Aikasarja malli esiintyminen mahalaukun laajentuma-kiertymä populaatiossa koiria

Aikasarja malli esiintyminen mahalaukun laajentuma-kiertymä populaatiossa koirien
tiivistelmä
tausta
Mahalaukun laajentuma-kiertymä (GDV) on hengenvaarallinen tila nisäkkäiden, lisääntynyt riski suurirotuisilla koiria. Tutkimus sen etiologiset tekijät on vaikeaa, koska erilaisia ​​mahdollisia elinoloja. Yhdistyksen välillä meteorologisia tapahtumien ja esiintyminen GDV on oletettu, mutta jää epäselväksi. Tämä tutkimus esittelee binary aikasarja lähestymistapaa tutkinnan mahdollisesta meteorologisten riskitekijöitä GDV. Kerätyt tiedot populaatiossa korkean riskin työkoiria Teksasissa käytettiin.
Tulokset
pienin ja suurin päivittäinen ilmanpaine päivänä GDV tapahtuma ja suurin päivittäinen ilmanpaine päivänä ennen GDV tapahtumaa olivat positiivisesti liittyvä todennäköisyys GDV. Kaikki kertoimet /multiplikatiivinen tekijät päivässä ollessa GDV päivä tulkitaan ehdollisesti menneessä GDV esiintymät. Siellä oli minimaalinen ero binary ja Poisson yleistä lineaarista mallia.
Päätelmä
aikasarjamalliin aikaan uusi menetelmä arvioimiseksi yhdistyksen välillä meteorologisten muuttujien ja GDV suuressa populaatiossa koiria. Asianmukainen soveltaminen tätä menetelmää parannettiin yhteinen ympäristö koirille ja saatavuutta meteorologisen tiedon. Mahdollinen vuorovaikutus sään muutokset ja potilas riskitekijöitä GDV ansaitsee lisätutkimuksia.
Tausta
Mahalaukun laajentuma-kiertymä (GDV) on tila, jossa mahalaukun dilates ja pyörii itse, mikä johtaisi asteittain hypotensio, sokki, ja kuolema. Suuret koirat kärsii usein, vaikka se voi vaikuttaa monilla eläinlajeilla mukaan lukien ihmiset [1].
Fysikaaliset mekanismit tämän edellytyksen ja sen hoito ymmärretään hyvin, mutta syyt eivät ole [2]. Syyt GDV voidaan harkita altistavia (lisää todennäköisyyttä tauti) tai saostamalla (liipaisu puhkeamista tauti). Useat altistavia riskitekijöitä koirilla on ehdotettu, kuten temperamentti koiran (ärtyvyyttä), suuria tai jättiläinen rotu, lisääntynyt rintakehä syvyyden suhde leveyteen, ja nopea ruoan kulutus [2-4]. Kuitenkin monia kysymyksiä, jotka liittyvät todellista puhkeamista tämän hengenvaarallinen sairaus jäädä selittämättömiä näiden riskitekijöiden.
Tutkimus saostamaan syistä GDV on tärkeä ja ei kovin hyvin tutkittu alue. Monissa tapauksissa GDV, vatsa on laajentunut kaasulla; keskuudessa mahdolliset lähteet tämän kaasun, aerophagia, käyminen-putrefaction, kemiallisia kaasuja synty ja kaasun diffuusio on ehdotettu. Tämä yhdistettynä havaittujen kausivaihtelu GDV tapauksissa antaneet aihetta epäilyksille mahdollisesta yhteydestä GDV ja sääolosuhteet vähän ennen sen esiintyminen [5, 6]. Menetelmät soveltama Herbold et al [5], so pääkomponenttianalyysi, valita mahdollisesti tärkeitä climatologic tekijät ovat voineet peitettynä vaikutusta yksittäisen säähän liittyvien muuttuja. Muut tutkimukset ovat käyttäneet logistista regressiota tutkia todennäköisyys päivä ollessa GDV päivässä, koska tiettyjen ilman paineen tai lämpötilan olosuhteissa [6, 7]. Tällaiset lähestymistavat perustuvat olettamukseen, että GDV tapahtumat ovat toisistaan ​​riippumattomia ja ei ole vahvaa korrelaatiota tapahtumien ajan, kuten tapahtuisi, jos tauti oli tarttuva. Koska itse asiassa, useimmat meteorologiset covariates arveltu vaikuttavan GDV esiintyessään autokorreloituneita ajan ja pitäisi ajatella aikasarjoja. Jos jotkut niistä eivät ole sisällytetty mahdollisena mallina, mutta ne vaikuttavat GDV esiintyminen, GDV ilmaantuvuus kirjataan ajan saattaa korreloida.
