Name: Metoda trygonometrycznego modelowania zmienności sezonowej zademonstrowana na podstawie danych dotyczących nawrotu stwardnienia rozsianego (Wideo) | JoVE Journal
Uploaded: 2015-12-09T15:00:00.000+00:00
Duration: 10 min 46 s
Description: Odkryj trygonometryczną regresję statystyczną do modelowania sezonowej zmienności nawrotów stwardnienia rozsianego. Ta metoda pozwala analizować wpływ szerokości geograficznej i pór roku na czas występowania rzutów choroby.

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

Autorzy chcieliby podziękować Ivanowi Haniganowi za jego wsparcie w wydobyciu i interpretacji danych satelitarnych dotyczących promieniowania ultrafioletowego. Prace były wspierane przez NHMRC Career Development Award (Clinical) dla HB [ID628856], NHMRC Project Grant [1032484], NHMRC Center for Research Excellence [Grant ID 1001216] oraz MSBase Foundation. MSBase Foundation jest organizacją non-profit, która otrzymuje wsparcie od Merck Serono, Biogen Idec, Novartis Pharma, Bayer-Schering, Sanofi-Aventis i BioCSL. RL jest wspierany przez NHMRC Career Development Award [ID 1004898].

UWAGA: Każdy opisany krok odpowiada sekcji kodu Stata o tym samym numerze w dostarczonym pliku kodu. Nazwy poleceń Stata zostały zapisane kursywą w następującym protokole.
1. Przygotuj i wykreśl dane o zaobserwowanym początku nawrotu
<ol>
	<li>Otwórz plik do, klikając przycisk "Nowy edytor plików Do" i użyj polecenia generuj, aby obliczyć liczbę nawrotów datowaną na każdy z dwunastu miesięcy kalendarzowych dla każdego z trzech poziomów geograficznych, które mają być modelowane: lokalizacja, półkula i globalny. Polecenie akcji, klikając przycisk akcji "Wykonaj (do)" do pliku w pliku do.</li>
	<li>Użyj polecenia swilk lubsktest, aby przetestować podstawowy rozkład liczby nawrotów pod kątem normalności przy użyciu testu Shapiro-Wilka lub zmodyfikowanego testu Jarque-Bera odpowiednio dla zagregowanych danych o nawrotach lokalizacji lub zdezagregowanych danych o nawrotach na poziomie pacjenta. Wybierz kod i kliknij "Wykonaj (do)". 
	UWAGA: W przypadku znacznego przekrzywienia zastosuj naturalną transformację logarytmiczną, a następnie przetestuj zmienną liczby nawrotów przekształconą logarytmicznie pod kątem przybliżonej normalności, ponownie stosując odpowiednio test Shapiro-Wilka lub zmodyfikowany test Jarque'a-Bera. Pytanie 38,39</li> TGL
	<li>Użyj polecenia generuj, aby utworzyć nową zmienną "north_month" dla miesięcy kalendarzowych na półkuli południowej z przesunięciem o +6, aby umożliwić wykreślenie nawrotów półkuli północnej i południowej według pory roku wzdłuż tej samej osi poziomej. Wybierz kod i kliknij "Wykonaj (wykonaj)".
	<ol>
		<li>Wykres rozrzutu obserwowanych miesięcznych początków nawrotów z częstotliwością nawrotów na osi y i miesiącem kalendarzowym na osi x dla każdej półkuli za pomocą polecenia dwukierunkowego rozproszenia. Powtórz te czynności dla każdej lokalizacji. Obserwuj wzorzec szczytów i dołków w nawrotach w ciągu roku kalendarzowego, przeglądając każdy wykres w przeglądarce wykresów, która automatycznie otwiera się na ekranie.</li>
	</ol>
	</li>
	<li>Użyj polecenia radaru, aby narysować wykresy radarowe rozkładu częstości nawrotów według miesiąca kalendarzowego, przy czym każda oś radaru obejmuje pojedynczy miesiąc uporządkowany zgodnie z ruchem wskazówek zegara. Wybierz kod i kliknij "Wykonaj (wykonaj)".
	<ol>
		<li>Powtórz te czynności dla wszystkich witryn. Obserwuj wzorzec szczytów i dołków w nawrotach w ciągu roku kalendarzowego, przeglądając każdy wykres w przeglądarce wykresów, która automatycznie otwiera się na ekranie.</li>
	</ol>
	</li>
	<li>Uruchom polecenie seast, aby zastosować test sezonowości Edwarda do zaobserwowanych danych nawrotów. 40-42 Powtórz dla wszystkich poziomów geograficznych.</li>
</ol>
2. Budowanie i wybór modelu
<ol>
	<li>Użyj polecenia generuj, aby określić funkcje trygonometryczne sinus i cosinus cyklu rocznego, które mają być używane w regresji. Wybierz kod i kliknij "Wykonaj (wykonaj)".</li>
	<li>Użyj polecenia regress, aby określić formę modelu podstawowego z liczbą nawrotów jako zależną zmienną wynikową oraz składnikami sinus i cosinus obliczonymi w kroku 2.1 jako podstawowymi zmiennymi objaśniającymi.
	<ol>
		<li>Dodaj UVR37 specyficzny dla lokalizacji do modelu podstawowego jako dodatkową współzmienną korygującą i użyj opcji analitycznej wagi aweight, aby zważyć model pod kątem liczby pacjentów wniesionych przez każdą lokalizację. Wybierz kod i kliknij "Wykonaj (do)". 
