Name: Un método de trigonométricas Modelización de Variación Estacional demostrada con Esclerosis Múltiple La recaída de datos (Video) | JoVE Journal
Uploaded: 2015-12-09T15:00:00.000+00:00
Duration: 10 min 46 s
Description: Aprende a modelar la variación estacional en recaídas de esclerosis múltiple mediante regresión trigonométrica estadística. Este método computacional permite aislar efectos de latitud y estacionalidad para comprender mejor la epidemiología de la enfermedad.

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

Los autores desean agradecer a Ivan Hanigan por su apoyo en la extracción e interpretación de los datos del satélite de radiación ultravioleta. El trabajo fue apoyado por el Premio de Desarrollo Profesional (Clínico) del NHMRC a HB [ID628856], la Subvención del Proyecto del NHMRC [1032484], el Centro para la Excelencia en Investigación del NHMRC [ID de subvención 1001216] y la Fundación MSBase. La Fundación MSBase es una organización sin ánimo de lucro que recibe apoyo de Merck Serono, Biogen Idec, Novartis Pharma, Bayer-Schering, Sanofi-Aventis y BioCSL. RL cuenta con el apoyo de un Premio de Desarrollo Profesional de NHMRC [ID 1004898].

NOTA: Cada paso descrito corresponde a una sección de código Stata con el mismo número en el archivo de código proporcionado. Nombres de los comandos de Stata se han cursiva en el siguiente protocolo. 1. Preparar y Trazar la recaída Onset datos observados <ol><li> Abra un archivo de hacerlo haciendo clic en el botón &quot;Editor de Nueva Do-file&quot; y utilice el comando generará para calcular el número de inicios de recaída con fecha a cada uno de los doce meses del calendario para cada uno de los tres niveles geográficos a modelar: ubicación, hemisferio y global. Comandos de acción haciendo clic en el botón &quot;Ejecutar (hacer)&quot; do-archivo de acción en el archivo-do. </li><li> Utilice la swilk o comando sktest para probar la distribución subyacente de los recuentos de recaída de normalidad utilizando un Shapiro-Wilk o prueba de Jarque-Bera modificado para datos de recaída ubicación agregados o desglosar los datos de recaída nivel de pacientes, respectivamente. Seleccione código y haga clic en &quot;Ejecutar (hacer)&quot;. <br /&gt; NOTA: En presencia de asimetría significativa, aplicar una transformación logarítmica natural y posteriormente probar la recaída variable de recuento de log-transformado para la normalidad aproximada por volver a aplicar el de Shapiro-Wilk o modificado prueba de Jarque-Bera según corresponda 38,39. </li><li> Utilice el comando generará para crear un nuevo &quot;north_month&quot; variable para compensar por 6 para permitir el trazado de dos recaídas del hemisferio norte y sur de la temporada a lo largo del mismo eje horizontal sur meses calendario hemisferio. Seleccione código y haga clic en &quot;Ejecutar (hacer)&quot;. <ol><li> Gráfico de un diagrama de dispersión de los observados inicios de recaída mensuales con la frecuencia de recaídas en el eje Y y el mes calendario en el eje x para cada hemisferio con el comando de dispersión de dos vías. Repita el procedimiento para cada lugar. Observe el patrón de picos y valles en la aparición de recaídas durante el año calendario por ver cada parcela en el visor gráfico de la abre automáticamente a la pantalla. </li></ol></li><li> Utilice el comando radar paradibujar diagramas de radar de la distribución de la frecuencia de las recaídas por mes calendario con cada eje de radar captura de un solo mes ordenado en sentido horario. Seleccione código y haga clic en &quot;Ejecutar (hacer)&quot;. <ol><li> Repita para todos los sitios. Observe el patrón de picos y valles en la aparición de recaídas durante el año calendario por ver cada parcela en el visor gráfico de la abre automáticamente a la pantalla. </li></ol></li><li> Ejecute el comando Seast para aplicar la prueba de la estacionalidad de un Edward a través de los datos de recaída observadas. 40-42 Repetir para todos los niveles geográficos. </li></ol> 2. Modelo de construcción y Selección <ol><li> Utilice el comando generará para especificar las funciones trigonométricas seno anuales ciclo y coseno para ser utilizadas en la regresión. Seleccione código y haga clic en &quot;Ejecutar (hacer)&quot;. </li><li> Utilice el comando regresión especificar la forma del modelo base con el recuento de las recaídas como la variable de resultado dependiente y los términos seno y coseno calculadosen el paso 2.1 como las variables explicativas primarios. <ol><li> Add-ubicación específica UVR 37 para el modelo base como covariable de ajuste adicional y utilice la opción aweight peso analítico para ponderar el modelo para el número de pacientes aportados por cada ubicación. Seleccione código y haga clic en &quot;Ejecutar (hacer)&quot;. NOTA: Anote el coeficiente de modelo de determinación (R 2) y el error residual en la ventana de resultados que se abre automáticamente a la pantalla. La radiación ultravioleta: normal UVR Daily ambiente eritematógeno ponderado para cada mes desde 1979 hasta 2004 inclusive se obtiene de la Espectrómetro Administración Nacional de Aeronáutica y del Espacio Sonda Tierra cartográfico del ozono total para todas las ubicaciones individuales incluidos en el análisis 37. </li></ol></li><li> Guarde el registro de modelo de predicción mensual (recaída) mediante el comando de predecir. Convertir las recaídas de registro de nuevo a los recuentos de recaída enteros por exponentiating el término log (recaída) mediante el genercomando comió. Seleccione código y haga clic en &quot;Ejecutar (hacer)&quot;. Repita para todos los sitios. </li><li> Superposición de las estimaciones de recaída mensuales pronosticados exponenciadas de 2,3 sobre los datos de recaída mensuales observadas utilizando el comando de dispersión de dos vías. Seleccione código y haga clic en &quot;Ejecutar (hacer)&quot;. <ol><li> Repita para todos los sitios. Ver cada parcela en el visor gráfico. </li></ol></li><li> Utilice el comando regresión para expandir el modelo especificado en el 2,2 por adición de una armónica par seno / coseno adicional. Seleccione código y haga clic en &quot;Ejecutar (hacer)&quot;. NOTA: Anote el error residual y el coeficiente de determinación. Guardar y transformar las estimaciones modelo según 2.3 y el modelo parcela calcula sobre los datos observados como por 2,4. Repita para todos los sitios. </li><li> Utilice el comando regresión para ampliar aún más el modelo especificado en 2,2 mediante la adición de dos pares de seno / coseno armónicos adicionales. Seleccione código y haga clic en &quot;Ejecutar (hacer)&quot;. NOTA: Anote los residuos y el coeficiente dedeterminación. Comparar este modelo directamente con el modelo base utilizando una prueba de razón de verosimilitud. Utilice el comando pos-estimación ic estat para generar Akaike y de información bayesiano Criterios. Guardar y transformar las estimaciones modelo según 2.3 y el modelo parcela calcula sobre los datos observados como por 2,4. Repita para todos los niveles geográficos. </li></ol> 3. Estimación de Pico recaída Probabilidad <ol><li> Utilice la combinación no lineal de los estimadores de función (nlcom) para calcular la estimación puntual y el intervalo de confianza del 95% para el desplazamiento de fase, utilizando el modelo que mejor se ajusta identificados a partir de los pasos 2.1 a 2.6. Seleccione código y haga clic en &quot;Ejecutar (hacer)&quot;. <ol><li> Convertir estas estimaciones puntuales e intervalos de confianza asociados a números que representan fechas del calendario de frecuencia pico recaída (T max) y la frecuencia de recaídas artesa (T min), donde 1 = 1 ° de enero y 365 = 31 de diciembre y T max = desfase + (365/4) yT min = desfase + ((365/4) * 3). Repita para todos los niveles geográficos. Partido T max y T min a una fecha del calendario a través del archivo look-up Excel. </li></ol></li><li> Utilice el comando generará para calcular la diferencia de pico a valle (T max menos T min) para cada ubicación, estandarizado por cada 100 pacientes por sitio. Utilice una prueba de suma de rangos de Wilcoxon para comparar estandarizada diferencia de pico a valle por rango de latitud. Seleccione código y haga clic en &quot;Ejecutar (hacer)&quot;. </li></ol> 4. Modelado de Datos de Radiación Ultravioleta <ol><li> Comando use Ejecutar para cargar los datos de UVR. Calcula UVR mensual promedio para cada lugar con el comando egen. Seleccione código y haga clic en &quot;Ejecutar (hacer)&quot;. </li><li> Graficar un diagrama de dispersión de UVR mensual (eje y) por mes calendario (eje x) para cada lugar de utilizar la función de dispersión de dos vías. Ver cada parcela en el visor gráfico de la abre automáticamente a la pantalla. </li><li> Repscomer el paso 1.2 para los datos UVR y utilice el comando regresión para especificar un modelo de base de la tendencia UVR anual a nivel de ubicación en la que se especifica UVR mensualmente como las variables de resultado a cargo y las funciones trigonométricas seno y coseno especificados en el paso 2.1 se incorporan en el modelo como las variables explicativas. </li><li> Repita los pasos 2.4 a 2.6 para el modelo UVR y limitarse exclusivamente a los modelos específicos de la ubicación. Se trata de volver a ejecutar el comando de dispersión de dos vías para superponer las estimaciones previstas en los datos observados y usando el comando regresión para ejecutar las alternativas modelo armónicas ampliadas. </li><li> Usando el modelo que mejor se ajusta de UVR mensual específico para los lugares identificados en los pasos 4.2 a través de 4.4 utilice el comando generará para calcular la estimación puntual de cambio de fase y el intervalo de confianza del 95% asociado a UVR aplicando nuevamente las fórmulas de doble ángulo especificado en el paso 3.1 . Calcular T min (fecha de la artesa UVR) para cada ubicación usando ªe fórmula descrita en el paso 3.1. Seleccione código y haga clic en &quot;Ejecutar (hacer)&quot;. </li></ol> 5. Modelización-UVR-artesa a una recaída de pico Lag <ol><li> Anexar las fechas de modelo-estimado de artesa UVR de temporada desde el paso 4.5 y fechas pico de recaída del paso 3.1 para cada lugar con el comando de combinación. Utilice el comando generará para calcular el tiempo transcurrido en meses entre la fecha a través UVR y posterior fecha pico de recaída. Seleccione código y haga clic en &quot;Ejecutar (hacer)&quot;. </li><li> Utilice el comando sktest para probar la variable de retraso UVR-artesa a la recaída de las horas punta para las salidas significativas de la normalidad mediante una prueba de Shapiro-Wilk Seleccionar código y haga clic en &quot;Ejecutar (hacer)&quot;. </li><li> Anexar datos de latitud nivel ubicación para el conjunto de datos con el comando de combinación. Convertir latitud relativa a la latitud absoluta utilizando la función abs (x). Seleccione código y haga clic en &quot;Ejecutar (hacer)&quot;. </li><li> Usando el comando regresión, o probar la linealidadf la relación entre retraso y latitud absoluta mediante la ejecución de ambas regresiones lineales y cuadráticas y la comparación de los residuos. Seleccione código y haga clic en &quot;Ejecutar (hacer)&quot;. </li><li> Usando regresión, especifique un lineal significa modelo de regresión con el retraso de la RUV-artesa a la recaída de las horas punta como la variable de resultado dependiente y latitud absoluta en unidades de 10 grados como la variable predictora. Peso el modelo para el número de pacientes aportados por cada ubicación utilizando las aweights opción de regresión. Seleccione código y haga clic en &quot;Ejecutar (hacer)&quot;. </li><li> Utilice el comando de dispersión de dos vías para trazar latitud absoluta en el eje y contra-UVR-canal-de recaída-lag en meses en el eje x. Superposición de una línea de mejor ajuste con la opción gráfica lfit. Visualice los pesos relativos de cada paciente ubicación utilizando la opción pesos analíticos aweight. Seleccione código y haga clic en &quot;Ejecutar (hacer)&quot;. </li></ol> 6. Análisis de sensibilidad de recaída a nivel de paciente Propensities <ol><li> Utilice el comando mepossion para especificar una mezcla de efectos de regresión de Poisson, donde el recuento mensual de recaída es la variable de resultado dependiente, las funciones trigonométricas seno y coseno especificados en el paso 2.1 se incorporan de nuevo en el modelo como variables fijas, EDSS inicial, edad a la MS inicio y la exposición antes del tratamiento modificador de la enfermedad específica MS se incluyen como posibles factores de confusión y el identificador único del paciente se especifica como un efecto aleatorio. Seleccione código y haga clic en &quot;Ejecutar (hacer)&quot;. </li><li> Repita los pasos 2.4 a 2.6 para identificar el modelo de Poisson mejor ajuste. Se trata de volver a ejecutar el comando de dispersión de dos vías para superponer las estimaciones previstas en los datos observados y usando el comando regresión para ejecutar las alternativas modelo armónicas ampliadas. </li><li> Utilice la combinación no lineal de los estimadores de función (nlcom) para calcular la estimación puntual y el intervalo de confianza del 95% para el desplazamiento de fase y calcular la fechade la frecuencia de pico de recaída. Comparar los resultados con el análisis primario. </li><li> Utilice el comando generará recalcular lag UVR-artesa a la recaída-pico en meses para cada lugar, como se describe en el paso 5.1, el uso de los pacientes a nivel de estimaciones de los modelos Poisson de la fecha pico recaída derivados en el paso 6.3. Seleccione código y haga clic en &quot;Ejecutar (hacer)&quot;. </li><li> Utilice el comando regresión para remodelar la latitud absoluta como predictor de retraso, como se describe en el paso 5.5 y comparar resultados con el análisis primario. Seleccione código y haga clic en &quot;Ejecutar (hacer)&quot;. </li></ol>

