Un modello di serie storica del verificarsi di gastrica dilatazione-volvolo in una popolazione di dogs

Un modello di serie storiche del verificarsi di gastrica dilatazione-volvolo in una popolazione di cani
Abstract
sfondo
gastrica dilatazione-volvolo ( GDV) è una condizione pericolosa per la vita dei mammiferi, con un aumento del rischio di cani di taglia grande. Lo studio dei suoi fattori eziologici è difficile a causa della varietà di possibili condizioni di vita. L'associazione tra eventi meteorologici e la presenza di GDV è stato ipotizzato, ma rimane poco chiaro. Questo studio introduce l'approccio binario serie storica alla ricerca dei possibili fattori di rischio meteorologici per GDV. I dati raccolti in una popolazione di alto rischio cani lavorano in Texas è stato utilizzato
. Risultati
minima e massima pressione atmosferica giornaliera il giorno dell'evento GDV e la pressione atmosferica massima giornaliera il giorno prima dell'evento GDV erano positivamente associato con la probabilità di GDV. Tutte le quote /fattori moltiplicativi di un giorno di essere giorno GDV sono stati interpretati condizionatamente ultimi avvenimenti GDV. C'era differenza minima tra i modelli lineari generali binari e di Poisson.
Conclusione
serie di modellazione Tempo previsto un nuovo metodo per valutare l'associazione tra variabili meteorologiche e GDV in un'ampia popolazione di cani. corretta applicazione di questo metodo è stato arricchito da un ambiente comune per i cani e la disponibilità di dati meteorologici. Il potenziale di interazione tra cambiamenti climatici e fattori di rischio del paziente per GDV merita ulteriori indagini.
Sfondo
gastrica dilatazione-volvolo (GDV) è una condizione in cui lo stomaco si dilata e ruota su se stessa, che porta progressivamente a ipotensione, shock, e la morte. Cani di taglia grande sono spesso colpiti, anche se può colpire molte specie animali tra cui gli esseri umani [1].
I meccanismi fisici coinvolti in questa condizione e il suo trattamento sono ben capito, ma le cause non sono [2]. Cause di GDV possono essere considerati predisponenti (aumentando la probabilità della malattia) o precipitare (innescare l'insorgenza della malattia). Diversi predisponenti fattori di rischio nei cani sono stati suggeriti, tra cui il temperamento del cane (dell'eccitabilità), grande o gigante razza, una maggiore profondità toracica al rapporto di larghezza, e il consumo di cibo rapido [2-4]. Tuttavia, molte domande relative alla comparsa effettiva di questa malattia pericolosa per la vita rimangono inspiegabili da questi fattori di rischio.
Lo studio di precipitare cause per GDV è un importante e non molto ben zona ricercato. In molti casi di GDV, lo stomaco è disteso con il gas; Tra le possibili fonti di questo gas, aerofagia, fermentazione-putrefazione, la genesi gas chimici e la diffusione del gas sono stati suggeriti. Questo, unito con variazione stagionale osservata in casi GDV, ha dato luogo a sospetti circa la possibile associazione tra le condizioni climatiche GDV e poco prima della sua presenza [5, 6]. I metodi applicati da Herbold et al nel [5], cioè l'analisi delle componenti principali, per selezionare eventualmente importanti fattori climatologici possono aver oscurato l'impatto di una singola variabile tempo-correlati. Altri studi hanno utilizzato regressione logistica per studiare la probabilità di un giorno essere un giorno GDV, in certa pressione atmosferica o temperatura condizioni [6, 7]. Tali approcci sono basati su una premessa che eventi GDV sono indipendenti e non c'è una forte correlazione tra eventi nel tempo, come avverrebbe se la malattia fosse infettiva. Tuttavia, come un dato di fatto, la maggior parte delle covariate meteorologici pensato per influenzare GDV verificarsi, sono autocorrelati nel tempo e devono essere considerati come serie storiche. Se alcuni di loro non sono stati inclusi in un modello potenziale, ma lo fanno influenzare l'insorgenza GDV, GDV incidenze registrate nel corso del tempo possono essere correlati.