		UWAGA: Zapisz współczynnik determinacji modelu (R2) i błąd resztkowy w oknie wyników, które automatycznie otwiera się na ekranie. Promieniowanie ultrafioletowe: Średnie dzienne stężenie promieniowania UVR w otoczeniu ważone erytemowo dla każdego miesiąca od 1979 do 2004 roku włącznie pochodziło ze spektrometru mapowania całkowitego ozonu Narodowej Agencji Aeronautyki i Przestrzeni Kosmicznej (National Aeronautics and Space Administration) dla wszystkich poszczególnych lokalizacji uwzględnionych w analizie. 37</li>
	</ol>
	</li>
	<li>Przechowuj przewidywany miesięczny dziennik modelu (nawrót) przy użyciu polecenia predict. Konwertuj nawroty dziennika z powrotem na liczbę nawrotów całkowitych, potęgując termin logarytmu (nawrotu) za pomocą polecenia generuj. Wybierz kod i kliknij "Wykonaj (wykonaj)". Powtórz te czynności dla wszystkich witryn.</li>
	<li>Nałóż wykładnicze przewidywane miesięczne szacunki nawrotów z 2,3 na obserwowane miesięczne dane dotyczące nawrotów za pomocą polecenia dwukierunkowego rozproszenia. Wybierz kod i kliknij "Wykonaj (wykonaj)".
	<ol>
		<li>Powtórz te czynności dla wszystkich witryn. Wyświetlanie każdego wykresu w przeglądarce wykresów.</li>
	</ol>
	</li>
	<li>Użyj polecenia regress, aby rozszerzyć model określony w 2.2 przez dodanie dodatkowej pary harmonicznych sinus/cosinus. Wybierz kod i kliknij "Wykonaj (do)". 
	UWAGA: Zapisać błąd resztkowy i współczynnik oznaczania. Zapisywanie i przekształcanie oszacowań modelu zgodnie z punktem 2.3 oraz wykreślanie oszacowań modelu na podstawie obserwowanych danych zgodnie z punktem 2.4. Powtórz te czynności dla wszystkich witryn.</li>
	<li>Użyj polecenia regress, aby jeszcze bardziej rozwinąć model określony w 2.2 poprzez dodanie dwóch dodatkowych par harmonicznych sinus/cosinus. Wybierz kod i kliknij "Wykonaj (do)". 
	UWAGA: Zapisać resztki i współczynnik determinacji. Porównaj ten model bezpośrednio z modelem podstawowym, korzystając z testu ilorazu prawdopodobieństwa. Polecenie estat ic post-estimation służy do generowania kryteriów informacyjnych Akaike i Bayesa. Zapisywanie i przekształcanie oszacowań modelu zgodnie z punktem 2.3 oraz wykreślanie oszacowań modelu na podstawie obserwowanych danych zgodnie z punktem 2.4. Powtórz te czynności dla wszystkich poziomów geograficznych.</li>
</ol>
3. Szacowanie prawdopodobieństwa nawrotu szczytu
<ol>
	<li>Użyj nieliniowej kombinacji funkcji estymatorów (nlcom), aby obliczyć oszacowanie punktowe i 95% przedział ufności dla przesunięcia fazowego, korzystając z najlepiej dopasowanego modelu określonego w krokach od 2.1 do 2.6. Wybierz kod i kliknij "Wykonaj (wykonaj)".
	<ol>
		<li>Przelicz te oszacowania punktowe i związane z nimi przedziały ufności na liczby reprezentujące daty kalendarzowe szczytowej częstości nawrotów (Tmax) i minimalnej częstości nawrotów (T min) , gdzie 1 = 1 stycznia i 365 = 31grudnia i Tmax = przesunięcie fazowe + (365/4) i Tmin = przesunięcie fazowe + ((365/4)*3). Powtórz te czynności dla wszystkich poziomów geograficznych. Dopasuj Tmax i Tmin do daty kalendarzowej za pomocą pliku odnośnika programu Excel.</li>
	</ol>
	</li>
	<li>Użyj polecenia generate, aby obliczyć różnicę między szczytem a dołkiem (Tmax minus Tmin) dla każdej lokalizacji, standaryzowaną dla każdych 100 pacjentów na ośrodek. Użyj testu sumy rang Wilcoxona, aby porównać standaryzowaną różnicę między szczytami a dołkami w zależności od zakresu szerokości geograficznej. Wybierz kod i kliknij "Wykonaj (wykonaj)".</li>
</ol>
4. Modelowanie danych dotyczących promieniowania ultrafioletowego
<ol>
	<li>Uruchom polecenie use, aby załadować dane UVR. Oblicz medianę miesięcznego UVR dla każdej lokalizacji za pomocą polecenia egen. Wybierz kod i kliknij "Wykonaj (wykonaj)".</li>
	<li>Wykres rozrzutu miesięcznego UVR (oś y) według miesiąca kalendarzowego (oś x) dla każdej lokalizacji przy użyciu dwukierunkowej funkcji punktowej. Wyświetl każdy wykres w przeglądarce wykresów, która automatycznie otwiera się na ekranie.</li>
	<li>Powtórz krok 1.2 dla danych UVR i użyj polecenia regress, aby określić model podstawowy rocznego trendu UVR na poziomie lokalizacji, gdzie miesięczne UVR jest określone jako zależne zmienne wynikowe, a funkcje trygonometryczne sinus i cosinus określone w kroku 2.1 są włączone do modelu jako zmienne objaśniające.</li>
	<li>Powtórz kroki od 2.4 do 2.6 dla modelu UVR i tylko dla modeli specyficznych dla lokalizacji. Polega to na ponownym uruchomieniu polecenia dwukierunkowego rozproszenia w celu nałożenia przewidywanych oszacowań na obserwowane dane i użyciu polecenia regresji w celu uruchomienia rozszerzonych alternatyw modelu harmonicznego.</li>
	<li>Korzystając z najlepiej dopasowanego modelu miesięcznego promieniowania UVR dla danej lokalizacji, określonego w krokach od 4.2 do 4.4, użyj polecenia generuj, aby obliczyć oszacowanie punktu przesunięcia fazowego i związany z nim 95-procentowy przedział ufności dla UVR, ponownie stosując wzory na podwójny kąt określone w kroku 3.1. Oblicz Tmin (datę doliny UVR) dla każdej lokalizacji, korzystając ze wzoru opisanego w kroku 3.1. Wybierz kod i kliknij "Wykonaj (wykonaj)".</li>