<ol><li>Simpson, S. Jr, Blizzard, L., Otahal, P., Van der Mei, I., Taylor, B. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Latitude+is+significantly+associated+with+the+prevalence+of+multiple+sclerosis%3A+a+meta-analysis%5BTitle%5D)+AND+%22J+Neurol+Neurosurg+Psychiatry%22%5BJournal%5D)">Latitude is significantly associated with the prevalence of multiple sclerosis: a meta-analysis.</a> J Neurol Neurosurg Psychiatry. 82 (10), 1132-1141 (2011).</li>
<li>Risco, J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Latitudinal+prevalence+gradient+of+multiple+sclerosis+in+Latin+America%5BTitle%5D)+AND+%22Mult+Scler%22%5BJournal%5D)">Latitudinal prevalence gradient of multiple sclerosis in Latin America.</a> Mult Scler. 17 (9), 1055-1059 (2011).</li>
<li>Hollingworth, S., Walker, K., Page, A., Eadie, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Pharmacoepidemiology+and+the+Australian+regional+prevalence+of+multiple+sclerosis%5BTitle%5D)+AND+%22Mult+Scler%22%5BJournal%5D)">Pharmacoepidemiology and the Australian regional prevalence of multiple sclerosis.</a> Mult Scler. 19 (13), 1712-1716 (2013).</li>
<li>Jin, Y., de Pedro-Cuesta, J., Soderstrom, M., Stawiarz, L., Link, H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Seasonal+patterns+in+optic+neuritis+and+multiple+sclerosis%3A+a+meta-analysis%5BTitle%5D)+AND+%22J+Neurol+Sci%22%5BJournal%5D)">Seasonal patterns in optic neuritis and multiple sclerosis: a meta-analysis.</a> J Neurol Sci. 181 (1), 56-64 (2000).</li>
<li>Bamford, C. R., Sibley, W. A., Thies, C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Seasonal+variation+of+multiple+sclerosis+exacerbations+in+Arizona%5BTitle%5D)+AND+%22Neurol%22%5BJournal%5D)">Seasonal variation of multiple sclerosis exacerbations in Arizona.</a> Neurol. 33 (6), 697-701 (1983).</li>
<li>Bisgard, C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Seasonal+variation+in+disseminated+sclerosis+%28Danish%29%5BTitle%5D)+AND+%22Ugeskrift+for+Laeger%22%5BJournal%5D)">Seasonal variation in disseminated sclerosis (Danish).</a> Ugeskrift for Laeger. 152 (16), 1160-1161 (1990).</li>
<li>Callaghan, T. S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Multiple+sclerosis+and+sinusitis%5BTitle%5D)+AND+%22Lancet%22%5BJournal%5D)">Multiple sclerosis and sinusitis.</a> Lancet. 328 (8499), 160-161 (1986).</li>
<li>Gay, D., Dick, G., Upton, G. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Multiple+sclerosis+associated+with+sinusitis%3A+a+case-controlled+study+in+general+practice%5BTitle%5D)+AND+%22Lancet%22%5BJournal%5D)">Multiple sclerosis associated with sinusitis: a case-controlled study in general practice.</a> Lancet. 327 (8485), 815-819 (1986).</li>
<li>Goodkin, D. E., Hertsgaard, D. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Seasonal+variation+of+multiple+sclerosis+exacerbations+in+North+Dakota%5BTitle%5D)+AND+%22Arch+Neurol%22%5BJournal%5D)">Seasonal variation of multiple sclerosis exacerbations in North Dakota.</a> Arch Neurol. 46 (9), 1015-1018 (1989).</li>
<li>Hopkins, C. E., Swank, R. L. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Multiple+sclerosis+and+the+local+weather%5BTitle%5D)+AND+%22Arch+Neurol%22%5BJournal%5D)">Multiple sclerosis and the local weather.</a> Arch Neurol. 74 (2), 203-207 (1955).</li>
<li>O'Reilly, M. A. R., O'Reilly, P. M. R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Temporal+influences+on+relapses+of+multiple+sclerosis%5BTitle%5D)+AND+%22Eur+Neurol%22%5BJournal%5D)">Temporal influences on relapses of multiple sclerosis.</a> Eur Neurol. 31 (6), 391-395 (1991).</li>
<li>Schapira, K. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+seasonal+incidence+of+onset+and+exacerbations+in+multiple+sclerosis%5BTitle%5D)+AND+%22J+Neurol+Neurosurg+Psychiat%22%5BJournal%5D)">The seasonal incidence of onset and exacerbations in multiple sclerosis.</a> J Neurol Neurosurg Psychiat. 22 (4), 285(1959).</li>
<li>Sibley, W. A., Foley, J. M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Seasonal+variation+in+multiple+sclerosis+and+retrobulbar+neuritis+in+Northeastern+Ohio%5BTitle%5D)+AND+%22Trans+Am+Neurol+Assoc%22%5BJournal%5D)">Seasonal variation in multiple sclerosis and retrobulbar neuritis in Northeastern Ohio.</a> Trans Am Neurol Assoc. 90, 295-297 (1965).</li>
<li>Sosa, E. M., Betancor, L. P., Rosas, C., Navarro, M. C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Multiple+sclerosis+in+the+province+of+Las+Palmas+%28Spanish%29%5BTitle%5D)+AND+%22Archivos+de+Neurobiologia%22%5BJournal%5D)">Multiple sclerosis in the province of Las Palmas (Spanish).</a> Archivos de Neurobiologia. 46 (3), 161-166 (1982).</li>
<li>Ogawa, G., Mochizuki, H., Kanzaki, M., Kaida, K., Motoyoshi, K., Kamakura, K. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Seasonal+variation+of+multiple+sclerosis+exacerbations+in+Japan%5BTitle%5D)+AND+%22Neurol+Sci%22%5BJournal%5D)">Seasonal variation of multiple sclerosis exacerbations in Japan.</a> Neurol Sci. 24 (6), 417-419 (2004).</li>
<li>Abella-Corral, J., Prieto, J. M., Dapena-Bolaño, D., Iglesias-Gòmez, S., Noya-Garcìa, M., Lema, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Seasonal+variations+in+the+outbreaks+in+patients+with+multiple+sclerosis%5BTitle%5D)+AND+%22Rev+Neurol%22%5BJournal%5D)">Seasonal variations in the outbreaks in patients with multiple sclerosis.</a> Rev Neurol. 40 (7), 394-396 (2004).</li>
<li>Koziol, J. A., Feng, A. C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Sesonal+variations+in+exacerbations+and+MRI+parameters+in+relapsing-remitting+multiple+sclerosis%5BTitle%5D)+AND+%22Neuroepidemiology%22%5BJournal%5D)">Sesonal variations in exacerbations and MRI parameters in relapsing-remitting multiple sclerosis.</a> Neuroepidemiology. 23 (5), 217-223 (2004).</li>
<li>Spelman, T., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Seasonal+variation+of+relapse+rate+in+multiple+sclerosis+is+latitude+dependent%5BTitle%5D)+AND+%22Ann+Neurol%22%5BJournal%5D)">Seasonal variation of relapse rate in multiple sclerosis is latitude dependent.</a> Ann Neurol. 76 (6), 880-890 (2014).</li>
<li>Gallier, J. H. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aGallier%2C+JH+%22Curves+and+surfaces+in+geometric+modeling%3A+theory+and+algorithms%22">Curves and surfaces in geometric modeling: theory and algorithms</a>. , Morgan Kaufmann. (2000).</li>
<li>Agoston, K. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Computer+Graphics+and+Geometric+Modelling%3A+Implementation+%26+Algorithms%5BTitle%5D)+AND+%22Springer+Science+%26+Business+Media%22%5BJournal%5D)">Computer Graphics and Geometric Modelling: Implementation & Algorithms.</a> Springer Science & Business Media. , (2005).</li>
<li>Cox, N. J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Speaking+Stata%3A+in+praise+of+trigonometric+predictors%5BTitle%5D)+AND+%22Stata+Journal%22%5BJournal%5D)">Speaking Stata: in praise of trigonometric predictors.</a> Stata Journal. 6 (4), 561-579 (2006).</li>
<li>Bhaskaran, K., Gasparrini, A., Hajat, S., Smeeth, L., Armstrong, B. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Time+series+regression+studies+in+environmental+epidemiology%5BTitle%5D)+AND+%22Int+J+Epidemiol%22%5BJournal%5D)">Time series regression studies in environmental epidemiology.</a> Int J Epidemiol. , (2013).</li>
<li>Bracewell, R. N. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aBracewell%2C+RN+%22The+Fourier+Transform+and+Its+Applications%22">The Fourier Transform and Its Applications</a>. , McGraw-Hill. New York. (2000).</li>
<li>Korner, T. W. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aKorner%2C+TW+%22Fourier+Analysis%22">Fourier Analysis</a>. , Cambridge University Press. Cambridge. (1998).</li>
<li>Rigdon, S. E., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Detection+of+Outbreak+Signals+Using+R%5BTitle%5D)+AND+%22Online+J+Public+Health+Inform%22%5BJournal%5D)">Detection of Outbreak Signals Using R.</a> Online J Public Health Inform. 6 (1), (2014).</li>
<li>Ziemssen, T., Reimann, M., Gasch, J., Rüdiger, H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Trigonometric+regressive+spectral+analysis%3A+an+innovative+tool+for+evaluating+the+autonomic+nervous+system%5BTitle%5D)+AND+%22J+Neural+Transm%22%5BJournal%5D)">Trigonometric regressive spectral analysis: an innovative tool for evaluating the autonomic nervous system.</a> J Neural Transm. 120 (1), 27-33 (2013).</li>
