160Quest-ce que CAT. INIST Cat. inist. Cest le signalement de plus de pluss de 20 millioner de reacutefeacuterences bibliographiques (depuis 1973) utgir de samlinger du fonds dokumentar de lInist-Cnrs og lv linsemblem des champs de la recherche global og science, technology, meacutedecine, science humaines et sociales. Seksjonen er en del av den norske CNRS (Centre National de la Recherche Scientifique) av ESR franccedilais (Enseignement Suprieur et Recherche), og er ansvarlig for å opprettholde refusjonsregisteret, katalogenes samt de 53 millioner de rfrences bibliographiques. Si vous tes membre de la communauté - CNRS (Centre National de la Recherche Scientifique). Vous pouvez obtenir gratuitement le document - ESR franccedilais (Enseignement Suprieur et Recherche). vous pouvez commander le dokument. si celui-ci er autoris la reproduksjon par reprographie. - Secteur public franais et tranger. vous pouvez commander le dokument. si celui-ci er autoris la reproduksjon par reprographie. 160Whats bak CAT. INIST Cat. inist består av over 20 millioner bibliografiske poster (fra 1973 og fremover) for dokumenter fra Inist-Cnrs samlinger som dekker alle verdensforskningsfelt innen vitenskap, teknologi, medisin, humaniora og samfunnsvitenskap. Med søkefeltet kan du få tilgang til direkte og konsultere over 53 millioner bibliografiske poster gratis. Mange av disse postene gir koblinger til dokumenter som er tilgjengelige i åpen tilgang. Hvis du er medlem av CNRS (Nasjonalt senter for vitenskapelig forskning) eller den franske høyere utdanning og forskningsmiljø. Du kan bruke søkefeltet til å få tilgang til Refdoc, en katalog som inneholder over 53 millioner bibliografiske poster. Hvis du er medlem av - CNRS (Nasjonalt senter for vitenskapelig forskning): Du kan få en gratis kopi av dokumentet - Fransk Videregående Utdanning og Forskning. Du kan bestille dokumentet hvis det er dekket av en autorisasjon for reprografisk reproduksjon. - Offentlig sektor i Frankrike og andre land. Du kan bestille dokumentet hvis det er dekket av en autorisasjon for reprografisk gjengivelse. Gruppert data Eksponentielt vektet Flytende Gjennomsnittskontrolldiagrammer Ved fremstilling av metallfeste i en progressiv døroperasjon og andre industrielle situasjoner, kan viktige kvalitetsdimensjoner ikke måles på en kontinuerlig skala, og produserte deler er klassifisert i grupper ved bruk av en trinnmåler. Dette papiret foreslår en versjon av eksponentielt vektet glidende gjennomsnittlig (EWMA) kontrolldiagrammer som kan brukes til å overvåke grupperte data for prosessskift. Kjørlengdeegenskapene til dette nye grupperte data EWMA-diagrammet sammenlignes med lignende resultater som tidligere er oppnådd for EWMA-diagrammer for variabeldata og med de for kumulative sum (CUSUM) ordninger basert på grupperte data. Grupperte data EWMA-diagrammer er vist å være nesten like effektive som variabasebaserte EWMA-diagrammer og er dermed et attraktivt alternativ når samlingen av variabeldata ikke er mulig. I tillegg er grupperte data EWMA-diagrammer mindre påvirket av diskresjonen som er innebygd i gruppert data enn gruppert data CUSUM-diagrammer. I metallfesteapplikasjonen var grupperte data EWMA-diagrammer enkle å implementere og muliggjøre rask gjenkjenning av uønskede prosessskift. Oppdag worldx27s-undersøkelsen Sitater Sitater 31 Referanser Referanser 6 cite Sammenligningen av demografiske prognoser viste en tendens til overestimering, mens sammenligningen av reisedusjonsegenskaper indikerer mangel på inkorporering av grunnleggende skift og samfunnsmessige endringer. Steiner 14 viste en versjon av eksponentielt vektet glidende gjennomsnittlig (EWMA) kontrolldiagrammer som var aktuelt for overvåking av grupperte data for prosessskift. Kjørlengdeegenskapene til disse nye grupperte EWMA-diagrammene er sammenlignet med lignende resultater som tidligere er oppnådd for EWMA-diagrammer-variablerdata med de for Cumulative Sum (CUSUM) - systemer basert på gruppert data. sitat Vis abstrakt Skjul abstrakt ABSTRAKT: I dette papiret diskuterer vi tre analytiske tidsseriemodeller for blant annet å velge de mer effektive med en nøyaktig prognosemodell. Vi analyserer analytisk den stokastiske realiseringen ved å bruke (i) k-th glidende gjennomsnitt, (ii) k-th veid glidende gjennomsnitt og (iii) k-th eksponentiell vektede glidende gjennomsnittlige prosesser. Undersøkelsesmetodene er brukt for 1000 uavhengige datasett for fem forskjellige parametre med mulige ordrer p q 5. Vi vurderer stasjonære data () 0 d. og ikke-stasjonære data med første og andre forskjeller () 1, 2 d for ARIMA-modeller. Vi vurderer kortsiktig () 50 n og lang sikt, () 500 n observasjoner. En lignende prognosemodell ble utviklet og evaluert for den daglige sluttkursen på aksjekursen for PALTEL-selskapet i Palestina. Hovedfunnet er at i de mest simulerte datasettene gir en eller flere av de foreslåtte modellene bedre prognose nøyaktighet enn den klassiske modellen (ARIMA). Spesielt, i de fleste simulerte datasett 3-tiden Eksponentiell vektet Flytende Gjennomsnitt basert