Così, la visualizzazione dei dati GDV evenienza, come serie temporale può essere consigliabile nella pratica. Sebbene tradizionali modelli di serie storiche ha avuto limitata applicabilità nello studio delle malattie rare, è stato recentemente utilizzato per dimostrare una componente stagionale ad un'altra malattia gastrointestinale, cioè, colica nei cavalli [8]. Poiché i dati occorrenza GDV è chiaramente intero valutata (il valore della risposta è il numero di casi GDV al giorno), i più tradizionali metodi di serie temporali, come quelli utilizzati nella classica Autoregressive Integrated media mobile quadro (ARIMA) [9] non può essere usato. Uno dei primi riferimenti [8] suggerisce che "... Una possibilità consiste nell'uso di una distribuzione di Poisson per modellare dati di conteggio in un quadro sostanzialmente analogo a quello della modellizzazione lineare generalizzato ..."; questo suggerimento ammonta efficacemente utilizzando l'approccio in base al modello lineare generalizzato (GLM) quadro che viene utilizzata in questo manoscritto.
L'obiettivo di questo studio è stato quello di utilizzare un approccio di serie temporali per indagare l'associazione tra variabili meteorologiche e GDV occorrenza nei cani. Per ridurre la variabilità dei fattori di rischio predisponenti e le variabili di confondimento come l'ambiente dieta e l'alloggiamento [2], il set di dati di grandi cani di razza ospitati al cane di lavoro militare (MWD) centro di formazione presso Lackland Air Force Base (LAFB) è stato utilizzato. In questo ambiente comune, i cani vengono alimentati con una dieta standard, ospitati in recinti esterni, e sono sotto osservazione 24 ore al giorno. Questo set di dati è stato utilizzato prima in un approccio di regressione logistica per indagare variabili meteorologiche e GDV [7], e il confronto degli approcci metodologici può quindi anche essere fatta.
Risultati
diversi modelli che hanno avuto alcuni dei valori più bassi di AIC (Akaike Information Criterion) sono mostrati nella Tabella 1. Per ciascuna di esse, la parte sistematica è dato, insieme con il tipo di modello (GLM binario o Poisson GLM) e valori di AIC. Solo i modelli che avevano log-verosimiglianza rapporto p-valori di tutte le covariate sotto 0.10 erano stati inclusi. Dal momento che il censimento cane varia di giorno in giorno, la quantità di esposizione attuale è variabile. Questo può rendere rigorosamente Poisson /ipotesi binari sui dati irrealistici. Nel caso di Poisson, ciò significa che la varianza può non essere esattamente uguale alla media. Nel caso binario, la varianza può non essere esattamente uguale alla varianza della distribuzione Bernoulli per un dato insieme di valori di covariate. Così, sembra ragionevole per verificare possibili sovradispersione nei dati. Un semplice approccio quasi-verosimiglianza è stato utilizzato per cercare le prove di sovradispersione [10]. Il coefficiente stimato è sempre vicino a 1 e quindi non sembra essere alcuna prova seria di sovradispersione in questo setting.Table 1 modelli finali
Modello
parte sistematica
Tipo del modello
AIC
sovradispersione fattore
1
β
0 + β
1Y
t
-2 + β
2pmin
t
binario 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
binario 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
binario GLM
410,46
1.02 Pagina 6
β
0 + β
1Y
t
-2 + β
2pmax
t
Poisson GLM
407.40
0,97
esame delle trame di autocorrelazione dei residui ha indicato che i residui di lavorazione trame di autocorrelazione erano quasi identici, e tutti loro non ha mostrato alcun sostanziale autocorrelazione rimanente. Sulla base di questo, questi tre modelli sembrano fornire una misura adeguata per il GDV dati occorrenza Y
t
.
