Модель серии время возникновения желудочного расширения-заворота в популяции собак

Модель серии время возникновения желудочного расширения-заворота в популяции собак
Аннотация
Справочная информация
Желудочный дилатация-заворот (ГРВ) является опасным для жизни состояние млекопитающих, с повышенным риском в крупной породы собаки. Изучение его этиологических факторов трудно из-за множества возможных условий жизни. Связь между метеорологическими явлениями и возникновением заворота было постулировано, но остается неясным. Данное исследование представляет двоичную временных рядов подход к исследованию возможных факторов риска для метеорологических заворота. Данные, собранные в популяции высокого риска, работающих собак в Техасе был использован.

Результаты Минимальное и максимальное ежедневное атмосферное давление на день ГРВ события и максимального суточного атмосферного давления на день до начала мероприятия были ГРВ положительно связаны с вероятностью заворота. Все Шансы /мультипликативным факторов в день, будучи ГРВ день были интерпретированы условно на прошлых событий ГРВ. Был минимальное различие между бинарными и Пуассона общих линейных моделей.
Вывод
моделирования временных рядов предложен новый метод оценки связи между метеорологическими переменными и заворота в большой популяции собак. Надлежащее применение этого метода была повышена за счет общей среды для собак и наличия метеорологических данных. Потенциал взаимодействия между изменениями погоды и факторов риска пациента для заворота заслуживает дальнейшего изучения.
Предпосылки
Желудочный дилатация-заворот (ГРВ) является состояние, при котором желудок растягивает и вращается на себя, что приводит к постепенному гипотензия, шок, и смерть. Большие собаки породы часто страдают, хотя это может повлиять на многие виды животных, включая человека [1].
Физические механизмы, участвующие в этом состоянии и его лечение хорошо изучены, но причины не являются [2]. Причины заворота можно считать предрасполагающие (что повышает вероятность заболевания) или осаждая (вызывая начало болезни). Несколько предрасполагающие факторы риска у собак были предложены, в том числе темперамент собаки (возбудимость), большой или гигантской породы, увеличение глубины грудную к ширине, и быстрого потребления пищи [2-4]. Тем не менее, многие вопросы, связанные с фактическим началом этой угрожающей жизни болезни остаются невыясненными этими факторами риска.
Изучение осаждая причин для ГРВ является важным и не очень хорошо изучены области. Во многих случаях заворота, желудок растянут с газом; Среди возможных источников этого газа, аэрофагия, брожение-гниение, химический газ генезис и газодиффузионный были предложены. Это, в сочетании с наблюдаемым сезонных колебаний в случаях ГРВ, породило подозрения о возможной связи между ГРВ и погодными условиями незадолго до ее появления [5, 6]. Методы, применяемые Herbold и др в [5], анализа основных компонентов т.е., чтобы выбрать, возможно, важные факторы, климатологических, возможно, скрыли влияние одной переменной, связанных с погодой. Другие исследования использовали логистическую регрессию, чтобы исследовать вероятность день, будучи в день GDV, при определенных атмосферном давлении или температурные условия [6, 7]. Такие подходы основаны на предположении, что ГРВ события взаимно независимы и не существует сильная корреляция между событиями с течением времени, как это происходит, если болезнь была заразной. Однако, на самом деле, большинство метеорологических ковариаты думали влиять на возникновение ГРВ, которые автокоррелированы с течением времени и должны рассматриваться как временных рядов. Если некоторые из них не были включены в потенциальной модели, но они влияют на возникновение ГРВ, ГРВ случаи, записанные с течением времени могут быть связаны между собой.
Таким образом, просмотр данных, касающихся случаев ГРВ в виде временных рядов может быть целесообразным на практике. Хотя традиционное моделирование временных рядов имеет ограниченное применение при изучении редких заболеваний, он был недавно использован для демонстрации сезонного компонента к другому желудочно-кишечные заболевания, а именно, колики у лошадей [8]. Поскольку данные появление ГРВ явно целочисленных (значение отклика является число случаев ГРВ в день), более традиционные методы временных рядов, такие как те, которые используются в классической авторегрессии Integrated Moving Average рамки (ARIMA) [9] не может быть использован. Один из более ранних работах [8] говорит о том, что "... Одна из возможностей заключается в использовании распределения Пуассона в модели данных подсчета в рамках общих чертах, аналогичному описанному в обобщенном линейного моделирования ..."; это предположение фактически сводится к использованию подхода, основанного на обобщенной линейной модели структуры (GLM), которая используется в этой рукописи.
Цель данного исследования состояла в том, чтобы использовать временных рядов подход для изучения связи между метеорологическими переменными и возникновения GDV у собак. Для уменьшения изменчивости предрасполагающих факторов риска и искажающих факторов, таких как диета и жилой среды [2], был использован набор данных крупных собак породы размещались в Военно-служебная собака (ММР) Учебный центр на базе ВВС Lackland (LAFB). В этой общей среде, собаки подают стандартную диету, расположенный в наружных трасс, и находятся под наблюдением 24 часа в сутки. Этот набор данных был использован ранее в регрессионного подхода к исследованию логистического метеорологических переменных и ГРВ [7], и сравнение методологических подходов могут поэтому быть сделаны.
Результаты
несколько моделей, которые имели некоторые из самых низких значений АИК (Akaike информационный критерий) приведены в таблице 1. для каждого из них, систематическая часть, которая вместе с типом модели (GLM двоичный или Пуассона GLM) и значения АИК. Только модели, которые имели срубы отношения правдоподобия р-значения всех ковариатами ниже 0,10 были включены. Поскольку перепись собак меняется изо дня в день, количество экспозиции настоящее время является переменной величиной. Это может сделать строго Пуассона /двоичного предположения о данных нереально. В случае Пуассона, это означает, что дисперсия не может быть в точности равна среднему значению. В двоичном случае дисперсия не может быть в точности равна дисперсии распределения Бернулли для заданного набора значений регрессоров. Таким образом, представляется целесообразным, чтобы проверить на предмет возможного overdispersion в данных. Простой квази-правдоподобия подход был использован, чтобы искать доказательства overdispersion [10]. Расчетный коэффициент всегда близок к 1, и, таким образом, как представляется, не существует каких-либо серьезных доказательств overdispersion в этом setting.Table 1 Окончательные модели
Model