<li>Luque-Fernandez, M. A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Absence+of+circadian+rhythms+of+preterm+premature+rupture+of+membranes+and+preterm+placental+abruption%5BTitle%5D)+AND+%22Ann+Epidemiol%22%5BJournal%5D)">Absence of circadian rhythms of preterm premature rupture of membranes and preterm placental abruption.</a> Ann Epidemiol. 24 (12), 882-887 (2014).</li>
<li>Luteijn, J. M., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Seasonality+of+congenital+anomalies+in+Europe%5BTitle%5D)+AND+%22Birth+Defects+Res+A+Clin+Mol+Teratol%22%5BJournal%5D)">Seasonality of congenital anomalies in Europe.</a> Birth Defects Res A Clin Mol Teratol. 100 (4), 260-269 (2014).</li>
<li>Giardini, V., Russo, F. M., Ornaghi, S., Todyrenchuk, L., Vergani, P. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Seasonal+impact+in+the+frequency+of+isolated+spina+bifida%5BTitle%5D)+AND+%22Prenat+Diagn%22%5BJournal%5D)">Seasonal impact in the frequency of isolated spina bifida.</a> Prenat Diagn. 33 (10), 1007-1009 (2013).</li>
<li>Eghtesady, P., Brar, A., Hall, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Seasonality+of+hypoplastic+left+heart+syndrome+in+the+United+States%3A+A+10-year+time-series+analysis%5BTitle%5D)+AND+%22J+Thorac+Cardiovasc+Surg%22%5BJournal%5D)">Seasonality of hypoplastic left heart syndrome in the United States: A 10-year time-series analysis.</a> J Thorac Cardiovasc Surg. 141 (2), 432-438 (2011).</li>
<li>Abiona, T. O., Adebowale, S. A., Fagbamigbe, A. F. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Time+Series+Analysis+of+Admission+in+the+Accident+and+Emergency+Unit+of+University+College+Hospital%2C+Ibadan%2C+Southwestern+Nigeria%5BTitle%5D)+AND+%22Am.+J.+Comput.+Appl.+Math%22%5BJournal%5D)">Time Series Analysis of Admission in the Accident and Emergency Unit of University College Hospital, Ibadan, Southwestern Nigeria.</a> Am. J. Comput. Appl. Math. 2 (1), 1-9 (2012).</li>
<li>Cantwell, K., Dietze, P., Morgans, A. E., Smith, K. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Ambulance+demand%3A+random+events+or+predicable+patterns%3F%5BTitle%5D)+AND+%22Emerg+Med+J%22%5BJournal%5D)">Ambulance demand: random events or predicable patterns?</a> Emerg Med J. 30 (11), 883-887 (2012).</li>
<li>Butzkueven, H., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((MSBase%3A+an+international%2C+online+registry+and+platform+for+collaborative+outcomes+research+in+multiple+sclerosis%5BTitle%5D)+AND+%22Mult+Scler%22%5BJournal%5D)">MSBase: an international, online registry and platform for collaborative outcomes research in multiple sclerosis.</a> Mult Scler. 12 (6), 769-774 (2006).</li>
<li>Poser, C. M., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((New+diagnostic+criteria+for+multiple+sclerosis%3A+guidelines+for+research+protocols%5BTitle%5D)+AND+%22Ann+Neurol%22%5BJournal%5D)">New diagnostic criteria for multiple sclerosis: guidelines for research protocols.</a> Ann Neurol. 13 (3), 227-231 (1983).</li>
<li>McDonald, W. I., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Recommended+diagnostic+criteria+for+multiple+sclerosis%3A+guidelines+from+the+International+Panel+on+the+diagnosis+of+multiple+sclerosis%5BTitle%5D)+AND+%22Ann+Neurol%22%5BJournal%5D)">Recommended diagnostic criteria for multiple sclerosis: guidelines from the International Panel on the diagnosis of multiple sclerosis.</a> Ann Neurol. 50 (1), 121-127 (2001).</li>
<li>Kalincik, T., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Risk+of+relapse+phenotype+recurrence+in+multiple+sclerosis%5BTitle%5D)+AND+%22Mult+Scler%22%5BJournal%5D)">Risk of relapse phenotype recurrence in multiple sclerosis.</a> Mult Scler. , (2014).</li>
<li>Total Ozone Mapping Spectrometer on board the Earth Probe spacecraft. , Available from:
 <a target="_blank" href="http://iridl.ldeo.columbia.edu/SOURCES/.NASA/.GSFC/.TOMS">http://iridl.ldeo.columbia.edu/SOURCES/.NASA/.GSFC/.TOMS</a> (2013).</li>
<li>D'Agostino, R. B., Belanger, A. J., D'Agostino, R. B. Jr. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+suggestion+for+using+powerful+and+informative+tests+of+normality%5BTitle%5D)+AND+%22Am+Stat%22%5BJournal%5D)">A suggestion for using powerful and informative tests of normality.</a> Am Stat. 44 (4), 316-321 (1990).</li>
<li>Gould, W. W., Rogers, W. H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Summary+of+tests+for+normality%5BTitle%5D)+AND+%22Stata+Technical+Bulletin%22%5BJournal%5D)">Summary of tests for normality.</a> Stata Technical Bulletin. 3, 20-23 (1991).</li>
<li>Stolwijk, A. M., Straatman, H., Zielhuis, G. A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Studying+seasonality+by+using+sine+and+cosine+functions+in+regression+analysis%5BTitle%5D)+AND+%22J+Epidemiol+Community+Health%22%5BJournal%5D)">Studying seasonality by using sine and cosine functions in regression analysis.</a> J Epidemiol Community Health. 53 (4), 235-238 (1999).</li>
<li>Brookhart, M. A., Rothman, K. J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Simple+estimators+of+the+intensity+of+seasonal+occurrence%5BTitle%5D)+AND+%22BMC+Med+Res+Methodol%22%5BJournal%5D)">Simple estimators of the intensity of seasonal occurrence.</a> BMC Med Res Methodol. 8 (1), 67(2008).</li>
<li>Fernández-Durán, J. J., Gregorio-Domìnguez, M. M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Testing+for+seasonality+using+circular+distributions+based+on+non-negative+trigonometric+sums+as+alternative+hypotheses%5BTitle%5D)+AND+%22Stat+Methods+Med+Res%22%5BJournal%5D)">Testing for seasonality using circular distributions based on non-negative trigonometric sums as alternative hypotheses.</a> Stat Methods Med Res. 23 (3), 279-292 (2011).</li>
<li>Lemire, J. M., Archer, D. C., Beck, L., Spiegelberg, H. L. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Immunosuppressive+actions+of+1%2C25-dihydroxyvitamin+D3%3A+preferential+inhibition+of+Th1+functions%5BTitle%5D)+AND+%22J+Nutr%22%5BJournal%5D)">Immunosuppressive actions of 1,25-dihydroxyvitamin D3: preferential inhibition of Th1 functions.</a> J Nutr. 125, Suppl 6. 1704S-1708S (1995).</li>
<li>Tsoukas, C. D., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Inhibition+of+interleukin-1+production+by+1%2C25-dihydroxyvitamin+D3%5BTitle%5D)+AND+%22J+Clin+Endocrinol+Metab%22%5BJournal%5D)">Inhibition of interleukin-1 production by 1,25-dihydroxyvitamin D3.</a> J Clin Endocrinol Metab. 69 (1), 127-133 (1989).</li>
<li>Lemire, J. M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Immunomodulatory+actions+of+1%2C25-dihydroxyvitamin+D3%5BTitle%5D)+AND+%22J+Steroid+Biochem+Mol+Biol%22%5BJournal%5D)">Immunomodulatory actions of 1,25-dihydroxyvitamin D3.</a> J Steroid Biochem Mol Biol. 53 (1-6), 599-602 (1995).</li>
<li>van Etten, E., Mathieu, C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Immunoregulation+by+1%2C25-dihydroxyvitamin+D3%3A+basic+concepts%5BTitle%5D)+AND+%22J+Steroid+Biochem+Mol+Biol%22%5BJournal%5D)">Immunoregulation by 1,25-dihydroxyvitamin D3: basic concepts.</a> J Steroid Biochem Mol Biol. 97 (1-2), 93-101 (2005).</li>
<li>Tsoukas, C. D., Provvedini, D. M., Manolagas, S. C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((1%2C25-dihydroxyvitamin+D3%3A+a+novel+immunoregulatory+hormone%5BTitle%5D)+AND+%22Science%22%5BJournal%5D)">1,25-dihydroxyvitamin D3: a novel immunoregulatory hormone.</a> Science. 224 (4656), 1438-1440 (1984).</li>
<li>Smolders, J., Menheere, P., Kessels, A., Damoiseaux, J., Hupperts, R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Association+of+vitamin+D+metabolite+levels+with+relapse+rate+and+disability+in+multiple+sclerosis%5BTitle%5D)+AND+%22Mult+Scler%22%5BJournal%5D)">Association of vitamin D metabolite levels with relapse rate and disability in multiple sclerosis.</a> Mult Scler. 14 (9), 1220-1224 (2008).</li>
<li>Provvedini, D. M., Manolagas, S. C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((1+Alpha%2C25-dihydroxyvitamin+D3+receptor+distribution+and+effects+in+subpopulations+of+normal+human+T+lymphocytes%5BTitle%5D)+AND+%22J+Clin+Endocrinol+Metab%22%5BJournal%5D)">1 Alpha,25-dihydroxyvitamin D3 receptor distribution and effects in subpopulations of normal human T lymphocytes.</a> J Clin Endocrinol Metab. 68 (4), 774-779 (1989).</li>
<li>Provvedini, D. M., Tsoukas, C. D., Deftos, L. J., Manolagas, S. C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((1+alpha%2C25-Dihydroxyvitamin+D3-binding+macromolecules+in+human+B+lymphocytes%3A+effects+on+immunoglobulin+production%5BTitle%5D)+AND+%22J+Immunol%22%5BJournal%5D)">1 alpha,25-Dihydroxyvitamin D3-binding macromolecules in human B lymphocytes: effects on immunoglobulin production.</a> J Immunol. 136 (8), 2734-2740 (1986).</li>
</ol>