</ol>
5. Modelowanie opóźnienia UVR-od dołka do nawrotu
<ol>
	<li>Dołącz szacowane przez model daty sezonowego dołka UVR z kroku 4.5 i daty nawrotu szczytu z kroku 3.1 dla każdej lokalizacji za pomocą polecenia scalania. Użyj polecenia generate, aby obliczyć czas, który upłynął w miesiącach między datą dołka UVR a następną datą szczytu nawrotu. Wybierz kod i kliknij "Wykonaj (wykonaj)".</li>
	<li>Użyj polecenia sktest, aby przetestować zmienną opóźnienia szczytu UVR od dołka do nawrotu pod kątem znacznych odchyleń od normalności za pomocą testu Shapiro-Wilka Wybierz kod i kliknij "Wykonaj (do)".</li>
	<li>Dołączanie danych szerokości geograficznej na poziomie lokalizacji do zestawu danych za pomocą polecenia scalania. Przekonwertuj względną szerokość geograficzną na bezwzględną szerokość geograficzną za pomocą funkcji abs(x). Wybierz kod i kliknij "Wykonaj (wykonaj)".</li>
	<li>Za pomocą polecenia regresji przetestuj liniowość zależności między opóźnieniem a bezwzględną szerokością geograficzną, uruchamiając regresje liniowe i kwadratowe oraz porównując reszty. Wybierz kod i kliknij "Wykonaj (wykonaj)".</li>
	<li>Korzystając z regresji, określ liniowy model średniej regresji z opóźnieniem UVR (minimum-do-nawrotu-szczytu) jako zależną zmienną wynikową i bezwzględną szerokością geograficzną w jednostkach 10 stopni jako zmienną predyktora. Zważ model dla liczby pacjentów dostarczonych przez każdą lokalizację przy użyciu opcji regresji aweights. Wybierz kod i kliknij "Wykonaj (wykonaj)".</li>
	<li>Użyj polecenia dwukierunkowego rozproszenia, aby wykreślić bezwzględną szerokość geograficzną na osi y w stosunku do opóźnienia UVR w miesiącach na osi x. Nałóż linię najlepszego dopasowania za pomocą opcji wykresu lfit. Wizualizacja względnej masy ciała pacjenta w każdej lokalizacji za pomocą opcji analitycznych odważników wagowych. Wybierz kod i kliknij "Wykonaj (wykonaj)".</li>
</ol>
6. Analizy wrażliwości skłonności do nawrotów na poziomie pacjenta
<ol>
	<li>Użyj polecenia mepozji, aby określić regresję Poissona o mieszanych efektach, gdzie miesięczna liczba nawrotów jest zależną zmienną wynikową, funkcje trygonometryczne sinus i cosinus określone w kroku 2.1 są ponownie włączane do modelu, ponieważ zmienne stałe, wyjściowy EDSS, wiek w momencie wystąpienia stwardnienia rozsianego i wcześniejsza ekspozycja na leczenie modyfikujące stwardnienie rozsiane są uwzględniane jako potencjalne czynniki zakłócające, a unikalny identyfikator pacjenta jest określany jako efekt losowy. Wybierz kod i kliknij "Wykonaj (wykonaj)".</li>
	<li>Powtórz kroki od 2.4 do 2.6, aby zidentyfikować najlepiej pasujący model Poissona. Polega to na ponownym uruchomieniu polecenia dwukierunkowego rozproszenia w celu nałożenia przewidywanych oszacowań na obserwowane dane i użyciu polecenia regresji w celu uruchomienia rozszerzonych alternatyw modelu harmonicznego.</li>
	<li>Użyj nieliniowej kombinacji funkcji estymatorów (nlcom), aby obliczyć oszacowanie punktowe i 95% przedział ufności dla przesunięcia fazowego i obliczyć datę szczytowej częstości nawrotów. Porównaj wyniki z analizą pierwotną.</li>
	<li>Użyj polecenia generuj, aby ponownie obliczyć opóźnienie szczytu UVR od dołka do nawrotu w miesiącach dla każdej lokalizacji, zgodnie z opisem w kroku 5.1, korzystając z oszacowań modelu Poissona na poziomie pacjenta dla daty nawrotu szczytu wyznaczonego w kroku 6.3. Wybierz kod i kliknij "Wykonaj (wykonaj)".</li>
	<li>Użyj polecenia regresji, aby przemodelować bezwzględną szerokość geograficzną jako predyktor opóźnienia, zgodnie z opisem w kroku 5.5, i porównać wyniki z analizą podstawową. Wybierz kod i kliknij "Wykonaj (wykonaj)".</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 otrzymał honoraria za doradztwo i finansowanie podróży od Biogen Idec Inc.; Orla Gray otrzymała wsparcie w podróży od firm Biogen Idec, Merck Serono i Novartis; wynagrodzenie za zasiadanie w naukowych radach doradczych firm Biogen Idec, Genzyme, Novartis i Merck Serono; Robyn Lucas nie ujawniła żadnych sprzecznych interesów, a Helmut Butzkueven otrzymał wynagrodzenie za zasiadanie w naukowych radach doradczych oraz jako konsultant firm Biogen Idec i Novartis; honoraria prelegentów z Biogen Idec Australia, Merck Serono Australia i Novartis Australia; wsparcie w podróży ze strony Biogen Idec Australia i Merck Serono Australia; wsparcie badawcze ze strony CASS Foundation (Australia), Merck Serono Australia, Royal Melbourne Hospital Friends of the Neurosciences Foundation oraz University of Melbourne.

