En tidsserie model af forekomsten af ​​gastrisk dilatation-tarmslyng i en population af dogs

En tidsserie model af forekomsten af ​​gastrisk dilatation-tarmslyng i en population af hunde
Abstrakt
Baggrund
gastrisk dilatation-tarmslyng ( GDV) er en livstruende tilstand hos pattedyr, med øget risiko i store hunderacer. Studiet af dens ætiologiske faktorer er vanskelig på grund af de mange mulige livsbetingelser. Sammenhængen mellem meteorologiske hændelser og forekomsten af ​​GDV er blevet postuleret, men er stadig uklar. Denne undersøgelse introducerer binære tidsserie tilgang til undersøgelse af de mulige meteorologiske risikofaktorer for GDV. De indsamlede i en population af høj risiko brugshunde i Texas data blev brugt.
Resultater
Minimum og maksimal daglig atmosfærisk tryk på dagen for GDV begivenhed og den maksimale daglige atmosfæriske tryk på dagen før GDV begivenhed var positivt forbundet med sandsynligheden for GDV. Alle odds /multiplikative faktorer af dagen bliver GDV dag blev fortolket betinget på de sidste GDV hændelser. Der var minimal forskel mellem de binære og Poisson generelle lineære modeller.
Konklusion
Tidsserie modellering tilvejebragt en hidtil ukendt fremgangsmåde til evaluering af associering mellem meteorologiske variabler og GDV i en stor population af hunde. Passende anvendelse af denne metode blev forstærket af en fælles miljø for hunde og tilgængeligheden af ​​meteorologiske data. Den potentielle interaktion mellem vejrskift og patient risikofaktorer for GDV fortjener yderligere undersøgelse.
Baggrund
gastrisk dilatation-tarmslyng (GDV) er en tilstand, hvor maven udvider og roterer på sig selv, hvilket fører til gradvis at hypotension, shock, og død. Store hunderacer ofte påvirket, selv om det kan påvirke mange dyrearter, herunder mennesker [1].
Den fysiske mekanismer, der er involveret i denne tilstand og dens behandling er godt forstået, men årsagerne er ikke [2]. Årsager til GDV kan betragtes disponerende (øger sandsynligheden for sygdom) eller udfældning (udløsning indtræden af ​​sygdom). Flere prædisponerende risikofaktorer hos hunde er blevet foreslået, herunder temperament af hunden (ophidselse), store eller gigant race, øget thorax dybde til breddeforhold, og hurtig mad forbrug [2-4]. Men mange spørgsmål i forbindelse med den faktiske udbrud af denne livstruende sygdom forbliver uforklaret af disse risikofaktorer.
Studiet af udløsende årsager til GDV er en vigtig og ikke meget veldokumenterede område. I mange tilfælde af GDV, maven er udspilet med gas; blandt mulige kilder til denne gas, aerofagi, gæring-forrådnelse, er blevet foreslået kemisk gas tilblivelse og gas diffusion. Dette, kombineret med observerede sæsonvariation i GDV tilfælde gav anledning til mistanke om den mulige sammenhæng mellem GDV og vejrforhold kort før dens opståen [5, 6]. Metoder, der anvendes af Herbold et al i [5], dvs. hovedkomponenter analyse, for at vælge muligvis vigtige klimatologiske faktorer kan have tilsløret virkningen af ​​en enkelt vejr-relaterede variable. Andre undersøgelser har anvendt logistisk regression til at undersøge sandsynligheden for en dag bliver en GDV dag fordelt visse atmosfærisk tryk eller temperaturforhold [6, 7]. Sådanne tilgange er baseret på en forudsætning, at GDV begivenheder er indbyrdes uafhængige, og der er ingen stærk sammenhæng mellem begivenheder i en periode, som ville opstå, hvis sygdommen var smitsom. Men som en kendsgerning, de fleste meteorologiske kovariater menes at påvirke GDV forekomst er autokorrelerede over tid og skal opfattes som tidsserier. Hvis nogle af dem ikke er medtaget i en potentiel model, men de gør påvirke GDV forekomst, kan GDV forekomster registreret over tid være korreleret.