Systematic части

Тип модели

АИК

Overdispersion фактор

1
β
0 + β
1Y
т
-2 + β
2pmin
т

Binary GLM
411,02
1,02 страница 2 β
0 + β
1Y
т
-2 + β
2pmin
т

Пуассона GLM
407,92
0,98 страница 3 β
0 + β
1Y
т
-2 + β
2pmax
т
-1
Binary GLM
406,47
1
4
β
0 + β
1Y
т
-2 + β
2pmax
т
-1
Пуассона GLM
403,42
0.95 страница 5 из β 0 +
β
1Y
т
-2 + β
2pmax
т

Binary GLM
410.46
1,02
6
β
0 + β
1Y
т
-2 + β
2pmax
т

Пуассона GLM
407,40
0,97
Исследование остаточных автокорреляции участков показали, что рабочие разностей автокорреляционные участки были почти идентичны, и все они не показали каких-либо существенных оставшихся автокорреляции. Исходя из этого, эти три модели появляются, чтобы обеспечить адекватную подгонку для ГРВ появление данных Y
<югу> т
.
Коэффициенты в этих моделях были интерпретированы либо как лог шансов (OR) в двоичном GLM модели или мультипликативные факторы (MF) в моделях Пуассона GLM. В таблице 2 приведены значения отношения шансов и мультипликативные факторы для отставал отклика Y
<югу> т
-2 и внешний ковариатой для всех моделей из таблицы 1. Он также содержит логарифмическая функция правдоподобия р-значения для всех ОШ. В названиях столбцов таблицы 2, или стоять за отношение шансов и МФ для мультипликативного фактора; "другой ковариатой ИЛИ" либо минимальное ежедневное атмосферное давление на ГРВ день рмин
<суб> т
, максимальная суточная атмосферное давление на день ГРВ ртах
<суб> т
или максимальной ежедневно атмосферное давление за день до дня ГРВ ртах
<югу> т
-1. LL означает лог-правдоподобия. Поскольку вероятность ГРВ события в любой день мал и значения переписи собаки в сотни, модель может быть в форме либо как двоичный GLM или Пуассона GLM. Оба подхода используются для целей сравнения. Был очень мало разницы между бинарной GLM и Пуассона GLM в случае для всех наборов ковариатами considered.Table Выбор 2 Модель
Модель

