Methodenartikel

Een methode van Trigonometrische Modellering van seizoenvariaties Aantoonbare met Multiple Sclerose Relapse Gegevens

DOI:

10.3791/53169

9 december 2015

In dit artikel

Samenvatting

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

Het combineren van plotanalyse met trigonometrische regressie is een robuuste methode voor het onderzoeken van complexe, cyclische fenomenen zoals het begintijdstip van recidieven bij multiple sclerose (MS). Deze methode maakte een onbevooroordeelde karakterisering van seizoenstrends in het begin van recidieven mogelijk, wat nieuwe inzichten geeft over de invloed van seizoensvariatie, ultraviolette straling (UVR) en breedtegraad.

Samenvatting

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

Dit rapport beschrijft een nieuwe op Stata gebaseerde toepassing van trigonometrisch regressiemodellerend model op 55 jaar gegevens over terugval bij multiple sclerose van 46 klinische centra in 20 landen in beide hemisferen. Centraal in het succes van deze methode was het strategisch gebruik van plotanalyse om de statistische regressiemodellering te begeleiden en te staven. Eerste plotanalyse was noodzakelijk voor het opstellen van realistische hypothesen over de aanwezigheid en structurele vorm van seizoens- en latitudinale invloeden op de terugvalwaarschijnlijkheid en vervolgens het testen van de prestaties van de resulterende modellen. Trigonometrische regressie was vervolgens noodzakelijk om deze relaties te kwantificeren, voor belangrijke confounders aan te passen en een maatstaf te bieden voor de zekerheid van hoe plausibel deze associaties waren. Synchronisatie van grafiektechnieken met regressiemodellering maakte een systematische verfijning van modellen mogelijk totdat de beste pasvormconvergentie werd bereikt, waardoor nieuwe inzichten konden worden verkregen over de onafhankelijke invloed van zowel seizoen als breedtegraad bij het voorspellen van het tijdstip van terugval bij MS. Deze methoden hebben het potentieel voor toepassing op andere complexe ziekte- en epidemiologische fenomenen waarvan bekend is of vermoed wordt dat ze systematisch variëren met het seizoen en/of geografische locatie.

Inleiding

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

De meest voorkomende vorm van multiple sclerose (MS) is relapsing-remitting multiple sclerose (RRMS). RRMS wordt gekenmerkt door episodische verslechteringen in neurologische functie, gevolgd door gedeeltelijk of volledig herstel. Wereldwijd is de incidentie en prevalentie van MS te verhogen met toenemende afstand van de evenaar in beide hersenhelften. 1-3 Of de frequentie van terugval gebeurtenissen die zich specifiek voordoen in RRMS ook variëren met de breedtegraad, en of er een onderliggende seizoensvariatie in een dergelijke vereniging, blijft onduidelijk. Tot op heden studies waarin seizoensgebondenheid in terugval timing zijn beperkt tot enkele klinische centra, het beperken van eventuele gevolgtrekkingen over seizoensgebonden trends in terugval timing om eenzame geografische locaties en dus niet in staat om te verkennen bredere breedte-invloeden. 14/04 Deze studies zijn verder beperkt door de kleine steekproef groottes en schaars terugval data. Een 2000 meta-analyse van tien studies uit klinische centra in Europa, de Verenigde Staten en Canada, waar elke studie omvatte een minimum van dertig gevallen melden van het seizoen-van-begin van de terugval, beschreef een duidelijke seizoensgebonden trend in de timing van de terugval begin, met een terugval met een piek in het voorjaar en een winter trog 4 . Soortgelijke cyclische jaarlijkse trends in onset waargenomen in latere, hoewel kleiner, studies in zowel Japan 15 en Spanje 16. Echter, een vergelijkbaar Verenigde Staten studie niet aan dit patroon 17 bevestigen. Tot op heden hebben deze studies en waarnemingen beperkt tot het noordelijk halfrond. De MSBase werkgroep onlangs analyseerde een grote wereldwijde dataset van MS terugval in zowel noordelijk en zuidelijk halfrond van seizoensgebonden trends in de timing van de terugval begin verkennen naast de breedte-invloeden op de relatie tussen peak recidief kans en seizoensgebonden ultraviolette straling (UVR) goot 18 . Centraal in deze methoden was de toepassing van trigonometrische regressievisualiseren en evalueren van trends in de timing van terugval begin en UVR distributies.