på Autoregressive Integrated Moving Average (EWMA3-ARIMA) er den beste prognosemodellen blant alle andre modeller. For PALTEL-aksjekursen er den beste prognosemodellen 3time Moving Average basert på Autoregressive Integrated Moving Average (MA3-ARIMA) blant alle andre modeller. Fulltekst Artikkel Jan 2013 Internasjonal journal for kvalitet i helsevesenet Samir K Safi Issam En Dawoud-kvote Denne sammenlignende studien viser at våre foreslåtte kontrolldiagrammer fungerer positivt i de tilfeller som er vurdert. Fase II-overvåking av kategorisert (eller gruppert) data er diskutert i litteraturen av Steiner, Geyer og Wesolowsky (1996) og Steiner (1998). I artiklene vurderte Steiner og medforfattere saken når IC-distribusjonen har en kjent parametrisk form (for eksempel normal) individuelle observasjoner kanskje ikke er helt kjent i stedet, det er kjent at de tilhører bestemte givne intervaller. sitat Vis abstrakt Skjul abstrakt ABSTRAKT: Denne artikkelen omhandler statistisk prosesskontroll (SPC) av univariate prosesser når parametrisk form for prosessfordeling ikke er tilgjengelig. De fleste eksisterende SPC-prosedyrer er basert på antagelsen om at en parametrisk form (for eksempel normal) av prosessfordelingen kan spesifiseres på forhånd. I litteraturen har det blitt påvist at deres ytelse er upålitelig i tilfeller der forhåndsdefinert prosessfordeling er ugyldig. For å overvinne denne begrensningen, har noen ikke-parametriske (eller distribusjonsfrie) SPC-diagrammer blitt foreslått, hvorav de fleste er basert på bestillingsinformasjonen til de observerte dataene. Denne artikkelen prøver å lage to bidrag til den ikke-parametriske SPC-litteraturen. Først foreslår vi et alternativt rammeverk for konstruksjon av ikke-parametriske kontrolldiagrammer, ved først å kategorisere observerte data og deretter anvende kategoriske dataanalysemetoder til SPC. Under dette rammene foreslås noen nye, ikke-parametriske kontrolldiagrammer. For det andre sammenligner vi våre foreslåtte kontrolldiagrammer med flere representative eksisterende kontrolldiagrammer i ulike tilfeller. Noen empiriske retningslinjer er gitt for brukerne å velge et riktig ikke-parametrisk kontrollskjema for et bestemt program. Denne artikkelen har tilleggsmaterialer på nettet. Fulltekst Artikkel Jan 2012 Peihua Qiu Zhonghua Li, hvor g er løpelengden t tiden R overgangsmatrisen etter siste rad og kolonne er slettet 1 kolonnevektoren av de og jeg identitetsmatrisen (se vedlegget til Steiner 9 for mer informasjon). Kvalitetsmåling, Kvalitetsforbedringsattest Vis abstrakt Skjul abstrakt ABSTRAKT: Risikoregulerte kontrolldiagrammer har blitt populære for overvåkingsprosesser som involverer behandling og behandling av pasienter på sykehus eller andre helsestellinstitusjoner. Til dags dato har effekten av estimeringsfeil på risikojusterte kontrolldiagrammer ikke blitt studert. Vi studerte effekten av estimeringsfeil på risikojustert binær kumulativ sum (CUSUM) ytelse ved bruk av faktiske og simulerte data på pasienter som gjennomgår bypassoperasjon i hjerte-arterien og vurderes for dødelighet opptil 30 dager etter operasjonen. Effekten av estimeringsfeil ble indikert ved variabiliteten av de gjennomsnittlige runde lengdene (xl) som er oppnådd ved å bruke gjentatt prøvetaking av de observerte dataene under forskjellige realistiske scenarier. Resultatene viste at estimeringsfeil kan ha en betydelig effekt på risikojustert CUSUM-diagramytelse når det gjelder variasjon av ekte ARL. Videre var ytelsen svært avhengig av antall hendelser som ble brukt til å utlede kontrolldiagramparametrene og den angitte ARL for en in-control-prosess (ARL (0)). Resultatene tyder imidlertid på at det er usikkerheten i den generelle bivirkningsfrekvensen som er hovedkomponenten av estimeringsfeil. Ved utforming av et kontrollskjema kan effekten av estimeringsfeil tas i betraktning ved å generere et antall oppstartsprøver av de tilgjengelige fase I-dataene og deretter bestemme kontrollgrensen som trengs for å oppnå en ARL (0) på et forhåndsdefinert nivå 95 av tiden. Hvis det foreligger begrensede fase I-data, kan det være lurt å fortsette å oppdatere modellparametere selv etter at prospektiv pasientovervåking er implementert. Fulltekst Artikkel des 2011 Mark A Jones Stefan H SteinerDetekterer starten på et influensautbrudd ved hjelp av eksponentielt vektede glidende gjennomsnittlige diagrammer. Bakgrunn Influensavirus forårsaker sesongmessige utbrudd i tempererte klima, vanligvis om vinteren og tidlig på våren, og er endemisk i tropiske klimaer. Sværheten og lengden av influensautbrudd varierer fra år til år. Hurtig og pålitelig gjenkjenning av starten på et utbrudd er nødvendig for å fremme folkehelsemessige tiltak. Vi foreslår bruk av et eksponentielt vektet glidende gjennomsnittlig (EWMA) kontrollskjema for laboratoriebekreftede influensateller for å oppdage starten og slutten av influensautbrudd. Diagrammet er vist å gi betimelige signaler i et eksempel søknad med syv års data fra Victoria, Australia. Konklusjoner EWMA-kontrollskjemaet kunne brukes i