160Quest-ce que CAT. INIST Cat. inist. CEST le Signalement de plus de plus de 20 milioni de reacutefeacuterences bibliographiques (depuis 1973) problemi des collezioni du fonds documentaire de lInist-Cnrs et couvrant lensemble des champs de la recherche en Mondiale scienza, tecnologia, meacutedecine, Sciences humaines et sociales. Si vous tes membre de la Communaut CNRS (Centre National de la Recherche Scientifique) ou franccedilais ESR (Enseignement Suprieur et Recherche), La Barre de recherche Permet daccder Refdoc, catalogo contenant plus de 53 milioni de rfrences bibliographiques. Si vous tes membre de la Communaut - CNRS (Centre National de la Recherche Scientifique). vous pouvez obtenir gratuitement Le documento - franccedilais ESR (Enseignement Suprieur et Recherche). pouvez comandante vous le documento. SI celui-ci est autoris la riproduzione par reprographie. - Secteur pubblico Franais et Tranger. pouvez comandante vous le documento. SI celui-ci est autoris la riproduzione par reprographie. 160Whats dietro CAT. INIST Cat. inist è costituito da oltre 20 milioni di record bibliografici (a partire dal 1973) per i documenti provenienti da collezioni inista-CNRS che coprono tutti i campi di ricerca mondiale nel campo della scienza, della tecnologia, della medicina, delle scienze umane e sociali. Con la barra di ricerca è possibile accedere direttamente e consultare più di 53 milioni di registrazioni bibliografiche gratuitamente. Molte di queste registrazioni forniscono link a documenti disponibili in libero accesso. Se sei un membro del CNRS (Centro Nazionale per la Ricerca Scientifica) o di istruzione superiore francese e le comunità di ricerca. è possibile utilizzare la barra di ricerca per accedere Refdoc, un catalogo che contiene oltre 53 milioni di registrazioni bibliografiche. Se sei un membro di - CNRS (Centro Nazionale per la Ricerca Scientifica): È possibile ottenere una copia gratuita del documento - francese dell'Istruzione superiore e della ricerca. è possibile ordinare il documento, se è coperto da un'autorizzazione per la riproduzione reprographical. - Settore pubblico in Francia e in altri paesi. è possibile ordinare il documento, se è coperto da un'autorizzazione per reprographical reproduction. Grouped dati ponderata esponenzialmente Moving Carte di Controllo media nella produzione di elementi di fissaggio in metallo in un'operazione di stampo progressivo, e altre situazioni industriali, dimensioni di qualità importanti non possono essere misurati su un scala continua, e le parti prodotte sono classificati in gruppi utilizzando un misuratore di passo. Il presente documento propone una versione del modo esponenziale ponderata in movimento classifiche medi (EWMA) di controllo applicabili al monitoraggio dei dati raggruppati per i turni di processo. Le proprietà tiratura di questo nuovo schema di dati EWMA raggruppati vengono confrontati con risultati simili ottenuti in precedenza per i grafici EWMA per i dati variabili e con quelli per la somma cumulativa (CUSUM) i regimi basati su dati raggruppati. Grafici raggruppati i dati EWMA sono dimostrato di essere quasi efficiente come variabili basati su classifiche EWMA e sono quindi un'alternativa interessante quando la raccolta di dati variabili non è fattibile. Inoltre, raggruppati i grafici dei dati EWMA sono meno colpiti dalla discretezza che è insita nei dati raggruppati che sono raggruppati i grafici dei dati CUSUM. Nell'applicazione di fissaggio in metallo, raggruppati grafici EWMA dati erano semplici da implementare e consentito la rapida individuazione di turni di processo indesiderati. Scoprite la ricerca worldx27s Citazioni Citazioni 31 Riferimenti I riferimenti 6 confronto quotThe delle previsioni demografiche ha mostrato un trend di sovrastima, mentre il confronto delle caratteristiche di comportamento di viaggio indica una mancanza di incorporazione di cambiamenti fondamentali e cambiamenti sociali. Steiner ha mostrato 14 ha proposto una versione di movimento classifiche media (EWMA) di controllo in modo esponenziale ponderate relative al controllo dei dati raggruppati per i turni di processo. Le proprietà di lunghezza del relativo nuovi grafici EWMA raggruppati vengono confrontati con risultati simili precedentemente ottenuti per EWMA grafici variabili di dati con quelli di Somma cumulativa (CUSUM) i regimi basati su dati raggruppati. quot Mostra astratto Nascondi Abstract Abstract: In questo articolo, discuteremo tre modelli della serie tempo di analisi per la selezione del più efficace con un accurato modelli di previsione, tra gli altri. Abbiamo analiticamente modifichiamo la realizzazione stocastico che utilizza (i) k-esimo media mobile, (ii) k-esimo ponderata media mobile, e (iii) mobile esponenziale ponderata processi media k-esimo. I metodi di esame sono stati applicati per 1000 set di dati indipendenti per cinque diversi parametri con possibili ordini p q 5. Consideriamo i dati stazionari () 0 d. ed i dati non stazionarie primo e secondo differenze () 1, 2 d per i modelli ARIMA. Consideriamo a breve termine () 50 n e