De algemene doelstelling van deze studie was om de hypothese dat de temporele variatie in de timing van de terugval begin in MS gevarieerd voorspelbaar met seizoen in zowel het noordelijk en zuidelijk halfrond te testen en deze seizoensgebondenheid werd beïnvloed door de breedtegraad. De rationale voor het gebruik van trigonometrische modellering om deze vragen te onderzoeken was de flexibiliteit voor het karakteriseren twee- of driedimensionale verschijnselen waarvan bekend is of vermoed discrete, voorspelbare en consistente vormen of patronen te beschrijven dat de jaarlijkse cyclus van pieken en dalen gewoonlijk waargenomen in biologische of epidemiologische verschijnselen bezitten seizoensinvloeden. 19-22 Een nadeel van de conventionele time-serie analyses, met inbegrip van Fourier-analyse, is de veronderstelling dat tijdreeksen worden vaak gekenmerkt door stochastische processen. 21,23,24 daarentegen, waarin trigonometrische functies into een soort regressie model heeft het voordeel van beide vergemakkelijken verkenning van regelmatige en systematische structuren in de periodieke gegevens, terwijl de exploitatie van het regressiemodel structuur andere correlaties onderzoeken of aan te passen voor verstorende variabelen van seizoensinvloeden.

Trigonometrische regressie is eerder op grote schaal gebruikt in de medische epidemiologische literatuur tijdelijkheid verkennen in onderwerpen zo divers besmettelijke ziekte-uitbraak detectie, de rol van de circadiane ritmen bij alles, van het autonome zenuwstelsel te abruptio premature placenta tot seizoensgebonden correlaten van aangeboren afwijkingen en de timing presentaties van de spoedeisende hulp. 25-32 Dergelijke modellen vergt doorgaans grotere steekproefomvang dan meer conventionele tijdreeksen analyseert en als dit zo is de eerste keer dat het is toegepast op een globale dataset van MS terugval begin. Trigonometrische regressie zoals hier beschreven is geschikt hulpmiddel voor onderzoekers verkennen elke phenomena waarvan bekend is of vermoed fietsen systematisch in de tijd. Niet alleen kan de modellering helpen karakteriseren en deze patronen visualiseren, verder kan de gebruiker potentiële bestuurders en correlaten van deze trends onderzoeken.

Met betrekking tot het specifieke voorbeeld van MS relapse onset hier gepresenteerde gebruik van scatter en residuplots te visualiseren en te beoordelen hoe dicht een hypothese goniometrische modelformulier past de data vormt de kritieke stap bij het bepalen: 1) of de waargenomen gegevens voldoende bewijs voor een hypothese van de seizoensgebondenheid of andere tijdelijke trends in de timing van de terugval begin; en 2) of de frequentie en opstelling van de sinus en cosinus functie welke een bepaald trigonometrische model definiëren voldoende om van deze model voor daaropvolgende inferentie en voorspelling mogelijk. Regressie modellering maakt ook de controle voor belangrijke confounders van elke waargenomen seizoensgebonden of breedte-effect, zoals patiënt-niveauneigingen voor terugval, vooral factoren die op zichzelf tijd-variërende zoals de duur van de pre-recidief blootstelling aan ziekte-modificerende geneesmiddelen (DMD) behandeling. Isoleren onafhankelijke geografische en temporele voorspellers en determinanten van terugval begin timing in MS heeft de potentie om biologische onderzoek naar de mechanismen van terugval gebeurtenissen die op zijn beurt de ontwikkeling van de toekomstige behandeling interventies gericht op het voorkomen of uitstellen van ziekte verergering kunnen informeren begeleiden.

