En tidsseriemodell for forekomsten av mage dilatasjon-tarmslyng i en populasjon av hunder

En tidsseriemodell for forekomsten av mage dilatasjon-tarmslyng i en populasjon av hunder
Abstract
Bakgrunn
Gastric dilatasjon-tarmslyng (GDV) er en livstruende tilstand hos pattedyr, med økt risiko i stor rase hunder. Studiet av sine etiologiske faktorer er vanskelig på grunn av det mangfoldet av mulige levekår. Sammenhengen mellom meteorologiske hendelser og forekomsten av GDV er postulert men er fortsatt uklart. Denne studien introduserer den binære tidsserier tilnærming til etterforskningen av mulige meteorologiske risikofaktorer for GDV. De samlet i en befolkning med høy risiko arbeider hunder i Texas data ble brukt.
Resultater
Minimum og maksimum daglig atmosfærisk trykk på dagen av GDV hendelse og maksimal daglig atmosfærisk trykk på dagen før GDV hendelsen var positivt assosiert med sannsynligheten for GDV. Alle odds /multiplikative faktorene for en dag å være GDV dag ble tolket betinget på de siste GDV forekomster. Det var minimal forskjell mellom binære og Poisson generelle lineære modeller.
Konklusjon
Tidsserier modellering gitt en ny metode for å vurdere sammenhengen mellom meteorologiske variable og GDV i en stor populasjon av hunder. Hensiktsmessig bruk av denne metoden ble forsterket av et felles miljø for hundene og tilgjengeligheten av meteorologiske data. Potensialet samspillet mellom været forandrer seg og pasient risikofaktorer for GDV fortjener videre undersøkelser.
Bakgrunn
Gastric dilatasjon-tarmslyng (GDV) er en tilstand der magen utvider og roterer på seg, fører gradvis til hypotensjon, sjokk, og død. Store hunderaser er ofte påvirket, selv om det kan påvirke mange dyrearter inkludert mennesker [1].
Den fysiske mekanismene som er involvert i denne tilstanden og dens behandling er godt forstått, men årsakene er ikke [2]. Årsaker til GDV kan anses predisponerende (øker sannsynligheten for sykdom) eller utfelling (utløser utbruddet av sykdommen). Flere predisponerende risikofaktorer hos hunder har blitt foreslått, blant annet temperament av hunden (oppstemthet), stor eller gigantiske rase, økt thorax dybde og bredde-forhold, og rask mat forbruk [2-4]. Men mange spørsmål knyttet til selve utbruddet av denne livstruende sykdom forblir uforklart av disse risikofaktorene.
Studie av utløsende årsaker for GDV er en viktig og ikke veldig godt undersøkt området. I mange tilfeller av GDV, er magen oppblåst med gass; blant mulige kilder til denne gassen, aerofagi, gjæring-forråtnelse, kjemisk gass genesis og gass diffusjon har blitt foreslått. Dette, kombinert med observerte sesongvariasjon i GDV tilfeller ga opphav til mistanke om en mulig sammenheng mellom GDV og værforhold kort tid før sin forekomst [5, 6]. Metoder som anvendes av Herbold et al [5], dvs. Hovedkomponentene analyse, for å velge muligens viktige klimatologisk faktorer kan ha skjult effekten av en enkelt vær-relaterte variable. Andre studier har brukt logistisk regresjon for å undersøke sannsynligheten for en dag å være en GDV dag, gitt visse atmosfæriske trykk- eller temperaturbetingelser [6, 7]. Slike tilnærminger er basert på en forutsetning om at GDV hendelser er gjensidig uavhengige og det er ingen sterk sammenheng mellom hendelser over tid, som ville oppstå hvis sykdommen var smittsom. Men som et spørsmål om faktum, de fleste meteorologiske kovariatene tenkt å påvirke GDV forekomst, er autokorrelert over tid og bør betraktes som tidsserier. Hvis noen av dem ikke har vært inkludert i en potensiell modell, men de påvirker GDV forekomst, kan GDV tilfeller registrert over tid være korrelert.
