שיטה של טריגונומטריות מידול של וריאציה עונתית הפגין עם טרשת נפוצה Relapse נתונים
9 בדצמבר 2015
שילוב ניתוח עלילה עם רגרסיה טריגונומטרית הוא שיטה חזקה לחקר תופעות מורכבות ומחזוריות כגון תזמון הופעת הישנות בטרשת נפוצה (MS). שיטה זו אפשרה אפיון בלתי מוטה של מגמות עונתיות בהופעת הישנות, ואפשרה מסקנות חדשות לגבי השפעת השונות העונתית, הקרינה האולטרה סגולה (UVR) וקו הרוחב.
המטרה הכוללת של רגרסיה טריגונומטרית סטטיסטית זו היא למדל את התזמון של אירועי הישנות המאפיינים בדרך כלל את מהלך המחלה של המטופל בטרשת נפוצה ולהשתמש במודלים אלה כדי לחקור מתאמים עונתיים ורוחביים של הופעת הישנות. שיטה זו יכולה לעזור לחקור שאלות מפתח בהיסטוריה של הטבע באפידמיולוגיה של טרשת נפוצה, כולל ההשפעות הבלתי תלויות של העונה וקו הרוחב, ותזמון הישנות, שהוא פוטנציאל גדול להנחות את החקירות הבאות על המנגנונים הביולוגיים של הישנות. היתרון העיקרי של טכניקה זו הוא שהיא מספקת כלי גמיש מבוסס רגרסיה לחקירה וחקירה של תופעות מחזוריות ומחזוריות.
זה מאפשר לבודד את ההשפעות של קו רוחב ועונה מסדרה של מתאמים אחרים של הישנות, כולל גורמי מטופל וטיפול. הניתוח המתואר כאן נעשה באמצעות תוכנת מצב מונחית שורת פקודה. התחל בפתיחת קובץ do.
לחץ על כפתור עורך הקבצים החדש. לאחר מכן, באמצעות הפקודה create, חשב את מספר הופעות ההישנות המתוארכות לכל אחד מ-12 החודשים הקלנדריים. עשו זאת עבור הרמה הגיאוגרפית המודל, שבמקרה זה היא חצי הכדור.
בצע את הפקודה ליצור כאשר כל הפקודות מבוצעות על ידי לחיצה על כפתור פעולת הקובץ execute do do בקובץ העקב. לאחר מכן, בצע פקודת S WIL או פקודת בדיקת SK כדי לבדוק את ההתפלגות הבסיסית של ספירת הישנות לנורמליות. אפשרויות אלה חלות על מבחן שפירו וילק או מבחן הארקי בארה מותאם בהתאמה.
בצע את הבחירה המתאימה אם נתוני ספירת ההישנות מוטים באופן משמעותי. לאחר מכן החל המרת יומן. אם הנתונים עוברים.
מבחן הנורמליות ממשיך באמצעות הפקודה generate כדי ליצור חודש northco משתנה חדש עבור חצי הכדור הדרומי. חודשים קלנדריים מקוזזים בשש יחידות. כעת השתמש במשתנה החודש הצפוני כדי ליצור תרשים פיזור של כל הנתונים.
שים את לוח השנה, החודשים והעונות על ציר ה-x ואת הופעות ההישנות החודשיות הנצפות עם תדירות ההישנות על ציר ה-Y. התבונן בדפוסים בתחילת ההישנות במהלך השנה הקלנדרית על ידי צפייה בכל תרשים במציג הגרף. לאחר מכן, בצע את פקודת המכ"ם כדי לצייר עלילות מכ"ם של התפלגות תדר ההישנות לפי חודש קלנדרי.
כאשר כל ציר מכ"ם לוכד חודש בודד מסודר בכיוון השעון. כדי להשלים ניתוח זה, בצע את פקודת ה-CT כדי להחיל מבחן אדוארדס של עונתיות על פני נתוני ההישנות שנצפו. חזור על בדיקה זו בכל רמה גיאוגרפית הממשיכה עם התוכנה.