I coefficienti di questi modelli sono stati interpretati sia come log odds (OR) in GLM binario modelli o fattori moltiplicativi (MF) in modelli di Poisson GLM. La tabella 2 contiene i valori di odds ratio e fattori moltiplicativi per la risposta ritardata Y
t
-2 e il covariate esterno per tutti i modelli della tabella 1. Esso contiene inoltre verosimiglianza p-value per tutti gli odds ratio. Nei nomi delle colonne della tabella 2, o in piedi per l'odds ratio e la MF per il fattore moltiplicativo; l ' "altro covariate OR" o è minima pressione atmosferica quotidianamente su GDV giorno pmin
t
, la pressione atmosferica massima giornaliera il giorno GDV pmax
t
o il massimo la pressione atmosferica al giorno, il giorno prima del giorno GDV pmax
t
-1. LL sta per il log-verosimiglianza. Dal momento che la probabilità dell'evento GDV in un dato giorno è piccolo ed i valori del censimento cane sono a centinaia, il modello può essere in forma sia come GLM binario o di Poisson GLM. Entrambi gli approcci sono impiegati a scopo di confronto. C'era molto poca differenza tra la GLM binario e Poisson GLM, nel caso per tutti i gruppi di covariate considered.Table Selection 2 Modello
Modello

O di Y
t
-2
LL p-value
Altro Covariate O /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 l'ultimo gruppo di modelli presentati non ce n'erano che considerato covariate esterni al ritardo di più di 1 giorno. Tali modelli sono stati considerati durante la fase di selezione del modello, però. In tutti questi casi, il rapporto di log-verosimiglianza p-value del covariate esterna in ritardo di più di 1 giorno era significativamente al di sopra di 0,10, mentre il coefficiente di 2 giorni di ritardo della risposta Y
t
-2 avuto il p-value rapporto di verosimiglianza costantemente sotto 0.10. Così, la scelta di covariate, non è sbilanciata a favore dei ritardi della risposta Y
t
a spese della covariata esterna ritardi.
Sulla base di questi modelli, sembra che i fattori che influenzare il tasso di GDV più evidente sono così la pressione atmosferica minima giornaliera il giorno dell'evento GDV, la pressione atmosferica massima giornaliera il giorno dell'evento GDV e la pressione atmosferica massima giornaliera il giorno prima dell'evento GDV. Gli odds ratio /fattori moltiplicativi del covariate esterna in tutti i modelli sono leggermente maggiore di 1 che indica un'associazione positiva tra questi fattori e la probabilità dell'evento GDV in un dato giorno. Ad esempio, la pressione atmosferica minima giornaliera il giorno della manifestazione GDV ha un rapporto di probabilità di 1,0455 per il modello GLM binario. Questo suggerisce che per ogni aumento della pressione minima giornaliera atmosferica di 1 unità, le probabilità del caso GDV si verificano su tale aumento giorno per il fattore di 1,0455. Per il rispettivo modello di Poisson, il fattore moltiplicativo impatto è 1,0464 che significa che per ogni aumento della pressione minima giornaliera atmosferica di 1 unità la probabilità del giorno essere un giorno GDV viene moltiplicato per il fattore 1,0464. Si noti che tutti i risultati per la covariata esterna deve essere interpretato in modo condizionale su quello che è successo due giorni prima del giorno di osservazione. Così, è più preciso dire che le probabilità di GDV verificarsi in un dato aumento giorno per il fattore di 1,0617 per ogni unità di aumento della pressione minima giornaliera atmosferica dato che sappiamo che se ci fosse o meno un caso di GDV due giorni in precedenza
. La dichiarazione di cui sopra non può essere fatta senza sapere quello che è successo due giorni prima del giorno di osservazione. Questa è la differenza fondamentale tra il nostro approccio e quello del normale modellazione GLM, se GLM binario (regressione logistica) o di un modello di Poisson
. Discussione e conclusione
In primo luogo, ciascuno dei modelli selezionati fornito importanti informazioni sulla possibile fattore eziologico di GDV e quindi svolge un ruolo utile. Non è necessario fare una scelta tra di loro se l'unico scopo è quello di esaminare le possibili covariate esplicativi per GDV occorrenza. Tuttavia, questo diventa necessario se la previsione di futuri episodi GDV è l'obiettivo principale. Noi non indagare questo tema nel documento corrente.
