Metoda trygonometrycznego modelowania zmienności sezonowej zademonstrowana na podstawie danych dotyczących nawrotu stwardnienia rozsianego
9 grudnia 2015
Połączenie analizy wykresu z regresją trygonometryczną jest solidną metodą do badania złożonych, cyklicznych zjawisk, takich jak czas nawrotu choroby w stwardnieniu rozsianym (SM). Metoda ta umożliwiła bezstronne scharakteryzowanie sezonowych trendów w nawrotach, co pozwoliło na wyciągnięcie nowych wniosków na temat wpływu zmienności sezonowej, promieniowania ultrafioletowego (UVR) i szerokości geograficznej.
Ogólnym celem tej statystycznej regresji trygonometrycznej jest modelowanie czasu nawrotów, które często charakteryzują przebieg choroby pacjenta w stwardnieniu rozsianym i wykorzystanie tych modeli do badania sezonowych i równoleżnikowych korelatów początku nawrotu. Metoda ta może pomóc w zbadaniu kluczowych pytań z zakresu historii naturalnej w epidemiologii stwardnienia rozsianego, w tym niezależnych wpływów pory roku i szerokości geograficznej oraz czasu nawrotu, co stanowi ogromny potencjał do kierowania późniejszymi badaniami nad biologicznymi mechanizmami nawrotu. Główną zaletą tej techniki jest to, że zapewnia elastyczne narzędzie oparte na regresji do badania i badania zjawisk okresowych i cyklicznych.
Pozwala to na odizolowanie wpływów szerokości geograficznej i pory roku od szeregu innych korelatów nawrotu, w tym czynników pacjenta i leczenia. Opisana tutaj analiza jest wykonywana za pomocą oprogramowania do zarządzania statusem sterowanym przez wiersz poleceń. Zacznij od otwarcia pliku do.
Kliknij nowy przycisk edytora plików do . Następnie, za pomocą polecenia generuj, oblicz liczbę nawrotów datowanych na każdy z 12 miesięcy kalendarzowych. Zrób to dla modelowanego poziomu geograficznego, którym w tym przypadku jest półkula.
Wykonaj polecenie generuj, gdy wszystkie polecenia są wykonywane, klikając przycisk akcji wykonaj do pliku w należnym pliku. Następnie wykonaj polecenie S WIL lub polecenie testu SK, aby przetestować podstawowy rozkład liczby nawrotów pod kątem normalności. Te opcje stosują odpowiednio test Shapiro Wilka lub zmodyfikowany test Harkeya Bara.
Dokonaj odpowiedniego wyboru, jeśli dane dotyczące liczby nawrotów są znacznie zniekształcone. Następnie zastosuj przekształcenie dziennika. Jeśli dane przejdą.
Test normalności jest kontynuowany przy użyciu polecenia generate w celu utworzenia nowej zmiennej northco month dla półkuli południowej. Miesiące kalendarzowe przesunięte o sześć jednostek. Teraz użyj zmiennej miesiąca północy, aby utworzyć wykres punktowy wszystkich danych.
Umieść kalendarz, miesiące i pory roku na osi x, a obserwowane miesięczne początki nawrotów z częstością nawrotów na osi Y. Obserwuj wzorce nawrotów w ciągu roku kalendarzowego, przeglądając każdy wykres w przeglądarce wykresów. Następnie wykonaj polecenie radaru, aby narysować wykresy radarowe rozkładu częstości nawrotów według miesiąca kalendarzowego.
Każda oś radaru rejestrująca pojedynczy miesiąc uporządkowana jest zgodnie z ruchem wskazówek zegara. Aby zakończyć tę analizę, wykonaj polecenie CT w celu zastosowania testu sezonowości Edwardsa na zaobserwowanych danych dotyczących nawrotów. Powtórz ten test na każdym poziomie geograficznym, kontynuując pracę z oprogramowaniem.
Zbuduj model danych. Najpierw określ funkcje trygonometryczne znaku cyklu rocznego i kosygnatu, które mają być używane w regresji danych. Następnie użyj polecenia regress, aby określić formę modelu podstawowego z liczbą nawrotów jako wynikiem zależnym.
To polecenie wprowadza właśnie obliczony znak i terminy współpodpisu jako podstawowe zmienne objaśniające. Następnie dodaje UVR specyficzne dla lokalizacji jako dodatkową współzmienną korygującą i stosuje opcję wagi analitycznej w celu zważenia modelu pod kątem liczby pacjentów współtworzonych przez każdą lokalizację. Teraz zapisz model przewidywany miesięczny nawrót dziennika przy użyciu polecenia predict dla każdej witryny.