Dermed ser de GDV forekomstdata for eksempel tidsserier kan være tilrådelig i praksis. Selv om tradisjonell tidsserier modellering har hatt begrenset anvendbarhet i studiet av sjeldne sykdommer, har det nylig blitt anvendt for å demonstrere en sesongkomponenten til en annen gastrointestinal sykdom, nemlig kolikk hos hester [8]. Siden GDV forekomsten dataene er tydelig helt tall verdsettes (verdien av responsen er antallet GDV tilfeller per dag), de mer tradisjonelle tidsserie metoder, slik som de som brukes i den klassiske autoregressiv Integrated Moving Average (ARIMA) rammeverk [9] kan ikke anvendes. En av de tidligere referansene [8] tyder på at "... En mulighet ligger i bruk av en Poisson-fordeling for å modellere telledata innenfor et rammeverk bredt analog med den i generalisert lineær modellering ..."; dette forslaget effektivt utgjør bruker tilnærming basert på generalisert lineær modell (GLM) rammeverk som er benyttet i dette manuskriptet.
Målet med denne studien var å bruke en tidsserie tilnærming for å undersøke sammenhengen mellom meteorologiske variable og GDV forekomst i hunder. For å redusere variabiliteten i disponerende risikofaktorer og konfunderende variabler som kosthold og bomiljø [2], ble datasettet av store rase hundene plassert på Military Working Dog (MWD) Training Center på Lackland Air Force Base (LAFB) brukes. I denne felles miljø, er hundene matet en standard diett, plassert i utendørs går, og er under observasjon 24 timer i døgnet. Dette datasettet har vært brukt før i en logistisk regresjon tilnærming til å undersøke meteorologiske variable og GDV [7], og en sammenligning av de metodiske tilnærminger kan derfor også bli gjort.
Resultater
Flere modeller som hadde noen av de laveste verdiene av AIC (Akaike Informasjon kriterium) er vist i tabell 1. for hver av dem, er den systematiske delen gitt, sammen med den type av modellen (binær GLM eller Poisson GLM) og verdiene av AIC. Kun modeller som hadde log-likelihood ratio p-verdier for alle kovariatene under 0,10 hadde vært inkludert. Ettersom dog tellings varierer fra dag til dag, graden av eksponering til stede er variabel. Dette kan gjøre strengt Poisson /binær antagelse om dataene urealistiske. I Poisson tilfellet betyr dette at variansen ikke kan være nøyaktig lik middelverdien. I det binære tilfelle kan variansen ikke være nøyaktig lik variansen av Bernoulli fordelingen for et gitt sett av kovarianteffekter verdier. Dermed virker det rimelig å se etter mulig overdispersion i dataene. En enkel kvasi-sannsynligheten tilnærming ble brukt til å lete etter bevis for overdispersion [10]. Den estimerte koeffisienten er alltid nær en og dermed er det ikke synes å være noen alvorlige bevis på overdispersion i denne setting.Table 1 The Final Modeller
Modell <.no> Systematisk del
Type modellen
AIC
Overdispersion faktor
en
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
Undersøkelse av de gjenværende autokorrelasjons tomter indikert at de arbeider ut restene autokorrelasjons tomter var nesten identiske, og alle av dem viste ingen betydelig gjenværende autokorrelasjon. Basert på dette, disse tre modellene ser ut til å gi en tilstrekkelig skikket for GDV forekomst data Y
t
.
Koeffisientene i disse modellene ble tolket som enten log odds (OR), i en binær GLM modeller eller multiplikative faktorer (MF) i Poisson GLM modeller. Tabell 2 inneholder verdiene av odds ratio og multiplikative faktorene for lagged responsen Y
t
-2 og den eksterne kovariat for alle modellene fra tabell 1. Den inneholder også log-likelihood p-verdier for alle odds ratio. I navnene på kolonnene i tabell 2, eller stå for odds ratio og MF for multiplikativ faktor; "andre kovariat OR" er enten minimum daglig atmosfærisk trykk på GDV dag Pmin
t
, maksimal daglig atmosfærisk trykk på GDV dag Pmax
t
eller maksimal daglig atmosfærisk trykk på dagen før GDV dag Pmax
t
-1. LL står for log-sannsynlighet. Siden sannsynligheten for GDV hendelse på en gitt dag er liten og verdiene av hunden tellingen er i hundrevis, kan modellen være skikket som enten binær GLM eller Poisson GLM. Begge tilnærminger er ansatt for sammenligningsformål. Det var svært liten forskjell mellom det binære GLM og Poisson GLM i tilfelle for alle settene med kovariater considered.Table 2 Model Selection
Model

OR av Y
t
-2
LL p-verdi
Andre kovariat 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 siste gruppen av modellene vist var det ingen som anses eksterne kovariater på etterslep på mer enn en dag. Slike modeller ble vurdert i løpet av modellvalg scenen, imidlertid. I alle disse tilfellene log-likelihood ratio p-verdi på den ytre kovariat etterslep av mer enn en dag var betydelig over 0,10, mens koeffisienten for den to-dagers forsinkelse av responsen Y
t
-2 hadde log-likelihood ratio p-verdi konsekvent under 0,10. Dermed er valget av kovariater ikke partisk i favør av etterslep av responsen Y
t
på bekostning av den eksterne kovariat etterslep.