Opisany w niniejszym dokumencie protokół szczegółowo opisuje technikę opartą na systematycznej regresji, prowadzoną przez wizualną analizę wykresu, globalnych danych o początku nawrotu stwardnienia rozsianego. Za punkt wyjścia przyjmuje stosunkowo prostą analizę opisową danych dotyczących nawrotów z 20 krajów na obu półkulach, co pozwala użytkownikowi na zbadanie teorii dotyczących czasowości nawrotu w stwardnieniu rozsianym i formalne przetestowanie tych teorii za pomocą modeli trygonometrycznych. Dzięki stopniowemu pro...

Najczęstszą formą stwardnienia rozsianego (SM) jest rzutowe i remisyjne stwardnienie rozsiane (RRMS). RRMS charakteryzuje się epizodycznym pogorszeniem funkcji neurologicznych, po którym następuje częściowe lub całkowite wyzdrowienie. Na całym świecie częstość występowania i rozpowszechnienie stwardnienia rozsianego wzrasta wraz ze wzrostem odległości od równika na obu półkulach. 1-3 Nie jest jasne, czy częstość występowania nawrotów choroby występujących w RRMS zmienia się również w zależności od szerokości geograficznej i czy istnieje jakakolwiek sezonowa zmienność w takim związku. Do tej pory badania badające sezonowość w czasie nawrotu były ograniczone do pojedynczych ośrodków klinicznych, ograniczając wszelkie wnioski dotyczące sezonowych trendów w czasie nawrotu do pojedynczych lokalizacji geograficznych, a tym samym uniemożliwiając zbadanie szerszych wpływów równoleżnikowych. 4-14 RozdziałBadania te były dodatkowo ograniczone przez małe rozmiary prób i rzadkie dane dotyczące nawrotów. Metaanaliza dziesięciu badań z 2000 r. z ośrodków klinicznych w Europie, Stanach Zjednoczonych i Kanadzie, z których każde obejmowało co najmniej trzydzieści przypadków opisujących sezon wystąpienia nawrotów, opisała wyraźną sezonową tendencję w czasie wystąpienia nawrotu, przy czym szczyt nawrotów przypada na wiosnę, a zimąna 4. Podobne cykliczne roczne tendencje w zakresie zachorowania zaobserwowano w kolejnych, choć mniejszych, badaniach przeprowadzonych zarówno w Japonii15, jak i w Hiszpanii16. Jednak porównywalne badanie przeprowadzone w Stanach Zjednoczonych nie potwierdziło tego wzorca17. Do tej pory te badania i obserwacje ograniczały się do półkuli północnej. Grupa badawcza MSBase przeanalizowała ostatnio duży globalny zestaw danych nawrotów stwardnienia rozsianego zarówno na półkuli północnej, jak i południowej, aby zbadać sezonowe trendy w czasie nawrotu, a także wpływy równoleżnikowe na związek między prawdopodobieństwem nawrotu szczytu a sezonowym promieniowaniem ultrafioletowym (UVR) w okresie18. Kluczowe znaczenie dla tych metod miało zastosowanie regresji trygonometrycznej do wizualizacji i oceny trendów w czasie wystąpienia nawrotu i rozkładu UVR.
Ogólnym celem tego badania było przetestowanie hipotezy, że czasowa zmienność czasu nawrotu choroby w SM zmieniała się przewidywalnie wraz z porą roku zarówno na półkuli północnej, jak i południowej, a na tę sezonowość miała wpływ szerokość geograficzna. Uzasadnieniem dla zastosowania modelowania trygonometrycznego do zbadania tych zagadnień była jego elastyczność w charakteryzowaniu zjawisk dwu- lub trójwymiarowych, o których wiadomo lub podejrzewa się, że opisują dyskretne, przewidywalne i spójne kształty lub wzorce, takie jak roczny cykl szczytów i dołków powszechnie obserwowanych w zjawiskach biologicznych lub epidemiologicznych posiadających sezonowość. 19-22 Wadą konwencjonalnych analiz szeregów czasowych, w tym analizy Fouriera, jest założenie, że szeregi czasowe często charakteryzują się procesami stochastycznymi. 21,23,24 Z drugiej strony, włączenie funkcji trygonometrycznych do modelu typu regresji ma tę zaletę, że zarówno ułatwia eksplorację regularnych i systematycznych struktur w danych okresowych, jak i wykorzystuje strukturę modelu regresji do badania innych korelatów lub korygowania czynników zakłócających sezonowość.
Regresja trygonometryczna była wcześniej szeroko stosowana w medycznej literaturze epidemiologicznej do badania czasowości w tematach takich jak wykrywanie różnych epidemii chorób zakaźnych, rola rytmów okołodobowych we wszystkim, od dysfunkcji autonomicznego układu nerwowego do przedwczesnego odklejania łożyska, aż po sezonowe korelaty wrodzonych wad rozwojowych i czas prezentacji wypadków i nagłych wypadków. 25-32 Takie modelowanie zazwyczaj wymaga większych rozmiarów próby niż bardziej konwencjonalne analizy szeregów czasowych i w związku z tym po raz pierwszy zastosowano je do globalnego zestawu danych o początku nawrotu stwardnienia rozsianego. Opisana tutaj regresja trygonometryczna jest odpowiednim narzędziem dla badaczy badających wszelkie zjawiska, o których wiadomo lub podejrzewa się, że zmieniają się systematycznie w czasie. Takie modelowanie może nie tylko pomóc w scharakteryzowaniu i wizualizacji tych wzorców, ale także w dalszym ciągu pozwala użytkownikowi na zbadanie potencjalnych czynników napędzających i korelatów tych trendów.