בנה מודל של הנתונים. ראשית, ציין את סימן המחזור השנתי וקו-סימן פונקציות טריגונומטריות שישמשו ברגרסיית הנתונים. לאחר מכן, השתמש בפקודת הרגרסיה כדי לציין את צורת מודל הבסיס עם ספירת ההישנות כתוצאת התלויה.
פקודה זו מזינה את מונחי הסימן והסימן המשותף המחושבים זה עתה כמשתני ההסבר העיקריים. לאחר מכן מוסיף את ה-UVR הספציפי למיקום כמשתנה התאמה נוסף, והוא מיישם את אפשרות המשקל האנליטי כדי לשקלל את המודל עבור מספר החולים שנתרמו על ידי כל מיקום. כעת, אחסן את ההישנות החודשית החזויה של המודל באמצעות פקודת החיזוי עבור כל אתר.
המרת הישנות יומן בחזרה לספירת הישנות של מספרים שלמים. מעריך את מונח ההישנות של יומן הרישום באמצעות הפקודה create עבור כל אתר. לאחר מכן שכב על התחזית של אומדני ההישנות החודשיים של האקספון באמצעות פקודת הפיזור הדו-כיוונית.
כעת, הרחב את המודל על ידי הוספת זוג סימן משותף הרמוני נוסף באמצעות פקודת הרגרסיה. עשו זאת פעמיים נוספות, כך שיתווספו שלושה זוגות של סימנים. כל זוג ישמש להפקת מודל עצמאי של הנתונים כדי להעריך את שיא ההסתברות להישנות.
התחל בשימוש ב-nl com כדי לחשב את הנקודה, האומדן ורווח בר-סמך של 95% עבור שינוי הפאזה. לקבלת המודל המתאים ביותר, המר את הערכות הנקודות המוצאות ומרווחי הסמך המשויכים לנתונים ממוספרים עבור כל יום בשנה. דווח על תדירות השיא של ההישנות או תדירות ההישנות של ה-tmax והשוקת או T פנימה.
לאחר מכן התאם את ה- tmax וה- T בנתונים לתאריך לוח שנה באמצעות קובץ החיפוש של Excel. סעיף זה מתאר כיצד למדל את נתוני הקרינה האולטרה סגולה או נתוני UVR. כדי להתחיל, הפעל את הפקודה שימוש כדי לטעון את נתוני ה-UV.
לאחר מכן באמצעות פקודת egen, חשב את חציון ה-UVR החודשי עבור כל מיקום. עבור כל מיקום, השתמש בפונקציית הפיזור הדו-כיוונית כדי לשרטט תרשים פיזור של ה-UVR החודשי על ציר Y מול החודש הקלנדרי על ציר X. לאחר מכן בדוק את תקינות הנתונים באמצעות מבחן s wilk או SK כמו קודם.
לאחר מכן, באמצעות פקודת הרגרסיה, ציין מודל בסיס של מגמת UVR שנתית ברמת המיקום. ציין את ה-UVR החודשי כמשתני התוצאה התלויים, ולאחר מכן הפוך את משתני ההסבר לסימן שנוצר קודם לכן ופונקציות מטריות של cosign trigono. לאחר מכן התווה את התוצאות ושכב על הערכים החזויים.
זה כרוך בהפעלה מחדש של פקודת הפיזור הדו-כיוונית כדי לכסות את הנתונים החזויים והנצפים ושימוש בפקודת הרגרסיה כדי להפעיל את חלופות המודל ההרמוני המורחב. כעת עם מודל ההתאמה הטובה ביותר, השתמש בפקודת היצירה כדי לחשב את אומדן נקודת הסטת הפאזה ואת מרווח הסמך של 95% המשויך עבור ה-UVR. על ידי החלת נוסחאות הזווית הכפולה, שוב, חשב את הצוות עבור כל מיקום כפי שחושב קודם לכן.