De MSBase Registry

MS-patiënten bijdraagt ​​terugval data om deze analyse zijn afkomstig van de internationale MSBase register. Opgericht in 2004, het register lengterichting verzamelt demografische, ziekte-activiteit, klinisch onderzoek en onderzoek naar de kenmerken en statistieken van toestemming patiënten bijwonen van MS-kliniek met behulp van een internet-based, arts-eigendom en beheer systeem. 33 Lid centra volgen een gemeenschappelijk protocol dat de minimale dataset nodig definieert te worden geüpload op afgesproken regelmatig om ervoor te zorgen uitkomst gegevens zoals terugval gebeurtenissen worden consequent en prospectief samengesteld. De datum van de terugval begin is opgenomen als een verplichte minimale dataset variabel. Daarnaast relevante klinische gegevens in verband met deze terugval gebeurtenissen wordt vaak verzameld, waaronder behandeling met corticosteroïden en functioneel systeem beïnvloed. Het gebruik van de gemeenschappelijke iMed data entry systeem verder zorgt voor een uniforme aanpak van de centra te verzamelen en rapporteren van gegevens. Dit project houdt goedkeuring of vrijstelling bij elke bijdrage centrum Human Research Ethics Committee. Geïnformeerde toestemming volgens de lokale wetten van alle patiënten opgenomen in de analyse is verplicht.

Inclusie criteria

Een totaal van 9.811 patiënten bij te dragen 32.762 terugval evenementen werden opgenomen in de analyse. Klinische MS centra met een minimum van 20 geregistreerde patiënten ingestemd, uploaded en bijgehouden in het register vanaf de 1 ste december 2013 (datum van de gegevensverzameling) kwamen in aanmerking voor opname in de analyse. Om ervoor te zorgen alle terugval gebeurtenissen opgenomen in de analyse werden prospectief waargenomen, alleen aanzetten recidief gedateerd na de eerste geregistreerde patiënt handicap evaluatie (met behulp van de Kurtzke Expanded Disability Status Score (EDSS)) werden opgenomen in de analyse. Alle patiënten bijdragen terugval data aan de analyse voldoen formele diagnostische criteria voor MS. 34,35

Uitkomstmaten

Dit onderzoek als twee primaire uitkomsten: 1) of er temporele variatie van de kans op terugval ontstaan ​​ter hoogte van de geografische locatie, de halve bol en / of globaal; en 2) de vraag of er een relatie tussen de breedtegraad en de vertraging, in maanden, tussen de timing van de seizoensgebonden UVR goot en de daarop volgende piek terugval waarschijnlijkheid datum. De MSBase Studiegroep hypothegedimensioneerd dat als absolute vitamine D-niveaus lager zijn in gebieden die verder van de evenaar en locatie-specifieke seizoensgebonden populatieniveau vitamine D nadirs zijn waarschijnlijk eerder naar aanleiding van de winterzonnewende in dergelijke distale locaties bereikt, dan is het effect van een lage vitamine D-niveaus op verhoogde MS terugval waarschijnlijkheid zou op dezelfde wijze te beschrijven zoals temporele en breedtegraad patronen.

Terugval definitie en data

Een recidief werd gedefinieerd als het optreden van nieuwe symptomen of verergering van bestaande symptomen aanhoudt ten minste 24 uur, in afwezigheid van gelijktijdige ziekte of koorts en optredende ten minste 30 dagen na de vorige aanval. Deze definitie is eerder toegepast in een MSBase terugval fenotype analyse. 36 De follow-up periode voor elke in aanmerking komende patiënt waarover terugval gebeurtenissen kon worden waargenomen werd gedefinieerd als de periode verspreid over de datum van de eerste EDSS beoordeling tot en met de datum van de meest recenteEDSS evaluatie opgenomen in het register voor de gegevens van data extract en compilatie. In gevallen waarin de exacte dag van terugval begin was niet beschikbaar of niet in staat vast te stellen voor een bepaalde maand, klinieken gebruikt ofwel de 1 e of 15 e dag van de maand als standaard data. Van de 32.762 terugval in dit verslag geanalyseerd, 7913 (24,2%) en 4594 (14,0%) werden opgenomen op de 1 e en de 15 e dag van de maand, respectievelijk, aanzienlijk hoger dan de verhoudingen die op een andere dag van de maand, die varieerden van 0,8% tot 5,6%. Om hiervoor te corrigeren, recidieven vastgelegd op ofwel de 1 ste van 15 ste dag van de maand werden gerandomiseerd dag binnen 15 dagen interval weerszijden van beide default data. De interne validiteit van deze benadering werd bevestigd via gevoeligheidsanalyse waaruit bleek dat de gemodelleerde schatting van piek terugval datum onder standaarddatumnotatie randomisering was niet significant verschillend van een model met behulp van de oorspronkelijke gerapporteerde data of exclusief standaard data geheel.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Protocol

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

Opmerking: Elke stap beschreven correspondeert met een gedeelte van Stata code met hetzelfde nummer in het codebestand ontvangen. Stata commando namen zijn cursief in het volgende protocol.