Siten katselu GDV esiintyminen tietojen aikasarja voi olla suositeltavaa käytännössä. Vaikka perinteinen aikasarjamalliin on ollut rajallinen soveltuvuus tutkimuksessa harvinaista sairauksia, se on viime aikoina käytetty osoittamaan kauden komponentti toiseen maha-suolikanavan sairaus, nimittäin, koliikki hevosilla [8]. Koska GDV esiintymistietoja selkeästi kokonaisluku arvostetaan (arvo vastaus on määrä GDV tapausta päivässä), perinteistä aikasarja menetelmiä, kuten ne, joita käytetään klassisen Autoregressive Integrated liukuva keskiarvo (ARIMA) puitteissa [9] ei voida käyttää. Yksi aiemmin viitattu [8], viittaa siihen, että "... Yksi mahdollisuus on siinä, käyttö Poisson-jakauman mallintamaan määrä dataa puitteissa yleisesti, joka on analoginen yleisen lineaarisen mallinnuksen ..."; Tämä ehdotus tehokkaasti merkitsee käyttämällä lähestymistapaa, joka perustuu yleisen lineaarinen malli (GLM) puitteissa, jota hyödynnetään tässä käsikirjoituksen.
Tämän tutkimuksen tavoitteena oli käyttää aika-sarjan lähestymistapa tutkia yhdistyksen välillä meteorologisten muuttujien ja GDV esiintyminen koirilla. Vähentää vaihtelevuutta altistavia riskitekijöitä ja häiritsevien muuttujia kuten ruokavalion ja asuinympäristön [2], tietoaineiston suurten koirille majoitettu klo Military Working Dog (MMD) Training Center at Lackland Air Force Base (LAFB) käytettiin. Tässä yhteisen ympäristön, koirat ruokitaan standardin ruokavalio, joka sijaitsee ulkona kulkee, ja on tarkkailtavana 24 tuntia vuorokaudessa. Tämä aineisto on käytetty aikaisemmin logistiikkaregressiomallin lähestymistapa tutkii meteorologisia muuttujia ja GDV [7], ja vertailun metodologisia lähestymistapoja voidaan näin ollen tehdä.
Tulokset
useita malleja, jotka oli joitakin alin arvojen AIC (Akaike Information Criterion) esitetään taulukossa 1. kutakin järjestelmällinen osa annetaan yhdessä tyypin mallin (binary GLM tai Poisson GLM) ja arvot AIC. Vain malleja, jotka oli log-todennäköisyys suhde p-arvot kaikkien covariates alle 0,10 oli sisällytetty. Koska koira väestönlaskennan vaihtelee päivästä toiseen, paljon näkyvyyttä läsnä on vaihteleva. Tämä voi tehdä tiukasti Poisson /binary oletus tietojen epärealistinen. Kun Poisson tapauksessa, tämä tarkoittaa, että varianssi voi olla täsmälleen sama kuin keskiarvo. Binääritapauksessa, varianssi voi olla täsmälleen sama kuin varianssi Bernoullin jakauma tietylle joukko kovariaatin arvoja. Niinpä on järkevää tarkistaa mahdolliset overdispersion datan. Yksinkertainen lähes todennäköisyyden lähestymistapaa käytettiin etsimään todisteita overdispersion [10]. Arvioitu kerroin on aina lähellä 1 ja näin ei näytä olevan mitään vakavaa näyttöä overdispersion tässä setting.Table 1 Lopullinen mallit
Malli

Systemaattinen osa
tyyppi mallin
AIC
Overdispersion tekijä
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
1.02
6
β
0 + β
1Y
t
-2 + β
2pmax
t
Poisson GLM
407,40
0,97
tutkiminen jäljellä autokorrelaation tontteja osoitti, että työ jäännösten autokorrelaation tontit olivat lähes identtiset, ja ne kaikki eivät osoittaneet mitään merkittävää jäljellä autokorrelaatio. Tämän perusteella nämä kolme mallia näytä tarjoavan riittävää kelpaavan GDV esiintymistietoja Y
t
.