Jeśli chodzi o konkretny przykład wystąpienia nawrotu stwardnienia rozsianego przedstawiony tutaj, użycie wykresów punktowych i resztkowych do wizualizacji i oceny, jak bardzo hipotetyczna forma modelu trygonometrycznego pasuje do danych, stanowi krytyczny krok w ustaleniu: 1) czy obserwowane dane dostarczają wystarczających dowodów na poparcie hipotezy sezonowości lub innych trendów czasowych w czasie wystąpienia nawrotu; oraz 2) czy częstość i układ funkcji sinus i cosinus, które definiują dany model trygonometryczny, jest odpowiedni, aby umożliwić użycie tego modelu do późniejszego wnioskowania i przewidywania. Modelowanie regresji pozwala również na kontrolę ważnych czynników zakłócających obserwowany efekt sezonowy lub równoleżnikowy, takich jak skłonność do nawrotów na poziomie pacjenta, w szczególności czynników, które same w sobie są zmienne w czasie, takich jak czas trwania ekspozycji przed nawrotem choroby na leczenie lekiem modyfikującym przebieg choroby (DMD). Wyizolowanie niezależnych geograficznych i czasowych predyktorów i korelatów czasu wystąpienia nawrotu w SM może potencjalnie ukierunkować badania biologiczne nad mechanizmami nawrotów, co z kolei może dostarczyć informacji na temat rozwoju przyszłych interwencji terapeutycznych mających na celu zapobieganie lub opóźnianie zaostrzenia choroby.
Rejestr MSBase
Pacjenci ze stwardnieniem rozsianym, którzy dostarczyli dane o nawrocie do tej analizy, pochodzili z międzynarodowego rejestru MSBase. Utworzony w 2004 r. rejestr zestawia dane demograficzne, aktywność chorobową, charakterystyki i wskaźniki badania klinicznego i badawczego od pacjentów, którzy wyrazili zgodę na leczenie stwardnienia rozsianego, za pomocą internetowego systemu należącego do lekarza i obsługiwanego przez niego. 33 centra członkowskie stosują wspólny protokół, który określa minimalny zbiór danych, który musi być przesyłany w uzgodnionych regularnych odstępach czasu, aby zapewnić, że dane dotyczące wyników, takie jak nawroty nawrotu, są spójnie i prospektywnie kompilowane. Data wystąpienia nawrotu jest uwzględniana jako obowiązkowa minimalna zmienna zestawu danych. Ponadto często zbiera się istotne dane kliniczne związane z tymi nawrotami, w tym leczenie kortykosteroidami i zaburzeniami czynnościowymi układu. Wykorzystanie wspólnego systemu wprowadzania danych iMed zapewnia ujednolicone podejście we wszystkich ośrodkach do gromadzenia danych i raportowania. Ten projekt uzyskał zgodę lub zwolnienie Komisji ds. Etyki Badań Naukowych na Ludziach w każdym ośrodku współtworzącym. Świadoma zgoda zgodnie z lokalnymi przepisami od wszystkich pacjentów uwzględnionych w analizie jest obowiązkowa.
Kryteria włączenia
Łącznie 9811 pacjentów, którzy przyczynili się do 32 762 nawrotów, zostało uwzględnionych w analizie. Do włączenia do analizy kwalifikowały się ośrodki kliniczne SM z co najmniej 20 zarejestrowanymi pacjentami, którzy wyrazili zgodę, zostali przesłani i zarejestrowani w rejestrze na dzień1 grudnia 2013 r. (data zebrania danych). Aby upewnić się, że wszystkie zdarzenia nawrotu uwzględnione w analizie zostały zaobserwowane prospektywnie, do analizy włączono tylko początki nawrotów datowane po pierwszej zarejestrowanej ocenie niepełnosprawności pacjenta (przy użyciu Kurtzke Expanded Disability Status Score (EDSS)). Wszyscy pacjenci, którzy wnieśli do analizy dane dotyczące nawrotu, spełnili formalne kryteria diagnostyczne SM.34,35
Miary wyników
To badanie rozważało dwa główne wyniki: 1) czy istniała czasowa zmienność prawdopodobieństwa wystąpienia nawrotu na poziomie lokalizacji geograficznej, półkuli i/lub globalnie; oraz 2) czy istnieje związek między szerokością geograficzną a opóźnieniem, w miesiącach, między czasem wystąpienia sezonowego dołka UVR a następującą po nim datą prawdopodobieństwa nawrotu szczytu. Grupa badawcza MSBase postawiła hipotezę, że ponieważ bezwzględny poziom witaminy D jest niższy w regionach bardziej oddalonych od równika, a sezonowy poziom populacji specyficzny dla danej lokalizacji, nadiry witaminy D są prawdopodobnie osiągane wcześniej po przesileniu zimowym w takich dystalnych lokalizacjach, to wpływ niskiego poziomu witaminy D na zwiększone prawdopodobieństwo nawrotu stwardnienia rozsianego podobnie opisywałby takie wzorce czasowe i równoleżnikowe.
Definicja nawrotu i daty
Nawrót choroby został zdefiniowany jako wystąpienie nowych objawów lub zaostrzenie istniejących objawów, utrzymujące się przez co najmniej 24 godziny, przy braku współistniejącej choroby lub gorączki, i występujące co najmniej 30 dni po poprzednim ataku. Definicja ta została wcześniej zastosowana w analizie fenotypu nawrotu MSBazy. 36 Okres obserwacji dla każdego kwalifikującego się pacjenta, u którego można było zaobserwować nawroty, zdefiniowano jako okres obejmujący okres od daty pierwszej oceny EDSS do daty ostatniej oceny EDSS zarejestrowanej w rejestrze przed danymi z ekstrakcji i kompilacji danych. W przypadkach, gdy dokładny dzień wystąpienia nawrotu był niedostępny lub nie można go było określić dla danego miesiąca, kliniki używały 1. lub 15. dnia miesiąca jako daty domyślnej. Spośród 32 762 nawrotów przeanalizowanych w tym raporcie, 7913 (24,2%) i 4594 (14,0%) odnotowano odpowiednio 1. i 15. dnia miesiąca, znacznie więcej niż odsetek odnotowany w dowolnym innym dniu miesiąca, który wahał się od 0,8% do 5,6%. Aby to skorygować, nawroty zarejestrowane1 z 15dnia miesiąca zostały losowo przydzielone do dnia w 15-dniowym odstępie po obu stronach obu tych domyślnych dat. Wewnętrzna trafność tego podejścia została potwierdzona za pomocą analiz wrażliwości, które wykazały, że modelowane oszacowanie daty nawrotu szczytu w przypadku randomizacji dat domyślnych nie różniło się istotnie od modelu wykorzystującego albo pierwotnie zgłoszone daty, albo całkowicie wykluczającego daty domyślne.