1. Bereid en plot de Waargenomen Relapse Onset Gegevens

  1. Open een doe-bestand door te klikken op de knop "Nieuwe Do-file Editor" en gebruik het commando genereren om het aantal terugval onsets gedateerd aan elk van de twaalf kalendermaanden voor elk van de drie geografische niveaus te berekenen worden gemodelleerd: locatie, hemisfeer en globale. Actie commando door te klikken op de "Uitvoeren (doen)" doe-file actieknop in de doe-bestand.
  2. Gebruik de swilk of sktest opdracht om de onderliggende distributie van terugval telt voor normaal gebruik van een Shapiro-Wilk of gewijzigde Jarque-Bera-test voor de locatie geaggregeerde terugval data testen respectievelijk disaggregeren patiëntniveau terugval data. Selecteer de code en klik op "Uitvoeren (doen)".
    OPMERKING: In de aanwezigheid van significante scheef, breng dan een natuurlijke log transformatie en vervolgens testen van de log-getransformeerde terugval telling variabele benadering normaliteit door opnieuw aanbrengen van de Shapiro-Wilk of gewijzigde Jarque-Bera-test zo nodig 38,39.
  3. Gebruik de opdracht genereren om een nieuwe variabele "north_month" voor het zuidelijk halfrond kalendermaanden gecompenseerd door 6 te plotten van zowel de noordelijke en zuidelijke halfrond recidieven toe per seizoen langs dezelfde horizontale as te creëren. Selecteer de code en klik op "Uitvoeren (doen)".
    1. Grafiek een scatterplot van waargenomen maandelijkse terugval aanvangen met recidief frequentie op de y-as en kalendermaand op de x-as voor elke hersenhelft met de drieweg scatter commando. Herhaal dit voor elke locatie. Observeren patroon van pieken en dalen in terugval begin dan het kalenderjaar door het bekijken van elk perceel in de grafiek van de kijker wordt automatisch geopend om het scherm.
  4. Gebruik de radar commandotrekken radar plots van de verdeling van de terugval frequentie kalendermaand met elkaar radar as vastleggen van een maand besteld met de klok mee. Selecteer de code en klik op "Uitvoeren (doen)".
    1. Herhaal dit voor alle sites. Observeren patroon van pieken en dalen in terugval begin dan het kalenderjaar door het bekijken van elk perceel in de grafiek van de kijker wordt automatisch geopend om het scherm.
  5. Voer het Seast commando's een Edward test van de seizoensgebondenheid van toepassing over de waargenomen terugval data. 40-42 Herhaal voor alle geografische niveaus.