ИЛИ Y
т
-2

LL р-значение
Другие ковариата 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 конечная группа моделей, показанных там не было ни одного, который считается внешним ковариатами на отставание более чем на 1 день. Такие модели были рассмотрены на этапе выбора модели, однако. Во всех этих случаях логарифма отношения правдоподобия р-величина внешнего ковариата отстает более чем на 1 день была значительно выше 0,10, тогда как коэффициент 2-дневной задержкой ответа на Y
<суб> т <бр> -2 имел логарифма отношения правдоподобия значение р последовательно ниже 0,10. Таким образом, выбор ковариатами не предвзятым в пользу лагов отклика Y
<югу> т
за счет внешнего ковариата отстает.
На основе этих моделей, кажется, что факторы, влияют на скорость заворота наиболее заметно, таким образом, минимальное атмосферное давление ежедневно в день ГРВ мероприятия, максимальная суточная атмосферного давления на день ГРВ события и максимального суточного атмосферного давления на день до события ГРВ. Отношение шансов /мультипликативные факторы внешней ковариата во всех моделях чуть больше 1, который указывает положительную связь между этими факторами и вероятность события ГРВ на данный день. Например, минимальное ежедневное атмосферное давление на день ГРВ случае имеет отношение шансов 1.0455 для бинарной модели GLM. Это говорит о том, что при каждом увеличении минимального суточного атмосферного давления на 1 единицу, шансы случае ГРВ происходит в тот день ростом фактора 1.0455. Для соответствующей модели Пуассона, мультипликативный фактор воздействия является 1,0464, что означает, что для каждого увеличения минимального суточного атмосферного давления на 1 единицу вероятность дня будучи день ГРВ получает умножается на коэффициент 1.0464. Обратите внимание, что все результаты для внешнего коварьировать следует интерпретировать условно на то, что произошло за два дня до дня наблюдения. Таким образом, более точно сказать, что вероятность возникновения GDV на любой день ростом фактора 1.0617 для каждого увеличения единицы в минимальной суточной атмосферном давлении при условии, что мы знаем, был ли или не был случай заворота два дня ранее
. Данное заявление не может быть сделано, не зная, что произошло за два дня до дня наблюдения. Это важное различие между нашим подходом и что регулярного моделирования GLM, будь то бинарного GLM (логистическая регрессия) или модели Пуассона.
Обсуждение и выводы
Во-первых, каждая из моделей отобранных при условии, важную информацию о возможном этиологическим фактором заворота и, таким образом, играет полезную роль. Нет необходимости делать выбор между ними, если единственной целью является изучить возможные пояснительных ковариатами для возникновения GDV. Тем не менее, это становится необходимым, если прогнозирование будущих инцидентов ГРВ является основным направлением. Мы не рассматриваем этот вопрос в данной работе.
Во-вторых, переменные, определенные в качестве факторов, влияющих существенно на скорость появления ГРВ были минимальное ежедневное давление на день заворота, максимальная суточная давление на день заворота а максимальная суточная нагрузка на день до события ГРВ. Минимальное ежедневное давление на день заворота также был идентифицирован в качестве важных и статистически значимых факторов, в [7]. Известно, что существует связь между изменениями барометрического давления и начала родов у человека и СВДС (синдром внезапной смерти младенца) [11, 12]. Меньше известно о связи между атмосферным давлением и собачьих болезней. Настоящее исследование предполагает, что атмосферное давление и изменения в нем могут быть самыми важными факторами, объясняющими возникновение заворота у собак.