lungo termine, () 500 n osservazioni. A simili modelli di previsione è stato sviluppato e valutati per il prezzo di chiusura giornaliero disponibile Prezzo della società Paltel in Palestina. Il risultato principale è che, nel set di dati più simulati uno o più dei modelli proposti dare una migliore accuratezza delle previsioni rispetto al modello classico (ARIMA). Specialmente, nella maggior parte dei set di dati simulati 3 tempo esponenziale ponderata media Moving basa su Autoregressive Integrated Moving Average (EWMA3-ARIMA) è il miglior modello di previsione tra tutti gli altri modelli. Per Paltel Quotazione, il migliore modello di previsione è 3time media mobile sulla base di Autoregressive Integrated Moving Average (MA3-ARIMA) tra tutti gli altri modelli. Testo integrale dell'articolo gennaio 2013 International Journal for Quality in Health Care Samir K Safi Issam Un Dawoud quotThis studio comparativo dimostra che le nostre carte di controllo proposti eseguire favorevolmente nei casi considerati. Fase II monitoraggio dei dati classificato (o raggruppati) è stato discusso in letteratura da Steiner, Geyer, e Wesolowsky (1996) e Steiner (1998). In loro articoli, Steiner e co-autori considerato il caso quando la distribuzione IC ha una forma parametrica noto (ad esempio normali) singole osservazioni non possono essere completamente noti invece, è noto che appartengono a determinati intervalli. quot Mostra astratto Nascondi Abstract Abstract: Questo articolo considera il controllo statistico di processo (SPC) dei processi univariata quando la forma parametrica della distribuzione processo non è disponibile. La maggior parte delle procedure SPC esistenti si basano sul presupposto che una forma parametrica (ad esempio normale) della distribuzione processo può essere specificata in precedenza. In letteratura, è stato dimostrato che le loro prestazioni è inaffidabile nei casi in cui la distribuzione processo prespecificati è valido. Per ovviare a questa limitazione, sono stati proposti alcuni grafici SPC non parametrici (o libero-distribuzione), la maggior parte delle quali sono basate sulle informazioni ordinamento dei dati osservati. Questo articolo cerca di fare due contributi alla letteratura SPC non parametrico. In primo luogo, vi proponiamo un quadro alternativo per la costruzione di carte di controllo non parametrici, per primi categorizzare osservato i dati e quindi l'applicazione di metodi di analisi dei dati categoriali di SPC. In questo contesto, vengono proposte alcune nuove carte di controllo non parametrici. In secondo luogo, confrontiamo le nostre carte di controllo proposti con diverse carte di controllo esistenti di rappresentanza in diversi casi. Alcune linee guida empiriche sono previste per gli utenti di scegliere una carta di controllo non parametrico corretto per una specifica applicazione. Questo articolo ha materiali supplementari in linea. Testo integrale dell'articolo gennaio 2012 Peihua Qiu Zhonghua Li quotwhere g è la lunghezza del ciclo t il tempo di R la matrice di transizione dopo l'ultima riga e colonna sono stati cancellati 1 il vettore colonna di quelli e la matrice identità (si veda l'Appendice di Steiner 9 per più dettagli). CUSUM errore di stima chart Quality Measurement, Quality Improvement quot Mostra astratto Nascondi Abstract Abstract: carte di controllo del rischio aggiustato sono diventati popolari per i processi di monitoraggio che coinvolgono la gestione e il trattamento dei pazienti in ospedali o altre strutture sanitarie. Tuttavia, ad oggi, l'effetto di errore di stima nei grafici di controllo adeguati al rischio non è stato studiato. Abbiamo studiato l'effetto di errore di stima sul binario prestazioni aggiustato per il rischio somma cumulativa (CUSUM) utilizzando dati reali e simulati su pazienti sottoposti a chirurgia di bypass coronarico e valutati per la mortalità fino a 30 giorni post-operatorio. L'effetto di errore di stima è stato indicato dalla variabilità dei x27truex27 medie tirature (ARLS) ottenuto utilizzando un campionamento ripetuto dei dati osservati sotto vari scenari realistici. I risultati hanno mostrato che l'errore di stima può avere un effetto sostanziale sulle prestazioni CUSUM grafico aggiustata per il rischio in termini di variazione di veri ARLS. Inoltre, la prestazione è stata fortemente dipendente dal numero di eventi utilizzate per derivare i parametri del grafico di controllo e l'ARL specificato per un processo in-control (ARL (0)). Tuttavia, i risultati suggeriscono che è l'incertezza del tasso di eventi avversi complessiva che è il componente principale di errore di stima. Nella progettazione di un grafico di controllo, l'effetto di errore di stima potrebbe essere preso in considerazione generando un numero di campioni bootstrap della Fase disponibili I dati e quindi determinare il limite di controllo necessaria per ottenere una ARL (0) di un livello prestabilito 95 del tempo. Se sono disponibili Fase limitato I dati, può essere opportuno continuare ad aggiornare i parametri del modello, anche dopo il monitoraggio prospettico paziente