Tim Spelman recibido honorarios por asesoría y financiamiento para viajes de Biogen Idec Inc; Orla Gray recibió apoyo para viajes de Biogen Idec, Merck Serono y Novartis; compensación por servir en consejos asesores científicos de Biogen Idec, Genzyme, Novartis y Merck Serono; Robyn Lucas no reveló ningún intereses en competencia y Helmut Butzkueven recibió una compensación por servir en las juntas de asesoramiento científico y como consultor de Biogen Idec y Novartis; honorarios de los altavoces de Biogen Idec Australia, Merck Serono Australia, y Novartis Australia; viajar apoyo de Biogen Idec Australia y Merck Serono Australia; apoyo a la investigación de la Fundación CASS (Australia), Merck Serono Australia, el Royal Melbourne Hospital de Amigos de la Fundación Neurociencias, y la Universidad de Melbourne.

El protocolo descrito en este documento detalla una técnica basada en regresión sistemática, guiada por el análisis visual de gráficos, de datos globales de inicio de recaídas de EM. Toma como punto de partida un análisis descriptivo relativamente simple de datos de recaída de 20 países en ambos hemisferios, lo que permite al usuario explorar teorías sobre la temporalidad del momento de inicio de la recaída en la EM y probar estas teorías formalmente mediante el uso de modelos trigonométricos. A través de un proceso paso...