Basert på disse modellene, ser det ut til at de faktorene som påvirke den GDV mest merkbart er således den minimale daglige atmosfæretrykket på dagen av GDV arrangement, den maksimale daglige atmosfæretrykket på dagen for GDV hendelse og den maksimale daglige atmosfæretrykket på dagen før GDV arrangementet. De odds ratio /multiplikative faktorene for den eksterne kovariat i alle modeller er litt større enn en som indikerer positiv sammenheng mellom disse faktorene og sannsynligheten for GDV hendelsen på en gitt dag. For eksempel, den minimale daglige atmosfæretrykket på dagen av GDV hendelse har en odds forhold på 1,0455 til det binære GLM modell. Dette tyder på at for hver økning av minimums daglig atmosfærisk trykk ved en enhet, oddsen for GDV tilfellet oppstår den dagen øker med en faktor på 1,0455. For den respektive Poisson-modellen, er multiplikativ påvirkningsfaktor 1,0464 noe som betyr at for hver økning av den minimale daglige atmosfæretrykket med en enhet sannsynligheten for dagen er en GDV dag blir multiplisert med faktoren 1,0464. Merk at alle resultatene for den eksterne kovariat bør tolkes betinget på det som skjedde to dager før observasjons dag. Dermed er det mer presist å si at oddsen for GDV forekomst på en gitt dag øker med en faktor på 1,0617 for hver enhet økning i minste daglig atmosfærisk trykk gitt at vi vet om det var eller ikke var et tilfelle av GDV to dager tidligere
. Ovennevnte uttalelse kan ikke gjøres uten å vite hva som skjedde to dager før dagen for observasjon. Dette er den viktige forskjellen mellom vår tilnærming og at den vanlige GLM modellering, enten binær GLM (logistisk regresjon) eller en Poisson modell.
Diskusjon og Konklusjon
Først hver av modellene valgt gitt viktig informasjon om mulige etiologisk faktor på GDV og således spiller en nyttig rolle. Det er ikke nødvendig å gjøre et valg mellom dem hvis eneste formål er å se nærmere på mulige forklarings kovariater for GDV forekomst. Men blir det nødvendig dersom prognoser av fremtidige GDV tilfeller er hovedfokus. Vi vil ikke undersøke dette temaet i dagens papir.
Andre variablene som er identifisert som faktorer signifikant påvirker frekvensen av GDV forekomsten var minimum daglig press på dagen av GDV, maksimal daglig press på dagen for GDV og maksimal daglig press på dagen før GDV hendelsen. Minimum daglig press på dagen for GDV ble også identifisert som viktige og statistisk signifikante faktorer i [7]. Det er kjent at det er sammenheng mellom endringer i barometertrykk og utbruddet av arbeidskraft i mennesker og SIDS (krybbedød) [11, 12]. Mindre er kjent om sammenhengen mellom atmosfærisk trykk og canine sykdommer. Den aktuelle studien tyder på at atmosfærisk trykk og endringer i det kan være de viktigste faktorene som forklarer utbruddet av GDV i hunder.
Verdien av en to-dagers etterslep respons i modellering for GDV var noe uventet. Dette to-dagers periode ikke nødvendigvis relateres til en 48-timers periode mellom hendelser, imidlertid. Den nøyaktige utbruddet av kaskade av hendelser som fører til GDV er vanskelig å fastslå, og patofysiologiske hendelser som fører til kliniske symptomer kan oppstå på ulike hastigheter i forskjellige hunder. Gastric distensjon har blitt notert til å skje raskt i enkelte hunder, og saktere i andre. Rollen til kovariabler som kan være knyttet til forsinkelser i kliniske manifestasjon, så vel som mulig relasjon (er) mellom meteorologiske fenomener i løpet av et slikt vindu av tid, gjenstår å bli belyst.