In secondo luogo, le variabili identificate come fattori che influenzano in modo significativo il tasso di occorrenza GDV sono stati la pressione minima giornaliera del giorno di GDV, la pressione massima giornaliera del giorno di GDV e la pressione massima giornaliera il giorno prima dell'evento GDV. Pressione minima giornaliera del giorno di GDV è stato anche identificato come fattori importanti e statisticamente significative nei [7]. E 'noto che non vi è associazione tra le variazioni della pressione barometrica e l'inizio del travaglio negli esseri umani e SIDS (sindrome della morte improvvisa infantile) [11, 12]. Meno si sa circa l'associazione tra la pressione atmosferica e malattie canine. L'attuale studio suggerisce che la pressione atmosferica e modifiche in essa possono essere i fattori più importanti che spiegano l'insorgenza di GDV nei cani.
Il valore di una risposta lag 2 giorni in modellazione per GDV era piuttosto inaspettato. Questo periodo di 2 giorni non può necessariamente correlare ad un periodo di 48 ore tra gli eventi, tuttavia. L'inizio esatto della cascata di eventi che portano alla GDV è difficile da accertare, e gli eventi fisiopatologici che portano a segni clinici può avvenire a velocità diverse in diversi cani. distensione gastrica è stato osservato a verificarsi rapidamente in alcuni cani, e più lentamente in altri. Il ruolo delle covariate che potrebbe essere collegato a ritardi nella manifestazione clinica, nonché l'eventuale relazione (s) tra fenomeni meteorologici durante tale finestra di tempo, restano da chiarire.
Il metodo che utilizza il modello logistico per tempo binario serie sembra essere adeguato nel caso in cui ci sono al massimo un paio di osservazioni giornaliere con più di 1 caso GDV. Tuttavia, questo non può essere il caso se si osserva un grande gruppo di cani e, di conseguenza, il numero di giorni con più di un caso di GDV diventa considerevole. In questo caso, l'approccio di Poisson GLM può essere utilizzato esclusivamente.
Un documento correlato [8] usa la modellazione variabile latente sulla base dell'approccio gerarchico Bayes per incorporare la dipendenza tra le osservazioni. Questo approccio è un po 'meno flessibile rispetto all'approccio sostenuto in questo documento. La ragione è il fatto che l'approccio gerarchico Bayesiano richiede alcune ipotesi specifiche precedenti, come normalità (o altra specifica distribuzione) dei dati, non sempre facile giustificare in pratica. Inoltre, la loro scelta del processo autoregressivo ordine 1 per la variabile latente sembra essere soggettivo e non basato su una particolare algoritmo di selezione del modello che tale ricerca offre alcune informazioni sul possibile meccanismo di selezione in base a criteri quali AIC. Infine, è importante notare qui che l'approccio serie temporale è molto naturale quando ci sono serie di osservazioni registrate nel tempo. Se accade, tali osservazioni sono quasi sempre correlati; ignorando questa correlazione può comportare l'inferenza distorta riguardo ai parametri di interesse. In particolare, si traduce spesso in livelli esagerati di significato per le variabili esplicative. Pertanto, l'approccio basato serie temporale è, probabilmente, lo strumento di ricerca appropriata in molti studi clinici in cui le osservazioni sono state registrate in un periodo di tempo.