La forma más común de la esclerosis múltiple (EM) es esclerosis múltiple remitente recurrente (EMRR). EMRR se caracteriza por deterioros episódicos en la función neurológica, seguido de la recuperación parcial o completa. A nivel mundial, la incidencia y la prevalencia de SM aumentan al aumentar la distancia lejos del ecuador en ambos hemisferios. 1-3 Si la frecuencia de eventos de recaídas que se producen específicamente en EMRR también varían con la latitud, y si hay alguna variación estacional subyacente en tal asociación, aún no está claro. Para los estudios que exploran fecha estacionalidad en el tiempo de recaída se han limitado a centros clínicos individuales, lo que limita las inferencias respecto a las tendencias estacionales en el momento de recaída a ubicaciones geográficas solitarios y por lo tanto incapaces de explorar las influencias latitudinales amplios. 4-14 Estos estudios se han limitado aún más por pequeña muestra tamaños y datos de recaída escasas. Un 2000 meta-análisis de diez estudios de los centros clínicos en Europa, los Estados Unidos y Canadá, donde cada estudio incluido un mínimo de treinta casos de informes de la temporada de aparición de recaídas, describen una clara tendencia estacional en el momento de la aparición de recaídas, con recaídas en horas pico en primavera y con una depresión de invierno 4 . Tendencias anuales cíclicas similares en el inicio se han observado en la posterior, aunque más pequeños, estudios en Japón 15 y España 16. Sin embargo, un estudio de Estados Unidos comparables no pudo corroborar este patrón 17. Hasta la fecha, estos estudios y observaciones se han limitado al hemisferio norte. El grupo de estudio MSBase analizó recientemente una gran base de datos mundial de las recaídas de EM a través de ambos hemisferios norte y sur para explorar las tendencias de temporada en el momento de la aparición de recaídas, además de influencias latitudinales sobre la relación entre la probabilidad de pico de recaídas y la radiación ultravioleta de temporada (UVR) artesa 18 . Central de estos métodos fue la aplicación de la regresión trigonométricapara visualizar y evaluar las tendencias en el tiempo de inicio y UVR distribuciones de recaída. El objetivo general de este estudio fue probar la hipótesis de que la variación temporal en el momento de la aparición de recaídas en la EM varía previsiblemente con la temporada, tanto en los hemisferios norte y sur y este estacionalidad fue influenciado por la latitud. La justificación para el uso de modelos trigonométrica para investigar estas preguntas era su flexibilidad para la caracterización de los fenómenos de dos o tres dimensiones que se sabe o se sospecha que describir formas o patrones discretos, predecibles y consistentes, tales como el ciclo anual de máximos y mínimos comunes observadas en fenómenos biológicos o epidemiológicos que posee la estacionalidad. 19-22 Una desventaja de series de tiempo convencional análisis, incluyendo el análisis de Fourier, es la presunción de que las series temporales a menudo se caracteriza por procesos estocásticos. 21,23,24 Por el contrario, la incorporación de funciones trigonométricas into un modelo tipo de regresión tiene la ventaja de facilitar tanto la exploración de las estructuras regulares y sistemáticas de datos periódicos, mientras que la explotación de la estructura del modelo de regresión para explorar otros correlatos o ajustar por factores de confusión de la estacionalidad. Regresión trigonométricas previamente se ha utilizado ampliamente en la literatura epidemiológica médica para explorar la temporalidad en temas tan diversos infecciosa detección de brotes de la enfermedad, el papel de los ritmos circadianos en todo, desde autonómica disfunción del sistema nervioso de desprendimiento placentario prematuro a través de correlaciones estacionales de malformaciones congénitas y el calendario de presentaciones de accidente y de emergencia. 25-32 Tal modelado normalmente exige muestras de mayor tamaño que más análisis de series de tiempo convencional y, como tal, esta es la primera vez que se ha aplicado a un conjunto de datos mundial de la EM aparición de recaídas. Regresión trigonométricas como se describe aquí es la herramienta adecuada para los investigadores que exploran cualquier phenomena que se conoce o se sospecha de la bicicleta de forma sistemática en el tiempo. No sólo se puede modelar como ayudar a caracterizar y visualizar estos patrones, permite además al usuario explorar los conductores potenciales y correlatos de estas tendencias. En relación con el ejemplo concreto de MS aparición de recaídas se presenta aquí, el uso de dispersión y gráficos de residuos para visualizar y evaluar cómo de cerca un modelo de formulario trigonométrica hipótesis encaja los datos constituye el paso crítico en la determinación de: 1) si los datos observados proporcionan evidencia suficiente para apoyar una hipótesis de la estacionalidad o de otras tendencias temporales en el momento de la aparición de recaídas; y 2) si la frecuencia y la disposición de las funciones seno y coseno que definen un modelo trigonométrica en particular es adecuada para permitir el uso de este modelo para la posterior inferencia y predicción. Modelos de regresión también permite el control de los factores de confusión importantes de cualquier efecto estacional o latitudinal observada como a nivel de pacientepropensión a la recaída, en particular los factores que en sí mismos son variables en el tiempo, como la duración de la exposición antes de la recaída en el tratamiento de drogas modificadoras de la enfermedad de Duchenne (DMD). Aislar predictores y correlatos de temporización aparición de recaídas en la EM geográficas y temporales independientes tiene el potencial para guiar la investigación biológica en los mecanismos de eventos de recaída, que a su vez puede informar el desarrollo de intervenciones terapéuticas futuras destinadas a prevenir o retrasar la exacerbación de la enfermedad. El Registro MSBase Pacientes con EM que aportaron datos de recaída a este análisis se obtienen del registro internacional MSBase. Establecido en 2004, el registro recopila longitudinalmente, la actividad demográfica de la enfermedad, el examen clínico y las características de investigación y las métricas de consentir los pacientes que asisten a la EM clínica utilizando un sistema de propiedad y operación médico basado en Internet. 33 centros miembros siguen un protoc comúnol que define el conjunto de datos mínimo requerido para ser subido a intervalos regulares convenidos para asegurar los datos de resultado como eventos de recaída se compilan de forma coherente y prospectiva. La fecha de inicio de la recaída se incluye como una variable de conjunto de datos mínimo obligatorio. Además los datos clínicos relevantes asociadas a estos eventos de recaída se recoge habitualmente incluyendo el tratamiento con corticosteroides y sistema funcional afectado. El uso del sistema iMed común de entrada de datos más asegura un enfoque unificado a través de centros de recogida y presentación de datos. Este proyecto tiene la aprobación del Comité de Ética en Investigación Humana o la exención en cada centro contribuye. El consentimiento informado de acuerdo a las leyes locales de todos los pacientes incluidos en el análisis es obligatorio. Criterios de inclusión Un total de 9811 pacientes que contribuyen 32,762 eventos de recaída fueron incluidos en el análisis. MS Clínica centros con un mínimo de 20 pacientes registrados consentido, uploaded y seguimiento en el registro a partir del 1 de diciembre de 2013 (fecha de la compilación de datos) fueron elegibles para su inclusión en el análisis. Para asegurar que todos los eventos de recaída incluidos en el análisis fueron observados prospectivamente, solamente recaen inicios de fecha posterior a la primera evaluación de la discapacidad del paciente registrado (con el Kurtzke Expanded Disability Status Score (EDSS)) se incluyeron en el análisis. Todos los pacientes que aportaron datos de recaída al análisis satisfacían los criterios diagnósticos formales para la EM. 34,35 Medidas de resultado Este estudio considera dos resultados principales: 1) si hubo variación temporal en la probabilidad de aparición de recaídas en el ámbito de la ubicación geográfica, el hemisferio y / o mundial; y 2) si existía una relación entre la latitud y el rezago, en meses, entre el momento de la artesa UVR de temporada y el pico de la recaída fecha probabilidad posterior. El grupo hypothe MSBase Estudiotamaño que los niveles absolutos de vitamina D son más bajos en las regiones más alejadas de los nadires D nivel de población estacional vitamina ecuador y en la localización específica probable que se alcancen antes tras el solsticio de invierno en lugares tan distantes, entonces el efecto de los niveles bajos de vitamina D en el aumento de la EM probabilidad de recaída describiría asimismo de los patrones temporales y latitudinales. Definición y fechas recaída Una recaída se definió como la aparición de nuevos síntomas o exacerbación de los síntomas existentes persisten durante al menos 24 horas, en la ausencia de enfermedad o fiebre concurrente, y que se producen por lo menos 30 días después de un ataque anterior. Esta definición previamente se ha aplicado en un análisis fenotipo recaída MSBase. 36 El período de seguimiento para cada paciente elegible a través del cual los eventos de recaída se pudo observar fue definida como el período que abarca la fecha de la primera evaluación EDSS hasta la fecha de la más recienteEvaluación EDSS registrado en el registro antes de los datos de extracto de datos y compilación. En los casos en que no estaba disponible o no puede ser determinada por un mes en particular el día exacto de la aparición de recaídas, clínicas utilizan ya sea el 1 o 15 días del mes como fechas predeterminadas. De los 32,762 recaídas analizados en este informe, 7.913 (24,2%) y 4594 (14,0%) se registraron en la 1 ª y 15 ª día del mes, respectivamente, significativamente mayor que las proporciones registradas en cualquier otro día del mes que oscilaba de 0,8% a través de 5,6%. Para corregir esto, recaídas grabadas a ambos el 1 de 15 días del mes fueron asignados al azar a un día dentro de un intervalo de 15 días cada lado de estas dos fechas predeterminadas. La validez interna de este enfoque se confirmó mediante análisis de sensibilidad que demostró que la estimación de modelado de la fecha pico de recaída con fecha predeterminada aleatorización no fue significativamente diferente de un model uso de ya sea el original fechas excluyendo fechas defecto reportado por completo.