andre applikasjoner for raskt å oppdage influensautbrudd. Bakgrunn Influensavirus forårsaker sesongmessige utbrudd i tempererte klima, vanligvis om vinteren og tidlig på våren, og er endemisk i tropiske klimaer. Sværheten og lengden av influensautbrudd varierer fra år til år. Rask og pålitelig påvisning av starten på et utbrudd er nødvendig av flere grunner. Påminnelser kan gjøres for kvalifiserte personer som skal vaksineres. Når influensasesongen er påbegynt, kan sykehusene ønske å endre opptaksprosedyrer, avhengig av det forventede antall pasienter med en influensalignende sykdom (ILI) som krever sykehusinnleggelse. For eksempel kan sykehusene bestemme seg for å redusere bestillinger for elektiv kirurgi i påvente av økt akutt inntak av influensa og komplikasjoner. Også ved relativt høyere nivåer av ILI-aktivitet kan avdelinger som innrømmer immunosuppressive pasienter velge å roster bare ansatte som har blitt vaksinert mot influensa for å beskytte de høyt mottatte pasientene. Anerkjennelse av influensasesongen er også viktig for modeller som forsøker å estimere overskytende sykdom og dødelighet. Modeller krever uavhengig verifisering av ukene der influensasirkulasjonen oversteg et nominelt grunnnivå 1. Estimering av influensa vaksine effektivitet krever også definisjon av influensasesongen, da influensavaksine bør bare hindre influensa når viruset sirkulerer 2. Litteratur gjennomgang Det er direkte paralleller i industrielle applikasjoner når det gjelder bruk av kontrollkort for å overvåke en tidsrekke for endringer i baselineaktiviteten. Anmeldelser av bruken av kontrolldiagrammer for rask oppdagelse av utbrudd inkluderer de av Woodall 4 og Tsui et al. 5. Den enkleste tilnærmingen for å oppdage avviket fra grunnlinjen er basert på det klassiske Shewhart type diagrammet 3. Med et Shewhart-kart avhenger avgjørelse om det ikke er et signal om et utbrudd bare av det observerte målet for influensaaktivitet (rå eller gjenværende) fra den nåværende tidsperioden. Serfling 6 foreslått overvåkning ukentlig observert minus forventede influensadødsfall, hvor de forventede dødsfallene ble spådd ved hjelp av en tidsserie-regresjonsmodell som passer til historiske data. Mer nylig har Hashimoto et al. 7 foreslo et Shewhart diagram basert på ukentlig ILI data fra sentinel medisinske institusjoner og Viboud et al. 8 og Anderson et al. 9 utvidet Serfling-tilnærmingen til å overvåke ukentlig ILI-data fra sentinelpraktiserer hvor forventede teller er basert på en modell som passer til historiske data som passer best til det nylige mønsteret. Ved å bruke observerte minus forventede teller 6. 8. 9 i stedet for faktiske teller, endres det implisitte målet med overvåkingen. Stor observert minus forventede teller (modellresidenter) antyder atferd forskjellig fra hva vi forventet. For influensa forventer vi relativt store økninger i aktivitet som vil opprettholde over flere uker eller måneder. I tempererte klima forventer vi også et sterkt sesongmønster med økt aktivitet om vinteren. Som sådan kan sesongmessige utbrudd ikke tilsvare store residualer, gitt at forventede teller vil være høye. Men vårt mål er å påvise et influensautbrudd, om det tilsvarer forventet sesongaktivitet eller på annen måte. Kumulative Sum (CUSUM) diagrammer er sekvensielle overvåkingsmetoder hvor den nåværende størrelsen på diagramstatistikken, og dermed avgjørelsen om hvorvidt diagrammet skal signalere, eller ikke, avhenger av de observerte (og mulige forventede) teller fra en rekke nyere tidsperioder heller enn en enkelt tidsperiode som med et Shewhart-diagram. I influensa overvåkning konteksten ble et CUSUM diagram foreslått av Muscatello et al. 10 for overvåking av nødavdeling observert ILI teller minus tellingen fra syv dager før. Terskelverdiene er satt heuristisk basert på en best egnet historisk data. Denne tilnærmingen er effektiv for å oppdage kortvarige endringer i influensaaktivitet, men dessverre har CUSUM ingen intuitiv tolkning. Fra den industrielle prosessovervåkingslitteratur 3 vet vi at Shewhart-diagrammer er gode til å oppdage plutselige store prosessendringer, mens sekvensielle metoder, som CUSUM-diagrammer, er bedre for mindre vedvarende eller gradvise endringer. Ettersom influensautbrudd vanligvis resulterer i en stor forandring i observerte aktiviteter, kan vi konkludere med at Shewhart-metoder ville være ideelle. I starten av et utbrudd er det imidlertid en overgangsperiode hvor aktiviteten øker, slik at endringen fra baselineaktivitet til et etablert utbrudd ikke er øyeblikkelig. Det kan også være betydelig variasjon på grunn av små antall teller og milde selvbegrensende (ubetydelige) utbrudd, i observerte aktiviteter, selv når det ikke er definert utbrudd. Som sådan er det ikke umiddelbart klart om en Shewhart eller CUSUM tilnærming er foretrukket. Cowling et al. 11 Sammenligne en rekke metoder, inkludert tidsseriemetoder, regresjon og CUSUM. Imidlertid er det mange variasjoner på tilnærmingene, og som tidligere diskutert har metoder basert på modellrester et annet mål enn metoder basert på rå