Kertoimet näissä malleissa tulkittiin joko log kertoimet (OR) binäärimuodossa GLM malleja tai kertovat tekijät (MF) Poisson GLM malleissa. Taulukko 2 sisältää arvot kertoimet suhdeluvut ja kertovat tekijät varten hidasta reagointia Y
t
-2 ja ulkoisen kovariaattina kaikille mallista Taulukko 1. Se sisältää myös log-todennäköisyys p-arvot kaikkien kertoimet suhdeluvut. Vuonna nimet sarakkeet taulukon 2, OR seistä kertoimet suhde ja MF kertova tekijä; "muut kovariaattina OR" on joko päivittäin vähintään ilmakehän painetta GDV päivänä pmin
t
, suurin päivittäinen normaali ilmanpaine GDV päivänä p max
t
tai enimmäismäärä päivittäin ilmanpaine päivänä ennen GDV päivää p max
t
-1. LL tarkoittaa log-todennäköisyys. Koska todennäköisyys GDV tapahtumaan tiettynä päivänä on pieni ja arvot koiran väestönlaskennan ovat satoja, malli voidaan sovittaa joko binary GLM tai Poisson GLM. Molemmat lähestymistavat käytetään vertailua varten. Siellä oli hyvin vähän eroa binary GLM ja Poisson GLM ollessa kyseessä kaikkien sarjaa covariates considered.Table 2 Mallivalikoima
Model

TAI Y
t
-2
LL p-arvo
Muut kovariaattina TAI /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 lopullinen ryhmä esitettyjen mallien niitä ei ollut, että pidetään ulkoinen covariates viiveellä yli 1 päivä. Tällaisia ​​malleja katsottiin aikana mallin valinta vaiheessa kuitenkin. Kaikissa näissä tapauksissa, log-todennäköisyys suhde p-arvo ulkoisen kovariaattina laahaa enemmän kuin 1 päivä oli huomattavasti yli 0,10 taas kerroin 2 päivän viiveellä vasteen Y
t
-2 oli log-todennäköisyys suhde p-arvo jatkuvasti alle 0,10. Siten valinta kovariaattien ei puolueellinen hyväksi viivettä vasteen Y
t
kustannuksella ulkoisen kovariaatti laahaa.
Perustuen näihin malleihin, näyttää siltä, ​​että tekijät, jotka vaikuttavat nopeus GDV joista huomattavin on siis päivittäin vähintään ilmakehän paineessa päivänä GDV tapahtuma, suurin päivittäinen ilmanpaine päivänä GDV tapahtuma ja suurin päivittäinen ilmanpaine päivänä ennen GDV tapahtumaa. Kertoimet suhteet /kertovat tekijät ulkoisen kovariaattina kaikissa malleissa on hieman suurempi kuin 1, joka osoittaa positiivinen yhteys näiden tekijöiden ja todennäköisyys GDV tapahtuman tiettynä päivänä. Esimerkiksi päivittäin vähintään ilmakehän paineessa päivänä GDV tapahtuma on riskisuhde on 1,0455 varten binary GLM mallia. Tämä viittaa siihen, että jokaista lisäystä vähintään päivittäin ilmanpaineesta 1 yksikkö, kertoimella GDV sattuu samana päivänä nousu tekijällä 1,0455. Vastaaville Poisson mallissa Kertova vaikutus tekijä on 1,0464, joka tarkoittaa, että jokaista lisäystä vähintään päivittäin ilmanpaineesta 1 yksikkö todennäköisyyttä päivän ollessa GDV päivä saa kerrottuna kertoimella 1,0464. Huomaa, että kaikki tulokset ulkoisen kovariaattina olisi tulkittava ehdollisesti tapahtuneesta kaksi päivää ennen havainto päivää. Siten on tarkempi sanoa, että kertoimella GDV tapahtumaa tiettynä päivänä kasvua kertoimella 1,0617 kunkin yksikön nousu päivittäin vähintään ilmakehän paineessa, koska me tiedämme, oliko vai ei ollut kyse GDV kaksi päivää aikaisemmin
. Edellä ilmoitus ei voida tehdä tietämättä mitä tapahtui kaksi päivää ennen päivää havainto. Tämä on merkittävä ero lähestymistapamme ja että normaali GLM mallinnus, onko binary GLM (logistinen regressio) tai Poisson mallin.