Således visning af GDV forekomst data som tidsserier kan være tilrådeligt i praksis. Selvom traditionelle tidsserier modellering har haft begrænset anvendelighed i studiet af ualmindelige sygdomme, er det for nylig blevet anvendt til at påvise en sæsonbestemt komponent til en anden gastrointestinal sygdom, nemlig kolik hos heste [8]. Da forekomsten data GDV klart heltal værdsat (værdien af ​​svaret er antallet af GDV tilfælde pr dag), de mere traditionelle tidsserier metoder, såsom dem, der anvendes i den klassiske Autoregressive Integrated Moving Average (ARIMA) rammer [9] kan ikke anvendes. En af de tidligere referencer [8], at "... En mulighed ligger i anvendelsen af ​​en Poisson-fordeling til model tælledata inden for rammer bredt analog med den af ​​generaliseret lineær modellering ..."; dette forslag effektivt svarer til at bruge metode baseret på generaliseret lineær model (GLM) ramme, der er brugt i dette manuskript.
Formålet med denne undersøgelse var at bruge en tidsserier tilgang til at undersøge sammenhængen mellem meteorologiske variabler og GDV forekomst i hunde. For at reducere variabiliteten af ​​prædisponerende risikofaktorer og forstyrrende variabler som kost og bolig miljø [2], blev datasættet af store hunderacer opstaldet på Military Working Dog (MWD) Training Center på Lackland Air Force Base (LAFB) anvendes. I denne fælles miljø, er hundene fodret med en standard kost, opstaldet i udendørs kørsler, og er under observation 24 timer i døgnet. Dette datasæt er blevet brugt før i en logistisk regression tilgang til at undersøge meteorologiske variabler og GDV [7], og en sammenligning af de metodiske tilgange kan derfor også gøres.
Resultater
flere modeller, der havde nogle af de laveste værdier af AIC (Akaike Information Criterion) er vist i tabel 1. for hver af dem, er den systematiske del gives sammen med den type af modellen (binær GLM eller Poisson GLM) og værdier AIC. Kun modeller, der havde log-likelihood ratio p-værdier for alle kovariater under 0,10 var blevet inkluderet. Da hunden tælling varierer fra dag til dag, er mængden af ​​foreliggende eksponering er variabel. Dette kan gøre strengt Poisson /binær antagelse om dataene urealistiske. I Poisson tilfælde betyder dette, at variansen ikke kan være nøjagtigt lig med middelværdien. I det binære tilfælde kan variansen ikke være nøjagtigt lig med variansen af ​​Bernoulli fordeling for et givet sæt af kovarianteffekter værdier. Det forekommer derfor rimeligt at tjekke for mulige overdispersion i data. En simpel kvasi-sandsynlighed fremgangsmåde blev anvendt til at lede efter tegn på overdispersion [10]. Den estimerede koefficient er altid tæt på 1, og dermed er der ikke synes at være nogen alvorlig tegn på overdispersion i denne setting.Table 1 Det endelige modeller
Model

Systematisk del
type af modellen
AIC
overdispersion faktor
1
β
0 + β
1Y
t
-2 + β
2pmin
t
Binary GLM
411,02
1,02
2
β
0 + β
1Y
t
-2 + β
2pmin
t
Poisson GLM
407,92
0,98
3
β
0 + β
1Y
t
-2 + β
2pmax
t
-1
Binary GLM
406,47
1
4
β
0 + β
1Y
t
-2 + β
2pmax
t
-1
Poisson GLM
403,42
0,95
5
β
0 + β
1Y
t
-2 + β
2pmax
t
Binary GLM
410,46 Salg 1,02
6
β
0 + β
1Y
t
-2 + β
2pmax
t
Poisson GLM
407,40
0,97
Undersøgelse af de resterende autokorrelationsfunktioner parceller viste, at de arbejdende restprodukter autokorrelationsfunktioner plots var næsten identiske, og alle af dem viste ikke nogen væsentlig resterende autokorrelation. Baseret på dette, disse tre modeller synes at give en tilstrækkelig egnet til GDV forekomst data Y
t
.