teller. Som et kompromiss mellom Shewhart og sekventielle tilnærminger, som CUSUM, kan vi endre Shewhart-tilnærmingen ved å inkludere kjøreregler som øker følsomheten for små vedvarende endringer. Kjøreregler kan ta mange former 3. I sammenheng med overvåkning av influensa, Toubiana et al. 12 og Watts et al. 13 diskuterer bruken i henholdsvis Frankrike og Australia av en ILI-overvåkningsmetode basert på sentinel-lege som bare signalerer når det observerte antallet er over en grense i to påfølgende uker. En lignende ide kommer fra Muscatello et al. 14 som foreslår å basere signaler på et fire ukers glidende gjennomsnitt. Datakilde Vår studie var basert i Victoria, den nest mest befolkede delstaten Australia, med en estimert befolkning på 5,2 millioner mennesker. Vi overvåkte nivået av influensaaktivitet i samfunnet ved hjelp av ukentlige laboratoriebekreftede influensavarsjonsdata. Laboratoriebekreftet influensa er en anmeldelsessykdom i Victoria, og det er et lovkrav om at saker skal bli meldt skriftlig av det ansvarlige laboratoriet og lege innen fem dager etter diagnosen til viktorianske regjeringsdepartementet for helse 15. Antall laboratoriebekreftede influensa diagnoser avhenger av forekomsten av influensa og testadferd hos klinikere med ansvar for diagnose og behandling av influensa. Vi har antatt at testen utenfor sesongen (desember - april på sørlige halvkulen) ville være omtrent konstant mens under influensasesongen og under et utbrudd av sporadisk influensa, vil testen øke. Alle laboratorietester ble utført ved VIDRL hos viktige sykdomsreferenslaboratorier (VIDRL) fra pasienter med ILI fra sentinel generell praksis som ble testet for influensa og fra pasienter som ble testet som en del av rutinemessig klinisk mangement. Sentinel generell praksis er samfunnsbasert praksis som gir overvåkingsdata om smittsomme sykdommer. Det antas generelt at sentinelpraksis representerer all samfunnspraksis og informasjon fra disse praksiser beskriver infeksjonssykdomsaktivitet i samfunnet 16. Laboratory testing brukte polymerasekjede reaksjons (PCR) analyser for diagnose av influensa 17. De ukentlige VIDRL-laboratoriebekreftede influensatallene for perioden 2002-2008 er vist i Figur 1. Utslippene av sesonginfluensa er tydelig synlige. Begynnelsen av hver influensasesong tilsvarer en rask økning i antall laboratorievarsler. Det virker derfor rimelig at starten på et influensautbrudd skal være relativt enkelt å oppdage prospektivt. Victorian Weekly Laboratory Notifications of Influenza 2002-2008 Med Shewhart Chart Threshold of 6.5. Vi har brukt laboratoriebekreftet influensa som et spesifikt utfall i denne studien. Vi har tidligere vist at, selv om ILI-syndromet tilsvarer influensa-detekteringer i laboratoriet 13, ble det kun bekreftet at ca. 40 av alle ILI-diagnoser fra sentinelpraktiserende leger i Victoria mellom 2003-7 ble bekreftet som influensa 2. Medianintervallet mellom symptomstart og registrering for en laboratorietest var tre dager for en pasient rekruttert gjennom sentinel praktiserende lege i Victoria i 2007 og 2008. Testing utføres vanligvis innen 48 timer, og resultatene blir automatisk meldt til Helsedepartementet. Forsinkelsen mellom opptak av en episode av ILI ved en sentinel generell praksis og bekreftelse av at ILI skyldes influensa ville vanligvis være mindre enn en uke. Fastsettelse av en terskel Ved hjelp av en terskel på det observerte ukentlige antallet positive laboratorievarsler, tilsvarer et Shewhart-diagram og er den enkleste tilnærmingen. Vi illustrerer vanskelighetene med denne tilnærmingen i figur 1 ved hjelp av en terskel på 6,5 positive varsler per uke, en verdi valgt ved inspeksjon for å oppdage starten på en sesong uten å signalere ofte utenom sesongen. Siden vi bruker telle data, vil enhver verdi mellom 6 og 7 representere samme terskel. Ved å bruke de empiriske baseline dataene (dvs. når prosessen antas å være in-control) er den falske alarmhastigheten med en terskel på 6,5 5156 0,032. På grunn av sporadiske isolerte utelukker fra store teller utenfor sesongen er det vanskelig å påvise starten av influensasesongen mens man unngår hyppige falske alarmer. Falske alarmer oppstår når overvåkingsprosedyren signaliserer starten på et utbrudd, men økningen i laboratorievarsler opprettholdes ikke over flere uker. En måte å avhjelpe dette problemet med hyppige falske alarmer er å basere deteksjonen på en jevn versjon av laboratorievarsels tidsserien. Dette kan gjøres på flere måter, for eksempel Muscatello et al. 14 anbefales å bruke et fire uker glidende gjennomsnitt av laboratorievarsler for overvåking. Deres tilnærming signalerer starten av influensasesongen når fire-ukers bevegelse overstiger en forhåndsinnstilt grense. Selv om det er effektivt, har denne tilnærmingen ulempen at det er en vilkårlig plutselig avskjæring for de observasjonene som er inkludert i den glattere. Vi sammenligner resultatet av denne MA (4) tilnærmingen til den foreslåtte EWMA-metoden senere i dette papiret. Det eksponentielt vektede glidende gjennomsnittet (EWMA) kontrollskjema For