Keskustelua ja Johtopäätös
Ensinnäkin kunkin mallien valittu edellyttäen tärkeää tietoa mahdollisista etiologinen tekijä GDV ja täten sillä on hyödyllinen rooli. Ei ole tarpeen tehdä valinnan niiden välillä, jos ainoa tarkoitus on tutkia mahdollisia selittäviä covariates varten GDV esiintymisen. Tämä on välttämätöntä, jos ennustamaan tulevaisuuden GDV ilmaantuvuus on tärkein painopiste. Emme tutki tätä aihetta nykyisessä paperi.
Toiseksi muuttujat tunnistettiin tekijöitä merkittävästi vaikuttavia nopeudella GDV esiintyminen olivat päivittäin vähintään paine päivänä GDV, suurin päivittäinen paine päivänä GDV ja suurin päivittäinen paine edeltävänä päivänä GDV tapahtumaa. Vähintään päivittäin painetta päivänä GDV määriteltiin myös tärkeitä ja tilastollisesti merkitsevä tekijöitä [7]. On tunnettua, että on olemassa yhdistys välillä ilmanpaineen muutoksiin ja synnytystä ihmisillä ja SIDS (kätkytkuolema) [11, 12]. Vähemmän tiedetään yhdistyksen välillä ilmakehän paineessa ja koiran sairauksia. Nykyinen tutkimus osoittaa, että ilmanpaine ja muutokset voi olla tärkeimpiä tekijöitä selitettäessä puhkeamista GDV koirilla.
Arvo 2 päivän viiveellä vasteen mallintamista GDV oli hieman odottamaton. Tämä 2-päivän aikana ei välttämättä korreloi 48 tunnin välisenä tapahtumien pelin. Tarkka puhkeaminen kaskadin johtavien tapahtumien GDV on vaikea todentaa, ja patofysiologisia johtavia tapahtumia kliinisiä oireita voi esiintyä eri tahdissa eri koirilla. Mahalaukun laajeneminen on todettu esiintyvän nopeasti joillakin koirilla, ja hitaammin toisissa. Rooli covariates jotka saattavat liittyä viiveitä kliiniset oireet, sekä mahdolliset suhde (t) joukossa sääilmiöiden aikana niin aikaikkuna, on vielä selvittämättä.
Etenevää logistinen malli binary kertaa sarja näyttää olevan riittävä siinä tapauksessa, jossa on korkeintaan muutamia päivittäin havaintoja yli 1 GDV tapaus. Kuitenkin, tämä ei voi olla, jos suurempi ryhmä koiria havaitaan, ja sen seurauksena, niiden päivien lukumäärä, joissa on enemmän kuin yksi tapaus GDV tulee melkoinen. Jos näin tapahtuu, Poisson GLM lähestymistapa voi olla tarkoitettu käytettäväksi yksinomaan.
Tähän liittyvä paperi [8] käyttää latenttimuuttujaa mallinnus perustuu hierarkkiseen Bayes lähestymistapa sisällyttämään välisestä riippuvuudesta huomautuksia. Tämä lähestymistapa on hieman vähemmän joustavaa kuin Lähestymistapa, tässä asiakirjassa. Syynä on se, että hierarkkinen Bayesin lähestymistapa edellyttää tiettyjen ennalta oletuksiin, kuten normaalius (tai muu erityinen jakelu) tietojen, jotka eivät ole aina helppo perustella käytännössä. Myös niiden valinta suuruusluokkaa 1 autoregressiivisen prosessi latenttimuuttujaa näyttää olevan subjektiivinen ja ei perustu mihinkään tiettyyn mallin valinta-algoritmi katsoo tutkimuksen tarjoaa joitakin tietoa mahdollisista valintamekanismi perustuen kriteereihin, kuten AIC. Lopuksi on tärkeää huomata tässä, että aikasarja lähestymistapa on hyvin luonnollista, kun on olemassa joukko havaintoja kirjataan ajan. Jos se tapahtuu, näitä havaintoja, on lähes aina; unohdetaan tämä korrelaatio voi aiheuttaa vääristynyttä päättely koskee kiinnostavien parametrien. Erityisesti, se johtaa usein liioiteltu tasoilla merkitys selittävien muuttujien. Siksi aikasarja lähestymistapaa on luultavasti sopiva tutkimuksen välineenä monissa kliinisissä tutkimuksissa, joissa havaintoja on kirjattu yli ajan. Tool Menetelmät
Data
GDV esiintymistietoja joukko koostuu kaikista kirjatut tapaukset GDV keskuudessa sotilaallinen työkoiria (MMD) on Lackland Air Force Base (LAFB) vuoden 1993 tammikuusta joulukuuhun 1998. Kummassakin tapauksessa rotu vaikuttaa koiran, sen sukupuoli, syntymäaika, ikä puhkeamista taudin ja paino rekisteröitiin. Kaikki koirat olivat yksi kolmesta rotuja: saksanpaimenkoira, Belgian Malinois tai hollanninpaimenkoira. Ensimmäinen tapaus on GDV sattui tammi 6, 1993 ja viimeinen joulu 25, 1998. kokonaismäärä todetuista tapauksista (eli päivät, jolloin GDV asia rekisteröitiin) on 60. Out of 60, vain kaksi päivää mukana useamman kuin yhden tapauksessa GDV; molemmilla niistä oli 2 vaikuttaa koiraa. Kaikki kenneled koirat tarkastettiin henkilökunta 3 tunnin välein kohti organisaation vakiomenettelyjä. Tapaukset olivat koiria, jotka osoittivat vatsan turpoaminen, tympani mahan, ja röntgenkuvissa nähtävien mahalaukun laajentuma määritettynä eläinlääkäri. Kirurginen interventio aloitettiin kaikissa tapauksissa joko johtuen hengenvaarallinen tila tai ei-hätä ennalta ehkäisevää gastropexy menettely.