<table><tbody><tr><td>Stata SE Versión 13</td><td>StataCorp, College Station, Texas</td><td>Versión 13</td><td>Software de análisis estadístico utilizado para el análisis</td></tr><tr><td>Microsoft Excel 2010</td><td>Microsoft</td><td>2010</td><td>Programa de hoja de cálculo para la búsqueda de fechas de calendario</td></tr></tbody></table>

un método de trigonométricas modelización de variación estacional demostrada con esclerosis múltiple la recaída de datos

A Method of Trigonometric Modelling of Seasonal Variation Demonstrated with Multiple Sclerosis Relapse Data

Este informe describe una novedosa aplicación basada en Stata del modelo de regresión trigonométrica a 55 años de datos de recaída de la esclerosis múltiple de 46 centros clínicos en 20 países ubicados en ambos hemisferios. Un elemento central del éxito de este método fue el uso estratégico del análisis de parcelas para guiar y corroborar el modelo de regresión estadística. El análisis inicial de la parcela fue necesario para establecer hipótesis realistas sobre la presencia y la forma estructural de las influencias estacionales y latitudinales sobre la probabilidad de recaída y luego probar el rendimiento de los modelos resultantes. La regresión trigonométrica fue necesaria para cuantificar estas relaciones, ajustar los factores de confusión importantes y proporcionar una medida de certeza sobre la verosimilitud de estas asociaciones. La sincronización de las técnicas de representación gráfica con la modelización de la regresión permitió un refinamiento sistemático de los modelos hasta lograr la convergencia del mejor ajuste, lo que permitió hacer nuevas inferencias sobre la influencia independiente de la estación y la latitud en la predicción del momento de inicio de la recaída en la EM. Estos métodos tienen el potencial de aplicarse en otras enfermedades complejas y fenómenos epidemiológicos que se sospecha o se sabe que varían sistemáticamente con la estación y/o la ubicación geográfica.