<table><tbody><tr><td>Stata SE Version 13</td><td>StataCorp, College Station, Texas</td><td>Version 13</td><td>Oprogramowanie do analizy statystycznej używane do analizy</td></tr><tr><td>Microsoft Excel 2010</td> Microsoft 2010 Arkusz kalkulacyjny <td>Microsoft</td><td>2010</td><td>do wyszukiwania dat kalendarzowych</td></tr></tbody></table>

metoda trygonometrycznego modelowania zmienności sezonowej zademonstrowana na podstawie danych dotyczących nawrotu stwardnienia rozsianego

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

Ten raport opisuje nowatorskie zastosowanie modelowania regresji trygonometrycznej oparte na Stata do 55 lat nawrotu stwardnienia rozsianego z 46 ośrodków klinicznych w 20 krajach zlokalizowanych na obu półkulach. Kluczowe znaczenie dla sukcesu tej metody miało strategiczne wykorzystanie analizy wykresu do kierowania i potwierdzania modelowania regresji statystycznej. Wstępna analiza wykresu była niezbędna do ustalenia realistycznych hipotez dotyczących obecności i formy strukturalnej sezonowych i równoleżnikowych wpływów na prawdopodobieństwo nawrotu, a następnie przetestowania wydajności wynikowych modeli. Regresja trygonometryczna była zatem konieczna, aby określić ilościowo te relacje, dostosować je do ważnych czynników zakłócających i zapewnić miarę pewności co do tego, jak prawdopodobne były te powiązania. Synchronizacja technik graficznych z modelowaniem regresji pozwoliła na systematyczne udoskonalanie modeli, aż do osiągnięcia najlepiej dopasowanej konwergencji, co umożliwiło wyciągnięcie nowych wniosków dotyczących niezależnego wpływu zarówno pory roku, jak i szerokości geograficznej na przewidywanie czasu wystąpienia nawrotu choroby w stwardnieniu rozsianym. Metody te mogą być stosowane w odniesieniu do innych złożonych zjawisk chorobowych i epidemiologicznych, co do których istnieje podejrzenie, że zmieniają się systematycznie w zależności od pory roku i/lub lokalizacji geograficznej.

Zastosowanie regresji trygonometrycznej do 32 762 zdarzeń nawrotu, pozyskanych z 46 ośrodków klinicznych w 20 krajach, stanowiło podstawę do przedstawienia uzasadnionego statystycznie argumentu potwierdzającego obserwację, że czas wystąpienia nawrotów w stwardnieniu rozsianym ma charakter cykliczny i sezonowy na obu półkulach, a odstęp czasu między sezonowym minimum UVR a następującym po nim szczytem nawrotów koreluje z szerokością geograficzną. Kluczowe znaczenie miało w tym przypadku oparcie się na analizie wykresów w ...

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.

Metoda trygonometrycznego modelowania zmienności sezonowej zademonstrowana na podstawie danych dotyczących nawrotu stwardnienia rozsianego

