fa مدل یابی انتشار بیماری های عفونی بر اساس رویکرد آماری بیز عمومى General پژوهشي Research <p align="right" dir="rtl"><font face="tahoma,arial,helvetica,sans-serif"><b>زمینه و هدف:</b> ظهور مجدد برخی از بیماری های عفونی گذشته و پیدایش بیماری های عفونی جدید توجه ویژه سامانه های بهداشتی را به مسایل مربوط به بیماری های عفونی معطوف ساخته است. هدف از انجام این پژوهش ارایه روشی آماری برای مدل یابی بروز بیماری های عفونی، بر اساس رویکرد بیزی است.<br></font></p><p align="right" dir="rtl"><font face="tahoma,arial,helvetica,sans-serif"><b>روش کار:</b> از آنجا که بیماری های عفونی عمدتا در یکی از دو فاز اپیدمی و یا غیراپیدمی قرار دارند، به نظر می رسد مدل سازی بروز این بیماری ها با استفاده از توابع توزیع آمیخته (Mixed distributions) در مقایسه با مدل های متکی بر برازش یک تابع توزیع واحد، دارای ارجحیت باشد. در این پژوهش مدل های مارکف پنهان (Hidden Markov Models) که ابزاری مناسب برای کار با توزیع های آمیخته است برای تعیین مدل آبیاری بیماری های عفونی تشریح شده و برای برآورد پارامترهای مدل از رویکرد بیزی (Bayesian approach) استفاده شده است. سپس روش آماری ارایه شده بر روی داده های میزان بروز ماهیانه بیماری مالاریا به کار گرفته شده تا قابلیت عمل این روش در کار با داده های واقعی مورد آزمایش قرار داده شود.<br></font></p><p align="right" dir="rtl"><font face="tahoma,arial,helvetica,sans-serif"><b>نتایج:</b> مجموع مجذور مربعات خطای مدل برازش شده برای میزان های بروز ماهیانه بیماری مالاریا 190.59 و مربع ضریب همبستگی پیرسن بین مقادیر مشاهده شده و مقادیر حاصل از مدل 0.84 به دست آمده است. مقادیر این دو معیار موید آن است که مدل مارکف پنهان به همراه معادله رگرسیون دوره ای برای مدل سازی میزان بروز ماهیانه بیماری مالاریا دارای نیکویی برازش (Goodness of fit) مناسبی است.<br></font></p><p align="right" dir="rtl"><font face="tahoma,arial,helvetica,sans-serif"><b>نتیجه گیری:</b> روش آماری مدل های مارکف پنهان از کارآیی لازم برای مدل یابی بروز بیماری های عفونی برخوردار است.<br></font></p> <p><strong>Background and Aim:</strong> Health surveillance systems are now paying more attention to infectious diseases, largely because of emerging and re-emerging infections. The main objective of this research is presenting a statistical method for modeling infectious disease incidence based on the Bayesian approach.</p><p><strong>Material and Methods:</strong> Since infectious diseases have two phases, namely epidemic and non-epidemic, joint distributions seem preferable for modeling disease incidence. We used a hidden Markov model - suitable for joint distributions- to arrive at a statistical model applicable to infectious diseases. Parameter estimation was done using a Bayesian method. The resulting model was then applied to monthly incidence rates for malaria to test the model's applicability to real data.</p><p><strong>Results:</strong> The error sum of squares of the model fitted to monthly incidence rates for malaria was 190.59 and the coefficient of determination between observed and fitted values was 0.84. It appears that the hidden Markov model with a cyclic regression equation has a proper goodness of fit when applied to malaria incidence rates. </p><p><strong>Conclusion:</strong> The hidden Markov model is an efficient statistical tool for modeling infectious disease incidence rates. </p> بیماری های عفونی،توزیع آمیخته،رویکرد بیزی،مدل های مارکف پنهان Joint Distribution,Bayesian Approach,Hidden Markov Model 7 15 http://sjsph.tums.ac.ir/browse.php?a_code=A-10-25-180&slc_lang=fa&sid=1 R Jamshidi Orak روح انگیز جمشیدی اورک Yes K Mohammad کاظم محمد No E Pasha عین اله پاشا No W Sun وی سون No K Nori Jalyani کرامت اله نوری جلیانی No M Rasolinejad مهرناز رسولی نژاد No O Mirzade امید میرزاده No