Koefficienterne i disse modeller blev fortolket som enten log odds (OR) i binær GLM modeller eller multiplikative faktorer (MF) i Poisson GLM-modeller. Tabel 2 indeholder værdierne for odds ratio og multiplikative faktorer for den forsinkede reaktion Y
t
-2 og den eksterne kovariant for alle modeller fra tabel 1. Det indeholder også log-likelihood p-værdier for alle de odds ratioer. I navnene på de kolonner i tabel 2, OR står for odds ratio og MF for multiplikativ faktor; den "anden kovariant ELLER" er enten minimum daglig atmosfærisk tryk på GDV dag pmin
t
, den maksimale daglige atmosfæriske tryk på GDV dag Pmax
t
eller den maksimale daglig atmosfærisk tryk på dagen før GDV dag Pmax
t
-1. LL står for log-sandsynlighed. Da sandsynligheden for GDV begivenhed på en given dag er lille og værdierne af hunden folketællingen er i hundredvis, kan modellen være egnet som enten binær GLM eller Poisson GLM. Begge metoder er ansat til sammenligning. Der var meget lidt forskel mellem den binære GLM og Poisson GLM i tilfældet for alle de sæt kovariater considered.Table 2 Model Selection
Model

OR af Y
t
-2
LL p-værdi
Andre kovariant OR /MF
LL p-value

1
3.1606
0.0595
1.0455
0.0891
2
3.0862
0.0640
1.0464
0.0833
3
2.9492
0.0741
1.0663
0.0064
4
2.8711
0.0807
1.0664
0.0062
5
3.0198
0.0693
1.0456
0.0633
6
2.9498
0.0741
1.0460
0.0606
Among den sidste gruppe af modeller vist var der ingen, der anses for eksterne kovariater på forsinkelse på mere end 1 dag. Sådanne modeller blev anset under udvælgelsen model scenen, dog. I alle disse tilfælde log-likelihood ratio p-værdi på den eksterne kovariat halter på mere end 1 dag var væsentligt over 0,10 koefficienten af ​​to-dages forsinkelse på svaret Y
t
-2 havde log-likelihood ratio p-værdi konsekvent under 0,10. Således er valget af kovariater ikke partisk til fordel for de lokale aktionsgrupper for respons Y
t
på bekostning af den eksterne kovariat halter.
Baseret på disse modeller, ser det ud til, at de faktorer, der påvirke hastigheden af ​​GDV mest mærkbart er således den mindste daglige atmosfæriske tryk på dagen for GDV begivenhed, den maksimale daglige atmosfæriske tryk på dagen for GDV begivenhed og den maksimale daglige atmosfæriske tryk på dagen før GDV begivenhed. De odds ratio /multiplikative faktorer af den eksterne covariat i alle modeller er lidt større end 1, hvilket indikerer positiv sammenhæng mellem disse faktorer og sandsynligheden for GDV begivenhed på en given dag. For eksempel er den mindste daglige atmosfæriske tryk på dagen for GDV begivenhed har en odds ratio på 1,0455 for binære GLM modellen. Dette tyder på, at for hver forøgelse af den minimale daglige atmosfæriske tryk med en enhed, oddsene for det GDV sagen forekommer på denne dag stige med faktoren 1,0455. For den respektive Poisson model, den multiplikative impact factor er 1,0464, hvilket betyder, at sandsynligheden for dagen bliver en GDV dag for hver forøgelse af den minimale daglige atmosfæriske tryk med en enhed bliver ganges med faktoren 1,0464. Bemærk, at alle resultaterne for den eksterne kovariant bør fortolkes betinget på, hvad der skete to dage før observation dag. Således er det mere præcist at sige, at oddsene for GDV forekomst på en given dag stiger med faktoren 1,0617 for hver enhed stigning i det minimale daglige atmosfæriske tryk, da vi ved, om der var eller ikke var et tilfælde af GDV to dage tidligere
. Ovenstående opgørelse kan ikke gøres uden at vide, hvad der skete to dage før dagen for observation. Dette er den vigtige forskel mellem vores tilgang, og at af de regelmæssige GLM modellering, uanset om binære GLM (logistisk regression) eller en Poisson-model.