å oppdage starten (og slutten) av et influensautbrudd foreslår vi det eksponentielt vektede glidende gjennomsnittet (EWMA) kontrollskjema 18 definert som: hvor y t er lik antall laboratorievarsler i uke t. 0 lt 1 og E 0 0 (eller annen egnet startverdi). EWMA signalerer første gang E t gt h. Merk at bruk av EWMA formel (1) rekursivt vi får E t y t (1) y t -1 (1) 2 y t -2. Med andre ord, som navnet antyder, er EWMA-statistikken E t et veid gjennomsnitt av alle tidligere observerte y-t-verdier med vekter som blir (eksponentielt) mindre da vi går lenger tilbake i tid. Som sådan gir EWMA-statistikken et lokalt estimat av gjennomsnittlig nivå av prosessen som produserer de observerte y-t-verdiene. Således, i motsetning til CUSUM 18, gir EWMA-statistikken en klar enkel tolkning. EWMA-diagrammer har tidligere vært foreslått for overvåking av samfunnsbaserte epidemier som en del av ESSENCE-overvåkingssystemet 19. ESSENCE-systemet er basert på ikke-tradisjonell og syndrom informasjon og har et mye bredere omfang, dvs. deteksjon av ikke bare influensautbrudd, og bruker svært forskjellige data enn vårt forslag. For å bruke EWMA-diagrammet må vi velge utjevningskonstanten,. og terskel, h. På grunn av den vanligvis raske økningen og nedgangen i antall laboratorievarsler om influensa, vil vi bare ha en liten utjevning. Dermed ville vi velge en ganske stor verdi for lik 0,5. Figur 2 viser EWMA-diagrammet for viktorianske laboratorievarslingsdata med 0,5 (både venstre og høyre panel viser det samme diagrammet, det høyre panelet begrenser rekkevidden til den vertikale aksen). Denne verdien for er større enn den som brukes i de fleste industrielle applikasjoner, hvor målet er å oppdage mer gradvis vedvarende endringer. Merk at med 1 forenkler EWMA kontroll diagrammet til Shewhart kontroll diagram 3 som vist i Figur 1. EWMA med 0,5 Brukt til Victoria Laboratory Notification Data. Valget av terskel, h. krever en bytte mellom beskyttelse mot falske alarmer og evnen til å oppdage virkelige endringer raskt. Undersøkelse av EWMA av de historiske dataene, vist i figur 2. antyder en terskel mellom 6 og 7 er et rimelig kompromiss. Vi la en terskel på 6,5 til EWMA i figur 2 for å illustrere. I neste avsnitt undersøker vi naturen av avviket mer detaljert. Den foreslåtte influensefunksjonsprosedyren er basert på om EWMA-statistikken E t. som gitt i (1), er over eller under terskelen. Mens det er tegn på økt influensaaktivitet. Vi definerer første gang i året når EWMA er over terskelen som begynnelsen av influensasesongen. For å møte vårt sekundære mål vil vi signalisere slutten av influensautbruddet (eller sesongen) som første gang etter utbruddet som EWMA faller under terskelen. Således matematisk, hvis E t gt h og E t -1 lt h. dvs. EWMA signalerer starten av et influensautbrudd ved tid t. EWMA signalerer slutten av det utbruddet på tiden s gt t. hvor E s er h og E t 1. E t 2. E t s -1 gt h. Kvantifisere ytelsen til EWMA-kontrollskjemaet med gjennomsnittlig løpelengde Vi planlegger å anvende EWMA prospektivt på nye laboratorievarslingsdata. Hvis vi antar at de tidligere dataene er representative for typen data vi vil se i fremtiden, kan vi bruke de historiske dataene til å angi terskelen og vurdere den sannsynlige ytelsen til EWMA-kontrollskjemaet. For å kvantifisere ytelsen bruker vi gjennomsnittlig kjølelengde (ARL), det vil si gjennomsnittlig antall uker til et signal 18. Det er ikke hensiktsmessig å bruke falske alarmer eller strøm for å karakterisere ytelsen til et sekventielt kontrollskjema som en EWMA. Selv uten endring i aktivitet, er sjansen for et signal ved tid t ikke konstant da det avhenger av EWMA-nivået ved tid t -1. Vi ønsker en lang ARL når det bare er grunnlinjeinfluensa, mens en god overvåkingsprosedyre vil ha en kort ARL under et influensautbrudd. Resultater og diskusjon For å bruke EWMA kontroll diagrammet til Victoria influensa data vi først ta opp spørsmålet om ARL til en falsk alarm, kalt in-control ARL. I de historiske dataene var det ikke store utbrudd i sommermånedene (den sørlige halvkule). Vi bruker de fem månedene desember til april for å definere en periode der det bare er grunnlinjeinfluensaaktivitet. Endringer i laboratoriebekreftede influensateller fra grunnlinjen representerer utbrudd. De to plottene i figur 3 oppsummerer de tilgjengelige historiske baselineaktivitetsdataene. Plottet i venstre panel viser varslene over tid, mens det høyre panelet oppsummerer de samme dataene i et histogram. Histogram - og tidsserie-plott av laboratorievarsler i grunnlinjen. Vi har totalt 156 observasjoner for baseline ukentlige laboratorievarsler. Antall positive influensatester i grunnlinjen, som vist i høyre panel i Figur 3. er lav, gjennomsnittlig bare 1,5 per uke. Også mønsteret over tid er ganske konstant og autokorrelasjoner er små. Således er det rimelig å anta uavhengighet i løpet av uker i grunnlinjen. Imidlertid er det vanskelig å finne en parametrisk fordeling som passer til det observerte histogrammet i figur 3. Det naturlige valget av en Poisson-fordeling passer dårlig, hovedsakelig