تنوع جغرافیایی بروز بیماری مزمن انسدادی ریه در مانیتوبا، کانادا

چکیده

هدف ما بررسی تنوع جغرافیایی در بروز COPD بود. ما از داده‌های نظرسنجی سلامت (وزن‌دهی به سطح جمعیت) برای شناسایی 56944 مورد COPD در منیتوبا، کانادا از سال 2001 تا 2010 استفاده کردیم. ما از پنج روش تشخیص خوشه‌ای، آمار اسکن فضایی دایره‌ای (CSS)، آمار اسکن فضایی انعطاف‌پذیر (FSS) استفاده کردیم. نقشه برداری بیماری بیزی (BYM)، تخمین حداکثر احتمال (MLE) و شاخص محلی ارتباط فضایی (LISA). نتایج ما نشان داد که مناطقی در جنوب منیتوبا وجود دارد که خوشه‌های بالقوه موارد COPD هستند. روش FSS مناطق بیشتری را نسبت به روش‌های CSS و LISA شناسایی کرد و روش‌های BYM و MLE مناطق مشابه را به عنوان خوشه‌های بالقوه شناسایی کردند. بسیاری از مناطق شناسایی شده توسط روش MLE و BYM نیز با روش FSS و بیشتر مناطق شناسایی شده توسط روش CSS نیز با اکثر روش‌های دیگر شناسایی شدند. روش‌های CSS، FSS و LISA خوشه‌های بالقوه را شناسایی می‌کنند، اما قادر به کنترل همزمان برای مخدوش‌کننده‌ها نیستند. با این حال، روش‌های BYM و MLE می‌توانند به طور همزمان خوشه‌های بالقوه را شناسایی کرده و عوامل مخدوش کننده احتمالی را کنترل کنند. به طور کلی، ما استفاده از روش‌های BYM و MLE را برای تشخیص خوشه در مناطقی با جمعیت و ساختار مناطق مشابه با منیتوبا توصیه می‌کنیم. روش های BYM و MLE می توانند به طور همزمان خوشه های بالقوه را شناسایی کرده و عوامل مخدوش کننده احتمالی را کنترل کنند. به طور کلی، ما استفاده از روش‌های BYM و MLE را برای تشخیص خوشه در مناطقی با جمعیت و ساختار مناطق مشابه با منیتوبا توصیه می‌کنیم. روش های BYM و MLE می توانند به طور همزمان خوشه های بالقوه را شناسایی کرده و عوامل مخدوش کننده احتمالی را کنترل کنند. به طور کلی، ما استفاده از روش‌های BYM و MLE را برای تشخیص خوشه در مناطقی با جمعیت و ساختار مناطق مشابه با منیتوبا توصیه می‌کنیم.

کلید واژه ها:

محاسبات بیزی ; بیماری مزمن انسدادی ریه ؛ اپیدمیولوژی جغرافیایی ; پیش بینی ؛ اثرات تصادفی ؛ تشخیص خوشه فضایی

1. مقدمه

بیماری انسدادی مزمن ریه (COPD) یک بیماری ریوی است که با محدودیت مداوم جریان هوا ناشی از بیماری راه هوایی کوچک (برونشیولیت انسدادی) و تخریب پارانشیم (آمفیزم) تعریف می‌شود. راه های هوایی کوچک در پاسخ به التهاب مزمن باریک می شوند. همچنین، فرآیندهای التهابی باعث بدتر شدن پارانشیم ریه می شود که منجر به کاهش پس زدن الاستیک ریه می شود. در نتیجه این تغییرات، راه های هوایی توانایی باز ماندن در طول بازدم را کاهش می دهند [ 1 ]. بزرگترین و شناخته شده ترین عامل خطر COPD سیگار کشیدن است [ 2 ]. سایر عوامل خطر COPD شامل قرار گرفتن در معرض گرد و غبار و گازهای خطرناک محیطی یا شغلی است، به عنوان مثال هنگام سوزاندن سوخت زیست توده [ 3 ].]. سابقه خانوادگی ( به عنوان مثال ، ژنتیک)، وضعیت اجتماعی-اقتصادی پایین، تغذیه نامناسب، آسم، و عفونت های مکرر ریه نیز می توانند از عوامل خطر برای COPD باشند [ 1 ، 4 ]. بنابراین، COPD می تواند نتیجه یک تعامل ژن-محیط باشد [ 1 ].

تأثیر COPD اغلب توسط مقامات بهداشتی و مقامات دولتی دست کم گرفته می شود [ 5 ]. در کانادا، یکی از نادیده گرفته ترین بیماری های مزمن COPD است. بیمارانی که از یک بیماری دژنراتیو ریه رنج می برند اغلب به اشتباه به عنوان برونشیت، سرفه یا عفونت دستگاه تنفسی تشخیص داده می شوند [ 6 ]. در سال 2008، COPD علت اصلی بستری شدن در بیمارستان در کانادا بود. همچنین، 18 درصد از بیماران COPD یک بار در سال و 14 درصد دو بار در طول سال مجدداً در بیمارستان بستری شدند. این میزان بستری مجدد بیشتر از هر بیماری مزمن دیگری بود [ 6 و 7 ]. طبق یک مقاله کانادایی [ 8]، برای تشدید یا حملات COPD شدید، متوسط طول ویزیت بیمارستان 10 روز با هزینه تخمینی 10000 دلار بود. در عرض یک سال، هزینه تخمینی تشدید COPD متوسط و شدید بیش از 730 میلیون دلار است. انتظار می رود که این تعداد تا سال 2015 تقریباً دو برابر شود [ 8 ].

درمان های مختلفی برای COPD از جمله آنتی بیوتیک ها و فیزیوتراپی قفسه سینه وجود دارد. با این حال، تشخیص زودهنگام COPD برای یک نتیجه مثبت بسیار مهم است [ 9 ]. بنابراین، شناسایی روندهایی در بروز COPD که ممکن است مطالعات اپیدمیولوژیک بیشتری را برای شناسایی عوامل خطر و شناسایی هرگونه تغییر در عوامل مهم پیشنهاد کند، مهم است. روندها ممکن است در یک منطقه رخ دهد و تمرکز مقاله ما بررسی تنوع جغرافیایی در تعداد افرادی است که در طی سال‌های 2001 تا 2010 در استان مانیتوبا، کانادا، مبتلا به COPD تشخیص داده شده‌اند.

یک خوشه فضایی به عنوان یک منطقه محدود در کل منطقه مورد مطالعه تعریف می شود که دارای نسبت بالایی از موارد بیماری است [ 10 ]. عوامل احتمالی مرتبط با بیماری‌ها را می‌توان با کشف خوشه‌های بیماری تعیین کرد که ممکن است به درک بهتری از علت منجر شود. در واقع، شناسایی خوشه‌ها ممکن است منجر به تحلیل‌های بیشتر برای مطالعه نحوه ارتباط مواجهه‌ها و مداخلات بیماری شود [ 11 ].

