۱۳۹۱/۹/۱۱، جلد ۸، شماره ۳، صفحات ۱۲-۲۱

عنوان فارسی روندهای فصلی و الگوهای قابل توجيه در داده‌های کشوری نظام مراقبت بيماری سرخک: رويکردهای شناسايی و حذف
چکیده فارسی مقاله

مقدمه و هدف: شناسايی و حذف الگوهای قابل توجيه، شامل روند‌های ماهانه، فصلی و سالانه، آثار روزهای هفته، روزهای تعطيل و پايان هفته به دليل اختلال در اعلام هشدارهای واقعی مبنی بر وجود تغييرات در روند بيماری‌ها و نيز ايجاد هشدارهای کاذب بسيار اهميت دارد. مطالعه حاضر با هدف شناسايی و حذف الگوهای قابل توجيه داده‌های کشوری نظام مراقبت بيماری سرخک در ايران انجام گرديد.

 روش کار: برای شناسايی الگوهای قابل توجيه از داده‌های کشوری، موارد مشکوک به سرخک طی سال‌های 1387 تا1389، از نمودارهای خطی و ميانگين متحرک، توابع خود‌همبستگی و خودهمبستگی جزئی و شاخص متوسط پايان هفته استفاده شد. برای حذف الگوهای قابل توجيه نيز از روش‌های هموارسازی ميانگين‌های متحرک و هموارسازی نمايی هولت- وينترز استفاده شد.

 نتايج: نتايج استفاده از روش‌های مختلف برای شناسايی الگوهای قابل توجيه بيانگر وجود الگوهای سالانه، ماهانه و به ويژه آثار روزهای هفته و تعطيل در داده‌های بيماری سرخک است. همچنين، يافته‌ها نشانگر کارايی روش هموارسازی ميانگين‌های متحرک در کاهش انحراف از پيش فرض نرمال‌بودن و عملکرد مناسب روش هموارسازی نمايی هولت- وينترز در حذف الگوهای فصلی، شامل آثار روزهای هفته، ماه و سال است.

نتيجه‌گيری: يافته‌های مطالعه حاضر بر اهميت بررسی داده‌های خام نظام مراقبت بيماری سرخک، پيش از به کارگيری روش‌های کشف طغيان تأکيد می‌کند و استفاده از روش هموارسازی هولت وينترز برای حذف الگوهای فصلی را، با وجود سادگی و کارايی مناسب روش ميانگين‌های متحرک در کاهش انحراف از پيش‌فرض نرمال‌بودن از داده‌های خام نظام مراقبت سرخک توصيه می‌کند.

کلیدواژه‌های فارسی مقاله روند فصلی، طغیان، هموارسازی، سرخک، نظام مراقبت سندرومیک

عنوان انگلیسی Detecting and Removing the Explainable Patterns of the Daily Counts of Suspected Cases of Measles as a Prediagnostic Data Source in Iran
چکیده انگلیسی مقاله

Background & Objectives: Knowledge of the presence of seasonal trends and other explainable patterns in the prediagnostic data sources and removing such patterns before applying outbreak detection methods seem very important. This study aimed to detect and remove the explainable patterns such as seasonality, day-of-week (DOW) and holiday effects of the daily counts of suspected cases of measles in Iran.Methods: Data on daily counts of suspected cases of measles as a pre-diagnostic data source were obtained from Iranian national surveillance system between 21 March 2008 and 20 March 2011. We used lines plot, moving average chart, autocorrelation and partial autocorrelation functions for detecting explainable patterns. Moving average (MA) and Holt- Winters (HW) exponential smoothing method are used for removing explainable patterns.

Results: Our findings indicate the presence of seasonality, DOW effect, holidays and weekend effects in the daily counts of suspected cases of measles. The good performance of HW exponential smoothing technique in removing seasonal patterns is evident. MA technique showed better performance regarding assumption violation on outbreak detection methods.

 Conclusion: Because of the presence of explainable patterns in the daily counts of suspected cases of measles, considering such patterns before applying outbreak detection algorithms is very important. Implementing both MA (7 days) techniques for its simplicity as a pre- processing method and HW method for its efficacy in removing seasonal patterns is recommended.

کلیدواژه‌های انگلیسی مقاله Seasonality, Outbreak, Smoothing, Measles, Public health surveillance

نویسندگان مقاله 8139---8140---8141---8142---8143---

نشانی اینترنتی http://irje.tums.ac.ir/browse.php?a_code=A-10-25-5003&slc_lang=fa&sid=fa
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده General
نوع مقاله منتشر شده Research
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات