Um Método de Trigonometria Modelagem da Variação Sazonal demonstrado com esclerose múltipla Relapse Dados

O objetivo geral desta regressão trigonométrica estatística é modelar o momento dos eventos de recidiva que comumente caracterizam o curso da doença de um paciente na esclerose múltipla e usar esses modelos para estudar correlatos sazonais e latitudinais do início da recaída. Este método pode ajudar a explorar questões-chave na história natural na epidemiologia da esclerose múltipla, incluindo as influências independentes da estação e latitude, e o momento da recaída, o que é um grande potencial para orientar investigações subsequentes sobre os mecanismos biológicos da recaída. A principal vantagem dessa técnica é que ela fornece uma ferramenta flexível baseada em regressão para explorar e investigar fenômenos periódicos e cíclicos.

Isso permite que as influências da latitude e da estação sejam isoladas de uma série de outros correlatos de recaída, incluindo fatores do paciente e do tratamento. As análises descritas aqui são feitas usando software de status orientado por linha de comando. Comece abrindo um arquivo do.

Clique no novo botão do editor de arquivos. Em seguida, usando o comando gerar, calcule o número de inícios de recaída datados de cada um dos 12 meses do calendário. Faça isso para o nível geográfico que está sendo modelado, que neste caso é o hemisfério.

Execute o comando generate como todos os comandos são executados clicando no botão de ação executar do arquivo no arquivo devido. Em seguida, execute um comando S WIL ou um comando SK test para testar a distribuição subjacente de contagens de recaída para normalidade. Essas opções se aplicam a um teste de Shapiro Wilk ou Harkey Bara modificado, respectivamente.

Faça a escolha apropriada se os dados de contagem de recaídas estiverem significativamente distorcidos. Em seguida, aplique uma transformação de log. Se os dados forem aprovados.

O teste de normalidade prossegue usando o comando generate para criar uma nova variável northco month para o Hemisfério Sul. Meses do calendário compensados em seis unidades. Agora use a variável north month para fazer um gráfico de dispersão de todos os dados.

Coloque o calendário, os meses e as estações no eixo x e os inícios de recaída mensais observados com a frequência de recaída no eixo Y. Observe os padrões no início da recaída ao longo do ano civil, visualizando cada gráfico no visualizador de gráficos. Em seguida, execute o comando radar para desenhar gráficos de radar da distribuição da frequência de recaída por mês do calendário.

Com cada eixo de radar capturando um único mês ordenado no sentido horário. Para concluir essa análise, execute o comando CT para aplicar um teste de Edwards de sazonalidade nos dados de recidiva observados. Repita este teste em cada nível geográfico prosseguindo com o software.

Crie um modelo dos dados. Primeiro, especifique o sinal do ciclo anual e as funções trigonométricas de cosign a serem usadas na regressão de dados. Em seguida, use o comando regress para especificar a forma do modelo base com a contagem de recaída como o resultado dependente.

Esse comando insere os termos de sinal e co-sinal recém-calculados como as variáveis explicativas primárias. Em seguida, adiciona o UVR específico do local como uma covariável de ajuste adicional e aplica a opção de peso analítico para ponderar o modelo para o número de pacientes contribuídos por cada local. Agora, armazene a recaída de log mensal prevista do modelo usando o comando predict para cada site.

Converta as recaídas de log de volta em contagens de recaídas inteiras. Exponenciar o termo de recaída de log usando o comando generate para cada site. Em seguida, sobreponha a previsão das estimativas de recaída mensal do expon usando o comando scatter bidirecional.

Agora, expanda o modelo adicionando um par de co-signos de sinal harmônico adicional usando o comando regress. Faça isso mais duas vezes, para que três pares de signos sejam adicionados. Cada par será usado para produzir um modelo autônomo dos dados para estimar a probabilidade de pico de recaída.

Comece usando nl com para calcular o ponto, a estimativa e o intervalo de confiança de 95% para a mudança de fase. Para obter o melhor modelo de ajuste, converta as estimativas de ponto de saída e os intervalos de confiança associados em dados numerados para cada dia do ano. Relate a frequência de recaída de pico ou tmax e a frequência de recaída mínima ou Tin.