روش های تشخیص خوشه فضایی را می توان به دو رویکرد آماری، رویکرد متمرکز یا رویکرد غیر متمرکز (عمومی) طبقه بندی کرد. روش شناسی رویکردهای تشخیص خوشه متمرکز، مکان یابی مناطق با تعداد بیش از حد موارد بیماری در منطقه ای نزدیک به یک علت احتمالی ( به عنوان مثال ، یک محل زباله سمی) است [ 12 ، 13 ]. از سوی دیگر، روش‌های تشخیص خوشه‌ای غیرمتمرکز معمولاً از روش‌های مختلفی برای کشف مناطق با تعداد بالای موارد بیماری در کل منطقه مورد مطالعه استفاده می‌کنند [ 14 ، 15 ، 16 ]. آمار اسکن فضایی دایره ای (CSS) [ 17 ]، آمار اسکن فضایی انعطاف پذیر (FSS) [ 18 ]]، و نقشه برداری بیماری بیزی (BYM) [ 14 ] همه به عنوان روش های تشخیص خوشه متمرکز در نظر گرفته می شوند، در حالی که، آزمون Besag و Newell (BN) [ 19 ، 20 ] و آزمون رویداد بیشینه سازی (MEET) [ 21 ]] به عنوان روش های تشخیص خوشه غیرمتمرکز طبقه بندی می شوند. آزمون‌های غیرمتمرکز برای شناسایی خوشه‌های بالقوه در منطقه مورد مطالعه استفاده می‌شوند، در حالی که آزمون‌های متمرکز برای آزمایش فرضیه صفر عدم وجود خوشه فضایی در برابر فرضیه جایگزین که یک خوشه فضایی وجود دارد استفاده می‌شود. به عبارت دیگر، هدف از آزمون‌های متمرکز (CSS، FSS، BYM) یافتن خوشه‌های ممکن در یک منطقه مورد علاقه است و هدف آزمایش‌های غیرمتمرکز کشف هر خوشه مهم بدون تعیین منطقه مورد علاقه خاص است. این رویکردها با تجزیه و تحلیل داده های سرطان دوران کودکی در استان آلبرتا، کانادا [ 22 ] مقایسه شدند. اخیراً یک رویکرد مکرر مبتنی بر تخمین حداکثر احتمال (MLE)، از طریق شبیه سازی داده ها (DC) [ 23 ، 24]، همچنین برای به دست آوردن خوشه های ممکن [ 25 ] در یک منطقه مورد علاقه پیشنهاد شد. یکی دیگر از روش‌های تشخیص خوشه‌ای، نشانگر محلی ارتباط فضایی (LISA) است [ 26 ]. اجرای این روش ساده و آسان است.

این مقاله بر اساس روش های تشخیص خوشه متمرکز است. به طور خاص، رویکردهای متمرکز فوق الذکر (CSS، FSS، BYM، MLE، و LISA) برای تجزیه و تحلیل مجموعه داده های واقعی از موارد COPD در استان مانیتوبا، کانادا، از سال 2001 تا 2010 استفاده می شود.

2. روش ها

2.1. موضوعات مطالعه

این مطالعه بر اساس نظرسنجی سلامت جامعه کانادا (CCHS) [ 27 ] از آمار کانادا انجام شد. CCHS یک بررسی مقطعی است که اطلاعاتی را از جمعیت کانادا در مورد وضعیت سلامت، استفاده از مراقبت های بهداشتی و عوامل تعیین کننده سلامت جمع آوری می کند. CCHS داده‌های مربوط به سلامت را از افراد دوازده ساله و بالاتر جمع‌آوری می‌کند تا تخمین‌های قابل اعتمادی را در سطح منطقه سلامت ارائه کند [ 27 ]]. اطلاعات حاصل از CCHS مورد استفاده در این مطالعه، تعداد موارد COPD در استان مانیتوبا، کانادا، از سال 2001 تا 2010 بود. یازده مقام بهداشتی منطقه ای، که بیشتر به 67 منطقه سازمان بهداشت منطقه ای (RHADs) تقسیم می شوند، مسئول آن هستند. ارائه خدمات مراقبت های بهداشتی به افراد در منیتوبا. RHAD ها واحدهای جغرافیایی مورد استفاده در مدل های ما هستند و تمام داده های مورد استفاده در مطالعه مربوط به این RHAD ها هستند که برای سادگی با 1، 2، …، 67 برچسب گذاری شده اند. همچنین، یک مرکز مبتنی بر جمعیت برای هر RHAD ارائه شد، با این حال، این مرکزها لزوماً مراکز جغرافیایی نبودند. از آنجایی که داده های مورد استفاده در مطالعه از یک نظرسنجی بود، وزن های مناسب ( برای جزئیات بیشتر به بخش 2.2 مراجعه کنید) توسط آمار کانادا [ 27 ] تعیین شد.] روی داده ها اعمال شد که سپس در طول دوره مطالعه از 2001 تا 2010 جمع آوری شدند.

جمعیت در منیتوبا از حدود 1.15 میلیون نفر در سال 2001 به 1.20 میلیون نفر در سال 2010 ثابت بود. منطقه 38 دارای کمترین میانگین جمعیت با 920 نفر بود در حالی که منطقه 62 دارای بیشترین اندازه متوسط جمعیت با 91633 نفر بود. میانگین و میانه جمعیت در سراسر مناطق به ترتیب 17471 و 9466 بود. تعداد کل موارد COPD در مانیتوبا 56944 با میانگین 850 و میانه 504 مورد بود. این مشاهدات بر اساس نتایج وزنی موارد COPD در 67 منطقه است.

تعداد مشاهده شده موارد COPD و تعداد مورد انتظار موارد COPD و همچنین اندازه جمعیت هر منطقه از الزامات مهم برای روش‌های تشخیص خوشه فضایی متمرکز هستند. هنگامی که تعداد مورد انتظار بر اساس عوامل مختلف مانند سال، سن و جنسیت متفاوت است، ممکن است تنظیمات انجام شود. سپس تعداد مورد انتظار موارد بیماری بر اساس سال (10-1)، گروه سنی (0-5)، (6-20)، (21-40)، (41، 88)، (89+)) و جنسیت مذکر مونث). مروری بر روش‌های تشخیص خوشه فضایی CSS، FSS، BYM، MLE، و LISA در پیوست ارائه شده است.

پنج رویه تشخیص خوشه فضایی متمرکز (CSS، FSS، BYM، MLE و LISA) مفروضات متفاوتی دارند. اگرچه رویکردهای CSS، FSS و LISA بدون توزیع هستند، فرض بر این است که تعداد موارد بیماری از توزیع پواسون در روش‌های BYM و MLE پیروی می‌کند. همچنین، در حالی که تعداد مناطقی که باید در خوشه گنجانده شوند باید برای روش‌های CSS و FSS مشخص شوند، این یک الزام برای رویکردهای BYM و MLE نیست. برای روش های شناسایی خوشه ای مبتنی بر مدل (BYM و MLE)، اگر مدل به خوبی با داده ها مطابقت نداشته باشد، نتیجه می تواند گمراه کننده باشد. بنابراین، باقیمانده انحراف [ 28] نیز باید بررسی شود. در حالی که تعداد مورد انتظار موارد بیماری یا جمعیت هر منطقه برای روش های فوق مورد نیاز است، اما برای روش LISA الزامی نیستند.

مرکز داده های تحقیقاتی دانشگاه مانیتوبا این مطالعه را تایید کرد و اداره آمار کانادا دسترسی به داده های اداری را تایید کرد. ArcGIS نسخه 10.0 (مؤسسه تحقیقات سیستم های محیطی، Redlands، CA، USA) برای تهیه نقشه های choropleth از خطرات استفاده شد.

2.2. فرآیند وزن دهی

وزن دهی توسط اداره آمار کانادا با استفاده از فرآیند وزن دهی دقیق [ 27 ] تکمیل شد. خلاصه ای از این روش در اینجا آورده شده است. اولاً، وزن دهی بستگی به روش نمونه گیری (قاب منطقه در مقابل قاب تلفن) مورد استفاده در هر منطقه دارد. در قاب منطقه، وزن اولیه بر اساس بررسی نیروی کار (LFS) تعیین می شود. واحدهای خارج از محدوده ( یعنی خانه های در حال ساخت، خالی، فصلی یا فرعی و موسسات) از نمونه حذف می شوند. همچنین، زیر خوشه ها (به عنوان مثال، نمونه برداری فرعی در یک خانه انتخاب شده)، اندازه های نمونه بزرگتر و واحدهای بدون پاسخ در فرآیند وزن دهی تنظیم می شوند. در قاب تلفن (نظرسنجی از طریق تلفن انجام می شود) وزن اولیه به عنوان احتمال انتخاب شماره تلفن اختصاص داده می شود که بستگی به تعداد واحدهای نمونه گیری و تعداد واحدهای موجود برای نمونه گیری دارد. در این روش هر دو ماه یکبار نمونه برداری می شود، بنابراین برای کاهش وزن هر نمونه دو ماهه از ضریب تعدیل استفاده می شود تا کل نمونه تنها یک بار معرف جامعه باشد. مشابه روش قاب ناحیه ای، اعداد خارج از محدوده (به عنوان مثال، مشاغل، مؤسسات، خانه های خارج از محدوده یا شماره هایی که در خدمت نیستند) از نمونه حذف می شوند. همچنین، واحدهای بدون پاسخ و منازل با شماره تلفن های متعدد در فرآیند وزن دهی تنظیم می شوند [ 27 ].