Konwertuj nawroty dziennika z powrotem na liczbę nawrotów całkowitych. Wykładnik terminu nawrotu dziennika za pomocą polecenia generate dla każdej witryny. Następnie nałóż przewidywanie miesięcznych szacunków nawrotów za pomocą polecenia dwukierunkowego rozproszenia.
Teraz rozwiń model, dodając dodatkową parę znaków współpodpisu harmonicznej za pomocą polecenia regress. Zrób to jeszcze dwa razy, aby dodać trzy pary znaków współpodpisu. Każda para zostanie wykorzystana do stworzenia samodzielnego modelu danych w celu oszacowania szczytowego prawdopodobieństwa nawrotu.
Zacznij od użycia nl com do obliczenia punktu, oszacowania i 95% przedziału ufności dla przesunięcia fazowego. Aby uzyskać najlepiej dopasowany model, należy przekonwertować wynikowe oszacowania punktowe i skojarzone przedziały ufności na dane ponumerowane dla każdego dnia roku. Należy podać szczytową częstość nawrotów lub tmax i minimalną częstość nawrotów lub T in.
Następnie dopasuj tmax i T w danych do daty kalendarzowej za pomocą pliku wyszukiwania Excel. W tej sekcji opisano, jak modelować dane dotyczące promieniowania ultrafioletowego lub danych UVR. Aby rozpocząć, uruchom polecenie use w celu załadowania danych UVR.
Następnie za pomocą polecenia egen oblicz medianę miesięcznego promieniowania UVR dla każdej lokalizacji. Dla każdej lokalizacji użyj dwukierunkowej funkcji punktowej, aby narysować wykres rozrzutu miesięcznego UVR na osi Y w stosunku do miesiąca kalendarzowego na osi X. Następnie sprawdź poprawność danych za pomocą testu s wilk lub SK, jak poprzednio.
Następnie, korzystając z polecenia regress, określ model bazowy rocznego trendu UVR na poziomie lokalizacji. Określ miesięczną wartość UVR jako zależne zmienne wynikowe, a następnie ustaw zmienne objaśniające jako wcześniej wygenerowane funkcje metryczne trygona znaku i kosignu. Następnie wykreśl wyniki i nałóż na siebie przewidywane wartości.
Obejmuje to ponowne uruchomienie polecenia dwukierunkowego rozproszenia w celu nałożenia danych przewidywanych i obserwowanych oraz użycie polecenia regresji w celu uruchomienia rozszerzonych alternatyw modelu harmonicznego. Teraz, gdy model ma najlepsze dopasowanie, użyj polecenia generuj, aby obliczyć oszacowanie punktu przesunięcia fazowego i skojarzony 95% przedział ufności dla UVR. Stosując wzory na podwójny kąt, ponownie oblicz zespół dla każdej lokalizacji, jak obliczono wcześniej.
Kontynuuj analizę sezonowych danych UVR za pomocą polecenia scalania, aby dodać wcześniej obliczone minimum i zastąpić daty szczytu dla każdej lokalizacji. Następnie użyj polecenia generate, aby obliczyć czas, który upłynął w miesiącach między datą dołka UVR a następną datą szczytu nawrotu. Zanim przejdziesz dalej, wykonaj test normalności na danych opóźnienia uuv za pomocą polecenia SK test.
Po scaleniu przekonwertuj względną szerokość geograficzną na bezwzględną szerokość geograficzną za pomocą funkcji ABS X. Kontynuuj używanie regresji w celu określenia liniowego modelu średniej regresji z minimalnym poziomem UVR w celu zmniejszenia opóźnienia szczytu nawrotu jako zależnej zmiennej wynikowej i bezwzględnej szerokości geograficznej w jednostkach 10 stopni jako zmiennej predykcyjnej. Pamiętaj, aby poczekać na model na liczbę pacjentów dostarczonych przez każdą lokalizację przy użyciu opcji regresji wag A.
Na koniec użyj dwukierunkowego polecenia rozproszenia, aby wykreślić bezwzględną szerokość geograficzną na osi Y w stosunku do doliny UVR, aby opóźnić nawrót na osi x wyświetlanej w miesiącach z opcji wykresu. Nałóż linię najlepszego dopasowania za pomocą opcji wykresu dopasowania L i użyj opcji wag, aby zwizualizować względne masy ciała pacjenta w każdej lokalizacji. Analizę regresji trygonometrycznej przeprowadzono przy użyciu zestawu danych obejmującego 32 762 zdarzenia nawrotowe.