Määrä koiria havainto LAFB ei ollut vakio, vaan muuttuu kuukausittain. Kuukausittain koira väestönlaskennan tiedot oli saatavilla lokakuu 1993 kautta joulukuu 1997 vain, alkaen 357 koiria lokakuussa 1993 ja päättyen 281 koiran joulukuussa 1997. Koska ei ole saatavilla väestönlaskennan tiedot vuodelta 1998, GDV esiintyminen tietoja vuodelle ei käytetty.
suuri tietokanta säätietoja koottiin National Climatic data Center klo Kelly Air Force Base, joka sijaitsee välittömässä läheisyydessä LAFB. Se sisälsi tunneittain tietoa tuulen suunta, nopeus ja tuulen puuska; tunneittain lämpötila Fahrenheit astetta, sekä säätää ja oikaisemattomien Kosteuden ja lopuksi ilmanpaine tuumaa elohopeaa, sekä säätää merenpinnan, ja oikaisemattomien yksi (in millibaaria).
mallinnus lähestymistapa
Useat mahdollisia malleja GDV esiintymisestä koirakantaan katsottiin. Ne kaikki, esiintyminen GDV tiettynä päivänä on koodattu käyttäen 1 varten GDV päivä tai 0 ei-GDV päivä ja käytetään vastauksena muuttuja. Muut määrät, kuten esimerkiksi ilmakehän paineessa ja ilman lämpötilan, käytettiin ennustaja muuttujia. Binary vastetiedot otollisia useita mahdollisia lähestymistapoja kuten binary GLM kanssa logistisen toimivat (logistinen regressio) ja Poisson GLM jossa log toimivat (Poisson regressio).
Sekä vasteen ja kovariaatit kirjattiin ajan; Tämän vuoksi on järkevää tarkastella sekä vasteen ja kovariaatit aikasarjoina. Siksi sen sijaan, yleistetty lineaarinen malli, joka olettaa tiedot ovat iid, käytimme modifioitua muotoa se, jossa sekä vasteen ja covariates ovat autokorreloituneita ajan.
Lisäksi aikasarjan lähestymistapa on hyötyä tässä ympäristössä, koska se on varsin todennäköistä, että useat säähän liittyvien (ja mahdollisesti muut) covariates ei ole huomioitu; suuri määrä mahdollisia etiologisia tekijöitä tekee melko vaikea sisällyttää kaikki niistä yksi malli. Lisäksi ilman lämpötilan ja ilmakehän paineessa, joita pidettiin aiemmin, ilmankosteus (joko absoluuttinen tai suhteellinen) voi olla yksi mahdollinen etiologiset tekijät. Kosteus kirjataan ajan ja yleensä osoittaa havaittavissa autokorrelaatio. Tyypillisesti se mielletään aikasarjan; jos vastaus muuttuja on todella riippuvainen kosteudesta, niiden pois jättäminen aiheuttaa vastemuuttuja näytteille ajallista autokorrelaatio. Tällainen ajattelutapa viittaa siihen, että aikasarja mallia GLM puitteissa voidaan paremmin kuvaamaan GDV esiintyminen kuin normaali logistinen GLM mallia harkita [7]. Muita covariates jotka ovat yleisesti nimitystä todennäköisesti mahdollista etiologiset tekijät GDV, kuten ilmanpaine, ilman lämpötila ja muut, ovat myös satunnaisia ​​ajasta riippuvia covariates (aikasarjan) itse. Näin ollen on jätetty pois yksi niistä
todennäköisesti aiheuttaa ylimääräisiä autokorrelaatio perusteltuja.