وزن‌های مشترک برای قاب‌های ناحیه و قاب‌های تلفن باید با استفاده از ضریب تنظیم α (0 <α <1) یکپارچه شوند. سپس با در نظر گرفتن معکوس احتمال انتخاب شدن یک فرد در خانه انتخاب شده، وزنی در سطح فرد ایجاد می شود که به تعداد افراد خانواده و سن آن افراد بستگی دارد. پس از تنظیم مناسب، از روش پیرایش “winsorization” برای کاهش وزن های شدید استفاده می شود. در نهایت، یک رویکرد کالیبراسیون برای اطمینان از اینکه وزن ها نماینده تخمین های جمعیت برای گروه های سنی و جنسیت های مختلف در هر منطقه بهداشتی هستند استفاده می شود [ 27 ].

2.3. فرضیه های خاص

ما فرضیه های جایگزین را برای رویکردهای CSS، FSS، BYM و MLE مشخص می کنیم. ما چندین گزینه را در نظر می گیریم که به طور جداگانه آزمایش می شوند. علاوه بر این، اجازه دهید

R R_{i}

نشان دهنده خطر نسبی برای منطقه i در یک خوشه در مقایسه با منطقه خارج از یک خوشه. دومی دارد

R R_{i} = 1

. به عنوان مثال برای خوشه

X

R R_{i}

از رابطه زیر بدست می آید

آر آر من = {3 من \in X 1 o t h e r w i s e .

3. نتایج

نتایج پنج تکنیک مختلف تشخیص خوشه‌ای زمانی که در یک مجموعه داده COPD در استان مانیتوبا، کانادا، از سال 2001 تا 2010 اعمال می‌شود، در این بخش نشان داده شده و مقایسه می‌شود.

بر اساس 67 منطقه، چهار خوشه مختلف مورد آزمایش قرار گرفتند: (1) یک مورد بدون خوشه (به نام A). (2) هفت منطقه از قسمت شمالی استان (به نام B). (3) هفت منطقه از بخش جنوب مرکزی استان (به نام C). و (4) 12 منطقه که شامل منطقه وینیپگ (به نام D) می شود. برای A، هیچ منطقه ای به عنوان یک خوشه بالقوه مشخص نشد. علاوه بر این، مناطق متعلق به خوشه های B، C، و D عبارتند از: B = {31، 33، 34، 36، 38، 40، 41}، C = {27، 28، 29، 30، 50، 51، 52} و D = {56، 57، 58، 59، 60، 61، 62، 63، 64، 65، 66، 67}. از آنجایی که روش LISA به تعداد مشاهدات مورد انتظار بستگی ندارد، می‌توان آن را فقط برای خوشه A اعمال کرد زیرا سایر خوشه‌ها به تنظیم تعداد مورد انتظار موارد بیماری برای آن مناطق در داخل خوشه مشخص شده نیاز دارند.

مناطقی که از نظر آماری معنی دار هستند (خوشه های بالقوه) برای هر خوشه و هر روش به طور جداگانه نشان داده شده است ( شکل 1 ، شکل 2 ، شکل 3 و شکل 4 ). خلاصه خوشه A، هیچ منطقه ای به عنوان یک خوشه بالقوه مشخص نشده است، در جدول 1 ارائه شده است.. برای رویه‌های CSS و FSS، مناطقی که به احتمال زیاد یک خوشه بیماری را تشکیل می‌دهند، و همچنین مناطقی که در رتبه دوم و سوم قرار دارند به‌عنوان یک خوشه در نظر گرفته می‌شوند. برای روش‌های BYM و MLE، یک منطقه به عنوان یک خوشه مهم در نظر گرفته می‌شود (و رتبه‌بندی می‌شود) اگر حد پایین بازه معتبر/پیش‌بینی از معیارهای مشخص شده پیروی کند. به عنوان مثال، در روش BYM، منطقه 10 به احتمال زیاد به عنوان یک خوشه در نظر گرفته می شود و منطقه 61 کمترین احتمال را دارد که به عنوان یک خوشه تحت معیارهایی در نظر گرفته شود که کران پایینی RR بزرگتر از یک باشد. برای روش LISA، در صورتی که p-value کمتر از 0.1 باشد، ناحیه‌ای تعیین می‌شود (و رتبه‌بندی می‌شود).

روش FSS مناطق بیشتری را به عنوان خوشه‌های بالقوه نسبت به رویکرد CSS برای خوشه A شناسایی کرد، اگرچه، مناطق دارای خوشه‌های بالقوه که با روش CSS شناسایی شدند نیز با رویکرد FSS شناسایی شدند. رویکرد CSS مناطق {10، 43، 45، 61، 62} را به‌عنوان خوشه‌های بالقوه شناسایی کرد و روش FSS همان مناطق را با روش CSS، و همچنین مناطق {1، 11، 12، 13، 14، 20، شناسایی کرد. 21، 27، 46، 50، 51، 54، 56، 60، 64، 65}. روش‌های BYM و MLE مناطق {1، 3، 6، 10، 11، 12، 20، 21، 24، 27، 43، 45، 50، 54، 61، 62، 64، 65} را به عنوان خوشه‌های احتمالی شناسایی کردند. تنها تفاوت بین نتایج این دو روش، ترتیب اهمیت برای خوشه‌های بالقوه بود. همچنین، بسیاری از مناطق شناسایی شده با استفاده از این دو رویکرد نیز با رویکرد FSS و مناطق شناسایی شده توسط تکنیک CSS نیز توسط رویکردهای BYM و MLE شناسایی شدند. توجه داشته باشید که با ارزیابی معیار مقادیر RR از بزرگتر از 1 تا 1.5 یا حتی 2، تعداد خوشه های بالقوه کاهش می یابد.جدول 1 ). بر اساس نمودارهای باقیمانده انحراف برای هر دو روش BYM و MLE، متوجه شدیم که فقدان جدی برازش در مدل وجود ندارد. روش LISA مناطق {2، 7، 16، 24، 43، 56، 57، 58، 60، 62، 64، 67} را به عنوان خوشه های احتمالی COPD یافت. این رویکرد برخی از مناطق مختلف را به عنوان خوشه‌های بالقوه در مقایسه با روش‌های دیگر شناسایی کرد.

در مورد خوشه B، هیچ یک از روش ها قادر به تشخیص همه مناطق در خوشه B به عنوان یک خوشه بالقوه نبودند. با این حال، روش CSS مناطق 10، 43، و 62 را به عنوان یک خوشه بالقوه شناسایی کرد در حالی که روش FSS همان مناطق را به عنوان روش CSS علاوه بر مناطق {11، 12، 13، 14، 20، 21، 27، 31، شناسایی کرد. 45، 46، 50، 51، 54}. رویکرد BYM می تواند مناطق {1، 3، 6، 10، 11، 12، 20، 21، 24، 27، 31، 43، 45، 50، 54، 61، 62، 64، 65} را به عنوان خوشه های بالقوه شناسایی کند. روش MLE همچنین قادر به شناسایی مناطق مشابه روش BYM علاوه بر منطقه 19 بود.

