Une méthode de modélisation trigonométrique de variation saisonnière démontrée avec la sclérose en plaques Relapse données

L’objectif global de cette régression trigonométrique statistique est de modéliser le moment des événements de rechute qui caractérisent généralement l’évolution de la maladie d’un patient dans la sclérose en plaques et d’utiliser ces modèles pour étudier les corrélats saisonniers et latitudinaux de l’apparition de la rechute. Cette méthode peut aider à explorer des questions clés de l’histoire naturelle de l’épidémiologie de la sclérose en plaques, y compris les influences indépendantes de la saison et de la latitude, et le moment de la rechute, ce qui est un grand potentiel pour guider les recherches ultérieures sur les mécanismes biologiques de la rechute. Le principal avantage de cette technique est qu’elle fournit un outil flexible basé sur la régression pour explorer et étudier les phénomènes périodiques et cycliques.

Cela permet d’isoler les influences de la latitude et de la saison à partir d’une série d’autres corrélats de rechute, y compris les facteurs du patient et du traitement. L’analyse décrite ici est effectuée à l’aide d’un logiciel d’état piloté par ligne de commande. Commencez par ouvrir un fichier do.

Cliquez sur le bouton nouvel éditeur de fichiers. Ensuite, à l’aide de la commande generate, calculez le nombre d’épisodes de rechute datés de chacun des 12 mois civils. Faites-le pour le niveau géographique modélisé, qui dans ce cas est l’hémisphère.

Exécutez la commande generate comme toutes les commandes sont exécutées en cliquant sur le bouton d’action Exécuter le fichier do do dans le fichier dû. Ensuite, exécutez une commande S WIL ou une commande SK test pour tester la normalité de la distribution sous-jacente du nombre de rechutes. Ces options appliquent respectivement un test de Shapiro Wilk ou un test Harkey Bara modifié.

Faites le bon choix si les données sur le nombre de rechutes sont considérablement faussées. Appliquez ensuite une transformation logarithmique. Si les données sont transmises.

Le test de normalité se poursuit à l’aide de la commande generate pour créer une nouvelle variable northco mois pour l’hémisphère sud. Mois civils décalés de six unités. Utilisez maintenant la variable nord mois pour créer un nuage de points de toutes les données.

Mettez le calendrier, les mois et les saisons sur l’axe des x et les apparitions mensuelles de rechutes observées avec la fréquence des rechutes sur l’axe Y. Observez les tendances de l’apparition des rechutes au cours de l’année civile en visualisant chaque graphique dans la visionneuse de graphiques. Ensuite, exécutez la commande radar pour dessiner des graphiques radar de la distribution de la fréquence des rechutes par mois civil.

Chaque axe radar capturant un seul mois ordonné dans le sens des aiguilles d’une montre. Pour terminer cette analyse, exécutez la commande CT pour appliquer un test d’Edwards de saisonnalité aux données de rechute observées. Répétez ce test à chaque niveau géographique en poursuivant avec le logiciel.

Construisez un modèle des données. Tout d’abord, spécifiez les fonctions trigonométriques de signe de cycle annuel et de cosignature à utiliser dans la régression des données. Ensuite, utilisez la commande regress pour spécifier la forme du modèle de base avec le nombre de rechutes comme résultat dépendant.

Cette commande saisit les termes de signe et de cosigne qui viennent d’être calculés en tant que variables explicatives principales. Ensuite, il ajoute le rayonnement UV spécifique à l’emplacement en tant que covariable d’ajustement supplémentaire, et il applique l’option de poids analytique pour pondérer le modèle en fonction du nombre de patients contribués par chaque emplacement. Maintenant, stockez le modèle de rechute mensuelle du journal à l’aide de la commande predict pour chaque site.

Convertissez les rechutes de journal en nombres entiers. Exposez le terme de rechute du journal à l’aide de la commande generate pour chaque site. Superposez ensuite la prédiction des estimations de rechute mensuelle d’exportation à l’aide de la commande de dispersion bidirectionnelle.

Maintenant, développez le modèle en ajoutant une paire de co-signature de signe harmonique supplémentaire à l’aide de la commande regress. Répétez cette opération deux fois de plus, de sorte que trois paires de signes cosignés soient ajoutées. Chaque paire sera utilisée pour produire un modèle autonome des données afin d’estimer la probabilité de rechute maximale.

Commencez par utiliser nl com pour calculer le point, l’estimation et l’intervalle de confiance à 95 % pour le déphasage. Pour obtenir le modèle le mieux adapté, convertissez les estimations ponctuelles produites et les intervalles de confiance associés en données numérotées pour chaque jour de l’année. Indiquez la fréquence maximale des rechutes ou tmax et la fréquence minimale des rechutes ou T in.