Em seguida, corresponda o tmax e o T nos dados a uma data de calendário por meio do arquivo de pesquisa do Excel. Esta seção descreve como modelar os dados de radiação ultravioleta ou dados UVR. Para começar, execute o comando use para carregar os dados UVR.

Em seguida, usando o comando egen, calcule a UVR mensal mediana para cada local. Para cada local, use a função de dispersão bidirecional para representar graficamente um gráfico de dispersão do UVR mensal no eixo Y em relação ao mês do calendário no eixo X. Em seguida, verifique a normalidade dos dados usando o teste s wilk ou SK como antes.

Em seguida, usando o comando regress, especifique um modelo base da tendência UVR anual no nível do local. Especifique a UVR mensal como as variáveis de resultado dependentes e, em seguida, torne as variáveis explicativas as funções métricas trigono de sinal e cosign geradas anteriormente. Em seguida, plote os resultados e sobreponha os valores previstos.

Isso envolve a execução do comando de dispersão bidirecional para sobrepor os dados previstos e observados e o uso do comando regress para executar as alternativas do modelo harmônico expandido. Agora, com o modelo de melhor ajuste, use o comando generate para calcular a estimativa do ponto de deslocamento de fase e o intervalo de confiança de 95% associado para o UVR. Aplicando as fórmulas de ângulo duplo, novamente, calcule a equipe para cada local conforme calculado anteriormente.

Continue a análise dos dados UVR sazonais usando o comando merge para adicionar o vale calculado anteriormente e substituir as datas de pico para cada local. Em seguida, use o comando generate para calcular o tempo decorrido em meses entre a data mínima da UVR e a data de pico de recaída subsequente. Antes de continuar, execute um teste de normalidade nos dados de atraso uuv usando o comando SK test.

Após a mesclagem, converta a latitude relativa em latitude absoluta usando a função ABS X. Continue usando regress para especificar um modelo de regressão média linear com vale UVR para retardo de pico de recaída como variável de resultado dependente e latitude absoluta em unidades de 10 graus como variável preditora. Certifique-se de aguardar o modelo para o número de pacientes contribuídos por cada local usando a opção de regressão de pesos A.

Por fim, use o comando de dispersão bidirecional para plotar a latitude absoluta no eixo Y em relação ao vale UVR para recair o atraso no eixo x exibido em meses a partir das opções de gráfico. Sobreponha uma linha de melhor ajuste usando a opção de gráfico de ajuste L e use a opção de pesos para visualizar os pesos relativos do paciente de cada local. A análise de regressão trigonométrica foi realizada usando um conjunto de dados de 32.762 eventos de recaída.

A plotagem básica dos dados sugeriu um ciclo anual com um pico de primavera e um vale de outono em todos os níveis geográficos. As recaídas atingiram um pico de nível global no mês de maio. Nos dados do hemisfério norte, um pico correspondente em novembro foi observado nos dados do hemisfério sul.

Esses resultados mostraram uma variação temporal periódica em todos os três níveis da geografia melhor descrita por um ciclo anual com um único pico e um único vale em um intervalo de seis meses. Assim, este foi estabelecido como o modelo de caso base em ambos os hemisférios. Em seguida, gráficos de regressão UVR foram preparados para determinar o pico de recaída do vale UVR.

A métrica do pico de recaída da RUV mostrou a influência da latitude na probabilidade de recaída quando a latitude do equador aumenta. Há uma diminuição correlativa na defasagem entre o vale da UVR e o pico de recidiva subsequente após seu desenvolvimento. Essa técnica abriu caminho para permitir que os pesquisadores explorem matematicamente os fenômenos epidemiológicos, que variam periodicamente e psiquicamente.

Depois de assistir a este vídeo, agora você deve ter uma boa ideia de como estudar e criticar fenômenos cíclicos periódicos usando uma ferramenta de regressão baseada em trigonometria. Ao aplicar essa técnica, é importante garantir que o conjunto de dados esteja limpo e o código seja depurado. Também é importante sobrepor e aplicar um contexto clínico e biológico, particularmente em termos de interpretação dos resultados e dos dados.