شکل 1. ترتیب احتمالاً خوشه‌های COPD برای روش‌های CSS، FSS، و LISA (بر اساس p-value )، و اثرات ویژه خطرات COPD منطقه‌ای برای روش‌های BYM و MLE. در مورد خوشه A. مرکز شهری اصلی (منطقه وینیپگ) به عنوان یک مجموعه گنجانیده شده است. ( الف ) CSS؛ ( ب ) FSS; ( ج ) BYM; ( د ) MLE; ( ه ) LISA.

شکل 2. ترتیب احتمالاً خوشه های COPD برای روش های CSS و FSS، و اثرات ویژه خطرات COPD منطقه ای برای روش های BYM و MLE. در مورد خوشه B. مرکز شهری اصلی (منطقه وینیپگ) به عنوان یک مجموعه گنجانده شده است. ( الف ) CSS؛ ( ب ) FSS; ( ج ) BYM; ( د ) MLE.

شکل 3. ترتیب احتمالاً خوشه‌های COPD برای روش‌های CSS و FSS، و اثرات ویژه خطرات COPD منطقه‌ای برای روش‌های BYM و MLE. در مورد خوشه C. مرکز شهری اصلی (منطقه وینیپگ) به عنوان یک مجموعه گنجانیده شده است. ( الف ) CSS؛ ( ب ) FSS; ( ج ) BYM; ( د ) MLE.

شکل 4. ترتیب احتمالاً خوشه‌های COPD برای روش‌های CSS و FSS، و اثرات ویژه خطرات COPD منطقه‌ای برای روش‌های BYM و MLE. در مورد خوشه D. مرکز شهری اصلی (منطقه وینیپگ) به عنوان یک مجموعه گنجانیده شده است. ( الف ) CSS؛ ( ب ) FSS; ( ج ) BYM; ( د ) MLE.

جدول 1. ترتیب مناطق قابل توجه برای روش های LISA، CSS، FSS، BYM، و MLE برای خوشه A.

برای خوشه C، هر چهار روش قادر به شناسایی تمام مناطق خوشه C به عنوان یک خوشه بالقوه بودند. علاوه بر این، روش CSS همچنین مناطق {3، 10، 20، 21، 43، 45، 49، 62} را به عنوان خوشه های بالقوه شناسایی کرد در حالی که روش FSS، مناطق شناسایی شده با روش CSS را علاوه بر مناطق {6، 11، 12 شناسایی کرد. ، 13، 64، 65}. هر دو روش BYM و MLE مناطق {1، 3، 6، 10، 11، 12، 20، 21، 24، 43، 45، 54، 61، 62، 64، 65} را علاوه بر مناطق در خوشه C به عنوان شناسایی کردند. خوشه های بالقوه

برای خوشه D، هر چهار روش، مناطق متعلق به خوشه D را به عنوان یک خوشه بالقوه شناسایی کردند. علاوه بر مناطق در وینیپگ (خوشه D)، رویکردهای BYM و MLE همچنین قادر به شناسایی برخی از همسایگان وینیپگ (14 منطقه) به عنوان خوشه‌های بالقوه بودند. با این حال، روش‌های CSS و FSS تنها دو ناحیه 10 و 43 را به عنوان یک خوشه بالقوه علاوه بر خوشه D شناسایی کردند.

4. بحث و نتیجه گیری

ما از پنج رویکرد رایج در اپیدمیولوژی فضایی برای شناسایی خوشه‌های بالقوه موارد COPD در استان مانیتوبا، کانادا استفاده کردیم. این پنج روش به طور گسترده در ادبیات استفاده شده و نسبتاً جامع هستند. این روش‌ها از رویکردهای مختلف (غیر پارامتری تا پارامتری) برای آزمایش خوشه‌های معنی‌دار استفاده می‌کنند.

ما چهار فرضیه جایگزین مختلف را برای مقایسه نتایج روش‌های CSS، FSS، BYM و MLE در نظر گرفتیم. هر چهار روش در شناسایی خوشه‌های بالقوه برای جمعیت‌های متراکم (خوشه‌های C و D) کار خوبی انجام دادند، اما برای یک جمعیت پراکنده (خوشه B) کار خوبی انجام دادند. به طور کلی، روش CSS تعداد کمتری از مناطق ترکیب شده به عنوان یک خوشه بالقوه را در مقایسه با روش FSS به دلیل شکل غیر دایره‌ای برخی از مناطق در استان منیتوبا شناسایی کرد. یکی از معایب روش LISA این است که نتایج به تعداد مورد انتظار یا جمعیت در هر منطقه بستگی ندارد. این موضوع نگران‌کننده است زیرا مناطق با جمعیت بالا احتمالاً تعداد بیشتری از بیماری‌های مشاهده شده را خواهند داشت، با این حال، در استفاده از روش LISA این مورد در نظر گرفته نمی‌شود. از این رو، روش LISA فقط می تواند برای خوشه A اعمال شود زیرا خوشه B، C و D نیاز به تنظیم اعداد مورد انتظار برای مناطق مربوطه در یک خوشه دارند. این ممکن است توضیح دهد که چرا رویکرد LISA برخی مناطق مختلف را به عنوان خوشه های بالقوه در مقایسه با سایر روش ها شناسایی می کند.

اگر حد پایین فاصله اعتبار/پیش بینی ریسک نسبی تخمینی بزرگتر از یک برای رویکردهای BYM و MLE بود، یک منطقه به عنوان یک خوشه بالقوه شناسایی شد. قواعد تصمیم گیری متفاوتی ممکن است تعریف شود که در آن ریسک نسبی تخمین زده شده (از نظر فاصله زمانی معتبر/پیش بینی) بزرگتر یا کوچکتر از یک باشد [ 29 ]. می توان احتمال مازاد را نیز در نظر گرفت

Pr (R R_{i} > b) > c

، جایی که

b

می تواند 1، 2 یا 3 باشد و

c

ممکن است مقدار زیادی مانند 0.90 [ 30 ] باشد. برای روش LISA، در صورتی که p-value مرتبط کمتر از 0.1 باشد، ناحیه ای معنادار تعریف شد. با این حال، قوانین تصمیم گیری متفاوتی را می توان در مواردی که سطح اهمیت کمتر از 0.1 باشد، مورد استفاده قرار داد.

در اینجا، از سه عامل مهم، سن، جنسیت و سال برای تنظیم تعداد مورد انتظار COPD در استان منیتوبا استفاده شد. برخلاف روش‌های CSS، FSS، و LISA، می‌توانیم مدل A2-A3 را در ضمیمه ، برای هر دو روش BYM و MLE گسترش دهیم تا به‌طور مستقیم سایر متغیرهای کمکی را که ممکن است برای برخی برنامه‌ها مورد نیاز باشد، شامل شود.

همچنین متذکر می شویم که روش ها تنظیمات و مفروضات مختلفی دارند که انگیزه مقایسه ما را فراهم می کند. تنظیمات انتخاب شده توسط کاربر بخشی از تمام تست های خوشه ای است و انتخاب های مختلف می تواند به نتایج متفاوتی منجر شود. هر پنج روش برای خوشه های محلی پیشنهاد شده است. بر اساس فرضیه صفر، تعداد موارد COPD از توزیع پواسون برای روش‌های BYM و MLE پیروی می‌کند، در حالی که آمار آزمون برای روش‌های CSS و FSS دارای مجانبی است.

χ^{2}

توزیع و روش LISA از توزیع تجربی استفاده می کند. این ویژگی ها ما را برانگیخت تا این روش های مهم را در نظر بگیریم و آنها را در موارد COPD خود به کار ببریم.

به عنوان محدودیت های این مطالعه، ما فرض کردیم که موارد COPD ما موارد نادری هستند که بتوان از مدل پواسون در روش های BYM و MLE استفاده کرد. همچنین از داده های پیمایش (وزن دهی به سطح جمعیت) در مطالعه خود استفاده کردیم. نقاط قوت این مطالعه شامل ارزیابی روش های تشخیص خوشه های متعدد است.