på grunn av overdispersjonen som representeres av de observerte tallene 9 og 10, sett i høyre panel på figur 3. I stedet fortsatte vi med empirisk fordeling. Vi bruker en Markov-kjede til å omtrentliggjøre de faste baseline-ARL-ene med forskjellige terskler 20. Resultatene er gitt i figur 4. Med den tidligere valgte terskel på 6,5, oppnår vi en (syklisk) steady state 18 gjennomsnittlig løpelengde på 556 uker. Dette betyr at ved bruk av den foreslåtte EWMA, forventer vi i gjennomsnitt en utilsiktig falsk alarm omtrent hvert 25. år dersom influensaaktiviteten forblir på grunnlinjenivå (husk at det bare er 5 utenom sesong hvert år ). Plot av baseline gjennomsnittlig kjøre lengde (ARL) ved terskelen h. Deretter vurderer vi hvor raskt EWMA-tilnærmingen vil signalere endringer i influensaaktiviteten fra grunnlinjen. Her trenger vi en antagelse for distribusjonen av de ekstra laboratorievarslene på grunn av utbruddet. Vi bruker følgende enkle modell: Y t B t O t. hvor Y t er en tilfeldig variabel hvis realisasjoner gir de observerte laboratorievarslene, er B t en tilfeldig variabel for grunnlinjen influensaaktiviteten hvis fordeling er gitt ved den empiriske fordeling vist i histogrammet i figur 3. og O t er en tilfeldig variabel som representerer tilleggs laboratorievarsler på grunn av influensautbrudd. Vi antar at O t har en Poisson-distribusjon med gjennomsnitt. Som den gjennomsnittlige økningen øker alvorlighetsgraden av influensautbruket og med gjennomsnittlig null har vi bare baselineaktivitet. Figur 5 viser hvordan EWMA ARL endres med. EWMA oppdager svært raskt hvert utbrudd med Poisson-gjennomsnittet større enn ca. 6. Gitt størrelsen på utbruddene vist i Figur 1. Vi forventer at EWMA-diagrammet oppdager det typiske sesonginfluensautbruddet innen en eller to uker etter utbruddstart. Vær imidlertid oppmerksom på at denne analysen kun er laget for å gi noen indikasjoner på ytelse. For å bestemme ARLene antok vi en skiftendring i Poisson-gjennomsnittet som reflekterte starten på et influensautbrudd. I virkeligheten er et influensautbrudd sannsynligvis plutselig, men ikke øyeblikkelig. Denne analysen antar også at utbrudd fortsetter på ubestemt tid med en konstant hastighet. Mindre utbrudd kan ikke oppdages før de avtar. Vårt hovedmål er imidlertid å oppdage store influensautbrudd. Plot av gjennomsnittlig kjøre lengde (ARL) i uker etter størrelsen på utbruddet. Sammenligning av metoder Neste sammenligner vi den foreslåtte EWMA-metoden ved å bruke 0,5 med de fire perioder med glidende gjennomsnitt, MA (4), en tilnærming advokert av Muscaltello et al. 14 og Shewhart-tilnærmingen der vi bare sammenligner den observerte tellingen hver uke med en terskel. I denne sammenligningen antar vi at antall ILI-tilfeller utenfor sesongen følger en Poisson-distribusjon med gjennomsnittlig 2 og modellutbrudd av forskjellige størrelser ved å øke Poisson-gjennomsnittet. Vi bruker ikke de empiriske off-season Victoria dataene her, fordi det på grunn av den lille mengden data ikke er mulig å finne et Shewhart-diagram med en rimelig stor in-control (eller out-of-season) ARL. Ved å sette opp en Markov-kjedemodell som tar hensyn til alle fire verdiene som utgjør det bevegelige gjennomsnittet, og fordi hver telle er et heltall, kan vi bestemme nøyaktige resultater for utførelsen av MA (4) - metoden. Resultatene for Shewhart-diagrammet er også nøyaktige, mens for EWMA bruker vi Markov-kjeden tilnærming. Figur 6 gir resultatene på en loggskala for de gjennomsnittlige kjølelengder av de tre tilnærmingene. Vi var ikke i stand til å nøyaktig matche in-kontroll ytelsen til de tre diagrammer på grunn av den iboende diskrethet av telle data. Med kontrollgrenser på 4,4, 3,9 og 6,9 for EWMA (0,5), MA (4) og Shewhart nærmer seg henholdsvis vi har en stabil tilstand i kontroll ARL på 190 for EWMA og MA (4) metoder, men 220 for Shewhart tilnærming . Vi ser i figur 6 at, som forventet, er EWMA og MA (4) tilnærmingene raskere å oppdage utbrudd enn Shewhart-tilnærming når utbruddet er relativt lite. I tillegg til svært store skift er Shewhart-diagrammet marginalt bedre enn EWMA-tilnærmingen, mens MA (4) - tilnærmingen tar lengre tid å signalere. Denne sammenligningen er begrenset for vår sammenheng fordi med influensautbrudd regner vi med plutselige, men ikke øyeblikkelige store skift i gjennomsnittlig antall teller. Modellering av et mer realistisk influensautbrudd vil kreve ytterligere antagelser om hvor raskt endringer finner sted og krever enten simulering eller en mye mer komplisert analyse for å generere resultater. Vi føler at fordi EWMA-tilnærmingen fungerer veldig bra i forhold til MA (4) og Shewhart tilnærminger for skift av hvilken som helst størrelse, er det den foretrukne tilnærmingen. Merk spesielt at EWMA er vesentlig bedre enn MA (4) - tilnærmingen for de større skiftene vi håper å kunne oppdage raskt. Sammenligning av ARL for EWMA, MA (4) og Shewhart Methods Solid linje: EWMA, strekket linje: MA (4), strekket prikk linje: Shewhart. Anvendelse av EWMA-kartet Vi brukte det foreslåtte EWMA-kontrollskjemaet