Diskussion og konklusion
Først hver af de modeller, udvalgte forudsat vigtige oplysninger om mulige ætiologisk faktor GDV og dermed spiller en nyttig rolle. Det er ikke nødvendigt at foretage et valg mellem dem, hvis det eneste formål er at se på mulige forklarende kovarianter for GDV forekomst. Men det bliver nødvendigt, hvis forudsigelse af de fremtidige GDV forekomster er hovedfokus. Vi har ikke undersøge dette emne i den aktuelle papir.
Andet, de variabler identificeret som faktorer væsentligt påvirker hastigheden af ​​GDV forekomst var den mindste daglige pres på dagen for GDV, den maksimale daglige pres på dagen for GDV og maksimale daglige pres på dagen før GDV begivenhed. Minimum daglige pres på dagen for GDV blev også identificeret som vigtige og statistisk signifikante faktorer i [7]. Det er kendt, at der er sammenhæng mellem ændringer i barometertryk og fødslen hos mennesker og SIDS (vuggedød) [11, 12]. Mindre om sammenhængen mellem det atmosfæriske tryk og hunde sygdomme. Den aktuelle undersøgelse tyder på, at det atmosfæriske tryk og ændringer i det kan være de vigtigste faktorer, der forklarer udbrud af GDV hos hunde.
Værdien af ​​et 2-dages forsinkelse respons i modellering for GDV var noget uventet. Denne periode 2-dages ikke nødvendigvis korrelere til en 48-timers periode mellem begivenheder, dog. Den nøjagtige debut af den kaskade af begivenheder, der fører til GDV er vanskeligt at fastslå, og patofysiologiske begivenheder, der fører til kliniske tegn kan forekomme i forskellige hastigheder i forskellige hunde. Gastrisk udspiling er blevet bemærket at forekomme hurtigt i nogle hunde, og langsommere i andre. Rolle kovariater, der måtte være forbundet med forsinkelser i klinisk manifestation, samt den mulige sammenhæng (r) blandt meteorologiske fænomener under sådan et vindue af tid, mangler at blive belyst.
Tilgang med den logistiske model for binær tid serien synes at være tilstrækkelig i tilfælde, hvor der er på de fleste et par daglige observationer med mere end 1 GDV sagen. Dette kan dog ikke være tilfældet, hvis der observeres en større gruppe af hunde, og som en konsekvens, at antallet af dage med mere end et tilfælde af GDV bliver betragtelig. Hvis dette sker, kan Poisson GLM tilgang skal udelukkende anvendes.
En relateret papir [8] bruger den latente variabel modellering baseret på den hierarkiske Bayes metode til at indarbejde afhængigheden mellem observationerne. Denne tilgang er noget mindre fleksibel end den tilgang, der anbefales i dette papir. Årsagen er, at den hierarkiske Bayesian tilgang kræver visse særlige tidligere antagelser, såsom normalitet (eller andre specifikke fordeling) af de data, der er ikke altid let at retfærdiggøre i praksis. Også deres valg af ordren en autoregressiv proces for den latente variabel synes at være subjektive og ikke baseret på nogen bestemt udvælgelse model algoritme denne forskning giver et indblik i den mulige udvælgelse, der er baseret på kriterier som AIC. Endelig er det vigtigt at bemærke her, at den tidsserie er meget naturligt, når der er serie af observationer registreret over tid. Hvis det sker, er sådanne observationer næsten altid korreleret; ignorere denne sammenhæng kan resultere i forvrængede slutning vedrørende parametre af interesse. Især resulterer ofte i overdrevne niveauer af betydning for forklarende variabler. Derfor tidsserie tilgang er, formentlig, den relevante forskning værktøj i mange kliniske studier, hvor der er registreret observationerne over en periode.