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

Ogólnym celem tej statystycznej regresji trygonometrycznej jest modelowanie czasu wystąpienia rzutów choroby, które powszechnie charakteryzują przebieg schorzenia u pacjentów z stwardnieniem rozsianym, oraz wykorzystanie tych modeli do badania sezonowych i szerokościowych korelacji wystąpienia rzutów. Metoda ta może pomóc w zgłębieniu kluczowych pytań dotyczących naturalnego przebiegu i epidemiologii stwardnienia rozsianego, w tym niezależnego wpływu pory roku i szerokości geograficznej oraz czasu wystąpienia rzutu, co ma ogromny potencjał w kierowaniu dalszymi badaniami nad biologicznymi mechanizmami rzutów. Główną zaletą tej techniki jest fakt, że dostarcza ona elastycznego narzędzia opartego na regresji do badania i analizy zjawisk okresowych i cyklicznych.Pozwala to na odizolowanie wpływów szerokości geograficznej i sezonu od szeregu innych czynników skorelowanych z nawrotem choroby, w tym czynników związanych z pacjentem i leczeniem. Analizy opisane w tym miejscu są wykonywane przy użyciu oprogramowania statystycznego sterowanego z poziomu wiersza poleceń. Należy rozpocząć od otwarcia pliku do (do file).Kliknij przycisk nowego edytora plików do. Następnie, korzystając z polecenia generate, oblicz liczbę wystąpień nawrotów datowanych na każdy z 12 miesięcy kalendarzowych. Wykonaj tę operację dla modelowanego poziomu geograficznego, którym w tym przypadku jest półkula.Wykonaj polecenie generate, ponieważ wszystkie polecenia są uruchamiane poprzez kliknięcie przycisku akcji execute do do file w pliku do. Następnie wykonaj polecenie S WIL lub polecenie SK test, aby przetestować rozkład liczby nawrotów pod kątem normalności. Opcje te stosują odpowiednio test Shapiro-Wilka lub zmodyfikowany test Harkey-Bara.Dokonać odpowiedniego wyboru, jeśli dane dotyczące liczby nawrotów są znacznie skośne. Następnie zastosować transformację logarytmiczną. Jeśli dane przejdą weryfikację.Test normalności przeprowadzono, wykorzystując polecenie generate do utworzenia nowej zmiennej northco month dla półkuli południowej. Miesiące kalendarzowe przesunięto o sześć jednostek. Teraz należy użyć zmiennej north month, aby stworzyć wykres rozrzutu dla wszystkich danych.Umieść kalendarz, miesiące i pory roku na osi X oraz obserwowane miesięczne początki nawrotów wraz z częstotliwością nawrotów na osi Y. Obserwuj wzorce występowania początków nawrotów w ciągu roku kalendarzowego, przeglądając każdy wykres w przeglądarce grafiki. Następnie wykonaj polecenie radar, aby narysować wykresy radarowe rozkładu częstotliwości nawrotów w poszczególnych miesiącach kalendarzowych.Każda oś wykresu radarowego reprezentuje pojedynczy miesiąc ułożony zgodnie z ruchem wskazówek zegara. Aby dokończyć analizę, wykonaj polecenie CT, aby zastosować test sezonowości Edwardsa dla zaobserwowanych danych dotyczących nawrotów. Powtórz ten test na każdym poziomie geograficznym, korzystając z oprogramowania.Zbuduj model danych. Najpierw określ funkcje trygonometryczne sinus i cosinus cyklu rocznego, które zostaną wykorzystane w regresji danych. Następnie użyj polecenia regress, aby zdefiniować formę modelu bazowego, przyjmując liczbę nawrotów jako zmienną zależną.Ta komenda wprowadza obliczone przed chwilą wyrażenia sinusa i cosinusa jako główne zmienne objaśniające. Następnie dodaje specyficzne dla danej lokalizacji UVR jako dodatkową kowariancję korygującą i stosuje opcję wag analitycznych, aby obciążyć model liczbą pacjentów z każdej lokalizacji. Teraz, za pomocą komendy predict, zapisz przewidywany przez model miesięczny log nawrotu dla każdego ośrodka.Przekształć logarytmiczne wartości nawrotów z powrotem na całkowite liczby nawrotów. Oblicz wartość wykładniczą dla składnika logarytmicznego nawrotów, używając polecenia generate dla każdego ośrodka. Następnie nałóż prognozę wykładniczych miesięcznych szacunków nawrotów, korzystając z polecenia two-way scatter.Teraz rozszerz model, dodając dodatkową parę funkcji sinus i cosinus za pomocą polecenia regress. Powtórz tę czynność jeszcze dwukrotnie, tak aby dodać łącznie trzy pary sinus-cosinus. Każda para zostanie wykorzystana do stworzenia oddzielnego modelu danych w celu oszacowania szczytowego prawdopodobieństwa nawrotu.Zacznij od użycia polecenia nl com w celu obliczenia punktu, estymacji oraz 95% przedziału ufności dla przesunięcia fazy. W przypadku najlepiej dopasowanego modelu przekonwertuj otrzymane estymacje punktowe i powiązane z nimi przedziały ufności na dane przypisane do każdego dnia roku. Podaj szczytową częstotliwość nawrotów lub tmax oraz najniższą częstotliwość nawrotów lub T in.Następnie dopasuj tmax i T w danych do daty kalendarzowej za pomocą pliku wyszukiwania w programie Excel. Ta sekcja opisuje sposób modelowania danych o promieniowaniu ultrafioletowym lub danych UVR. Aby rozpocząć, uruchom polecenie use, aby załadować dane UVR.Następnie, używając polecenia egen, oblicz medianę miesięcznego UVR dla każdej lokalizacji. Dla każdej lokalizacji wykorzystaj funkcję dwukierunkowego wykresu punktowego, aby przedstawić miesięczny UVR na osi Y w odniesieniu do miesiąca kalendarzowego na osi X. Następnie sprawdź normalność rozkładu danych, przeprowadzając test swilk lub SK, tak jak wcześniej.Następnie, używając polecenia regress, określ model bazowy dla rocznego trendu UVR na poziomie lokalizacji. Jako zależną zmienną wynikową określ miesięczne UVR, a jako zmienne objaśniające przyjmij wcześniej wygenerowane funkcje trygonometryczne sinus i cosinus. Następnie wykreśl wyniki i nałóż na nie wartości przewidywane.Proces ten obejmuje ponowne uruchomienie polecenia two-way scatter w celu nałożenia danych przewidywanych i obserwowanych oraz użycie polecenia regress do uruchomienia rozszerzonych alternatywnych modeli harmonicznych. Następnie, korzystając z modelu o najlepszym dopasowaniu, należy użyć polecenia generate, aby obliczyć punktową estymację przesunięcia fazy oraz powiązany z nią 95% przedział ufności dla UVR. Po ponownym zastosowaniu wzorów na kąt podwojony należy obliczyć czas w szczycie dla każdej lokalizacji, analogicznie do wcześniejszych obliczeń.Kontynuuj analizę sezonowych danych UVR, korzystając z polecenia merge, aby dodać wcześniej obliczone minima oraz zastąpić daty maksimów dla każdej lokalizacji. Następnie użyj polecenia generate, aby obliczyć czas w miesiącach, jaki upłynął pomiędzy datą minimum UVR a następującą po nim datą maksimum. Przed przejściem dalej wykonaj test normalności dla danych uuv lag, używając polecenia SK test.Po scaleniu konwertuj szerokość geograficzną względną na szerokość geograficzną bezwzględną, używając funkcji ABS X. Następnie użyj polecenia regress, aby zdefiniować liniowy model regresji średniej, w którym zależną zmienną wynikową będzie opóźnienie od minimum UVR do szczytu nawrotu, a zmienną predykcyjną szerokość geograficzna bezwzględna w jednostkach 10 stopni. Należy pamiętać o ważeniu modelu liczbą pacjentów z każdej lokalizacji, korzystając z opcji A weights w poleceniu regress.Na koniec użyj polecenia two-way scatter, aby wykreślić wartość bezwzględną szerokości geograficznej na osi Y względem opóźnienia od minimum UVR do nawrotu na osi X, wyświetlając czas w miesiącach w opcjach wykresu. Nałóż linię dopasowania, korzystając z opcji L fit, oraz użyj opcji a weights, aby zwizualizować wzglomną wagę pacjentów dla każdej lokalizacji. Analiza regresji trygonometrycznej została przeprowadzona przy użyciu zbioru danych zawierającego 32 762 zdarzeń nawrotu.Podstawowe wykreślenie danych sugerowało cykl roczny z wiosennym szczytem i jesiennym spadkiem na wszystkich poziomach geograficznych. Liczba nawrotów osiągnęła szczyt w skali globalnej w maju. W danych z półkuli północnej zaobserwowano odpowiadający temu szczyt w danych z półkuli południowej w listopadzie.Wyniki te wykazały okresową zmienność czasową na wszystkich trzech poziomach geograficznych, którą najlepiej opisuje cykl roczny z jednym szczytem i jednym dołkiem w odstępach sześciomiesięcznych. W związku z tym przyjęto go jako model bazowy dla obu półkul. Następnie przygotowano wykresy regresji UVR, aby wyznaczyć szczyt powrotu z dołka UVR.Wskaźnik szczytu nawrotów w dołku UVR wykazał wpływ szerokości geograficznej na prawdopodobieństwo nawrotu wraz ze wzrostem szerokości geograficznej od równika. Obserwuje się korelację w postaci skrócenia czasu opóźnienia między dołkiem UVR a następującym po nim szczytem nawrotów po jego wystąpieniu. Technika ta otworzyła drogę do matematycznej analizy zjawisk epidemiologicznych, które zmieniają się okresowo i psychicznie.Po obejrzeniu tego filmu powinni Państwo mieć dobre wyobrażenie o tym, jak badać i krytycznie oceniać okresowe zjawiska cykliczne przy użyciu narzędzia do regresji opartej na funkcjach trygonometrycznych. Podczas stosowania tej techniki ważne jest upewnienie się, że zestaw danych jest czysty, a kod został sprawdzony pod kątem błędów. Równie ważne jest nałożenie i zastosowanie kontekstu klinicznego oraz biologicznego, szczególnie w zakresie interpretacji uzyskanych wyników i danych.