Tilnærming ved hjelp av logistisk modell for binær tids serie synes å være tilstrekkelig i det tilfelle hvor det er høyst noen daglige observasjoner med mer enn en GDV tilfelle. Dette kan imidlertid ikke være tilfelle hvis en større gruppe av hunder er observert og, som en konsekvens, blir det antall dager med mer enn ett tilfelle av GDV betydelig. Hvis dette skjer, kan Poisson GLM tilnærming må brukes eksklusivt., En forbindelse papir [8] anvender det latente variabelen modellering basert på den hierarkiske Bayes tilnærming for å innlemme avhengigheten mellom observasjonene. Denne tilnærmingen er noe mindre fleksibel enn den tilnærmingen til orde i denne artikkelen. Årsaken er det faktum at den hierarkiske bayesisk tilnærmingen krever visse spesifikke tidligere antagelser, slik som normalitet (eller annen spesifikk fordeling) av data, som ikke alltid er lett å rettferdiggjøre i praksis. Også deres valg av størrelsesorden en autoregressiv prosess for den latente variabelen synes å være subjektiv og ikke basert på noen bestemt modell utvalg algoritme mens denne forskningen gir et innblikk i mulige valg mekanisme basert på kriterier som AIC. Til slutt er det viktig å legge merke til her at tidsseriene tilnærming er svært naturlig når det er en serie observasjoner registrert over tid. Hvis det skjer, er slike observasjoner nesten alltid korrelert; ignorerer denne sammenhengen kan resultere i forvrengt slutning om parametere av interesse. Spesielt resulterer det ofte i overdrevne nivåer av betydning for forklaringsvariable. Derfor tidsserien basert tilnærming, sannsynligvis, den aktuelle forskningsverktøy i mange kliniske studier hvor observasjoner er registrert i løpet av en periode.
Metoder
data
GDV forekomsten Datasettet består av alle registrert tilfeller av GDV blant de militære brukshunder (MWD) på Lackland Air Force Base (LAFB) fra januar 1993 til desember 1998. i hvert fall den type berørte hund, dens kjønn, fødselsdato, alder ved utbruddet av sykdommen og vekten ble nedtegnet. Alle hundene var av en av tre raser: tysk Shepherd, Belgisk Malinois, eller nederlandsk Shepherd. Den første registrerte tilfellet av GDV skjedde den jan 6, 1993 og den siste på 25 desember 1998. Det totale antall registrerte tilfeller (dvs. hvilke dager GDV saken ble registrert) er 60. Ut av 60, bare to dager involvert mer enn ett tilfelle av GDV; på begge av dem, var det 2 berørt hunder. Alle kenneled hunder ble sjekket av personalet hver 3 timer per organisatoriske standard prosedyrer. Tilfellene var hunder som viste abdominal hevelse, tympani av magen, og radiografiske tegn på mage dilatasjon som bestemmes av en veterinær. Kirurgiske inngrep ble igangsatt på alle saker, enten på grunn av livstruende tilstand eller for ikke-akutt profylaktisk Gastropexy prosedyre.
Antall hunder under observasjon på LAFB var ikke konstant, men heller endre seg fra måned til måned. Den månedlige hundetellingen data var tilgjengelig oktober 1993 gjennom desember 1997 bare, og starter med 357 hunder i oktober 1993 og slutter med 281 hund i desember 1997. På grunn av utilgjengelighet av folketellingsdata for 1998, GDV forekomstdata for det året ble ikke brukt.
En stor database med værdata ble satt sammen fra National Climatic data Center på Kelly Air Force Base, som ligger rett ved siden av LAFB. Den inneholdt time data på vindretningen, hastighet og vindkast; hver time temperaturen i grader Fahrenheit, både justert og justert for fuktighet og, til slutt, atmosfærisk trykk i inches av kvikksølv, både justert til havet, og ujusterte en (i millibar).
modelleringsmetode, En rekke mulige modeller for GDV forekomst i hundebestanden ble vurdert. I alle av dem, ble forekomsten av GDV på en gitt dag kodet ved hjelp av en for en GDV dag eller 0 for en ikke-GDV dag og brukes som en respons variabel. Andre mengder, slik som for eksempel atmosfæretrykk og lufttemperatur, ble anvendt som prediktor variabler. Den binære respons data gir seg til en rekke mulige tilnærminger inkludert binær GLM med logis linken funksjon (logistisk regresjon) og en Poisson GLM med en logg lenke funksjon (Poisson regresjon)
Både respons og kovariater ble registrert over tid.; dette gjør det rimelig å se både respons og kovariater som tidsserier. Derfor, i stedet for den vanlige generalisert lineær modell som forutsetter dataene er iid, vi utnyttet modifisert form av det der både respons og kovariater er autokorrelert over tid.