המשך בניתוח נתוני ה- UVR העונתיים באמצעות פקודת המיזוג כדי להוסיף את השוקת שחושבה קודם לכן ולהחליף את תאריכי השיא עבור כל מיקום. לאחר מכן השתמש בפקודה generate כדי לחשב את הזמן שחלף בחודשים בין תאריך שוקת ה-UVR לתאריך השיא של ההישנות שלאחר מכן. לפני שתמשיך, בצע בדיקת נורמליות בנתוני השהיית ה-uuv באמצעות פקודת הבדיקה SK.
לאחר המיזוג, המר את קו הרוחב היחסי לקו רוחב מוחלט באמצעות הפונקציה ABS X. המשך להשתמש ברגרסיה כדי לציין מודל רגרסיה ממוצעת ליניארית עם שוקת UVR כדי לחזור לפיגור שיא כמשתנה התוצאה התלוי וקו רוחב מוחלט ביחידות של 10 מעלות כמשתנה המנבא. הקפד להמתין למודל למספר החולים שנתרמו על ידי כל מיקום באמצעות אפשרות רגרסיה של משקולות A.
לבסוף, השתמש בפקודת הפיזור הדו-כיווני כדי לשרטט את קו הרוחב המוחלט על ציר ה-Y כנגד שוקת ה-UVR כדי לחזור על השהיה על ציר ה-x המוצג בחודשים מאפשרויות הגרפים. שכב-על קו של ההתאמה הטובה ביותר באמצעות אפשרות גרף ההתאמה L, והשתמש באפשרות משקולות כדי להמחיש את משקל המטופל היחסי של כל מיקום. ניתוח הרגרסיה הטריגונומטרית בוצע באמצעות מערך נתונים של 32,762 אירועי הישנות.
שרטוט בסיסי של הנתונים הצביע על מחזור שנתי עם שיא אביב ושפל סתיו בכל הרמות הגיאוגרפיות. ההישנות הגיעה לשיא ברמה עולמית בחודש מאי. בנתוני חצי הכדור הצפוני, שיא מקביל בנובמבר נצפה בנתוני חצי הכדור הדרומי.
תוצאות אלה הראו שונות זמנית תקופתית בכל שלוש רמות הגיאוגרפיה המתוארת בצורה הטובה ביותר על ידי מחזור שנתי עם שיא יחיד ושוקת בודדת במרווח של שישה חודשים. לפיכך, זה נקבע כמודל מקרה הבסיס בשתי ההמיספרות. לאחר מכן הוכנו עלילות רגרסיה של UVR כדי לקבוע את שיא ההישנות של שוקת ה-UVR.
מדד שיא ההישנות של שוקת UVR הראה את השפעת קו הרוחב על ההסתברות להישנות כאשר קו הרוחב מקו המשווה גדל. יש ירידה בקורלציה בפיגור בין שוקת UVR לשיא ההישנות שלאחר מכן לאחר התפתחותו. טכניקה זו סללה דרך לאפשר לחוקרים לחקור מתמטית תופעות אפידמיולוגיות, המשתנות מעת לעת ונפשית.
לאחר צפייה בסרטון זה, כעת אמור להיות לך מושג טוב כיצד ללמוד ולבקר תופעות מחזוריות מחזוריות באמצעות כלי רגרסיה מבוסס טריגונומטרי. בעת יישום טכניקה זו, חשוב לוודא שמערך הנתונים נקי וניפוי באגים בקוד. חשוב גם לכסות וליישם הקשר קליני וביולוגי, במיוחד במונחים של פירוש התוצאות והנתונים.