Значение ответа задержки 2-дневного в моделировании для ГРВ было несколько неожиданным. Этот 2-дневный период может не обязательно коррелирует с 48-часовой период между событиями, однако. Точное начало каскада событий, приводящих к заворота трудно установить, и патофизиологические события, приводящие к клиническим признакам может происходить с разной скоростью в разных собак. Желудочный вздутие было отмечено, быстро возникают у некоторых собак, и медленнее в других. Роль ковариатами, которые могут быть связаны с задержками в клинических проявлений, а также о возможной взаимосвязи (ы) среди метеорологических явлений во время такого окна времени, еще предстоит выяснить.
Подход с использованием логистической модели для бинарного времени серии, как представляется адекватным в случае, когда имеются в большинстве нескольких ежедневных наблюдений с более чем 1 ГРВ случае. Тем не менее, это не может быть в случае, если наблюдается большая группа собак и, как следствие, количество дней с более чем один случай заворота становится значительными. Если это произойдет, Пуассона GLM подход, возможно, придется использовать исключительно.
Связанный с этим документ [8] использует скрытую переменную моделирования, основанную на иерархическом подходе Байеса, чтобы включить зависимость между наблюдениями. Такой подход является несколько менее гибкий, чем подход, поддерживаемый в данной работе. Причина в том, тот факт, что иерархическая байесовский подход требует определенных конкретных предварительных предположений, таких как нормальности (или другого конкретного распределения) данных, которые не всегда легко обосновать на практике. Кроме того, их выбор процесса авторегрессии порядка 1 для скрытой переменной, кажется, носит субъективный характер и не основаны на какой-либо конкретного алгоритма выбора модели в то время как это исследование предлагает некоторое представление о возможном механизме отбора, основанного на таких критериях, как АИК. И, наконец, важно отметить здесь, что подход временных рядов очень естественно, когда имеется ряд наблюдений, записанных в течение долгого времени. Если это произойдет, такие наблюдения почти всегда коррелируют; игнорируя эту корреляцию, может привести к искаженному логического вывода в отношении требуемых параметров. В частности, это часто приводит к преувеличенным уровней значимости для объясняющих переменных. Таким образом, на основе временных рядов подход, возможно, подходящим инструментом исследования во многих клинических исследованиях, в которых наблюдения были зарегистрированы в течение определенного периода времени.
Методы
данных
ГРВ множество появление данных состоит из всех зафиксированы случаи заворота среди военных рабочих собак (ММР) на базе Lackland ВВС (LAFB) с января 1993 по декабрь 1998 г. В каждом случае порода собаки, пораженной его пол, дата рождения, возраст в начале болезнь и вес были записаны. Все собаки были одной из трех пород: немецкая овчарка, бельгийский малинуа, или голландская овчарка. Первый зарегистрированный случай заворота произошел 6 января 1993 года, а последний на 25 декабря 1998 года общее число зарегистрированных случаев (то есть те дни, на которых был зарегистрирован ГРВ случай) 60. Из 60, всего за два дня, участвующие более чем в одном случае заворота; на них обоих, было 2 больных собак. Все kenneled собаки были проверены сотрудниками каждые 3 часа в организационных стандартных процедур. Случаи были собаки, продемонстрировавшие вздутие живота, барабанная желудка, и рентгенографические свидетельства расширения желудка, как определено ветеринаром. Хирургическое вмешательство было начато во всех случаях, либо из-за опасного для жизни состояния или для неаварийного процедуры профилактического гастропексии.
Количество собак под наблюдением в LAFB не была постоянной, а меняется от месяца к месяцу. Данные переписи собака ежемесячно была доступна октября 1993 по декабрь 1997 года только, начиная с 357 собак в октябре 1993 года и заканчивая 281 собакой в ​​декабре 1997 года Из-за отсутствия данных переписи за 1998 год, данные встречаемости ГРВ за этот год не были использованы.