به طور کلی، خوشه های بالقوه COPD در قسمت جنوبی استان به استثنای منطقه 24 که با روش های BYM و MLE شناسایی شد (خوشه A) قرار داشت. با توجه به یافته های Fransoo و همکاران. [ 31 ]، که بر اساس بررسی سلامت جامعه [ 27 ] است]، میزان مصرف بیش از حد الکل و سیگار از میانگین منیتوبا در بخش جنوب مرکزی استان بالاتر است. همچنین درصد بیشتری از افرادی که در این منطقه میوه و سبزیجات کم مصرف می کنند وجود دارد که این تفاوت ها از نظر آماری معنی دار نیست. سطح چاقی در این منطقه نیز به طور قابل توجهی بالاتر از میانگین منیتوبا است. در قسمت جنوب شرقی استان پرنوشی، قرار گرفتن در معرض دود دست دوم، و سطوح اضافه وزن و چاقی بالاتر از میانگین منیتوبا است، اگرچه نتایج از نظر آماری معنی دار نیستند [ 31 ]]. اینها برخی از عوامل تعیین کننده سلامتی هستند که ممکن است خوشه های COPD را در این مناطق توضیح دهند. ما دریافتیم که روش‌های BYM و MLE بهترین رویکردها از نظر شناسایی خوشه‌های بالقوه و کنترل عوامل مخدوش‌کننده احتمالی (در صورت وجود) هستند. این نتایج ممکن است نشان دهنده افزایش واقعی COPD باشد یا ممکن است به دلیل متغیرهای کمکی اندازه گیری نشده باشد که باید در مدل تعدیل شوند. برای بررسی این یافته‌ها و همچنین بررسی علت این افزایش‌ها به تحقیقات بیشتری نیاز است.

ضمیمه

آمار اسکن فضایی دایره ای (CSS)

آمار اسکن فضایی به طور گسترده در زمینه اپیدمیولوژی برای اهداف مختلف استفاده می شود [ 32 ]. یک پنجره دایره ای

S

در هر منطقه توسط آمار اسکن فضایی دایره ای با شعاع دایره از صفر تا حداکثر فاصله از پیش تعیین شده تنظیم می شود.

d

یا حداکثر تعداد مناطق از پیش تعیین شده

J

در خوشه در نظر گرفته شود. پنجره از (j -1 ) -امین نزدیکترین همسایه به منطقه تشکیل شده است

i

با نشان داده می شود

S_{i : j} (j = 1, \dots, J)

. همچنین،

S_{1} = {S_{i : j}; i = 1, \dots, m; j = 1, \dots, J}

مجموعه ای از تمام پنجره ها را نشان می دهد که باید توسط آمار اسکن دایره ای اسکن شوند. یک آمار نسبت احتمال بر اساس تعداد موارد مشاهده شده و مورد انتظار در داخل و خارج دایره برای هر دایره محاسبه می شود. اکنون،

L_{0}

نشان دهنده احتمال تحت فرضیه صفر و

L_{i} (i = 1, \dots, m)

نشان دهنده احتمال تحت فرضیه جایگزین است. فرضیه صفر بیان می کند که هیچ خوشه ای در منطقه وجود ندارد

i

و در برابر فرضیه جایگزین که یک خوشه در منطقه وجود دارد آزمایش می شود

i

بر اساس j -ام نزدیکترین همسایه های آن. آمار نسبت احتمال توسط

m a x من L من L 0 = (سی من E من) سی من (ن - سی من ن - E من) ن - سی من من (سی من > E من)

(A1)

جایی که $C_{i}$ تعداد موارد مشاهده شده در یک دایره را نشان می دهد و $E_{i}$ نشان دهنده تعداد مورد انتظار در داخل یک دایره است. همچنین، $(N - C_{i})$ و $(N - E_{i})$ به ترتیب تعداد موارد مشاهده شده و مورد انتظار خارج از دایره را نشان می دهد. تابع نشانگر $I (C_{i} > E_{i})$ برابر 1 است وقتی $C_{i} > E_{i}$ و 0 در غیر این صورت. دایره هایی با نسبت احتمال بالا به عنوان خوشه های ممکن شناسایی می شوند [ 17 ].

با استفاده از نرم افزار SaTScan [ 33 ] یا FleXScan [ 34 ] می توان از روش CSS استفاده کرد. بطور کلی،

J

انتخاب شده است تا حداکثر 50٪ از جمعیت در معرض خطر را شامل شود، با این حال، ما از پیش فرض FleXScan استفاده کردیم که حداکثر اندازه خوشه فضایی است.

J = 15

. برای اینکه ناحیه بخشی از دایره باشد، مرکز ناحیه باید در شعاع دایره قرار می گرفت.

آمار اسکن فضایی انعطاف پذیر (FSS)

آمار اسکن فضایی انعطاف پذیر به همان شیوه آمار اسکن فضایی دایره ای عمل می کند، اما اکنون شکل خوشه پتانسیل انعطاف پذیر است در حالی که هنوز به یک محله کوچک از هر منطقه محدود می شود. با اتصال مناطق مجاور، آمار اسکن انعطاف پذیر پنجره ای با شکل نامنظم قرار می دهد.

S

در هر منطقه برای هر منطقه

i

، مجموعه ای از پنجره های نامنظم به طول

j

، حاوی

j

مناطق متصل از جمله منطقه

i

، می تواند از 1 تا حداکثر از پیش تعیین شده متغیر باشد

J

، جایی که

J

حداکثر طول یک خوشه است. علاوه بر این، برای جلوگیری از شکل‌های خوشه‌ای بعید، مناطق متصل به زیر مجموعه‌های مجموعه مناطق محدود می‌شوند.

i

(J - 1)

– نزدیکترین همسایه منطقه

i

. مجموعه ای از تمام پنجره هایی که باید توسط آمار اسکن فضایی انعطاف پذیر اسکن شوند

S_{2} = {S_{i : j (k)};

i = 1, \dots, m; j = 1, \dots, J; k = 1, \dots, k_{i j}}

. آمار اسکن فضایی دایره ای بررسی می کند

J

حلقه ها برای هر منطقه

i

و آمار اسکن فضایی انعطاف پذیر را بررسی می کند

J

دایره ها به علاوه تمام مجموعه های مناطق متصل که مرکز آنها در J- امین دایره متحدالمرکز بزرگ یافت می شود. پس از آن، اندازه از

S_{2}

بسیار بزرگتر از

S_{1}

که حداکثر است

m J

. آماره آزمون مورد استفاده در روش FSS تحت فرض پواسون بر اساس آزمون نسبت درستنمایی ارائه شده در معادله (A1) است. حال، دایره تعریف شده در معادله (A1) اشاره دارد

S_{2}

بجای

S_{1}

. با استفاده از روش FSS، دایره هایی با مقادیر نسبت احتمال بالا به عنوان مناطق بالقوه خوشه های بیماری در نظر گرفته می شوند [ 18 ]. روش FSS همچنین می تواند با استفاده از نرم افزار FleXScan [ 34 ] با پیش فرض FleXScan که J = 15 است اعمال شود.

نقشه برداری بیماری بیزی (BYM)

شناسایی خوشه ها همچنین می تواند از طریق چارچوب بیزی با استفاده از روش های زنجیره مارکوف مونت کارلو (MCMC) انجام شود [ 14 ، 15 ، 35 ، 36 ]. اولین بار توسط Besag و همکاران استفاده شد. [ 14 ]، نقشه برداری بیماری بیزی (BYM) یک رویکرد مدل سازی است که از دو بخش تشکیل شده است. در بخش اول مدل، فرض بر این است که موارد از توزیع پواسون با پارامتر منطقه خاص پیروی می کنند.