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

Research

JoVE Journal

Medicine

Medycyna

Techniki wielowymiarowe, w tym analiza głównych składowych (PCA), zostały wykorzystane do identyfikacji wzorców sygnatur zmian regionalnych w funkcjonalnych obrazach mózgu. Opracowaliśmy algorytm identyfikacji powtarzalnych biomarkerów sieciowych do diagnostyki chorób neurodegeneracyjnych, oceny progresji choroby oraz obiektywnej oceny efektów leczenia w populacjach pacjentów.

Identyfikacja wzorców kowariancji przestrzennej związanych z chorobą przy użyciu danych neuroobrazowych

Precyzyjny pomiar neurologicznego i neuropsychologicznego upośledzenia i niepełnosprawności w stwardnieniu rozsianym jest wyzwaniem. Przedstawiamy szczegóły metodologiczne dotyczące nowego testu, Testu Wydajności Stwardnienia Rozsianego (MSPT). To nowe podejście do celu, jakim jest kwantyfikacja niepełnosprawności związanej ze stwardnieniem rozsianym, stanowi platformę komputerową do precyzyjnego i wiarygodnego pomiaru ciężkości stwardnienia rozsianego.

Test wydajności stwardnienia rozsianego (MSPT): narzędzie do oceny niepełnosprawności oparte na iPadzie

Ten protokół wideo opisuje czułą, niezawodną i szybką metodę oceny deficytów nerwowo-mięśniowych w transgenicznym mysim modelu stwardnienia zanikowego bocznego.

Szybki fenotypowy system punktacji neurologicznej do oceny postępu choroby w mysim modelu SOD1-G93A ALS

Ten protokół oferuje digitalizację części tradycyjnych zadań klinicznych, powszechnie używanych do pomiaru funkcji poznawczych i kontroli motorycznej w chorobie Parkinsona. Zadania kliniczne są digitalizowane, a rytmy biofizyczne są rejestrowane na różnych poziomach funkcjonalnych układu nerwowego, od dobrowolnego, spontanicznego, automatycznego do autonomicznego.

Dynamiczne cyfrowe biomarkery funkcji motorycznych i poznawczych w chorobie Parkinsona

Standardowe techniki analizy EEG oferują ograniczony wgląd w funkcjonowanie układu nerwowego. Wyprowadzanie modeli statystycznych połączeń korowych daje znacznie większe możliwości badania podstawowej dynamiki sieci. Poprawa oceny funkcjonalnej otwiera nowe możliwości diagnozowania, prognozowania i przewidywania wyników w chorobach układu nerwowego.

Modelowanie statystyczne połączeń korowych za pomocą nieinwazyjnych elektroencefalogramów

Modele efektów mieszanych są elastycznymi i użytecznymi narzędziami do analizy danych o hierarchicznej strukturze stochastycznej w leśnictwie i mogą być również wykorzystane do znacznego ulepszenia wydajności modeli wzrostu lasu. W tym miejscu przedstawiono protokół, który syntetyzuje informacje dotyczące liniowych modeli efektów mieszanych.

Opracowanie modelu przyrostu powierzchni podstawy pojedynczego drzewa przy użyciu liniowego podejścia opartego na efektach mieszanych

Eksperymentalne autoimmunologiczne zapalenie mózgu i rdzenia jest jednym z najczęściej stosowanych mysich modeli stwardnienia rozsianego. W obecnym protokole myszy C57BL/6J obu płci są immunizowane peptydem glikoproteinowym oligodendrocytów mielinowych, co skutkuje głównie wznoszącym się niedowładem ogona i kończyn. W tym miejscu omówiono protokół indukcji i oceny EAE.

Modelowanie stwardnienia rozsianego u obu płci: eksperymentalne autoimmunologiczne zapalenie mózgu i rdzenia wywołane MOG35-55

Obiektywne oceny mechanizmów fizjologicznych wspierających mowę są niezbędne do monitorowania początku i postępu choroby u osób z ALS oraz do ilościowego określenia efektów leczenia w badaniach klinicznych. W niniejszym filmie przedstawiamy kompleksowy protokół oparty na instrumentacji, służący do ilościowej oceny sprawności motorycznej mowy w populacjach klinicznych.

Protokół kompleksowej oceny dysfunkcji opuszkowej w stwardnieniu bocznym zanikowym (SLA)

Model mysi stwardnienia zanikowego bocznego (ALS) poddano badaniu klinicznemu i behawioralnemu. Jako warunek wstępny dla towarzyszącej analizy immunohistologicznej szczegółowo przedstawiono przygotowanie rdzenia kręgowego.

Badania kliniczne i usuwanie rdzenia kręgowego w modelu mysim stwardnienia zanikowego bocznego (ALS)

Zdysocjowany zanik wewnętrznych mięśni ręki, określany jako rozszczepiona ręka, wydaje się być specyficzną cechą stwardnienia zanikowego bocznego (ALS). W związku z tym opracowano nowy test neurodiagnostyczny, określany jako wskaźnik rozszczepienia ręki, w celu ilościowego określenia klinicznego zjawiska rozszczepienia ręki, które odróżniało ALS od zaburzeń mimicznych.

Użyteczność zdysocjowanego wewnętrznego zaniku mięśni ręki w diagnostyce stwardnienia zanikowego bocznego

Odkryj trygonometryczną regresję statystyczną do modelowania sezonowej zmienności nawrotów stwardnienia rozsianego. Ta metoda pozwala analizować wpływ szerokości geograficznej i pór roku na czas występowania rzutów choroby.

Metoda trygonometrycznego modelowania zmienności sezonowej zademonstrowana na podstawie danych dotyczących nawrotu stwardnienia rozsianego (Wideo) | JoVE Journal

Metoda trygonometrycznego modelowania zmienności sezonowej zademonstrowana na podstawie danych dotyczących nawrotu stwardnienia rozsianego

Przeglądaj więcej filmów