Metoder
data
GDV Forekomsten datasæt består af alle registreret tilfælde af GDV blandt de militære brugshunde (MWD) på Lackland Air force Base (LAFB) fra januar 1993 til december 1998. i hvert tilfælde racen af ​​angrebne hund, dens køn, fødselsdato, alder ved starten af sygdommen og vægten blev registreret. Alle hunde var af en af ​​tre racer: Schæferhund, belgiske Malinois, eller hollandsk Shepherd. Den første registrerede tilfælde af GDV indtraf den jan 6, 1993 og den sidste den nov 25 1998. Det samlede antal registrerede tilfælde (dvs. de dage, hvor GDV sagen blev registreret) er 60. Ud af 60, kun to dage, der er involveret mere end et tilfælde af GDV; på begge af dem, der var 2 berørte hunde. Alle kenneled hunde blev kontrolleret ved personale hver 3 timer pr organisatoriske standardprocedurer. Sager var hunde, der demonstrerede abdominal hævelse, tympani af maven, og radiografiske tegn på gastrisk dilatation som bestemt ved en dyrlæge. Kirurgisk indgreb blev indledt på alle tilfælde, enten på grund af livstruende tilstand eller til ikke-akut profylaktisk gastropexy procedure.
Antallet af hunde under observation på LAFB var ikke konstant, men snarere at skifte fra måned til måned. Den månedlige hund folketælling data var tilgængelige oktober 1993 gennem december 1997., startende med 357 hunde i oktober 1993, og slutter med 281 hund i december 1997. På grund af manglende adgang til folketællingen data for 1998, GDV forekomst data for dette år ikke blev brugt.
En stor database med vejrdata blev samlet fra National Climatic data center på Kelly Air force Base, der ligger umiddelbart op til LAFB. Den indeholdt time data om vindretning, hastighed og vindstød; time temperatur i Fahrenheit grader, både justeret og korrigeret for fugt og endelig atmosfærisk tryk i inches af kviksølv, begge justeret til havet-niveau, og ujusterede en (i millibar).
Modeling tilgang
En række mulige modeller for GDV forekomst hos hunden population blev overvejet. I dem alle, blev forekomsten af ​​GDV på en given dag kodet under anvendelse af 1 til GDV dag eller 0 for en ikke-GDV dag og anvendt som en reaktion variabel. Andre størrelser, såsom for eksempel atmosfærisk tryk og lufttemperatur, blev anvendt som prediktorvariabler. Den binære svar data egner sig til en række mulige tilgange, herunder binære GLM med den logistiske link-funktionen (logistisk regression) og en Poisson GLM med en log link funktion (Poisson regression)
Både respons og kovariater blev registreret over tid.; dette gør det rimeligt at se både respons og kovariater som tidsserier. Derfor, i stedet for den sædvanlige generaliseret lineær model, der antager at dataene er IID, vi udnyttet den modificerede form af det, hvor både respons og kovarianter er autokorrelerede over tid.
Derudover en tidsserie er nyttig i denne indstilling, fordi det er meget sandsynligt, at en række vejr-relaterede (og eventuelt andre) ikke udgjorde kovariater til; et stort antal mulige ætiologiske faktorer gør det temmelig vanskeligt at medtage dem alle i én model. Udover luft temperatur og atmosfærisk tryk, der blev anset for tidligere, luftfugtighed (enten absolut eller relativ) kan være en af ​​de mulige ætiologiske faktorer. Fugt optages over tid og som regel udviser mærkbar autokorrelation. Typisk er det tænkt som en tidsserie; hvis responsvariabel er virkelig afhængig af fugtighed, dens udeladelse får responsvariabel at udstille tidsmæssige autokorrelation. Denne tankegang tyder på, at en tidsserie model inden for rammerne GLM kan være bedre til at beskrive GDV forekomst end den almindelige logistiske GLM model overvejes i [7]. Andre kovariater, der er almindeligt citeret som de sandsynlige mulige ætiologiske faktorer for GDV, såsom atmosfærisk tryk, lufttemperatur og andre, er også tilfældige tidsafhængige kovarianter (tidsserier) selv. Således udeladelsen af ​​en af ​​dem
sandsynligvis fremkalde yderligere autokorrelation i svaret.