θ_{i} E_{i}

سی من ~ پ یا من هستم (___θ من E من)

(A2)

که در آن تعداد موارد مشاهده شده و مورد انتظار در منطقه است $i$ توسط $C_{i}$ و $E_{i},$ به ترتیب. بخش دوم مدل از طریق به دست می آید

l o g (θ من) = μ + η من

(A3)

جایی که ریسک نسبی ( $R R$ ) در منطقه $i$ از رابطه زیر بدست می آید $θ_{i}$ ، $μ$ نشان دهنده نسبت میانگین کلی در کل منطقه و $η_{i}$ اثرات تصادفی همبسته فضایی را نشان می دهد. این جلوه‌های تصادفی فضایی با استفاده از مدل معمولی CAR گرفته می‌شوند. انواع مدل‌های CAR را می‌توان با به‌دست آوردن مجموعه‌ای از توزیع‌های شرطی سازگار با یکدیگر استفاده کرد $p (η_{i} | η_{- i}), i = 1, \dots, m,$ جایی که $η_{- i} = {η_{j} : j \neq i,$ $j \in δ_{i}}$ و $δ_{i}$ به مجموعه ای از همسایگان برای منطقه i اشاره می کند [ 14 ]. ما از مدل کلی زیر برای جلوه های فضایی استفاده می کنیم $η_{i}$ :

η = (η 1, \dots, η متر) “ ~ ن (0, Σ η)

Σ η = σ 2 η (من متر - λ η د) - 1 پ

جایی که $P$ هست یک $m \times m$ ماتریس مورب با عناصر $P_{i i} = 1 / e_{i}$ ; $D$ هست یک $m \times m$ ماتریس با عناصر $D_{i j} = {(e_{j} / e_{i})}^{1 / 2}$ اگر منطقه $i$ و $j$ مجاور هستند و $D_{i j} = 0$ در غیر این صورت؛ $e_{i}$ تعداد مناطق مجاور منطقه است $i$ ; $σ_{η}^{2}$ پارامتر پراکندگی فضایی است. $λ_{η}$ خود همبستگی فضایی را اندازه گیری می کند، $λ_{m i n} \leq λ_{η} \leq λ_{m a x}$ ، جایی که $λ_{m i n}^{- 1}$ و $λ_{m a x}^{- 1}$ کوچکترین و بزرگترین مقادیر ویژه هستند $P^{- 1 / 2} D P^{1 / 2}$ ; و $I_{m}$ ماتریس هویت ابعاد است $m$ . برای جزئیات این مدل ماشین مناسب به [ 37 ] مراجعه می کنیم. با استفاده از توزیع‌های قبلی مبهم و در چارچوب بیزی (MCMC)، ممکن است پارامترها برای تولید توزیع‌های پسینی برای پارامترهای مدل [ 14 ] تخمین زده شوند.

یک خوشه به عنوان منطقه ای مشخص می شود که در آن ریسک نسبی تخمینی (از نظر مجموعه معتبر پایین تر) به طور قابل توجهی بزرگتر از یک است [ 38 ]. برای اعمال این روش، از نرم افزار WinBUGS [ 37 ] برای محاسبه مقادیر ریسک نسبی استفاده می شود.

رویکرد مکرر با استفاده از تخمین حداکثر احتمال (MLE)

رویکرد شبیه سازی داده ها (DC) یک الگوریتم محاسباتی برای به دست آوردن MLE برای مدل های سلسله مراتبی است [ 23 ، 24 ]. این رویکرد مبتنی بر روش محاسباتی بیزی است و برای اهداف فراوانی استفاده می شود. این روش شامل تکرار مستقل مشاهدات است

C = (C_{1}, \dots, C_{m})'

برای

L

افراد مختلف متعاقباً، این افراد همه دقیقاً مجموعه مشاهدات یکسانی دارند

C

که توسط

C^{(L)} = (C, C, \dots, C)

. توزیع خلفی

α = (μ, λ_{η}, σ_{η}^{2})'

مشروط به داده ها

C^{(L)}

سپس توسط داده می شود

π L (α | سی (L)) = { L ( α , C ) } L π ( α ) اچ ( سی ( L ) )

(A4)

جایی که توزیع قبلی در فضای پارامتر است $π (α)$ و $H (C^{(L)}) = \int^{} {L (α, C)}^{L} π (α) d α$ ثابت نرمال کننده است. همچنین، ${L (α, C)}^{L}$ نشان دهنده احتمال برای $L$ کپی از داده های اصلی همانطور که توسط Lele و همکاران نشان داده شده است. [ 23 ، 24 ]، زمانی که $L$ به اندازه کافی بزرگ است، $π_{L} (α | C^{(L)})$ به یک توزیع نرمال چند متغیره با میانگین داده شده توسط MLE پارامترهای مدل و ماتریس واریانس کوواریانس برابر با $1 / L$ برابر معکوس ماتریس اطلاعات فیشر برای MLE. از این رو، بردار میانگین نمونه اعداد تصادفی تولید شده از معادله (A4) به عنوان تخمینی از MLE و تخمینی از ماتریس واریانس-کوواریانس مجانبی برای MLE عمل می کند. $\hat{α}$ از رابطه زیر بدست می آید $L$ برابر ماتریس واریانس-کوواریانس نمونه اعداد تصادفی تولید شده از رابطه (A4). لله و همکاران [ 24 ] همچنین آزمایش های مختلفی را برای تعیین تعداد کافی کلون ها ارائه کرد $L$ .

پیش بینی ریسک نسبی:

پیش‌بینی ریسک نسبی (اثرات تصادفی) می‌تواند نسبتاً مشکل‌ساز باشد، به ویژه در چارچوب مکرر. یک رویکرد برای برآورد

r

استفاده از داده ها برای استفاده است

π (R = r | C, \hat{α})

جایی که

R = (R R_{1}, \dots, R R_{m})'

. با این حال، تنوع معرفی شده توسط تخمین پارامترهای مدل در این رویکرد ثبت نشده است. در ادبیات [ 39 ]، پیشنهاد شده است که از چگالی زیر برای در نظر گرفتن تغییرات برآوردگر استفاده شود.

π (r | y) = 🔻 را f ( سی | r _ α 1 ) g ( r | α 2 ) ϕ ( α , α ˆ ، من - 1 ( α ˆ ) ) د α اچ ( سی )

(A5)

جایی که $α_{1} = μ$ ، $α_{2} = (λ_{η}, σ_{η}^{2})'$ ، $f (\cdot)$ و $g (\cdot)$ به ترتیب توزیع پواسون و نرمال هستند و $ϕ (., ξ, Σ)$ چگالی نرمال چند متغیره را با میانگین نشان می دهد $ξ$ و واریانس-کوواریانس $Σ$ . در این مقاله، پیش‌بینی $r$ با استفاده از معادله (A5) از طریق نمونه گیری MCMC به دست آمد. خوشه بیماری به عنوان منطقه ای تعریف می شود که در آن خطر نسبی تخمین زده شده (از نظر فاصله پیش بینی کمتر) به طور قابل توجهی بزرگتر از یک است. بسته dclone [ 40 ] در نرم افزار R [ 41 ] به منظور محاسبه مقادیر ریسک نسبی استفاده می شود.

شاخص محلی انجمن فضایی (LISA)

روش دیگر برای شناسایی خوشه های فضایی، آماره شاخص محلی ارتباط فضایی (LISA) است [ 26 ]. به طور کلی، برای مشاهده،

y_{i}

در

i^{t h}

منطقه، آمار LISA توسط

L من = f (y من ، y جی من)

جایی که $f$ یک تابع است و مقادیر مشاهده شده در $J^{t h}$ همسایگی منطقه $i$ توسط $y_{J_{i}}$ . به منظور تعیین اهمیت آماری ارتباط فضایی در منطقه $i$ ، موارد زیر باید رعایت شود

Pr (L من > δ من) \leq α من

جایی که یک مقدار بحرانی توسط $δ_{i}$ و $α_{i}$ سطح معینی از اهمیت است. یکی دیگر از شرایط یک آمار LISA این است که مجموع تمام آمارهای LISA در یک منطقه باید متناسب با یک شاخص جهانی تداعی فضایی باشد. به عبارت دیگر،

\sum من L من = γ Λ

جایی که $Λ$ شاخصی از شاخص جهانی با ضریب مقیاس است که توسط $γ$ . برای آزمایش اینکه آیا ارتباط فضایی آماری معنی‌داری در تمام مناطق وجود دارد، عبارت زیر باید درست باشد [ 26 ]

Pr (Λ > δ) \leq α .

