeden der 12 Kalendermonate datiert sind. Führen Sie diesen Schritt für die zu modellierende geographische Ebene aus, in diesem Fall die Hemisphäre.

Führen Sie den Befehl generate aus, wie alle Befehle ausgeführt werden, indem Sie in der fälligen Datei auf die Aktionsschaltfläche execute do do file klicken. Führen Sie als Nächstes einen S WIL-Befehl oder einen SK-Testbefehl aus, um die zugrunde liegende Verteilung der Rückfallzahlen auf Normalität zu testen. Diese Optionen gelten entweder für einen Shapiro-Wilk- bzw. einen modifizierten Harkey-Bara-Test.

Treffen Sie die richtige Wahl, wenn die Daten zur Rückfallzählung erheblich verzerrt sind. Wenden Sie dann eine Protokolltransformation an. Wenn die Daten übergeben werden.

Der Normalitätstest wird fortgesetzt, indem der Befehl generate verwendet wird, um eine neue Variable northco month für die südliche Hemisphäre zu erstellen. Kalendermonate versetzt um sechs Einheiten. Verwenden Sie nun die Variable "Monat Nord", um ein Streudiagramm aller Daten zu erstellen.

Platzieren Sie den Kalender, die Monate und Jahreszeiten auf der X-Achse und die beobachteten monatlichen Schübe, die mit der Schachthäufigkeit auf der Y-Achse. Beobachten Sie die Muster des Rückfallbeginns im Laufe des Kalenderjahres, indem Sie jedes Diagramm im Diagramm-Viewer anzeigen. Führen Sie als Nächstes den Befehl radar aus, um Radardiagramme der Verteilung der Rückfallhäufigkeit nach Kalendermonat zu zeichnen.

Jede Radarachse erfasst einen einzelnen Monat, der im Uhrzeigersinn angeordnet ist. Um diese Analyse abzuschließen, führen Sie den CT-Befehl aus, um einen Edwards-Test der Saisonalität auf die beobachteten Rückfalldaten anzuwenden. Wiederholen Sie diesen Test auf jeder geografischen Ebene, indem Sie mit der Software fortfahren.

Erstellen Sie ein Modell der Daten. Geben Sie zunächst die trigonometrischen Funktionen für das Jahreszyklusvorzeichen und das Co-Zeichen an, die in der Datenregression verwendet werden sollen. Verwenden Sie als Nächstes den Befehl regress, um die Form des Basismodells mit der Rückfallanzahl als abhängigem Ergebnis anzugeben.

Dieser Befehl gibt die soeben berechneten Vorzeichen- und Mitzeichenterme als primäre erklärende Variablen ein. Anschließend wird die standortspezifische UVR als zusätzliche Anpassungskovariate hinzugefügt, und die Option "Analytische Gewichtung" wird angewendet, um das Modell für die Anzahl der Patienten zu gewichten, die von jedem Standort beigetragen wurden. Speichern Sie nun den vom Modell vorhergesagten monatlichen Protokollrückfall mit dem Befehl predict für jeden Standort.

Konvertieren Sie logarithmische Rückfälle zurück in die Anzahl ganzzahliger Rückfälle. Potenzieren Sie den Log-Rückfallterm mit dem Befehl generate für jede Site. Überlagern Sie dann die Vorhersage der monatlichen Rückfallschätzungen des Expons mit dem Befehl bidirektionaler Scatter.

Erweitern Sie nun das Modell, indem Sie mit dem Befehl regress ein zusätzliches Paar aus harmonischem Vorzeichen und Mitzeichen hinzufügen. Wiederholen Sie dies noch zwei weitere Male, sodass drei Zeichen-Cosign-Paare hinzugefügt werden. Jedes Paar wird verwendet, um ein eigenständiges Modell der Daten zu erstellen, um die Wahrscheinlichkeit eines Spitzenrückfalls zu schätzen.

Beginnen Sie mit der Verwendung von nl com, um den Punkt, die Schätzung und das 95%-Konfidenzintervall für die Phasenverschiebung zu berechnen. Um das am besten passende Modell zu erhalten, konvertieren Sie die ausgegebenen Punktschätzungen und die zugehörigen Konfidenzintervalle in Daten, die für jeden Tag des Jahres nummeriert sind. Geben Sie die maximale Schubfrequenz oder tmax und die Talschubfrequenz oder T in an.

Ordnen Sie dann die Daten tmax und T in den Daten über die Excel-Lookup-Datei einem Kalenderdatum zu. In diesem Abschnitt wird beschrieben, wie die Daten der ultravioletten Strahlung oder der UVR-Daten modelliert werden. Führen Sie zunächst den Befehl use aus, um die UVR-Daten zu laden.

Berechnen Sie dann mit dem Befehl egen die mittlere monatliche UVR für jeden Standort. Verwenden Sie für jede Position die bidirektionale Streufunktion, um ein Streudiagramm der monatlichen UVR auf der Y-Achse mit dem Kalendermonat auf der X-Achse darzustellen. Überprüfen Sie dann wie zuvor die Normalität der Daten mit dem s wilk- oder SK-Test.