большая база данных о погоде была собрана из Национального центра климатических данных на базе ВВС Келли, расположенный в непосредственной близости к LAFB. В нем содержатся данные о почасовой направления ветра, скорости и порывах ветра; почасовая температура в градусах по Фаренгейту, как регулируется и без корректировки влажности и, наконец, атмосферное давление в дюймах ртутного столба, и доводят до уровня моря, и нерегулируемого один (в миллибар).
Подход к моделированию
Ряд были рассмотрены возможные модели возникновения ГРВ в популяции собак. Во всех из них, возникновение заворота в данный день был закодирован с использованием 1 в течение дня GDV или 0 на сутки без ГРВ и используется в качестве переменной реакции. Другие величины, такие, как, например, атмосферного давления и температуры воздуха, были использованы в качестве предикторов. Данные бинарный ответ поддается на ряд возможных подходов, включая бинарный GLM с логистическую функцию связи (логистическая регрессия) и Пуассона GLM с функцией связи журнала (регрессия Пуассона)
Оба ответа и ковариаты были записаны в течение долгого времени. это делает его разумным просматривать как ответ и ковариатами в виде временных рядов. Таким образом, вместо обычной обобщенной линейной модели, которая предполагает, что данные являются IID, мы использовали модифицированную форму нее, где оба ответа и ковариаты автокорреляционной в течение долгого времени.
Кроме того, временные ряды подход полезен в этой ситуации, потому что это вполне вероятно, что ряд связанных с погодой (и, возможно, другие) ковариаты не учитываются; большое количество возможных этиологических факторов делает его довольно трудно включить их все в одной модели. Помимо температуры воздуха и атмосферного давления, которые были рассмотрены ранее, относительной влажности воздуха (абсолютной или относительной), может быть одним из возможных этиологических факторов. Влажность регистрируется с течением времени и, как правило, проявляет заметную автокорреляции. Как правило, считается, как временных рядов; если переменная ответ действительно зависит от влажности, ее отсутствие приводит к переменной отклика выставить временной автокорреляции. Эта линия мышления предполагает, что модель временных рядов в рамках GLM может быть лучше в описании возникновения GDV, чем обычная логистической модели GLM, рассмотренной в [7]. Другие ковариаты, которые обычно приводят в качестве вероятных возможных этиологических факторов заворота, таких как атмосферное давление, температуру воздуха и другие, также случайные зависящие от времени ковариат (временных рядов) сами. Таким образом, отсутствие любой из них
, вероятно, чтобы вызвать дополнительную автокорреляции в ответ.
Из нескольких возможных подходов к моделированию, это исследование используется тот, который основан на ввод целочисленных временных рядов в обобщенной линейной модель рамки [13]. В отличие от более ранней цепи Маркова подход, он не вызывает число оцениваемых параметров экспоненциально растет с размером выборки; он также достаточно широк, чтобы охватить большинство практически важных моделей. Заметим, что ни марковость, ни стационарности должны подразумеваться при использовании этого подхода. Это очень важно, так как оба из этих свойств может быть трудно проверить на практике. Полученные модели могут быть оценены с использованием того же метода (итеративные reweighted методом наименьших квадратов, IW-ярусы для краткости) в виде регулярных обобщенных линейных моделей; единственное различие заключается в том, что результаты должны быть интерпретированы условно на прошлом.
появление ГРВ на день т
был обозначен как Y
<подразделам> т
. Таким образом, Y
<югу> т
был бинарным. Ковариантами может включать в себя прошлые и текущие значения объясняющих переменных, а также прошлых значений Y
<подразделам> т
. Вектор всех ковариатами был обозначен как где р
это число регрессоров, к
числа объясняющих переменных отстает и д
числа прошлого отстает от Y-
<подразделам> т
рассматривается; для каждого 1 ≤ ≤ р