Podstawowe wykreślenie danych sugerowało cykl roczny z wiosennym szczytem i jesiennym dołkiem na wszystkich poziomach geograficznych. Nawroty osiągnęły szczyt na całym świecie w maju. W danych z półkuli północnej, analogiczny szczyt w listopadzie zaobserwowano w danych z półkuli południowej.
Wyniki te wykazały okresową zmienność czasową na wszystkich trzech poziomach geograficznych, najlepiej opisaną przez cykl roczny z pojedynczym szczytem i pojedynczym dołkiem w odstępie sześciu miesięcy. W związku z tym ustalono to jako model przypadku bazowego na obu półkulach. Następnie przygotowano wykresy regresji UVR w celu wyznaczenia piku nawrotu doliny UVR.
Metryka piku nawrotu doliny UVR wykazała wpływ szerokości geograficznej na prawdopodobieństwo nawrotu, gdy szerokość geograficzna od równika wzrasta. Istnieje korelacyjny spadek opóźnienia między dołkiem UVR a późniejszym szczytem nawrotu po jego rozwoju. Technika ta utorowała naukowcom drogę do matematycznego badania zjawisk epidemiologicznych, które zmieniają się okresowo i psychicznie.
Po obejrzeniu tego filmu powinieneś mieć teraz dobry pomysł na to, jak badać i krytykować okresowe zjawiska cykliczne za pomocą narzędzia regresji opartej na trygonometrii. Podczas stosowania tej techniki ważne jest, aby upewnić się, że zestaw danych jest czysty, a kod jest debugowany. Ważne jest również, aby nałożyć na siebie i zastosować kontekst kliniczny i biologiczny, szczególnie w zakresie interpretacji wyników i danych.
Wyświetl pełny transkrypt i uzyskaj dostęp do tysięcy filmów naukowych
Przegląd
W niniejszym badaniu zastosowano statystyczną regresję trygonometryczną do modelowania czasu występowania rzutów w stwardnieniu rozsianym (MS). Analizie poddano sezonowe i szerokościowe korelaty wystąpienia rzutów, co pozwala na lepsze zrozumienie naturalnego przebiegu oraz epidemiologii MS.
Kluczowe elementy badania
Dziedzina nauki
- Neuronauka
- Biostatystyka
- Epidemiologia
Wprowadzenie
- Stwardnienie rozsiane charakteryzuje się rzutami choroby, które wpływają na przebieg schorzenia u pacjentów.
- Zrozumienie czasu występowania tych rzutów może pomóc w opracowaniu strategii leczenia i opieki.
- Czynniki sezonowe i szerokość geograficzna mogą wpływać na wystąpienie rzutu.
- Regresja trygonometryczna oferuje elastyczne podejście do analizy zjawisk cyklicznych.
Cel badania
- Stworzenie modelu czasu wystąpienia rzutów u pacjentów z SM.
- Zbadanie niezależnego wpływu pory roku i szerokości geograficznej na wystąpienie rzutów.
- Wyznaczenie kierunków przyszłych badań nad biologicznymi mechanizmami leżącymi u podstaw rzutów.
Zastosowane metody
- Statystyczna analiza regresji trygonometrycznej.
- Oprogramowanie do analizy danych sterowane z wiersza poleceń.
- Modelowanie trendów sezonowych w występowaniu nawrotów.
- Izolacja wpływów szerokości geograficznej i sezonowych od innych korelatów.
Główne wyniki
- Identyfikacja sezonowych trendów w czasie występowania rzutów choroby.
- Obiektywna charakterystyka wpływu UVR oraz szerokości geograficznej.
- Wnioski dotyczące naturalnego przebiegu SM oraz czynników epidemiologicznych.
- Potencjał do ukierunkowania przyszłych badań nad mechanizmami rzutów choroby.
Wnioski
- Regresja trygonometryczna jest skuteczna w badaniu zjawisk cyklicznych w SM.
- Pora roku i szerokość geograficzna są istotnymi czynnikami wpływającymi na wystąpienie rzutów.
- Podejście to może pogłębić zrozumienie dynamiki rzutów w SM.
Najczęściej zadawane pytania
Znaczenie dla przemysłu
Metoda ta umożliwia badaczom z sektora biofarmaceutycznego ilościowe modelowanie okresowych wzorców chorób, takich jak czas występowania sezonowych nawrotów w stwardnieniu rozsianym, w celu zmniejszenia ryzyka związanego z hipotezami walidacji celu. Poprzez odizolowanie wpływów sezonowych i szerokości geograficznej od zmiennych zakłócających, wspiera ona mechanistyczną redukcję ryzyka i zwiększa pewność prognostyczną w odniesieniu do trendów epidemiologicznych. Podejście to zapewnia wielokrotnego użytku ramy statystyczne do analizy cyklicznych zjawisk biologicznych w różnych obszarach terapeutycznych.