Geben Sie anschließend mit dem Befehl regress ein Basismodell für den jährlichen UVR-Trend auf Positionsebene an. Geben Sie die monatliche UVR als abhängige Ergebnisvariablen an, und legen Sie dann die erklärenden Variablen zu den zuvor generierten Trigono-Metrikfunktionen für Vorzeichen und Mitzeichen fest. Stellen Sie dann die Ergebnisse grafisch dar und überlagern Sie die vorhergesagten Werte.

Dazu müssen Sie den bidirektionalen Scatter-Befehl erneut ausführen, um die vorhergesagten und beobachteten Daten zu überlagern, und den Befehl regress verwenden, um die erweiterten harmonischen Modellalternativen auszuführen. Wenn Sie nun das Modell der besten Anpassung haben, verwenden Sie den Befehl generieren, um die Schätzung des Phasenverschiebungspunkts und das zugehörige Konfidenzintervall von 95 % für die UVR zu berechnen. Durch Anwenden der Doppelwinkelformeln berechnen Sie wiederum das Team für jeden Standort wie zuvor berechnet.

Setzen Sie die Analyse der saisonalen UVR-Daten fort, indem Sie den Befehl merge verwenden, um den zuvor berechneten Trog hinzuzufügen und die Spitzendaten für jede Position zu ersetzen. Verwenden Sie dann den Befehl generieren, um die Zeit zu berechnen, die in Monaten zwischen dem Datum des UVR-Tiefpunkts und dem nachfolgenden Rückfall-Spitzendatum verstrichen ist. Bevor Sie fortfahren, führen Sie mit dem Befehl SK test einen Normalitätstest für die UUV-Verzögerungsdaten aus.

Konvertieren Sie nach der Zusammenführung den relativen Breitengrad mit der Funktion ABS X in den absoluten Breitengrad. Fahren Sie mit der Verwendung von Regress fort, um ein lineares Regressionsmodell mit UVR-Tal-zu-Relaps-Spitzenverzögerung als abhängige Ergebnisvariable und absoluter Breitengrad in Einheiten von 10 Grad als Prädiktorvariable anzugeben. Achten Sie darauf, mit dem Modell auf die Anzahl der Patienten zu warten, die von jeder Position mit der Option A-Gewichtungsregress beigetragen wurden.

Verwenden Sie abschließend den Befehl Zwei-Wege-Streuung, um den absoluten Breitengrad auf der Y-Achse gegen die UVR-Mulde zu plotten, um die Verzögerung auf der X-Achse auszugleichen, die in Monaten aus den Grafikoptionen angezeigt wird. Überlagern Sie eine Linie mit der besten Anpassung mit der Option L-Anpassungsdiagramm und verwenden Sie die Option a Gewichte, um die relativen Patientengewichte der einzelnen Positionen zu visualisieren. Die trigonometrische Regressionsanalyse wurde anhand eines Datensatzes von 32.762 Schubereignissen durchgeführt.

Die grundlegende Darstellung der Daten deutete auf einen Jahreszyklus mit einem Frühjahrs- und einem Herbsttief über alle geografischen Ebenen hinweg hin. Die Rückfälle erreichten im Mai weltweit einen Höchststand. In den Daten der Nordhalbkugel wurde ein entsprechender Höhepunkt im November in den Daten der Südhalbkugel beobachtet.

Diese Ergebnisse zeigten eine periodische zeitliche Variation auf allen drei Ebenen der Geographie, die am besten durch einen Jahreszyklus mit einem einzigen Höhepunkt und einem einzigen Tiefpunkt in einem Zeitraum von sechs Monaten beschrieben wird. So wurde dies als Basisfallmodell über beide Hemisphären hinweg etabliert. Als nächstes wurden UVR-Regressionsdiagramme erstellt, um den UVR-Talschubpeak zu bestimmen.

Die UVR-Tal-Rezidiv-Peak-Metrik zeigte den Einfluss des Breitengrads auf die Rezidivwahrscheinlichkeit, wenn der Breitengrad vom Äquator aus zunimmt. Es gibt eine korrelative Abnahme der Verzögerung zwischen dem UVR-Tal und dem anschließenden Schubpeak nach seiner Entwicklung. Diese Technik hat den Weg geebnet, der es Forschern ermöglicht, epidemiologische Phänomene, die periodisch und psychisch variieren, mathematisch zu untersuchen.

Nachdem Sie sich dieses Video angesehen haben, sollten Sie nun eine gute Vorstellung davon haben, wie Sie periodische zyklische Phänomene mit einem trigonometrischen Regressionswerkzeug untersuchen und kritisieren können. Bei der Anwendung dieser Technik ist es wichtig sicherzustellen, dass das Dataset sauber ist und der Code debuggt wird. Es ist auch wichtig, einen klinischen und biologischen Kontext zu überlagern und anzuwenden, insbesondere im Hinblick auf die Interpretation der Ergebnisse und der Daten.