Metodi
dati
I dati verificarsi insieme GDV è composto da tutti registrati casi di GDV tra i cani militari di lavoro (MWD) alla Lackland Air force Base (LAFB) da gennaio 1993 a dicembre 1998. In ogni caso, la razza del cane colpito, il suo sesso, data di nascita, l'età al momento della comparsa di sono state registrate la malattia e il peso. Tutti i cani erano di una delle tre razze: pastore tedesco, Malinois belga, o Pastore olandese. Il primo caso registrato di GDV si è verificato il 6 gennaio 1993 e l'ultima il 25 dicembre 1998. Il numero totale di casi registrati (cioè i giorni in cui è stato registrato caso GDV) è 60. Su 60, solo due giorni coinvolti più di un caso di GDV; su entrambi, c'erano 2 cani affetti. Tutti i cani Kenneled sono stati controllati dal personale ogni 3 ore per le procedure standard organizzativi. I casi erano i cani che hanno dimostrato gonfiore addominale, timpani dello stomaco, e l'evidenza radiografica di dilatazione gastrica come determinato da un veterinario. L'intervento chirurgico è stato avviato su tutti i casi, sia a causa di condizioni di pericolo di vita o per la procedura di profilassi Gastropexy non di emergenza.
Il numero di cani sotto osservazione a LAFB non era costante, ma piuttosto che cambia di mese in mese. I dati mensili cane censimento era disponibile ottobre 1993 tramite dic 1997 solo, a partire da 357 cani in ottobre 1993 e termina con 281 cane nel dicembre 1997. A causa della indisponibilità dei dati del censimento per il 1998, GDV dati sulla presenza per l'anno non sono stati utilizzati.
Un ampio database di dati meteorologici è stato assemblato dal Centro Climatic Data nazionale al Kelly Air force Base, che si trova immediatamente adiacente alla LAFB. Conteneva dati orari della direzione del vento, la velocità e la raffica di vento; temperatura oraria in gradi Fahrenheit, sia regolata e non regolata in funzione dell'umidità e, infine, la pressione atmosferica in pollici di mercurio, sia regolata al livello del mare, e uno non aggiustata (in millibar).
approccio Modeling
Diversi possibili modelli per il verificarsi GDV nella popolazione cani sono stati considerati. In tutti loro, il verificarsi di GDV in un dato giorno è stato codificato usando 1 per un giorno GDV o 0 per un giorno non GDV e utilizzato come variabile di risposta. Altre quantità, come, per esempio, pressione atmosferica e temperatura dell'aria, sono stati usati come variabili predittive. Il dato risposta binaria si presta ad una serie di possibili approcci compresi GLM binario con funzione di collegamento logistica (regressione logistica) e un GLM Poisson con una funzione di collegamento log (regressione di Poisson)
Sia risposta e covariate sono state registrate nel tempo.; questo lo rende ragionevole per visualizzare sia la risposta e covariate come serie storiche. Pertanto, invece del solito modello lineare generalizzato che assume i dati sono iid, abbiamo utilizzato la forma modificata di esso dove sia risposta e covariate autocorrelati nel tempo.
Inoltre, un approccio serie temporale è utile in questo contesto perché è molto probabile che un certo numero di tempo-correlati (e possibilmente altri) covariate non sono contabilizzate; un gran numero di possibili fattori eziologici rende piuttosto difficile includere tutti in un modello. Oltre temperatura dell'aria e la pressione atmosferica che sono stati considerati in precedenza, l'umidità dell'aria (assoluto o relativo) può essere uno dei possibili fattori eziologici. Umidità è registrato nel corso del tempo e di solito mostra autocorrelazione evidente. Tipicamente, si è pensato come una serie temporale; se la variabile di risposta è veramente dipende umidità, la sua omissione provoca la variabile di risposta ad esporre autocorrelazione temporale. Questa linea di pensiero suggerisce che un modello di serie storica nel quadro GLM può essere migliore di descrivere GDV verificarsi rispetto al normale modello GLM logistico considerato in [7]. Altri covariate che sono comunemente citati come probabili possibili fattori eziologici di GDV, come ad esempio la pressione atmosferica, la temperatura dell'aria e gli altri, sono anche covariate dipendenti dal tempo casuali (serie storiche) stessi. Pertanto, l'omissione di uno di essi
è tale da indurre ulteriori autocorrelazione nella risposta.