یک آمار LISA عمومی ممکن است برای آزمایش فرضیه صفر عدم ارتباط فضایی در برابر فرضیه جایگزین که خوشه بندی فضایی در سراسر یک منطقه وجود دارد استفاده شود. با این حال، یافتن توزیع LISA عمومی ممکن است سخت باشد. به همین دلیل، تصادفی سازی شرطی یا یک رویکرد جایگشت برای یافتن یک توزیع تجربی استفاده می شود. تصادفی سازی با نگه داشتن مقدار مشاهده شده ( $y_{i}$ ) در منطقه $i$ ثابت و مقادیر مشاهده شده باقیمانده در کل منطقه مورد مطالعه به طور تصادفی جابجا می شوند و مقدار $L_{i}$ محاسبه می شود. این برای هر منطقه در منطقه مورد مطالعه انجام می شود. نتیجه یک تابع توزیع تجربی است که بیانگر میزانی است که هر مشاهده در مقایسه با سایر مقادیر مشاهده شده افراطی در نظر گرفته می شود [ 26 ].

روش LISA معمولاً یک روش ساده برای اعمال است، با این حال، با این واقعیت که آمار LISA برای مناطق جداگانه ممکن است همبستگی داشته باشد، پیچیده است. به عنوان مثال، زمانی که مناطق

i

k

همسایه هستند یا عناصر مشترکی در مجموعه همسایگی خود دارند، آمار LISA مربوطه،

L_{i}

L_{k}

مرتبط خواهد بود. به طور معمول، استخراج توزیع های حاشیه ای هر آمار بسیار دشوار است و بنابراین، سطوح معنی داری باید با نابرابری های بونفرونی یا روشی که توسط سیداک [ 42 ] ترسیم شده است، تقریب یابد. با استفاده از نابرابری‌های بونفرونی، سطوح معنی‌داری فردی ( αi ₎ تنظیم می‌شوند

α / m

و با استفاده از روش سیداک برابر می شوند

1 - {(1 - α)}^{1 / m}

، که در آن سطح معنی داری کلی تنظیم شده است

α

و وجود دارد

m

مقایسه ها پیشنهاد شده است که

m

به عنوان تعداد مشاهدات در نظر گرفته می شود

n

. با این حال، این ممکن است منجر به مرزهایی شود که بیش از حد محافظه کارانه هستند و در واقع مشاهدات بسیار کمی ممکن است به عنوان خوشه های مهم در نظر گرفته شوند [ 26 ]. تحقیقات بیشتر برای تعیین بهترین ارزش در حال انجام است

m

. در مطالعه ما این روش در R [ 41 ] با استفاده از بسته ncf [ 43 ] پیاده سازی شده است.