til laboratorievarslingsdata fra Victoria. Det resulterende EWMA-diagrammet er gitt i figur 2. Fra figur 2. de beslutningsprosessreglene som er beskrevet tidligere og detaljert rekord, bestemte vi de signerte start - og sluttuke for sesonginfluensautbrudd (se tabell 1). Merk at denne bestemmelsen ble gjort på en prospektiv måte, det vil si at beslutninger ble gjort i uke t uten å se på y t 1. y t 2. etc. For sammenligning inngår vi også i tabell 1 signalet som bestemt ved en retrospektiv inspeksjon av varslingsdata av epidemiologer. Begynnelsen og slutten av influensasesongen var ganske tydelig i alle år unntatt 2004 da det var svært mild sesonginfluensaaktivitet. Start og slutt uker av viktoriansk influensasong som bestemt av foreslått EWMA-tilnærming og retrospektiv analyse EWMA og retrospektive tilnærminger varierte med maksimalt en uke for å oppdage starten av influensasesongen. EWMA ga ingen falske signaler for starten av en influensasong. Lignende resultater ble oppnådd for slutten av sesongbestemmelsen med unntak av 2004. I 2004 var EWMA over terskelen for uker 37 og 40 til 46. Som sådan signaliserte EWMA-tilnærming slutten av influensasesongen i uke 38, og den påfølgende starten av et annet utbrudd i uke 40 som avsluttet i uke 47. Disse to signaliserte utbruddene stemmer tett sammen med resultatene fra den retrospektive analysen. Vi har illustrert anvendelsen av vår foreslåtte EWMA influensa overvåkingsprosedyre med data fra Victoria. Å bruke tilnærmingen andre steder bør være grei. Gitt noen år med historiske data kunne vi produsere et plott som figur 2 og bruke dommen til å velge en rimelig terskel. Tilnærmingen kan også brukes til å overvåke endringer i andre sykdommer. Hvis det oppdages mer moderate endringer er målet, vil mindre verdier av utjevningskonstanten foretrekkes. Vi har målrettet ikke brukt sesongens natur av influensa for å hjelpe oss med å oppdage starten på et utbrudd. I stedet bruker vi et lokalt anslag på aktivitet for å avgjøre om et utbrudd har startet. Å bruke sesongbestemt tid er noe problematisk siden begynnelsen av influensasesongen kan variere betydelig. I tillegg krever vi at overvåkingsprosedyren er følsom overfor utbrudd - ikke bare det forventede sesongmessige utbruddet. Som et resultat kan den foreslåtte EWMA-prosedyren også være nyttig for å oppdage influensautbrudd i tropiske klima hvor det vanligvis er liten eller ingen sesongmessig effekt. Vi valgte EWMA terskelen ved å bruke EWMA til noen historiske data og brukte vår vurdering til å bestemme den beste terskelen. Terskelen bør oppdateres hvert par år for å imøtekomme mulige endringer i prosessen som forandringer i populasjonen, antall utførte tester og typen av influensatester som vanligvis brukes. Det er tvilsomt om det er rimelig å innlemme et enkelt mål som kan signalisere starten av influensautbrudd på tvers av store geografiske områder som Australia. En foretrukket tilnærming ville være å overvåke influensaaktiviteten separat for mindre geografiske områder som stater, men dette introduserer andre komplikasjoner. Med flere EWMAer er ARL til en falsk alarm klart mindre enn for hver enkelt EWMA. Også for stater med liten befolkning vil grunnlinjenummeret til laboratorievarsler være mindre og i forhold til den gjennomsnittlige, mer variable enn for større stater. For regioner med større befolkninger og for større antall tester vil terskelene måtte være høyere, men EWMA vil fortsatt være hensiktsmessig. Med større teller vil diskrethetsproblemet ved valg av terskler for glidende gjennomsnitt og Shewhart-tilnærminger reduseres. Konklusjoner Vi foreslår en enkel, robust metode for å oppdage begynnelsen og slutten av influensasesongen som også raskt kan oppdage utbruddet av influensa ute av sesongen. Dataene som brukes til å bestemme grensen der et varsel signaliseres, er lett tilgjengelig med minimal forsinkelse der laboratoriebekreftet influensa er en meldbar sykdom. Metoden vi foreslår er enkel å implementere og beregningene er relativt enkle å utføre. Baseline data fra historiske ikke-influensa perioder på flere år bør brukes til å velge terskelen. Dette vil balansere ønsket om få falske alarmer og rask gjenkjenning av et utbrudd, og vil også gi nøyaktige indikasjoner på antall tilfeller og graden av økt testing ved begynnelsen av tidligere influensasesonger. EWMA-metoden kan også brukes i andre overvåkingsprogrammer for rask registrering av andre sykdommer. Dessuten, siden sesongmessigheten ikke er iboende i anvendelsen av modellen, kan metoden brukes i tropiske klima hvor sesongmessig sykdom ikke er åpenbar. Liste over forkortelser eksponentielt vektet glidende gjennomsnitt Konkurrerende interesser Forfatterne erklærer at de ikke har konkurrerende interesser. Forfatterens bidrag SS oppfattet modellen, utførte analysen og utarbeidet manuskriptet. KAG ga alle rådata for analyse, bidro til diskusjon om etablering av terskel og assistert med produksjon av manuskriptet. MC deltok i diskusjon om raffinering av modellen og etablering av en terskel og bidratt til analysen. HK oppfattet studien, deltok i studieteknikken, ga bakgrunnsinformasjon om influensapidemiologi og hjalp utkast til manuskriptet. Alle forfattere gjennomgikk og godkjente det endelige utkastet til manuskriptet. Forfattere Affiliations Dept. of Statistics, University of Waterloo Epidemiology Unit, Viktoriansk Infeksjonssykdommer Referanse Laboratory Queensland Helse og University of Queensland Referanser Newall AT, Wood JG, Macintyre CR: Influensrelatert sykehusinnleggelse og død i australiere i alderen 50 år og eldre. Vaksine. 