Su diversi approcci di modellazione possibili, questa ricerca utilizzato quello che si basa sul mettere valori interi serie temporali nel lineare generalizzato modello di riferimento [13]. A differenza del precedente approccio catena di Markov, non provoca il numero di parametri da stimare a crescere esponenzialmente con la dimensione del campione; è anche abbastanza ampia da comprendere la maggior parte dei modelli praticamente importanti. Si noti che né proprietà di Markov né stazionarietà devono essere assunti quando si impiegano questo approccio. Ciò è importante poiché entrambe queste proprietà può essere difficile verificare in pratica. I modelli risultanti possono essere stimati usando lo stesso metodo (iterativi minimi quadrati riponderata, IWLS in breve) come modelli lineari generalizzati regolari; l'unica differenza è che i risultati devono essere interpretati in modo condizionale sul passato.
GDV verificarsi nel giorno t
è stato indicato come Y
t
. Così, Y
t
era binario. Le covariate possono includere i valori passati e presenti delle variabili esplicative così come i valori passati di Y
t
. Il vettore di tutte le covariate è stato indicato come dove p
è il numero di covariate, k
il numero di variabili esplicative ritardi e q
il numero del passato in ritardo rispetto della Y
t
considerato; per ogni 1 ≤ i ≤
p
e 1 ≤ j ≤ k

, rappresentato il valore di i
esimo covariate al tempo t
- j
. La probabilità di un caso GDV in un dato giorno è stata definita come p
t
che è anche una funzione del vettore covariate z
t
. Ci sono almeno due possibili modi di modellazione probabilità di GDV in un dato giorno. La prima scelta è quella di utilizzare il GLM binario con funzione di collegamento logit - in modo efficace, un modello di regressione logistica. La componente casuale del modello, allora è un vettore di valori binari di Y
t
che vengono autocorrelato nel corso del tempo. La componente sistematica del modello logistico risultante diventa (1) dove α
è l'intercetta, β
è il vettore dei coefficienti e p
t
è la probabilità dell'evento GDV su un dato giorno t
che dipende dal set di covariate z t
. Per ogni giorno GDV, la probabilità dell'evento è definito come il numero di casi osservati in quel giorno diviso per la popolazione totale di cani registrati in quel giorno. Poiché tutti probabilità GDV erano piccole nello studio, è anche possibile modellare la probabilità dell'evento GDV in un dato giorno t
utilizzando la regressione di Poisson. Questo implica che la componente casuale del modello è un vettore di Y
t
che sono considerati ora come conta di Poisson. La componente sistematica del modello si riferisce al numero medio di casi nel giorno t μ
t
alle covariate utilizzando il link di log come (2) in cui, ancora una volta, α
è l'intercetta, β
è il vettore dei coefficienti e μ
t
dipende dal set di covariate z t
come prima.