2. Model Building en Selectie

  1. Gebruik van die opdracht gelijk aan de cyclus sinus en cosinus trigonometrische functies voor gebruik bij de regressie opgeven. Selecteer de code en klik op "Uitvoeren (doen)".
  2. Gebruik de achteruitgang opdracht geeft u de vorm van het basismodel met recidief tellen als afhankelijke uitkomst variabele en de sinus en cosinus termen berekendin stap 2.1 als primair verklarende variabelen.
    1. Add locatiespecifieke UVR 37 het basismodel als een extra aanpassing covariante en gebruiken analytische gewicht aweight mogelijkheid om het model het aantal patiënten bijdrage van elke locatie gewicht. Selecteer de code en klik op "Uitvoeren (doen)".
      OPMERKING: Noteer het model determinatiecoëfficiënt (R2) en de resterende fout in de resultaten venster dat automatisch opent naar het scherm. Ultraviolette straling: Dagelijks gemiddelde erythemally gewogen ambient UVR voor elke maand 1979-2004 inclusive is afkomstig van de National Aeronautics and Space Administration Earth Probe Total Ozone Mapping Spectrometer voor alle individuele locaties opgenomen in de analyse 37.
  3. Bewaar het model voorspelde maandelijkse log (recidief) met de opdracht te voorspellen. Omzetten log terugval naar integer terugval tellingen door exponentiating de log (recidief) termijn met behulp van de generaten commando. Selecteer de code en klik op "Uitvoeren (doen)". Herhaal dit voor alle sites.
  4. Overlay de exponentiated voorspelde maandelijkse terugval schattingen van 2,3 over de waargenomen maandelijkse terugval gegevens met behulp van de drieweg scatter commando. Selecteer de code en klik op "Uitvoeren (doen)".
    1. Herhaal dit voor alle sites. Bekijk elk perceel in de grafiek kijker.
  5. Gebruik de achteruitgang opdracht om het model van 2.2 uit te breiden door het toevoegen van een extra harmonische sinus / cosinus paar. Selecteer de code en klik op "Uitvoeren (doen)".
    OPMERKING: Noteer de resterende fouten en de determinatiecoëfficiënt. Opslaan en transformeren model schattingen volgens 2.3 en plot model schat op geobserveerde gegevens per 2,4. Herhaal dit voor alle sites.
  6. Gebruik de achteruitgang opdracht om het model van 2,2 verder uit te breiden door het toevoegen van twee extra harmonische sinus / cosinus paren. Selecteer de code en klik op "Uitvoeren (doen)".
    OPMERKING: Noteer de residuen en de coëfficiënt vanbepaling. Vergelijk dit model direct met het basismodel met een likelihood ratio testen. Gebruik de estat ic post-inschatting opdracht om Akaike en Bayesian Information Criteria genereren. Opslaan en transformeren model schattingen volgens 2.3 en plot model schat op geobserveerde gegevens per 2,4. Herhaal dit voor alle geografische niveaus.

3. Estimating Peak Relapse Waarschijnlijkheid

  1. Met de niet-lineaire combinatie van schatters functie (nlcom) de puntschatting en 95% betrouwbaarheidsinterval voor de faseverschuiving te berekenen, met behulp van de best passende model geïdentificeerd van stap 2,1 tot 2,6. Selecteer de code en klik op "Uitvoeren (doen)".
    1. Deze om te zetten punt schattingen en de bijbehorende betrouwbaarheidsintervallen om nummers die kalender data van de piek terugval frequentie (T max) en trog terugval frequentie (T min), waarbij 1 = 1 januari en 365 = 31 december en T max = faseverschuiving + (365/4) enT min = fase-shift + ((365/4) * 3). Herhaal dit voor alle geografische niveaus. Match T max en T min om een kalender datum via de Excel-look-up bestand.
  2. Met de opdracht genereren piek-dal verschil (T max min Tmin) voor elke locatie, gestandaardiseerd voor elke 100 patiënten per locatie te berekenen. Gebruik een Wilcoxon rank-sum test om gestandaardiseerde piek tot dal verschil door de breedtegraad bereik te vergelijken. Selecteer de code en klik op "Uitvoeren (doen)".

4. Modellering ultraviolette straling Gegevens

  1. Run gebruik opdracht om de UVR data te laden. Bereken gemiddelde maandelijkse UVR voor elke locatie met behulp van de egen commando. Selecteer de code en klik op "Uitvoeren (doen)".
  2. Grafiek een scatterplot van de maandelijkse UVR (y-as) door kalendermaand (x-as) voor elke locatie met behulp van de drieweg scatter-functie. Bekijk elk perceel in de grafiek van de kijker wordt automatisch geopend om het scherm.
  3. Repeet stap 1.2 voor de UVR gegevens en gebruiken de achteruitgang opdracht om een basismodel van de locatie-niveau jaarlijks UVR trend waarbij maandelijks UVR is opgegeven als de afhankelijke uitkomst variabelen en de sinus en cosinus trigonometrische functies opgegeven in stap 2.1 opgeeft, worden opgenomen in het model als verklarende variabelen.
  4. Herhaal de stappen 2.4 tot en met 2.6 van de UVR model en beperkt tot de locatie-specifieke alleen modellen. Dit houdt afdraaien de drieweg scatter opdracht om voorspelde schattingen overlay op geobserveerde gegevens en het gebruik van de achteruitgang commando om de uitgebreide harmonische model alternatieven lopen.
  5. Met behulp van de best passende model van de locatie-specifieke maandelijkse UVR geïdentificeerd in de stappen 4.2 tot 4.4 gebruiken genereren opdracht om de faseverschuiving puntschatting en de bijbehorende 95% betrouwbaarheidsinterval voor UVR berekenen door opnieuw aanbrengen van de dubbele hoek formules opgegeven in stap 3.1 . Bereken T min (datum van de trog UVR) voor elke locatie met behulp van the formule beschreven in stap 3,1. Selecteer de code en klik op "Uitvoeren (doen)".