Out useista mahdollisista mallinnus lähestymistapoja, tämä tutkimus käytetty yksi, joka perustuu laskemisesta kokonaisluku arvostettu aikasarjoihin yleistetty lineaarinen malli puitteet [13]. Toisin kuin aiemmin Markovin ketju lähestymistapa, se ei aiheuta määrä parametrien arvioidaan kasvavan eksponentiaalisesti otoskoko; se on myös riittävän laaja kattamaan useimmat käytännössä tärkeitä malleja. Huomaa, että kumpikaan Markovin ominaisuus eikä stationaarisuutta on oletettava kun käytetään tätä lähestymistapaa. Tämä on tärkeää, koska nämä molemmat ominaisuudet, voi olla vaikeaa varmistaa käytännössä. Tuloksena malleja voidaan arvioida käyttämällä samaa menetelmää (iteratiivisen reweighted pienimmän neliösumman, IWLS lyhyitä) säännöllisinä yleistetty lineaarinen malli; ainoa ero on, että tulokset on tulkittava ehdollisesti menneessä.
GDV esiintyminen päivänä t
oli merkitty Y
t
. Siten Y
t
oli binary. Covariates voi sisältää menneitä ja nykyisiä arvoja selittävien muuttujien sekä aikaisempien arvojen Y
t
. Vektori Kaikkien covariates oli merkitty missä p
on määrä covariates, k
määrä selittävät muuttujat viiveitä ja q
määrä menneisyyden jäänyt Y
t
harkittava; Kunkin 1 ≤ i
≤ p
ja 1 ≤ j
≤ k
edusti arvoa i
nnen kovariaattina hetkellä t
- j
. Todennäköisyys GDV asia tiettynä päivänä määriteltiin p
t
joka on myös funktio kovariaattina vektorin z
t
. On ainakin kaksi tapaa mallintamisen todennäköisyys GDV tiettynä päivänä. Ensimmäinen vaihtoehto on käyttää binary GLM kanssa logit linkin toiminto - tehokkaasti, logistiikkaregressiomallin. Satunnaiskomponentin komponentti malli sitten on vektori binary arvojen Y
t
jotka autokorreloituneita ajan. Systemaattinen komponentti tuloksena logistinen malli tulee (1) missä α
on siepata, β
on vektorin kertoimien ja p
t
on todennäköisyys GDV tapahtuman tiettynä päivänä t
joka riippuu joukko covariates z t
. Kunkin GDV päivä, todennäköisyys tapahtuma määritellään useissa tapauksissa havaittu, että päivänä jaettuna koko väestöstä koirien tallennettu kyseisenä päivänä. Koska kaikki GDV todennäköisyydet olivat pieniä tutkimuksessa, on myös mahdollista mallintaa todennäköisyys GDV tapahtuman tiettynä päivänä t
käyttäen Poisson regressio. Tämä tarkoittaa, että satunnainen komponentti malli on vektori Y
t
jotka nähdään nyt Poisson laskee. Systemaattinen komponentti malli liittyy keskimääräinen tapausten lukumäärä päivänä t μ
t
on kovariaatit lokin avulla linkin (2), jossa jälleen kerran, α
on siepata, β
on vektori kertoimien ja μ
t
riippuu joukko covariates z t
kuin ennen.