Ud af flere mulige modelleringsprincipper denne forskning anvendes en, der er baseret på at sætte heltal værdsat tidsserier i generaliseret lineær model rammer [13]. I modsætning til den tidligere Markovkæde tilgang, betyder det ikke medføre at antallet af parametre, der skal skønnes at vokse eksponentielt med antallet af stikprøver; Det er også bred nok til at omfatte de fleste af de praktisk vigtige modeller. Bemærk, at hverken Markov ejendom eller stationaritet skal antages, når ansætte denne fremgangsmåde. Dette er vigtigt, da begge disse egenskaber kan være vanskeligt at verificere i praksis. De resulterende modeller kan estimeres ved hjælp af den samme metode (iterativ omvægtet mindste kvadrater, IWLS for korte) som regulære generaliserede lineære modeller; den eneste forskel er, at resultaterne skal tolkes betinget på fortiden.
GDV forekomst på dag t
blev betegnet Y
t
. Således Y
t
var binært. De kovariater kan omfatte tidligere og nuværende værdier af forklarende variable samt tidligere værdier af Y
t
. Vektoren ifølge alle kovariater blev betegnet som hvor p
er antallet af kovariater, k
antallet af forklarende variabler halter og q
antallet af fortiden halter af Y
t
overvejet; for hver 1 ≤ i
≤ p
og 1 ≤ j
≤ k
, repræsenterede værdien af ​​jeg
th kovariant på tidspunkt t
- j
. Sandsynligheden for et GDV sag på en given dag blev defineret som p
t
som også er en funktion af den kovariat vektor z
t
. Der er mindst to mulige måder modellering sandsynligheden for GDV på en given dag. Det første valg er at bruge den binære GLM med logit link funktion - effektivt, en logistisk regressionsmodel. Den tilfældige komponent af modellen så er en vektor af binære værdier af Y
t
der er autokorrelerede over tid. Den systematiske komponent i den resulterende logistiske model bliver (1), hvor α
er skæringspunktet, β
er vektoren af ​​koefficienter og p
t
er sandsynligheden for GDV begivenhed på en given dag t Hoteller, som afhænger af det sæt af kovariater z t
. For hver GDV dag, er sandsynligheden for hændelsen defineret som antallet af sager observeret den dag divideret med den samlede befolkning af hunde, der er optaget på den pågældende dag. Fordi alle GDV sandsynligheder var små i undersøgelsen, er det også muligt at modellere sandsynligheden for GDV begivenhed på en given dag t
hjælp af Poisson regression. Dette indebærer, at den tilfældige element i modellen er en vektor af Y
t Hoteller, som ses nu som Poisson tæller. Den systematiske komponent i modellen relaterer det gennemsnitlige antal sager på dag t μ
t
til kovariater bruger log link som (2), hvor endnu en gang, α
er skæringspunktet, β
er vektor af koefficienter og μ
t
afhænger sæt kovariater z t
som før.