Zastosowania strategiczne w badaniach i rozwoju biofarmaceutycznym
Wczesna faza odkrywania i walidacja celu
- Wartość naukowa: Weryfikuje hipotezy terapeutyczne dotyczące środowiskowych czynników wpływających na aktywność choroby.
- Wartość operacyjna: Umożliwia wyizolowanie zmiennych niezależnych, takich jak pora roku i szerokość geograficzna, od czynników zakłócających związanych z pacjentem i leczeniem.
- Wartość prognostyczna: Ilościowo określa niepewność w powiązaniach sezonowych, aby wesprzeć decyzje typu go/no-go w priorytetyzacji celów terapeutycznych.
Przesiewanie i opracowywanie testów
- Wartość naukowa: Przygotowuje zwalidowane modele kontekstu biologicznego dla późniejszej standaryzacji testów.
- Wartość operacyjna: Generuje powtarzalne wyniki ilościowe do analizy trendów sezonowych.
- Wartość platformy: Wspiera skalowalne zastosowanie w zbiorach danych geograficznych i czasowych.
Badania translacyjne i przedkliniczne
- Wartość naukowa: Zgodność z systemami istotnymi dla przebiegu choroby poprzez modelowanie wzorców nawrotów pod wpływem czynników środowiskowych.
- Wartość operacyjna: Zapewnienie ciągłości od etapu odkrycia po walidację przedkliniczną przy użyciu spójnego modelowania statystycznego.
- Minimalizacja ryzyka: Wsparcie decyzji o dalszym rozwoju projektu w oparciu o analizę ryzyka poprzez wyjaśnienie mechanistycznych czynników zmienności choroby.
Integracja potoku i przepływu pracy
Metoda ta wpisuje się w kontinuum procesu odkrywania – od generowania hipotez po identyfikację związków wiodących – zapewniając statystycznie rygorystyczną izolację zmiennych środowiskowych.
- Biologia odkrywcza: Wspiera testowanie hipotez dotyczących sezonowych i szerokościowych wpływów na czas wystąpienia choroby.
- Screening: Dostarcza gotowe do analizy ilościowe modele częstotliwości nawrotów, skorygowane o kluczowe czynniki zakłócające.
- Analityka: Zapewnia wyniki regresji trygonometrycznej, w tym szacunki przesunięcia fazowego oraz przedziały ufności dla czasu wystąpienia szczytu.
- Badania translacyjne: Łączy modelowanie sezonowe z ciągłością przedkliniczną poprzez analizę opóźnienia nawrotów w zależności od szerokości geograficznej i UVR.
- Ponowne wykorzystanie w przedsiębiorstwie: Oferuje reużywalne ramy do badania zjawisk okresowych w epidemiologii i farmakowigilancji.
Wpływ operacyjny i przedsiębiorstwowy
- Wartość naukowa: Zwiększa pewność predykcyjną w walidacji celów poprzez redukcję ryzyka związanego z niejednoznacznością mechanistyczną wyzwalaczy środowiskowych.
- Wartość operacyjna: Standaryzuje analizę danych cyklicznych dzięki powtarzalnym schematom regresji trygonometrycznej.
- Wartość strategiczna: Poprawia efektywność kapitałową, umożliwiając wcześniejsze podejmowanie decyzji go/no-go w oparciu o wiarygodność wzorców sezonowych.
- Wpływ na portfolio: Ułatwia priorytetyzację celów z silnymi korelacjami sezonowymi przy uwzględnieniu ryzyka.
Kwestie wdrożeniowe
- Wymaga wiedzy specjalistycznej w zakresie biostatystyki i modelowania epidemiologicznego.
- Wymagane jest oprogramowanie statystyczne obsługiwane z poziomu wiersza poleceń, umożliwiające przeprowadzanie regresji trygonometrycznej i modelowania harmonicznego.
- Konieczna jest standaryzacja definicji zmiennych sezonowych w globalnych zbiorach danych.
- Wymaga uwzględnienia adaptacji przy zastosowaniu w różnych układach chorobowych lub w różnych skalach geograficznych.
- Ograniczone przez jakość danych oraz kompletność longitudinalnych zapisów dotyczących czasu wystąpienia nawrotów lub zdarzeń.
Najczęściej zadawane pytania dotyczące biofarmacji
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