Faites ensuite correspondre les données tmax et T à une date calendaire via le fichier de recherche Excel. Cette section décrit comment modéliser les données de rayonnement ultraviolet ou les données UV. Pour commencer, exécutez la commande use pour charger les données UVR.

Ensuite, à l’aide de la commande egen, calculez le VLU mensuel médian pour chaque emplacement. Pour chaque emplacement, utilisez la fonction de diffusion bidirectionnelle pour représenter graphiquement un nuage de points du rayonnement UV mensuel sur l’axe des Y par rapport au mois civil sur l’axe des X. Vérifiez ensuite la normalité des données à l’aide du test s wilk ou SK comme précédemment.

Ensuite, à l’aide de la commande regress, spécifiez un modèle de base de la tendance annuelle du rayonnement UV au niveau de l’emplacement. Spécifiez le VLU mensuel comme variables de résultat dépendantes, puis faites des variables explicatives les fonctions de mesure trigono de signe et de cosignature précédemment générées. Ensuite, tracez les résultats et superposez les valeurs prédites.

Cela implique de réexécuter la commande de diffusion bidirectionnelle pour superposer les données prédites et d’observation, et d’utiliser la commande regress pour exécuter les alternatives de modèle harmonique étendu. Maintenant, avec le modèle de meilleur ajustement, utilisez la commande generate pour calculer l’estimation du point de déphasage et l’intervalle de confiance à 95 % associé pour le UV. En appliquant les formules des angles doubles, calculez à nouveau l’équipe pour chaque emplacement comme calculé précédemment.

Poursuivez l’analyse des données saisonnières de rayonnement UV à l’aide de la commande merge pour ajouter le creux précédemment calculé et remplacer les dates de pointe pour chaque emplacement. Utilisez ensuite la commande generate pour calculer le temps écoulé en mois entre la date du creux du rayonnement UV et la date du pic de rechute suivante. Avant de continuer, exécutez un test de normalité sur les données de décalage uuv à l’aide de la commande SK test.

Après la fusion, convertissez la latitude relative en latitude absolue à l’aide de la fonction ABS X. Continuez à utiliser la régression pour spécifier un modèle de régression moyenne linéaire avec un creux de rayonnement UV pour rechuter, un décalage maximal comme variable de résultat dépendante et une latitude absolue en unités de 10 degrés comme variable prédictive. Assurez-vous d’attendre le modèle pour connaître le nombre de patients contribués par chaque emplacement à l’aide de l’option de régression des poids A.

Enfin, utilisez la commande de diffusion bidirectionnelle pour tracer la latitude absolue sur l’axe Y par rapport au creux UVR afin de relapse le décalage sur l’axe x affiché en mois à partir des options graphiques. Superposez une ligne de meilleur ajustement à l’aide de l’option de graphique d’ajustement L et utilisez l’option de poids a pour visualiser les poids relatifs des patients de chaque emplacement. L’analyse de régression trigonométrique a été effectuée à l’aide d’un ensemble de données de 32 762 événements de rechute.

Le tracé de base des données a suggéré un cycle annuel avec un pic printanier et un creux automnal à tous les niveaux géographiques. Les rechutes ont atteint un sommet mondial au mois de mai. Dans les données de l’hémisphère nord, un pic correspondant en novembre a été observé dans les données de l’hémisphère sud.

Ces résultats ont montré une variation temporelle périodique aux trois niveaux de la géographie, mieux décrite par un cycle annuel avec un seul pic et un seul creux sur un intervalle de six mois. Ainsi, il a été établi comme le modèle du scénario de référence dans les deux hémisphères. Ensuite, des graphiques de régression du rayonnement UV ont été préparés pour déterminer le pic de rechute du creux du rayonnement UV.

La mesure du pic de rechute du creux UVR a montré l’influence de la latitude sur la probabilité de rechute lorsque la latitude par rapport à l’équateur augmente. Il y a une diminution corrélative du décalage entre le creux des rayons UV et le pic de rechute ultérieur après son développement. Cette technique a ouvert la voie aux chercheurs pour explorer mathématiquement les phénomènes épidémiologiques, qui varient périodiquement et psychiquement.

Après avoir regardé cette vidéo, vous devriez maintenant avoir une bonne idée de la façon d’étudier et de critiquer les phénomènes cycliques périodiques à l’aide d’un outil de régression trigonométrique. Lors de l’application de cette technique, il est important de s’assurer que l’ensemble de données est propre et que le code est débogué. Il est également important de superposer et d’appliquer un contexte clinique et biologique, notamment en termes d’interprétation des résultats et des données.