La aplicación de la regresión trigonométrica de 32,762 eventos de recaída procedentes de 46 centros clínicos en 20 países fue la base para proporcionar un argumento estadístico defendible para la observación de que el tiempo de aparición de recaídas en la EM es cíclico y estacional a través de ambos hemisferios y que la duración entre estacional artesa UVR y el pico de la recaída posterior se correlaciona con la latitud. Crítica a esta era la confianza en el análisis complot para guiar el proceso necesariamente iterativ...

La combinación del análisis de gráficos con la regresión trigonométrica es un método robusto para explorar fenómenos complejos y cíclicos, como el momento de inicio de las recaídas en la esclerosis múltiple (EM). Este método permitió una caracterización imparcial de las tendencias estacionales en el inicio de las recaídas, lo que permitió nuevas inferencias sobre la influencia de la variación estacional, la radiación ultravioleta (UVR) y la latitud.

Un método de trigonométricas Modelización de Variación Estacional demostrada con Esclerosis Múltiple La recaída de datos

This report describes a novel Stata-based application of trigonometric regression modelling to  55 years of multiple sclerosis relapse data from 46 ...

El objetivo general de esta regresión trigonométrica estadística es modelar el momento de los eventos de recaída que comúnmente caracterizan el curso de la enfermedad en un paciente con esclerosis múltiple, y utilizar estos modelos para estudiar las correlaciones estacionales y latitudinales del inicio de la recaída. Este método puede ayudar a explorar preguntas clave en la historia natural y en la epidemiología de la esclerosis múltiple, incluyendo las influencias independientes de la estación del año y la latitud, así como el momento de la recaída, lo cual tiene un gran potencial para orientar investigaciones posteriores sobre los mecanismos biológicos de la recaída. La principal ventaja de esta técnica es que proporciona una herramienta basada en regresión flexible para explorar e investigar fenómenos periódicos y cíclicos. Esto permite aislar las influencias de la latitud y la estación de una serie de otros factores correlacionados con la recaída, incluidos los factores del paciente y del tratamiento. Los análisis descritos aquí se realizan utilizando software de estado controlado por línea de comandos. Comience abriendo un archivo do.Haga clic en el botón del nuevo editor de archivo do. A continuación, utilizando el comando generate, calcule el número de apariciones de recaídas fechadas para cada uno de los 12 meses del calendario. Haga esto para el nivel geográfico que se está modelando, que en este caso es el hemisferio.Ejecute el comando de generación, ya que todos los comandos se ejecutan haciendo clic en el botón de acción ejecutar archivo do en el archivo do. A continuación, ejecute un comando S WIL o un comando SK test para evaluar la distribución subyacente de los conteos de recaída respecto a la normalidad. Estas opciones aplican una prueba de Shapiro Wilk o una prueba de Harkey Bara modificada, respectivamente.Realice la elección adecuada si los datos del recuento de recaídas presentan una asimetría significativa. Luego, aplique una transformación logarítmica. Si los datos cumplen.La prueba de normalidad procede utilizando el comando generar para crear una nueva variable northco mes para el Hemisferio Sur. Los meses del calendario se desplazan seis unidades. Ahora utilice la variable mes norte para hacer un gráfico de dispersión de todos los datos.Coloque el calendario, los meses y las estaciones en el eje X y los inicios mensuales observados de recaídas con la frecuencia de recaídas en el eje Y. Observe los patrones en el inicio de recaídas a lo largo del año calendario al ver cada gráfico en el visor de gráficos. A continuación, ejecute el comando radar para dibujar gráficos radiales de la distribución de la frecuencia de recaídas por mes calendario.Cada eje del radar captura un solo mes ordenado de forma horaria. Para completar este análisis, ejecute el comando CT para aplicar una prueba de Edwards de estacionalidad en los datos observados de recaída. Repita esta prueba en cada nivel geográfico avanzando con el software.Construya un modelo de los datos. Primero, especifique las funciones trigonométricas seno y coseno del ciclo anual que se utilizarán en la regresión de los datos. A continuación, use el comando regress para especificar la forma del modelo base con el recuento de recaídas como resultado dependiente.Este comando introduce los términos de signo y co-signo recién calculados como variables explicativas principales. Luego agrega la UVR específica por ubicación como una covariable adicional de ajuste, y aplica la opción de peso analítico para ponderar el modelo según el número de pacientes aportados por cada ubicación. Ahora, almacene el logaritmo mensual predicho del recaída mediante el comando predict para cada sitio.Convierta los recaídas logarítmicas nuevamente a recuentos enteros de recaídas. Eleve al exponente el término de recaída logarítmica utilizando el comando generate para cada sitio. Luego, superponga la predicción de las estimaciones mensuales de recaídas exponenciales utilizando el comando two-way scatter.Ahora, amplíe el modelo añadiendo un par adicional de seno y coseno armónicos mediante el comando regress. Haga esto dos veces más, de modo que se añadan tres pares de seno y coseno. Cada par se utilizará para producir un modelo independiente de los datos con el fin de estimar la probabilidad máxima de recaída.Comience utilizando nl com para calcular el punto, la estimación y el intervalo de confianza del 95 % para el desplazamiento de fase. Para el modelo con mejor ajuste, convierta las estimaciones puntuales obtenidas y los intervalos de confianza asociados a datos numerados para cada día del año. Informe la frecuencia máxima de recaída o tmax y la frecuencia mínima de recaída o T en.Luego, relacione el tmax y la T en los datos con una fecha del calendario mediante el archivo de búsqueda de Excel. Esta sección describe cómo modelar los datos de radiación ultravioleta o datos de UVR. Para comenzar, ejecute el comando use para cargar los datos de UVR.Luego, utilizando el comando egen, calcule la radiación ultravioleta (UVR) mensual mediana para cada ubicación. Para cada ubicación, utilice la función de dispersión bidimensional para graficar un diagrama de dispersión de la UVR mensual en el eje Y frente al mes calendario en el eje X. A continuación, verifique la normalidad de los datos utilizando la prueba s wilk o SK como antes.A continuación, utilizando el comando regress, especifique un modelo base de la tendencia anual de la UVR según el nivel de ubicación. Especifique la UVR mensual como las variables de resultado dependientes y luego establezca como variables explicativas las funciones trigonométricas de seno y coseno generadas previamente. Luego grafique los resultados y superponga los valores predichos.Esto implica volver a ejecutar el comando de dispersión bidireccional para superponer los datos predichos y observados, y utilizar el comando de regresión para ejecutar las alternativas expandidas del modelo armónico. Ahora, con el modelo de mejor ajuste, utilice el comando generar para calcular la estimación puntual del desfase de fase y el intervalo de confianza asociado del 95 % para la UVR. Aplicando nuevamente las fórmulas del ángulo doble, calcule el término para cada ubicación como se calculó previamente.Continúe el análisis de los datos estacionales de UVR utilizando el comando de combinación para agregar el valle previamente calculado y reemplazar las fechas pico para cada ubicación. Luego, use el comando generar para calcular el tiempo transcurrido en meses entre la fecha del valle de UVR y la fecha pico de recaída subsiguiente. Antes de continuar, realice una prueba de normalidad sobre los datos de retardo de uuv utilizando el comando de prueba SK.Tras la combinación, convierta la latitud relativa a latitud absoluta utilizando la función ABS X. Continúe utilizando regress para especificar un modelo de regresión lineal con la media del recaída pico rezagado respecto al valle de UVR como variable de resultado dependiente y la latitud absoluta en unidades de 10 grados como variable predictora. Asegúrese de ponderar el modelo según el número de pacientes aportados por cada ubicación utilizando la opción de ponderaciones A en regress.Por último, utilice el comando de dispersión bidireccional para graficar la latitud absoluta en el eje Y frente al retardo de la UVR respecto a las recaídas en el eje X, mostrado en meses a partir de las opciones de graficación. Superponga una línea de mejor ajuste utilizando la opción de gráfico L fit y use la opción de pesos a para visualizar los pesos relativos de los pacientes de cada ubicación. El análisis de regresión trigonométrica se realizó utilizando un conjunto de datos de 32.762 eventos de recaída.El trazado básico de los datos sugirió un ciclo anual con un pico en primavera y un mínimo en otoño en todos los niveles geográficos. Las recaídas alcanzaron su máximo a nivel global en el mes de mayo. En los datos del hemisferio norte, se observó un pico correspondiente en noviembre en los datos del hemisferio sur.Estos resultados mostraron una variación temporal periódica en los tres niveles geográficos, mejor descrita por un ciclo anual con un solo pico y un solo valle en un intervalo de seis meses. Por lo tanto, esto se estableció como el modelo de caso base en ambos hemisferios. A continuación, se prepararon gráficos de regresión de UVR para determinar el pico de recaída en el valle de UVR.La métrica del pico de recaída tras el valle de UVR mostró la influencia de la latitud sobre la probabilidad de recaída cuando aumenta la latitud respecto al ecuador. Existe una disminución correlativa en el retardo entre el valle de UVR y el pico de recaída subsiguiente tras su desarrollo. Esta técnica ha allanado el camino para permitir a los investigadores explorar matemáticamente fenómenos epidemiológicos que varían periódica y físicamente.Después de ver este video, ahora debería tener una buena idea de cómo estudiar y evaluar fenómenos cíclicos periódicos utilizando una herramienta de regresión basada en trigonometría. Al aplicar esta técnica, es importante asegurarse de que el conjunto de datos esté limpio y de que el código esté depurado. También es fundamental superponer y aplicar un contexto clínico y biológico, particularmente en cuanto a la interpretación de los resultados y los datos.