צפו בתמליל המלא וקבלו גישה לאלפי סרטונים מדעיים
סקירה כללית
מחקר זה משתמש ברגרסיה טריגונומטרית סטטיסטית כדי למדל את עיתוי אירועי ההחזרה בטרשת נגועים (MS). הוא בוחן את המתאמים העונתיים והקו-קומיים (לפי קווי רוחב) של תחילת ההחזרה, ומספק תובנות לגבי ההיסטוריה הטבעית והאפידמיולוגיה של MS.
מרכיבי מפתח של המחקר
תחום מדעי
- מדעי המוח
- ביו-סטטיסטיקה
- אפידמיולוגיה
רקע
- טרשת נרתיגים מאופיינת באירועי התפרצות המשפיעים על מהלך המחלה אצל המטופלים.
- הבנת העיתוי של התפרצויות אלו יכולה לסייע בגיבוש אסטרטגיות טיפול וניהול.
- גורמים עונתיים וקווי רוחב עשויים להשפיע על מועד תחילת ההתפרצויות.
- רגרסיה טריגונומטרית מציעה גישה גמישה לניתוח תופעות מחזוריות.
מטרת המחקר
- למידול עיתוי אירועי ההישנות בחולי MS.
- לבחינת ההשפעות הבלתי תלויות של העונה וקו הרוחב על תחילת ההישנות.
- להנחיית מחקרים עתידיים במנגנונים הביולוגיים העומדים בבסיס ההישנות.
שיטות שנעשה בהן שימוש
- ניתוח רגרסיה טריגונומטרית סטטיסטית.
- תוכנה לניתוח נתונים המופעלת באמצעות שורת פקודה.
- מידול של מגמות עונתיות בהופעת התנגשויות.
- בידוד השפעות קווי רוחב והשפעות עונתיות ממתאמים אחרים.
תוצאות עיקריות
- זיהוי מגמות עונתיות בעיתוי ההישחAmounts (relapse).
- אפיון לא מוטה של השפעת ה-UVR והקווי הרוחב.
- תובנות לגבי ההיסטוריה הטבעית של MS והגורמים האפידמיולוגיים שלה.
- פוטנציאל להנחות מחקרים עתידיים על מנגנוני ההישחAmounts.
מסקנות
- רגרסיה טריגונומטרית יעילה לחקר תופעות מחזוריות ב-MS.
- עונה וקו רוחב הם גורמים משמעותיים להופעת התפרצות.
- גישה זו יכולה לשפר את ההבנה של דינמיקת ההתפרצויות ב-MS.
שאלות נפוצות
רלוונטיות תעשייתית למנהלים
שיטה זו מאפשרת לחוקרים בתחומי הביופארמה למדל באופן כמותי דפוסים מחוריים של מחלות, כגון תזמון של התלקויות עונתיות בטרשת נרעים, במטרה להפחית סיכונים בהשערות של תיקוף מטרות (target validation). על ידי בידוד השפעות עונתיות וקווי רוחב ממשתנים מתערבים, היא תומכת בהפחתת סיכונים מכניסטית ומשפרת את הביטחון החזוי במגמות אפידמיולוגיות. גישה זו מספקת מסגרת סטטיסטית ניתנת לשימוש חוזר לניתוח תופעות ביולוגיות מחזוריות בתחומי טיפול שונים.
יישומים אסטרטגיים במו"פ בביופארמה
גילוי מוקדם ותיקוף מטרה
- ערך מדעי: בוחן השערות טיפוליות הנוגעות למניעים סביבתיים של פעילות המחלה.
- ערך תפעולי: מאפשר בידוד של משתנים בלתי תלויים כגון עונה וקו רוחב מגורמים מתערבים של המטופל והטיפול.
- ערך ניבוי: מכמת את חוסר הוודאות בקשרים עונתיים כדי לתמוך בהחלטות go/no-go בתעדוף מטרות.
סריקה ופיתוח בדיקה (Assay)
- ערך מדעי: הכנה של מודלי הקשר ביולוגיים שעברו תיקוף לצורך סטנדרטיזציה של בדיקות המשך.