som et første skridt i udvælgelsen model de daglige egenskaber, såsom max, min og betyde, af det atmosfæriske tryk og lufttemperaturen blev anset som mulige kovariater. Temperaturen blev ikke justeret for fugt. De laggede værdier af atmosfærisk tryk og /eller temperatur kan ses som mulige GDV ætiologiske faktorer og dermed yderligere forklarende variable som godt. Sandsynligheden-kvotientkriteriet blev anvendt til at kontrollere statistisk signifikans af modellen kovariater. Forklarende variabler, der skulle anvendes som en del af z t
blev valgt. Lad os betegne den mindste daglige atmosfæriske tryk på en given dag pmin
t
, maksimal daglig atmosfærisk tryk pmax
t
, maksimal daglig atmosfærisk temperatur tmax
t
, og minimale daglige atmosfæriske temperatur tmin
t
. Tidligere værdier (dagen før) af ovenstående var pmin
t
-1, pmaks
t
-1, tmax
t
-1 og tmint
t
-1. Den maksimale timeløn stiger /fald i det atmosfæriske tryk på dagen for GDV begivenhed blev betegnet rp
t
og dp
t
henholdsvis, mens den maksimale timeløn stiger /drop i temperaturen på dagen for GDV begivenhed blev betegnet rt
t
og dt
t
. Hundene 'racen blev ikke anset da hunden befolkning var temmelig homogen bestående af tre store racer rutinemæssigt anvendes som MWD. Alle ikke-begivenhedsdage blev behandlet i denne analyse også. Salg Modellerne blev konstrueret ved anvendelse af fremgangsmåden trinvis fremad markering. De kovariater blev tilsat successivt og log-likelihood ratio for hver ny kovariat beregnes. At undgå for tidlig stop, selvom covariat ikke tilføje meget til den beskrivende evne af modellen, som målt ved dets log-likelihood ratio statistik, processen fortsættes, indtil alle kovariater beskrevet tidligere var blevet forsøgt. Antallet af lags af Y
t
inkluderet i modellerne behandles i denne forskning var begrænset til 3 for at sikre parsimoniousness af modellerne. Residualerne af hver model kan senere analyseres for autokorrelation mønstre og yderligere forsinkelser tilføjede, hvis det er nødvendigt. Koefficienterne af Y
t
-1 og Y
t
-3 havde meget store log-likelihood ratio p-værdier, uanset hvor eksterne kovariater blev inkluderet i modellen; mere specifikt deres log-likelihood ratio p-værdier end 0,1 overalt og dermed blev udelukket fra de endelige modeller.
De valgte som endelig modeller er vist i tabellen (1). Undtagen det minimale atmosfærisk tryk på GDV dag og den maksimale atmosfæretryk på dagen for GDV tilfælde og på dagen før GDV begivenhed, alle de andre eksterne kovarianter vise log-likelihood ratio p-værdier over det valgte tærskelniveau på 0,10 er ikke inkluderet.
Alle modellerne i tabellen (1) er egnet ved hjælp af den iterative omvægtet mindste kvadraters algoritme almindeligt anvendt på montering af generaliserede lineære modeller. I betragtning af, at vi bruger den kanoniske link funktionen log for de binære data, den iterative omvægtet mindste kvadraters algoritme falder sammen med den almindelige Newton-Raphson algoritme i dette tilfælde.
Erklæringer
Tak
Forfatterne takker dyrlæger i Department of Defense Military Working Dog Veterinary service, som elskværdig forudsat datasættet og søge at reducere forekomsten af ​​GDV i alle hunde. Vi vil også gerne takke professor Bruce Craig fra Institut for Statistik ved Purdue University, med hvem forfattere havde en række nyttige drøftelser og fra hvis hjælp dem begge nydt godt. Originale filer indsendte
Forfattere "for Images of Nedenfor er links til forfatternes oprindelige indsendt filer til billeder. 12917_2008_146_MOESM1_ESM.eps Forfatternes oprindelige fil til figur 1 12917_2008_146_MOESM2_ESM.eps Forfatternes oprindelige fil til figur 2 12917_2008_146_MOESM3_ESM.eps Forfatternes oprindelige fil til figur 3

• Systematisk gennemgang og meta-analyse af totalt laparoskopisk versus laparoskopisk assisterede distal gastrektomi for mavekræft
• En familie caregiver afslapning forbedrer gastrisk motilitet funktion af patientens: en overkrydsningsundersøgelse