a-method-trigonometric-modelling-seasonal-variation-demonstrated-with

Research

Investigación

JoVE Journal

Medicine

Medicina

Técnicas multivariantes, incluyendo el análisis de componentes principales (PCA) se han utilizado para identificar los patrones de la firma de cambio regional en las imágenes funcionales del cerebro. Hemos desarrollado un algoritmo para identificar biomarcadores de red reproducibles para el diagnóstico de trastornos neurodegenerativos, la evaluación de la progresión de la enfermedad, y la evaluación objetiva de los efectos del tratamiento en poblaciones de pacientes.

Identificación de los modelos de covarianza espaciales relacionados con la enfermedad utilizando los datos de neuroimagen

La medición precisa de la deficiencia y la discapacidad neurológica y neuropsicológica en la esclerosis múltiple es un reto. Presentamos los detalles metodológicos de una nueva prueba, la Prueba Múltiple Sclerosis Rendimiento (MSPT). Este nuevo enfoque al objetivo de la cuantificación de la discapacidad relacionada con la EM proporciona una plataforma basada en la computadora para la medición precisa, válida de MS severidad.

La prueba de la esclerosis múltiple de rendimiento (MSPT): Una Herramienta de Evaluación de Discapacidad Basado iPad

Este protocolo de video describe un método sensible, confiable y rápido para evaluar los déficits neuromusculares en un modelo de ratón transgénico de esclerosis lateral amiotrófica.

Un sistema de puntuación rápida fenotípica Neurológica para la Evaluación de progresión de la enfermedad en el SOD1-G93A modelo de ratón de la ELA

Este protocolo ofrece una digitalización de porciones de las tareas clínicas tradicionales comúnmente utilizadas para medir la cognición y el control motor en la enfermedad de Parkinson. Las tareas clínicas se digitalizan mientras que los ritmos biofísicos se registran de diferentes niveles funcionales de los sistemas nerviosos, que van desde voluntarios, espontáneos, automáticos a autonómicos.

Biomarcadores Digitales Dinámicos de la Función Motora y Cognitiva en la Enfermedad de Parkinson

Las técnicas de análisis de EEG estándar ofrecen una visión limitada de la función del sistema nervioso. La derivación de modelos estadísticos de conectividad cortical ofrece una capacidad mucho mayor para investigar la dinámica de red subyacente. La mejora de la evaluación funcional abre nuevas posibilidades de diagnóstico, pronóstico y predicción de resultados en enfermedades del sistema nervioso.

Modelado estadístico de la conectividad cortical mediante electroencefalogramas no invasivos

Los modelos de efectos mixtos son herramientas flexibles y útiles para analizar datos con una estructura estocástica jerárquica en la silvicultura y también podrían utilizarse para mejorar significativamente el rendimiento de los modelos de crecimiento forestal. Aquí se presenta un protocolo que sintetiza información relacionada con modelos lineales de efectos mixtos.

Desarrollo de un modelo de incremento de área basal de árbol individual mediante un enfoque lineal de efectos mixtos

La encefalomielitis autoinmune experimental es uno de los modelos murinos de esclerosis múltiple más utilizados. En el protocolo actual, los ratones C57BL/6J de ambos sexos son inmunizados con el péptido glicoproteico de los oligodendrocitos de mielina, lo que resulta principalmente en paresia ascendente de la cola y las extremidades. Aquí discutimos el protocolo de inducción y evaluación de EAE.

Modelización de la esclerosis múltiple en los dos sexos: encefalomielitis autoinmune experimental inducida por MOG35-55

Evaluaciones objetivas de los mecanismos fisiológicos que el apoyo del habla son necesarias para controlar la enfermedad de inicio y la progresión de las personas con ELA y para cuantificar los efectos del tratamiento en los ensayos clínicos. En este vídeo, se presenta una completa instrumentación basada en el protocolo para cuantificar el rendimiento motor del habla en poblaciones clínicas.

Un Protocolo de Evaluación Integral de la disfunción bulbar de la Esclerosis Lateral Amiotrófica (ALS)

Un modelo de ratón para la esclerosis lateral amiotrófica (ELA) es un examen clínico y de comportamiento. Como un requisito previo para un análisis inmunohistoquímico acompaña la preparación de la médula espinal se representa en detalle.

Los ensayos clínicos y de eliminación de la médula espinal en un modelo murino de esclerosis lateral amiotrófica (ELA)

La atrofia de los músculos intrínsecos disociada mano, denominada mano dividida, parece ser una característica específica de la esclerosis lateral amiotrófica (ALS). En consecuencia, un nuevo test diagnóstico neurológico, denominado el índice de división lado, fue desarrollado para cuantificar el fenómeno clínico de la mano dividida, que diferenciaba ALS trastornos imitan.

Utilidad de la disociada intrínseca Mano Atrofia muscular en el diagnóstico de la esclerosis lateral amiotrófica

Aprende a modelar la variación estacional en recaídas de esclerosis múltiple mediante regresión trigonométrica estadística. Este método computacional permite aislar efectos de latitud y estacionalidad para comprender mejor la epidemiología de la enfermedad.

Un método de trigonométricas Modelización de Variación Estacional demostrada con Esclerosis Múltiple La recaída de datos

Explorar más videos