- ערך תפעולי: הפקת פלטים כמותיים הניתנים לשחזור לצורך ניתוח מגמות עונתיות.
- ערך הפלטפורמה: תמיכה ביישום בר-הרחבה על פני מאגרי נתונים גיאוגרפיים וזמניים.
מחקר תרגומי ופרה-קליני
- ערך מדעי: תואם למערכות רלוונטיות למחלה על ידי מידול דפוסי התחדשות של המחלה המושפעים מהסביבה.
- ערך תפעולי: מבטיח רציפות משלב הגילוי ועד לתיקוף פרה-קליני באמצעות מידול סטטיסטי עקבי.
- הפחתת סיכונים: תומך בהחלטות קידום מותאמות סיכון על ידי הבהרת הגורמים המכניסטיים לשונות במחלה.
שילוב זרימת עבודה וצנרת עיבוד
השיטה משתלבת ברצף הגילוי, מהגדרת ההשערה ועד לזיהוי המולקולה המובילה (lead identification), באמצעות בידוד קפדני מבחינה סטטיסטית של משתנים סביבתיים.
- ביולוגיה של הגילוי: תומך בבדיקת היפותזות לגבי השפעות עונתיות וקו-רוחב על עיתוי תחילת המחלה.
- סריקה: מספק מודלים כמותיים של תדירות התפרצויות המחלה, מוכנים לבדיקה ומותאמים לגורמים מתבלבלים מרכזיים.
- אנליטיקה: מספק פלטי רגרסיה טריגומטרית, כולל אומדני הזזה של הפאזה ומרווחי סמך לעיתוי השיא.
- מחקר תרגומי: מקשר בין מידול עונתי לרציפות פרה-קלינית באמצעות ניתוח השהיית התפרצויות בהתאם לקרינת UVR ולקו הרוחב.
- שימוש חוזר ארגוני: מציע מסגרת ניתנת לשימוש חוזר לחקר תופעות מחזוריות באפידמיולוגיה ובפיקוח תרופתי (pharmacovigilance).
השפעה תפעולית וארגונית
- ערך מדעי: מגביר את הביטחון החזוי באישור המטרה על ידי הפחתת הסיכון הנובע מעמימות מכניסטית סביב טריגרים סביבתיים.
- ערך תפעולי: סטנדרטיזציה של ניתוח נתונים מחזוריים באמצעות תהליכי עבודה של רגרסיה טריגונומטרית הניתנים לשחזור.
- ערך אסטרטגי: משפר את היעילות ההונית על ידי אפשור קבלת החלטות מוקדמת יותר לגבי המשך הפרויקט (go/no-go) בהתבסס על אמינות דפוסי העונה.
- השפעה על הפורטפוליו: מקל על תיעדוף מותאם סיכון של מטרות בעלות מתאמים עונתיים חזקים.
שיקולי יישום
- דורש מומחיות בביוסטטיסטיקה ובמידול אפידמיולוגי.
- דורש תוכנה סטטיסטית מבוססת שורת פקודה (command-line) המסוגלת לבצע רגרסיה טריגונומטרית ומידול הרמוני.
- מחייב סטנדרטיזציה של הגדרות משתנים עונתיים במאגרי נתונים גלובליים.
- כולל שיקולי התאמה בעת היישום על מערכות מחלה שונות או על קנה מידה גיאוגרפי שונה.
- מוגבל על ידי איכות הנתונים ושלמותם של רישומי זמני ההישחקים או האירועים האורכיים.
שאלות נפוצות בתחום הביו-פרמה
Chapters in this video
0:05
Title
1:06
Preparing the Observed Relapse Onset Data
3:10
Building a Model
4:40
Estimating the Peak Relapse Probability
5:26
Modeling the Ultraviolet Radiation Data (UVR)
7:05
Modeling UVR-trough-to-relapse-peak Lag
8:34
Results: MS-patient Seasonal Relapse with an Equatorial Effect
9:50
Conclusion