и 1 ≤ J ≤
K
, представлено значение из I
й ковариата во время т
- J
. Вероятность случая ГРВ в любой день был определен как р
<подразделам> т
которая также является функцией ковариативных вектора г
<югу> т
. Есть по крайней мере два возможных способа моделирования вероятности заворота на данный день. Первый вариант заключается в использовании двоичного GLM с функцией логит ссылками - эффективно, модели логистической регрессии. Случайная составляющая модели, то есть вектор двоичных значений Y
<подразделам> т
, которые автокоррелированы с течением времени. Систематическая составляющая результирующей логистической модели становится (1), где α
является перехватывают, β
является вектор коэффициентов и р
<к югу> т
является вероятность события ГРВ на в данный день т
, что зависит от множества ковариатами г <подразделам> т
. За каждый день GDV, то вероятность события определяется как число наблюдаемых случаев в тот же день, деленное на общее число населения собак, зарегистрированных в тот же день. Поскольку все ГРВ вероятностей были малы в исследовании, также возможно моделировать вероятность события GDV на данный день т
с использованием регрессии Пуассона. Это означает, что случайная составляющая модели представляет собой вектор Y
<суб> т
которые рассматриваются теперь, как считает Пуассона. Систематическое компонент модели относится среднее число случаев в день т μ
<суб> т
к ковариантами используя ссылку журнала как (2), где, еще раз, α
является перехватывают, β
вектор коэффициентов и μ
<югу> т
зависит от множества ковариатами г <к югу> т
как раньше.
в качестве первого шага в процедуре выбора модели , суточные характеристики, такие как макс, мин и значит, температура атмосферного давления и воздуха рассматривались как возможные ковариатами. Температура не регулировали для влажности. Отсроченной значения атмосферного давления и /или температуры можно рассматривать как возможные этиологические факторы ГРВ и, таким образом, дополнительные объясняющих переменных, а также. для проверки статистической значимости модели ковариатами Испытания отношения правдоподобия были использованы. Объясняющих переменных, которые должны были быть использованы в качестве части г <к югу> т
были выбраны. Обозначим минимальное ежедневное атмосферное давление на данный день рмин
<суб> т
, максимальная суточная атмосферное давление Pmax
<суб> т
, максимальная суточная температура воздуха Tmax
<югу> т
, а минимальная суточная температура воздуха Tmin
<суб> т
. Прошлые значения (в день до) вышеуказанного были рмин
<суб> т
-1, ртах
<суб> т
-1, Tmax
<суб> т
-1 и tmint
<суб> т
-1. Максимальный часовой подъем /падение атмосферного давления на день ГРВ события обозначалась Р.П.
<суб> т
и др
<югу> т
соответственно в то время как максимальный почасовой подъем /падение температуры в день ГРВ события обозначалась RT
<югу> т
и дт
<суб> т
. порода собак »не рассматривался, так как популяция собак была довольно однородна, состоящий из трех крупных пород обычно используются в качестве ММР. Все дни без событий были рассмотрены в этом анализе, а также.
Модели были построены с использованием способа ступенчатого вперед отбора. Ковариантами были добавлены последовательно и логарифма отношения правдоподобия для каждого нового коварьировать вычисляется. Для того, чтобы избежать преждевременной остановки, даже если ковариата не добавило много к описательной способности модели, как измерено его логарифма отношения правдоподобия статистики, процесс продолжается до тех пор все ковариатами описанных ранее не были испробованы. Количество лагов Y
<подразделам> т
включены в моделях, рассмотренных в данном исследовании было ограничено 3 для того, чтобы гарантировать parsimoniousness моделей. Остатки каждой модели в дальнейшем могут быть проанализированы на модели автокорреляции и добавлены дополнительные лаг, при необходимости. Коэффициенты Y
<подразделам> т
-1 и Y
<суб> т
-3 была очень большой логарифма отношения правдоподобия р-значения независимо от того, какие внешние ковариаты были включены в модель; более конкретно, их логарифмического отношения правдоподобия р-значения превышают 0,1 всюду, и, таким образом, были исключены из окончательных моделей.
Модели, выбранные в качестве финала приведены в таблице (1). За исключением минимального атмосферного давления на ГРВ день и максимального атмосферного давления на день GDV события и за день до события GDV, все другие внешние ковариатов отображения логарифмически отношения правдоподобия р-значения выше выбранного порогового уровня 0,10 являются не входит.
Все модели, содержащиеся в таблице (1) подходят с использованием reweighted алгоритма итеративного наименьших квадратов обычно применяется к фитинга обобщенных линейных моделей. Учитывая, что мы используем каноническую журнал функции связи для двоичных данных, алгоритм итеративного reweighted наименьших квадратов совпадает с обычным алгоритмом Ньютона-Рафсона в этом случае.
Декларациях
Благодарности
Авторы благодарят ветеринаров Департамент обороны Военно рабочей собаки ветеринарной службы, который любезно предоставленной набор данных и стремиться к снижению заболеваемости заворота у всех собак. Мы также хотели бы поблагодарить профессора Брюса Крэйга из Департамента статистики в Университете Пердью, с которыми авторы имели ряд полезных дискуссий и с помощью которых оба из них воспользовались. Оригинальные представленные файлы для авторов для изображений Ниже приведены изображения ссылки на оригинал авторов представлены файлы для изображений. "Исходный файл для фигурного 1 12917_2008_146_MOESM2_ESM.eps Авторского 12917_2008_146_MOESM1_ESM.eps авторов исходного файла для исходного файла рисунок 2 12917_2008_146_MOESM3_ESM.eps Авторского на рисунке 3

• Систематический обзор и мета-анализ полностью лапароскопической по сравнению с лапароскопической дистально…
• релаксации на семью воспитателя усиливает функцию желудка моторики пациента: кроссовер study