Tillegg er en tidsserie tilnærming nyttig i denne innstillingen, fordi det er ganske sannsynlig at en rekke vær-relaterte (og muligens andre) kovariater er ikke regnskapsført; et stort antall mulige årsaksfaktorer gjør det ganske vanskelig å inkludere alle av dem i en modell. I tillegg til lufttemperatur og atmosfæretrykk og som antas tidligere, luftfuktighet (enten absolutt eller relativ) kan være en av de mulige etiologiske faktorer. Fuktighet er registrert over tid og vanligvis viser merkbar autokorrelasjon. Vanligvis er det tenkt som en tidsserie; Hvis svaret variabelen er virkelig avhengig av fuktighet, fører sin unnlatelse responsvariabelen til å vise timeautokorrelasjon. Denne tankegangen tilsier at en tidsseriemodell i GLM rammeverket kan bli bedre på å beskrive GDV forekomst enn vanlig logis GLM modell vurderes i [7]. Andre kovariater som ofte sitert som den sannsynlige mulige årsaksfaktorer for GDV, slik som atmosfærisk trykk, lufttemperatur og andre, er også tilfeldige tidsavhengige kovariater (tidsserier) selv. Således, utelatelse av en av dem
er egnet til å indusere ytterligere autokorrelasjon i responsen.
Av flere mulige modellerings nærmer seg, denne forskningen benyttet en som er basert på å sette heltallet verdsettes tidsserie i den generaliserte lineære modellen rammeverk [13]. I motsetning til den tidligere Markov-kjede tilnærming, er det ikke medfører antallet parametere som skal ventes å vokse eksponensielt med prøven størrelse; Det er også bredt nok til å omfatte det meste av praktisk viktige modellene. Merk at verken Markov eiendom eller stasjonaritet må antas ved ansettelse av denne tilnærmingen. Dette er viktig siden begge disse egenskaper kan være vanskelig å kontrollere i praksis. De resulterende modellene kan estimeres ved hjelp av samme metode (iterative reweighted minste kvadrater, IWLS for kort) som vanlige generaliserte lineære modeller; den eneste forskjellen er at resultatene må tolkes betinget på det siste.
GDV forekomst på dag t
ble betegnet som Y
t
. Dermed Y
t
var binær. Kovariatene kan inkludere tidligere og nåværende verdier av forklaringsvariablene, samt tidligere verdier av Y
t
. Vektoren av alle kovariabler ble betegnet som p hvor
er antallet kovariabler, k
antall forklaringsvariabler etterslep og q
antall tidligere etterslep av Y
t
vurderes; for hver 1 ≤ i
≤ p Hotell og 1 ≤ j
≤ k
, representerte verdien av i
th kovariat ved tiden t
- j
. Sannsynligheten for en GDV sak på en gitt dag ble definert som p
t
som også er en funksjon av kovariat vektor z
t
. Det er minst to mulige måter å modellere sannsynlighet for GDV på en gitt dag. Det første valget er å bruke den binære GLM med logit linken funksjon - effektivt, en logistisk regresjonsmodell. Den tilfeldige komponent i modellen så er en vektor av binære verdier av Y
t
som autokorrelert over tid. Den systematiske komponenten i den resulterende logistiske modellen blir (1) hvor α
er skjærings, β
er vektoren av koeffisienter og p
t
er sannsynligheten for at GDV hendelsen på en gitt dag t Hotell som avhenger av settet med kovariater z t
. For hver GDV dag, er sannsynligheten for hendelsen er definert som antall tilfeller observert den dagen delt på den totale befolkningen av hunder registrert på den dagen. Fordi alle GDV sannsynligheter var liten i studien, er det også mulig å modellere sannsynligheten for GDV arrangementet på en gitt dag t
ved hjelp av Poisson-regresjon. Dette innebærer at den tilfeldige komponenten av modellen er en vektor av Y
t
som blir sett på som nå Poisson-teller. Den systematiske komponenten i modellen gjelder gjennomsnittlig antall tilfeller på dag t μ
t
til kovariatene bruker loggen link as (2) der, enda en gang, er α
skjærings, β
er vektoren av koeffisienter og μ
t
avhenger av settet med kovariater z t
som før.