ensimmäisessä vaiheessa mallissa valintamenettelyn , päivittäinen ominaisuuksia, kuten max, min ja keskiarvo, ilmakehän paineessa ja ilman lämpötila pidettiin mahdollisimman kovariantteja. Lämpötila ei oikaistu kosteutta. Viivästyneet arvot ilmakehän paineen ja /tai lämpötila voidaan pitää mahdollisimman GDV etiologiset tekijät ja täten lisäselvityksiä muuttujia samoin. Todennäköisyys-suhde testejä käytettiin tarkistaa tilastollista merkittävyyttä mallin kovariantteja. Selittävät muuttujat, jotka oli tarkoitus käyttää osana z t
valittiin. Merkitään päivittäin vähintään ilmakehän paineessa tiettynä päivänä pmin
t
, suurin päivittäinen ilmakehän pmax
t
, suurin päivittäinen ilmakehän lämpötila tmax
t
, ja vähintään päivittäinen ilmakehän lämpötila tmin
t
. Past arvot (päivä ennen) edellä olivat pmin
t
-1, pmax
t
-1, tmax
t
-1 ja tmint
t
-1. Suurin tunnin nousu /lasku ilmanpaine päivänä GDV tapahtuma merkitään rp
t
ja dp
t
, vastaavasti kun taas suurin tunti- nousu /lasku lämpötilan päivänä GDV tapahtuma merkitään rt
t
ja dt
t
. Koirien rotu ei pidetty, koska koirakannan oli melko homogeeninen koostuu kolmesta suuresta rotujen käytetään rutiininomaisesti MWD. Kaikki ei-tapahtuma päivää pidettiin tässä analyysissä samoin.
Mallit rakennettiin käyttäen prosessia vaiheittain eteenpäin valinta. Kovariaatit lisättiin peräkkäin ja log-todennäköisyys suhde kutakin uutta kovariaatti lasketaan. Välttämiseksi ennenaikainen pysäytys, vaikka kovariaattina ei lisännyt paljon kuvaileva kyky mallin, mitattuna sen log-todennäköisyys suhde tilastotieto, prosessi jatkuu, kunnes kaikki covariates kuvattu aiemmin ollut kokeillut. Määrä viivettä Y
t
sisältyvät mallit tarkastella tässä tutkimuksessa rajoittui 3 takaamiseksi parsimoniousness malleista. Jäännösten kunkin mallin voidaan myöhemmin analysoida autokorrelaation kuvioita ja ylimääräisiä viiveitä lisätään tarvittaessa. Kertoimet Y
t
-1 ja Y
t
-3 oli erittäin suuri log-todennäköisyys suhde p-arvot riippumatta siitä, mikä ulkoinen covariates sisällytettiin malliin; tarkemmin sanottuna, niiden log-todennäköisyys suhde p-arvot ylittävät 0,1 kaikkialla ja näin ollen jätettiin pois lopullisesta malleja.
mallit valitaan lopullinen on esitetty taulukossa (1). Paitsi pienin normaali ilmanpaine GDV päivänä ja maksimi ilmanpaine päivänä GDV tapahtuma ja päivänä ennen GDV tapahtumaa, kaikki muut ulkoiset kovariaatit näyttää log-todennäköisyys suhde p-arvojen yläpuolella valitun kynnysarvon 0,10 ovat ei sisälly.
Kaikkien mallien sisältämän taulukon (1) ovat kunnossa käyttämällä iteratiivista reweighted pienimmän neliösumman algoritmia sovelletaan yleisesti asentamisesta yleisen lineaarisia malleja. Koska käytämme kanoninen linkin toiminnon loki Binaaridatan, iterointiprosessin reweighted pienimmän neliösumman algoritmia osuu säännöllisen Newton-Raphson algoritmi tässä tapauksessa.
Julistukset
Kiitokset
Kirjoittajat kiittää eläinlääkärit ja puolustusministeriön Military työkoira Veterinary Service, joka ystävällisesti toimitti aineisto ja pyrkivät vähentämään GDV kaikilla koirilla. Haluamme myös kiittää professori Bruce Craig osastolta tilastotieteen Purduen yliopistossa, jonka kanssa kirjoittajien oli useita hyödyllisiä keskusteluja ja joiden avulla molemmat hyötyneet.
Kirjoittajien alkuperäinen toimitti asiakirjat kuville
Alla linkkejä kirjoittajien alkuperäiset toimitti asiakirjat kuville. 12917_2008_146_MOESM1_ESM.eps Kirjoittajien alkuperäinen tiedosto kuvio 1 12917_2008_146_MOESM2_ESM.eps Kirjoittajien alkuperäinen tiedosto kuvio 2 12917_2008_146_MOESM3_ESM.eps Kirjoittajien alkuperäinen tiedosto kuvio 3

• Järjestelmällinen katsaus ja meta-analyysi täysin laparoskooppisten versus laparoskooppisten avustettu distaalisen gastrectomy mahalaukun cancer
• Perheen hoitajan rentoutumista parantaa mahalaukun motiliteetin toiminta potilaan: crossover study