5. Modelling UVR-trough-to-relapse-piek Lag

  1. Voeg de-model geschatte data van seizoensgebonden UVR trog uit stap 4.5 en terugval piek dateert uit stap 3.1 voor elke locatie met behulp van de samenvoeging commando. Gebruik de opdracht te genereren om de tijd te vervallen in maanden tussen UVR trog datum en de daaropvolgende terugval piek datum te berekenen. Selecteer de code en klik op "Uitvoeren (doen)".
  2. Gebruik de sktest opdracht om de achterstand variabele UVR-trough-to-relapse-piek te testen op belangrijke afwijkingen van normaliteit met een Shapiro-Wilk-test Select code in en klik op "Uitvoeren (doen)".
  3. Append locatie-niveau breedtegraad gegevens aan dataset met de samenvoeging commando. Omzetten relatieve breedtegraad absolute breedtegraad met behulp van de abs (x) functie. Selecteer de code en klik op "Uitvoeren (doen)".
  4. Met behulp van de achteruitgang commando test de lineariteit of de relatie tussen achterstand en absolute breedtegraad door het uitvoeren van zowel lineaire en kwadratisch regressies en het vergelijken van residuen. Selecteer de code en klik op "Uitvoeren (doen)".
  5. Met behulp van regressie, geeft een lineair betekenen regressiemodel met UVR-trough-to-relapse-piek lag als afhankelijke uitkomst variabele en absolute breedtegraad in eenheden van 10 graden als de predictor variabele. Weeg het model van het aantal patiënten bijdrage van elke locatie met behulp van de aweights regressie optie. Selecteer de code en klik op "Uitvoeren (doen)".
  6. Gebruik de drieweg scatter opdracht te plotten absolute breedte op de y-as tegen UVR-dal-tot-recidief-lag in maanden op de x-as. Overlay een lijn van de beste fit met lfit grafiek optie. Visualiseer het relatieve gewicht van de patiënt elke locatie met behulp van de aweight analytische gewichten optie. Selecteer de code en klik op "Uitvoeren (doen)".

6. Gevoeligheid Analyses van patiënt-level Relapse Propensities

  1. Gebruik de mepossion commando om een mixed-effecten aangeven Poisson regressie, waar maandelijkse terugval telling is de afhankelijke uitkomst variabele, de sinus en cosinus trigonometrische functies opgegeven in stap 2.1 zijn weer opgenomen in het model als de vaste variabelen, uitgangswaarde EDSS, leeftijd bij MS onset en eerdere blootstelling aan MS specifieke disease modifying behandeling worden opgenomen als potentiële confounders en unieke identificatiegegevens van de patiënt wordt opgegeven als een willekeurig effect. Selecteer de code en klik op "Uitvoeren (doen)".
  2. Herhaal stap 2,4 tot 2,6 om de best passende Poisson model te identificeren. Dit houdt afdraaien de drieweg scatter opdracht om voorspelde schattingen overlay op geobserveerde gegevens en het gebruik van de achteruitgang commando om de uitgebreide harmonische model alternatieven lopen.
  3. Met de niet-lineaire combinatie van schatters functie (nlcom) de puntschatting en 95% betrouwbaarheidsinterval voor de faseverschuiving te berekenen en bereken de datumvan de piek terugval frequentie. Vergelijk de resultaten van de primaire analyse.
  4. Gebruik de opdracht genereren om UVR-trough-to-relapse-piek lag herberekenen in maanden voor elke locatie, zoals beschreven in stap 5.1, met behulp van de patiënt niveau Poisson model schattingen van de piek terugval datum afgeleid in stap 6.3. Selecteer de code en klik op "Uitvoeren (doen)".
  5. Gebruik de achteruitgang opdracht te verbouwen absolute breedtegraad als een voorspeller van vertraging, zoals beschreven in stap 5.5 en de resultaten van de primaire analyse te vergelijken. Selecteer de code en klik op "Uitvoeren (doen)".