منابع

ابتکار جهانی برای بیماری انسداد مزمن ریه (GOLD). استراتژی جهانی برای تشخیص، مدیریت و پیشگیری از COPD. (به روز رسانی 2013). در دسترس آنلاین: http://www.goldcopd.org (در 3 ژوئیه 2013 قابل دسترسی است).
آیزنر، MD; آنتونیسن، ن. کولتاس، دی. کوئنزلی، ن. پرز-پادیلا، آر. پستما، دی. رومیو، آی. سیلورمن، EK; Balmes, JR بیانیه رسمی سیاست عمومی انجمن قفسه سینه آمریکا: عوامل خطر جدید و بار جهانی بیماری مزمن انسدادی ریه. عامر J. Respir. کریت مراقبت پزشکی. 2010 ، 182 ، 693-718. [ Google Scholar ] [ CrossRef ]
سزر، اچ. آکورت، آی. گولر، ن. ماراکوغلو، ک. Berk, S. مطالعه مورد-شاهدی در مورد تأثیر قرار گرفتن در معرض مواد مختلف بر ایجاد COPD. ان اپیدمیول. 2006 ، 16 ، 59-62. [ Google Scholar ] [ CrossRef ] [ PubMed ]
برت، ال. کوربریج، S. تشدید COPD. عامر J. Nurs. 2013 ، 113 ، 34-43. [ Google Scholar ] [ CrossRef ]
لامپرشت، بی. مک برنی، MA; وولمر، WM; گودموندسون، جی. ولته، تی. Nizankowska-Mogilnicka، E. استودنیکا، م. بیتمن، ای. آنتو، جی.ام. برنی، پی. و همکاران COPD در افراد سیگاری هرگز: نتایج حاصل از بار جمعیتی مطالعه بیماری انسدادی ریه. سینه 2011 ، 139 ، 752-763. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
انجمن توراسیک کانادا بار انسانی و اقتصادی COPD: علت اصلی پذیرش در بیمارستان در کانادا . Canadian Thoracic Society: Ottawa, ON, Canada, 2010. [ Google Scholar ]
موسسه اطلاعات سلامت کانادا شاخص‌های سلامت 2008. در دسترس آنلاین: https://secure.cihi.ca/free_products/HealthIndicators2008_ENGweb.pdf (در 3 ژوئیه 2013 قابل دسترسی است).
میتمن، ن. کوراموتو، ال. سونگ، اس جی. هادون، جی.ام. بردلی کندی، سی. FitzGerald, JM هزینه تشدید متوسط و شدید COPD برای سیستم مراقبت های بهداشتی کانادا. تنفس پزشکی 2008 ، 102 ، 413-421. [ Google Scholar ] [ CrossRef ] [ PubMed ]
Scheinfeld، MH; مانیاتیس، تی. Gurell، D. COPD؟ عامر جی. مد. 2006 ، 119 ، 839-842. [ Google Scholar ] [ CrossRef ]
Lawson, AB Statistical Methods in Spatial Epidemiology , 2nd ed.; John Wiley & Sons, Ltd.: London, UK, 2006. [ Google Scholar ]
جنینگز، جی.ام. کوریرو، اف سی؛ سلنتانو، دی. الن، JM شناسایی جغرافیایی مناطق انتقال سوزاک بالا در بالتیمور، مریلند. عامر J. Epidemiol. 2005 ، 161 ، 73-80. [ Google Scholar ] [ CrossRef ]
الیوت، پی. بریگز، دی. موریس، اس. د هوگ، سی. صدمه، سی. جنسن، TK; میتلند، آی. ریچاردسون، اس. ویکفیلد، جی. Jarup, L. خطر پیامدهای نامطلوب تولد در جمعیت هایی که در نزدیکی مکان های دفن زباله زندگی می کنند. بریتانیایی پزشکی J. 2001 , 323 , 363-368. [ Google Scholar ] [ CrossRef ] [ PubMed ]
لاوسون، AB; بیگری، ع. ویلیامز، FLR مروری بر رویکردهای مدل‌سازی در ارزیابی خطر سلامت در اطراف منابع احتمالی. در نقشه برداری بیماری و ارزیابی خطر برای سلامت عمومی ; Lawson, AB, Biggeri, A., Böhning, D., Lesaffre, E., Viel, J., Bertollini, R., Eds.; Wiley: نیویورک، نیویورک، ایالات متحده آمریکا، 1999; صص 231-245. [ Google Scholar ]
Besag, JE; یورک، جی سی. Mollìe, A. بازیابی تصویر بیزی با دو کاربرد در آمار فضایی (با بحث). ان Inst. آمار ریاضی. 1991 ، 43 ، 1-59. [ Google Scholar ] [ CrossRef ]
کلیتون، دی. روش های برناردینلی، ال. بیزی برای ترسیم خطر بیماری. در اپیدمیولوژی جغرافیایی و محیطی: روش‌هایی برای مطالعات مناطق کوچک . Elliott, P., Cuzick, J., English, D., Stern, R., Eds. انتشارات دانشگاه آکسفورد: آکسفورد، انگلستان، 1996; ص 205-220. [ Google Scholar ]
کلیتون، دی. کالدور، جی. بیز تجربی خطرات نسبی استاندارد شده با سن را برای استفاده در نقشه برداری بیماری تخمین می زند. بیومتریک 1987 ، 43 ، 671-681. [ Google Scholar ] [ CrossRef ] [ PubMed ]
Kulldorff, M. آمار اسکن فضایی. اشتراک. آمار. الف – نظریه. روش. 1997 ، 26 ، 1481-1496. [ Google Scholar ]
تانگو، تی. تاکاهاشی، ک. یک آمار اسکن فضایی با شکل انعطاف‌پذیر برای تشخیص خوشه‌ها. بین المللی J. Health Geogr. 2005 ، 4 ، 1-15. [ Google Scholar ] [ CrossRef ] [ PubMed ]
Besag, JE; نیول، جی. تشخیص خوشه ها در بیماری های نادر. جی آر استاتی. Soc. سر. A 1991 ، 154 ، 143-155. [ Google Scholar ] [ CrossRef ]
ترابی، م. Rosychuk، RJ تشخیص خوشه رویداد فضایی با استفاده از توزیع نرمال تقریبی. بین المللی J. Health Geogr. 2008 ، 7 ، 1-22. [ Google Scholar ] [ CrossRef ] [ PubMed ]
Tango, T. آزمونی برای خوشه‌بندی بیماری‌های فضایی که برای آزمایش‌های چندگانه تنظیم شده است. آمار پزشکی 2000 ، 19 ، 191-204. [ Google Scholar ] [ CrossRef ] [ PubMed ]
ترابی، م. Rosychuk، RJ بررسی پنج روش خوشه‌بندی بیماری فضایی برای شناسایی خوشه‌های سرطان دوران کودکی در آلبرتا، کانادا. تف کردن اپیدمیول فضایی و زمانی 2011 ، 2 ، 321-330. [ Google Scholar ] [ CrossRef ] [ PubMed ]
لله، اس آر. دنیس، بی. Lutscher, F. شبیه سازی داده ها: تخمین حداکثر احتمال آسان برای مدل های پیچیده اکولوژیکی با استفاده از روش های مونت کارلو زنجیره مارکوف بیزی. Ecol. Lett. 2007 ، 10 ، 551-563. [ Google Scholar ] [ CrossRef ] [ PubMed ]
لله، اس آر. ندیم، ک. Schmuland، B. برآورد و احتمال استنتاج برای مدل‌های ترکیبی خطی تعمیم یافته با استفاده از شبیه‌سازی داده‌ها. مربا. آمار دانشیار 2010 ، 105 ، 1617-1625. [ Google Scholar ] [ CrossRef ]
ترابی، M. تشخیص خوشه ای بیماری فضایی: کاربرد برای آسم دوران کودکی در مانیتوبا، کانادا. جی بیوم. Biostat. 2012 . [ Google Scholar ] [ CrossRef ]
Anselin، L. شاخص های محلی ارتباط فضایی-LISA. Geogr. مقعدی 1995 ، 2 ، 93-115. [ Google Scholar ]
آمار کانادا راهنمای کاربر بررسی سلامت جامعه کانادا (2001–2010) ؛ آمار کانادا: اتاوا، ON، کانادا، 2010. [ Google Scholar ]
مک کالا، پی. Nelder، JA مدل های خطی تعمیم یافته ، ویرایش دوم. چپمن و هال: لندن، بریتانیا، 1989. [ Google Scholar ]
ریچاردسون، اس. تامسون، ا. بهترین، ن. الیوت، پی. تفسیر تخمین های خطر خلفی در مطالعات نقشه برداری بیماری. محیط زیست چشم انداز سلامتی 2004 ، 112 ، 1016-1025. [ Google Scholar ] [ CrossRef ] [ PubMed ]
بانرجی، اس. گلفاند، AE; کارلین، مدلسازی و تحلیل سلسله مراتبی BP برای داده های فضایی . چپمن و هال: لندن، انگلستان، 2004. [ Google Scholar ]
فرانسو، ر. مارتنز، پی. برلند، ای. تیم نیاز به دانستن . قبل، H.، Burchill، C.، ویرایش. مرکز منیتوبا برای سیاست های بهداشتی، اطلس شاخص های RHA مانیتوبا: وینیپگ، MB، کانادا، 2009. [ Google Scholar ]
فوکودا، ی. اومزاکی، م. ناکامورا، ک. تاکانو، T. تغییرات در ویژگی های اجتماعی خوشه های بیماری فضایی: نمونه هایی از سرطان روده بزرگ، ریه و پستان در ژاپن. بین المللی J. Health Geogr. 2005 ، 4 ، 1-13. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
کولدورف، ام. رند، ک. ژرمن، جی. ویلیامز، جی. DeFrancesco, D. SaTScan V2.1: نرم افزار برای آمار اسکن مکانی و فضا-زمان . موسسه مرکز ملی: Bethesda، MD، ایالات متحده، 1998. [ Google Scholar ]
تاکاهاشی، ک. یوکویاما، تی. Tango, T. FleXScan: نرم افزار برای آمار اسکن انعطاف پذیر . موسسه ملی بهداشت عمومی: ناگویا، ژاپن، 2006. [ Google Scholar ]
برناردینلی، ال. Montomoli، C. بیز تجربی در مقابل تجزیه و تحلیل کاملاً بیزی تنوع جغرافیایی در خطر بیماری. آمار پزشکی 1992 ، 11 ، 983-1007. [ Google Scholar ] [ CrossRef ] [ PubMed ]
Gilks، WR; ریچاردسون، اس. Spielhalter، DJ Markov Chain Monte Carlo در تمرین ; چپمن و هال/CRC: لندن، بریتانیا، 1995. [ Google Scholar ]
اشپیگلهالتر، دی. توماس، ا. بهترین، ن. راهنمای کاربر Lunn, D. WinBUGS Version 1.4 . واحد آمار زیستی MRC، موسسه بهداشت عمومی: لندن، انگلستان، 2004. [ Google Scholar ]
آمودت، جی. ساموئلسن، SO; Skrondal, A. مطالعه شبیه سازی شده از سه روش برای تشخیص خوشه های بیماری. بین المللی J. Health Geogr. 2006 ، 5 ، 1-11. [ Google Scholar ] [ CrossRef ] [ PubMed ]
همیلتون، JD یک خطای استاندارد برای بردار حالت تخمینی مدل فضای حالت. J. Econometrics 1986 ، 33 ، 387-397. [ Google Scholar ] [ CrossRef ]
Sólymos، P. Dclone: شبیه سازی داده ها در R. R J. 2010 ، 2 ، 29-37. [ Google Scholar ]
تیم اصلی R. R: زبان و محیطی برای محاسبات آماری . بنیاد R برای محاسبات آماری: وین، اتریش، 2013. [ Google Scholar ]
Sidák، Z. مناطق اطمینان مستطیلی برای میانگین توزیع‌های نرمال چند متغیره. مربا. آمار دانشیار 1967 ، 62 ، 626-633. [ Google Scholar ]
Bjornstad، ON ncf: توابع کوواریانس ناپارامتری فضایی. بسته R نسخه 1.1-5. 21 نوامبر 2013. در دسترس آنلاین: http://cran.r-project.org/web/packages/ncf/index.html (در 24 ژوئیه 2014 قابل دسترسی است).

© 2014 توسط نویسندگان; دارنده مجوز MDPI، بازل، سوئیس. این مقاله یک مقاله با دسترسی آزاد است که تحت شرایط و ضوابط مجوز Creative Commons Attribution (http://creativecommons.org/licenses/by/3.0/) توزیع شده است.

;کاربردهای GIS مقالات

درخواست مشاوره

09120049370

8 صبح تا 12 شب