2008, 26 (17): 2135-41. 10.1016j. vaccine.2008.01.051. Se artikkelen PubMed Google Scholar Kelly H, Carville K, Grant K, Jacoby P, Tran T, Barr I: Estimering av influensavaksinens effektivitet fra rutinemessige overvåkingsdata. PLOS One. 2009, 4 (3): e5079-10.1371journal. pone.0005079. Se artikkel PubMed PubMed Central Google Scholar Montgomery DC: Introduksjon til Statistisk Kvalitetskontroll. 2008, John Wiley og Sons, New York, 6 Google Scholar Woodall WH: Bruken av kontrolldiagrammer i helseomsorg og offentlig helseovervåking (med diskusjon). Journal of Quality Technology. 2006, 38: 89-134. Google Scholar Tsui K-L, Chiu W, Gierlich P, Goldsman D, Liu X, Maschek T: A review of healthcare, public health and syndromic surveillance. Quality Engineering. 2008 online 1st October. 2008, 20 (4): 435-50. Google Scholar Serfling RE: Methods for current statistical analysis of excess pneumonia-influenza deaths. Public Health Rep. 1963, 78 (6): 494-506. View Article PubMed PubMed Central Google Scholar Hashimoto S, Murakami Y, Taniguchi K, Nagai M: Detection of epidemics in their early stage through infectious disease surveillance. Int J Epidemiol. 2000, 29 (5): 905-10. 10.1093ije29.5.905. View Article PubMed Google Scholar Viboud C, Boelle PY, Carrat F, Valleron AJ, Flahault A: Prediction of the spread of influenza epidemics by the method of analogues. Am J Epidemiol. 2003, 158 (10): 996-1006. 10.1093ajekwg239. View Article PubMed Google Scholar Anderson E, Bock D, Frisen M: Modeling influenza incidence for the purpose of on-line monitoring. Statistical Methods in Medical Research. 17: 421-438. 10.11770962280206078986. Muscatello DJ, Churches T, Kaldor J, Zheng W, Chiu C, Correll P, Jorm L: An automated, broad-based, near real-time public health surveillance system using presentations to hospital Emergency Departments in New South Wales, Australia. BMC Public Health. 2005, 22 (5): 141-10.11861471-2458-5-141. 15. View Article Google Scholar Cowling BJ, Wong IO, Ho LM, Riley S, Leung GM: Methods for monitoring influenza surveillance data. Int J Epidemiol. 2006, 35 (5): 1314-21. 10.1093ijedyl162. View Article PubMed Google Scholar Toubiana L, Flahault A: A space-time criterion for early detection of epidemics of influenza-like-illness. Eur J Epidemiol. 1998, 14 (5): 465-70. 10.1023A:1007481929237. View Article PubMed Google Scholar Watts CG, Andrews RM, Druce JD, Kelly HA: Establishing thresholds for influenza surveillance in Victoria. Aust N Z J Public Health. 2003, 27 (4): 409-12. 10.1111j.1467-842X.2003.tb00418.x. View Article PubMed Google Scholar Muscatello DJ, Morton PM, Evans I, Gilmour R: Prospective surveillance of excess mortality due to influenza in New South Wales. Communicable Diseases Intelligence. 2009, 32 (4): Department of Human Services: Rural Infection Control Practice Group. Health (Infectious Disease) Regulations. Melbourne RICPRAC. 2001, Report No. Policy no. 7.1 Contract No. Document Number. Google Scholar Clothier H, Turner J, Hampson A, Kelly H: Geographic representativeness for sentinel influenza surveillance: implications for routine surveillance and pandemic preparedness. Aust NZ J Public Health. 2006, 30: 337-341. 10.1111j.1467-842X.2006.tb00846.x. View Article Google Scholar Druce J, Tran T, Kelly H, Kaye M, Chibo D, Kostecki R: Laboratory diagnosis and surveillance of human respiratory viruses by PCR in Victoria, Australia, 2002-2003. J Med Virol. 2005, 75 (1): 122-9. 10.1002jmv.20246. View Article PubMed Google Scholar Lucas JM, Saccucci MS: Exponentially Weighted Moving Average Control Schemes: Properties and Enhancements. Technometrics. 1990, 32: 1-12. 10.23071269835. View Article Google Scholar Lombardo J, Burhom H, Elbert E, Magruder S, Lewis SH, Loschen W, Sari J, Sniegoski C, Wojcik R, Pavlin J: A systems overview of the Electronic Surveillance System for the Early Notification of Community-Based Epidemics (ESSENCE II). J Urban Health. 2003, 80 (2 Suppl 1): i32-42. PubMed PubMed Central Google Scholar Steiner SH: Grouped Data Exponentially Weighted Moving Average Control Charts. Applied Statistics. 1998, 47 (203-216): Pre-publication history Steiner et al licensee BioMed Central Ltd. 2010 This article is published under license to BioMed Central Ltd. This is an Open Access article distributed under the terms of the Creative Commons Attribution License ( creativecommons. orglicensesby2.0 ), which permits unrestricted use, distribution, and reproduction in any medium, provided the original work is properly cited.
Comments
Post a Comment