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Resultaten

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

De toepassing van trigonometrische regressie naar 32.762 terugval gebeurtenissen afkomstig uit 46 klinische centra in 20 landen was de basis voor het verstrekken van een verdedigbare statistische argument voor de observatie dat de timing van de terugval begin bij MS is cyclisch en seizoensgebonden over beide hemisferen en dat de duur tussen seizoensgebonden UVR dieptepunt en de daaropvolgende terugval piek correleert met de breedtegraad. Van cruciaal belang voor dit was het vertrouwen op plot analyse om de noodzakelijke...

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Discussie

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

De hierin beschreven protocol Gegevens van een systematische regressie gebaseerde techniek, geleid door visuele plot analyse van de wereldwijde MS terugval begin data. Het neemt als uitgangspunt een relatief eenvoudige beschrijvende analyse van terugval gegevens uit 20 landen, verspreid over beide hersenhelften, waardoor de gebruiker theorieën over de tijdelijkheid van terugval begin timing in MS en het testen van deze theorieën formeel door het gebruik van trigonometrische modellen verkennen. Via een stapsgewijze werkw...

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Openbaarmakingen

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

Tim Spelman ontvangen honoraria voor advisering en financiering voor reizen van Biogen Idec Inc; Orla Gray kreeg reis steun van Biogen Idec, Merck Serono en Novartis; vergoeding voor die dienst doen op wetenschappelijke adviesraden van Biogen Idec, Genzyme, Novartis en Merck Serono; Robyn Lucas leverde geen concurrerende belangen bekendmaken en Helmut Butzkueven ontvangen een vergoeding voor die dienst doen op wetenschappelijke adviesraden en als consultant voor Biogen Idec en Novartis; spreker honoraria van Biogen Idec Australië, Merck Serono Australië, en Novartis Australië; reizen steun van Biogen Idec Australië en Merck Serono Australië; onderzoek steun van CASS Foundation (Australië), Merck Serono Australië, het Royal Melbourne Hospital Vrienden van de Neurowetenschappen Stichting en de Universiteit van Melbourne.

Dankbetuigingen

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

De auteurs willen Ivan Hanigan bedanken voor zijn ondersteuning bij het extraheren en interpreteren van de satellietgegevens over ultraviolette straling. Het werk werd ondersteund door de NHMRC Career Development Award (Clinic) aan HB [ID628856], NHMRC Project Grant [1032484], NHMRC Center for Research Excellence [Grant ID 1001216] en de MSBase Foundation. De MSBase Foundation is een non-profitorganisatie die ondersteuning ontvangt van Merck Serono, Biogen Idec, Novartis Pharma, Bayer-Schering, Sanofi-Aventis en BioCSL. RL wordt ondersteund door een NHMRC Career Development Award [ID 1004898].

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Materialen

Lijst van materialen gebruikt in dit artikel
NaamBedrijfCatalogusnummerOpmerkingen
Stata SE Version 13StataCorp, College Station, TexasVersie 13Statistisch analysesoftware gebruikt voor analyse
Microsoft Excel 2010Microsoft2010Spreadsheetprogramma voor kalenderdatumopzoeking

Referenties

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

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Herprints en machtigingen

Toestemming aanvragen om de tekst of afbeeldingen van dit JoVE-artikel te hergebruiken

Toestemming aanvragen

Trefwoorden

Trigonometrische regressiebreedtegraadanalysetiming van recidievenStata softwareUVR modelleringharmonisch modelfasedraaiingdatavisualisatie

Gerelateerde artikelen