come primo passo della procedura di selezione del modello , le caratteristiche quotidiane, come max, min e significano, della temperatura e pressione atmosferica sono stati considerati come possibili covariate. La temperatura non è stato rettificato per l'umidità. I valori ritardati di pressione e /o temperatura atmosferica possono essere visti come possibili fattori eziologici GDV e variabili esplicative così aggiuntivi. I test del rapporto di verosimiglianza sono stati usati per verificare la significatività statistica dei modelli covariate. Le variabili esplicative che dovevano essere usati come parte di z t
sono stati scelti. Indichiamo la pressione minima giornaliera atmosferica in un determinato giorno pmin
t
, massima pressione atmosferica giornaliera pmax
t
, massima temperatura atmosferica giornaliera tmax
t
e temperatura atmosferica minima giornaliera Tmin
t
. valori passati (un giorno prima) di cui sopra sono stati pmin
t
-1, pmax
t
-1, tmax
t
-1 e tmint
t
-1. Il oraria aumento /diminuzione massima della pressione atmosferica il giorno della manifestazione GDV è stato indicato rp
t
e dp
t
, rispettivamente, mentre la massima oraria di salita /discesa della temperatura il giorno della manifestazione GDV è stato indicato rt
t
e dt
t
. razza dei cani non è stata considerata dal momento che la popolazione canina era piuttosto omogenea composta da tre grandi razze abitualmente utilizzati come MWD. Tutti i giorni di non-eventi sono stati considerati in questa analisi così.
I modelli sono stati costruiti utilizzando il processo di graduale selezione in avanti. Le covariate sono stati aggiunti successivamente e il rapporto di log-verosimiglianza per ogni nuovo covariata è calcolato. Per evitare di stop prematuro, anche se la covariata non ha aggiunto molto alla capacità descrittiva del modello, come misurato dal suo rapporto di verosimiglianza statistica, il processo è proseguito fino a quando tutte le covariate descritti in precedenza era stato provato. Il numero dei ritardi di Y
t
inclusi nei modelli considerati in questa ricerca era limitato a 3, al fine di garantire la parsimonia dei modelli. I residui di ogni modello possono poi essere analizzati per i modelli di autocorrelazione e ritardi supplementari aggiunti, se necessario. I coefficienti di Y
t
-1 e Y
t
-3 erano molto grande rapporto di verosimiglianza valori di p, indipendentemente da quale covariate esterni sono stati inclusi nel modello; Più in particolare, il loro rapporto di valori di p log-verosimiglianza superano 0,1 in tutto il mondo, e quindi sono stati esclusi dai modelli finali.
I modelli selezionati come finale sono riportati nella tabella (1). Tranne la pressione atmosferica minima sul giorno GDV e la pressione atmosferica massima il giorno dell'evento GDV e il giorno prima dell'evento GDV, tutte le altre covariate esterne visualizzare verosimiglianza p-valori del rapporto di sopra del livello di soglia prescelto di 0,10 sono non incluso.
Tutti i modelli contenuti nella tabella (1) sono in forma utilizzando l'algoritmo di minimi quadrati riponderata iterativo usata per il montaggio dei modelli lineari generalizzati. Dato che stiamo usando la canonica registro funzione di collegamento per i dati binari, l'algoritmo iterativo riponderata minimi quadrati coincide con il normale algoritmo di Newton-Raphson in questo caso.
Dichiarazioni
Ringraziamenti
Gli autori ringraziano i veterinari di il Dipartimento della Difesa militare di lavoro per cani Servizio veterinario, che ha gentilmente fornito il set di dati e cercare di ridurre l'incidenza di GDV in tutti i cani. Vogliamo anche ringraziare il Prof. Bruce Craig dal Dipartimento di Statistica presso la Purdue University con cui gli autori hanno avuto una serie di discussioni utili e dal cui aiuto entrambi hanno beneficiato. Fascicoli presentati originali
d'autore per le immagini
Qui di seguito sono i link ai originali degli autori presentati file per le immagini. 'file originale per la figura 1 12917_2008_146_MOESM2_ESM.eps Autori 12917_2008_146_MOESM1_ESM.eps autori file originale per il file originale figura 2 12917_2008_146_MOESM3_ESM.eps degli autori per la figura 3

• Revisione sistematica e meta-analisi di totalmente laparoscopica rispetto laparoscopica gastrectomia distale assistita per cancro gastrico
• il relax di un caregiver familiare migliora la funzione motilità gastrica del paziente: uno studio crossover