som et første skritt i modellen utvelgelsesprosedyre , den daglige egenskaper, for eksempel max, min og bety, av atmosfærisk trykk og lufttemperatur ble betraktet som mulige kovarianter. Temperaturen ble ikke korrigert for fuktighet. De forsinkede verdier av atmosfærisk trykk og /eller temperatur kan betraktes som mulige GDV etiologiske faktorer og således ytterligere forklarende variabler i tillegg. Sannsynligheten-ratio tester ble brukt for å verifisere statistisk signifikans av modell kovariater. Forklarende variabler som skulle brukes som en del av z t
ble valgt. La oss betegne minimum daglig atmosfærisk trykk på en gitt dag Pmin
t
, maksimal daglig atmosfærisk trykk Pmax
t
, maksimal daglig atmosfærisk temperatur tmax
t
, og minimum daglig atmosfærisk temperatur tmin
t
. Tidligere verdier (en dag før) av ovennevnte var Pmin
t
-1, Pmax
t
-1, tmax
t
-1 og tmint
t
-1. Den maksimale time stigning /fall i atmosfærisk trykk på dagen av GDV arrangementet ble betegnet rp
t Hotell og dp
t
henholdsvis mens maksimal time stige /fall i temperatur på dagen av GDV arrangementet ble betegnet rt
t Hotell og dt
t
. Hundenes rasen ble ikke vurdert siden hunden befolkningen var ganske homogen bestående av tre store raser som brukes rutinemessig som MWD. Alle ikke-event dager ble vurdert i denne analysen også.
Modellene ble bygget ved hjelp av prosessen med trinnvis fremover utvalg. Kovariatene ble lagt etter hverandre og log-likelihood ratio for hver nye kovariat beregnes. For å unngå for tidlig stopp, selv om kovariat ikke legge mye til beskrivende evne til modellen, målt ved sin log-likelihood ratio statistikk, fortsatte prosessen til alle kovariatene beskrevet tidligere hadde blitt prøvd. Antallet etterslep av Y
t
inngår i modellene vurderes i denne forskningen var begrenset til 3 for å garantere parsimoniousness av modellene. Residualene for hver modell kan senere bli analysert for autokorrelasjonsmønster og ytterligere etterslep tilsettes om nødvendig. Koeffisientene Y
t
-1 og Y
t
-3 hadde veldig stor log-likelihood ratio p-verdier uavhengig av hvilke eksterne kovariater ble inkludert i modellen; mer spesifikt, deres log-sannsynlighetsforhold p-verdier overskrider 0,1 overalt, og således ble ekskludert fra de endelige modeller.
Modellene er valgt som endelig er vist i tabell (1). Bortsett fra den minimale atmosfæriske trykk på GDV dag og den maksimale atmosfæretrykket på dagen for GDV hendelse og på dagen før GDV arrangementet, alle de andre eksterne kovariabler viser log-sannsynlighetsforhold p-verdier over det valgte terskelnivå på 0,10 er ikke inkludert.
alle modellene som finnes i tabell (1) er i form ved hjelp av iterative reweighted minste kvadraters algoritme som vanligvis brukes til montering av generaliserte lineære modeller. Gitt at vi bruker den kanoniske koblingen funksjonen log for binære data, sammenfaller iterativ reweighted minste kvadrater algoritme med den vanlige Newton-Raphson algoritmen i dette tilfellet.
Erklæringer
Takk
Forfatterne takker veterinærene av Department of Defense Military Working Dog Veterinary service, som allernådigst gitt datasett og søke å redusere forekomsten av GDV i alle hunder. Vi vil også takke professor Bruce Craig fra Institutt for statistikk ved Purdue University med hvem forfatterne hadde en rekke nyttige diskusjoner og fra hvis hjelp begge dratt nytte.
Forfatternes opprinnelige innsendte filer for Images Nedenfor er koblingene til forfatternes opprinnelige legges filer for bilder. 12917_2008_146_MOESM1_ESM.eps Forfatteroriginalfilen for figur 1 12917_2008_146_MOESM2_ESM.eps Forfatteroriginalfilen for figur 2 12917_2008_146_MOESM3_ESM.eps Forfatteroriginalfilen for figur 3

• Systematisk gjennomgang og meta-analyse av totalt laparoskopisk versus laparoskopisk assistert distal gastrektomi for mage cancer
• En familie omsorgsperson avslappings forbedrer gastrisk motilitet funksjonen til pasienten: en crossover studie