viene implementata. Testo integrale dell'articolo dicembre 2011 Mark A Jones Stefan H SteinerDetecting l'inizio di un focolaio di influenza utilizzando in modo esponenziale mobile ponderata virus influenzali media classifiche Sfondo causare epidemie stagionali in climi temperati, di solito durante l'inverno e all'inizio della primavera, e sono endemiche in climi tropicali. La gravità e la durata delle epidemie di influenza variano di anno in anno. è necessaria la rilevazione rapida e affidabile del l'inizio di un focolaio di promuovere misure di sanità pubblica. Proponiamo l'uso di una carta di controllo in modo esponenziale ponderata media mobile (EWMA) del confermati in laboratorio di influenza conta per rilevare l'inizio e la fine di focolai di influenza. Il grafico è dimostrato di fornire segnali tempestivi in un esempio di applicazione con sette anni di dati da Victoria, Australia. Conclusioni La carta di controllo EWMA potrebbe essere applicato in altre applicazioni di rilevare rapidamente focolai di influenza. virus influenzali Sfondo causano epidemie stagionali in climi temperati, di solito durante l'inverno e all'inizio della primavera, e sono endemiche in climi tropicali. La gravità e la durata delle epidemie di influenza variano di anno in anno. rilevamento rapido e affidabile l'inizio di un focolaio è necessario per una serie di motivi. I ricordi possono essere fatte per persone che possono essere vaccinati. Una volta che la stagione influenzale è iniziato, gli ospedali possono desiderare di cambiare le procedure di ammissione, a seconda del numero previsto di pazienti con una malattia simil-influenzale (ILI) richiedono il ricovero ospedaliero. Per esempio, gli ospedali potrebbero decidere di ridurre le prenotazioni per la chirurgia elettiva in previsione di un aumento dei ricoveri acuti per l'influenza e le sue complicanze. Inoltre, a livelli relativamente elevati di attività ILI, reparti ammettendo i pazienti che sono immunodepressi può scegliere di roster solo personale che sono stati vaccinati contro l'influenza al fine di proteggere i pazienti altamente sensibili. Riconoscendo la stagione influenzale è importante anche per modellisti che tentano di stimare l'eccesso di morbilità e mortalità dell'influenza associate. Modelli richiedono una verifica indipendente delle settimane durante le quali la circolazione dell'influenza superato un livello base nominale 1. Stima di influenza l'efficacia del vaccino richiede anche la definizione della stagione influenzale, dal momento che il vaccino influenzale dovrebbe impedire solo quando il virus dell'influenza sta circolando 2. Letteratura Rilevare i cambiamenti nell'attività di influenza nel corso del tempo ha paralleli diretti in applicazioni industriali dove l'uso di carte di controllo per monitorare una serie di tempo per i cambiamenti nell'attività di base ha una lunga storia 3. Recensioni su l'uso di carte di controllo per la rilevazione tempestiva dei focolai includono quelli da Woodall 4 e Tsui et al. 5. L'approccio più semplice per rilevare deviazione dalla linea di base è basato sul tipo di grafico classica Shewhart 3. Con un grafico Shewhart, decisioni in merito anche se non per segnalare un focolaio dipendono solo dalla misura osservato di attività influenzale (crudi o residuo) dal periodo di tempo corrente. Serfling 6 suggerito il monitoraggio meno atteso morti di influenza osservati settimanali, dove le morti attesi sono stati previsti utilizzando un modello di regressione serie storica in forma di dati storici. Più recentemente, Hashimoto et al. 7 suggerito un grafico Shewhart sulla base di dati settimanali ILI da istituti medici sentinella e Viboud et al. 8 e Anderson et al. 9 ha esteso l'approccio Serfling di monitorare i dati settimanali ILI dal GPS sentinella in cui i conteggi attesi si basano su un modello in forma di dati storici che meglio corrisponde al modello recente. Utilizzando osservati meno attesi conteggi 6. 8. 9 piuttosto che i conteggi attuali, cambia l'obiettivo implicito del monitoraggio. conta prevedere un congruo meno osservata (modello residui) suggerisce un comportamento diverso da quello che ci aspettavamo. Per l'influenza ci aspettiamo relativamente grandi aumenti di attività che verranno sostenuti nel corso di un certo numero di settimane o mesi. Nei climi temperati ci aspettiamo anche un forte modello stagionale con una maggiore attività durante l'inverno. Come tale, epidemie stagionali non possono corrispondere alle grandi residui, visto che i conteggi attesi sarebbe elevato. Tuttavia, il nostro obiettivo è l'individuazione di un focolaio di influenza, sia che corrisponde all'attività di stagione previsto o in altro modo. Somma cumulativa (CUSUM) i grafici sono metodi di monitoraggio sequenziale dove la corrente grandezza della statistica grafico, e quindi la decisione se o meno il grafico dovrebbe segnalare, dipende dalla constatato (e possibilità attesi) conta da un certo numero di periodi di tempo più recenti piuttosto che un singolo periodo di tempo con un grafico Shewhart. Nel contesto monitoraggio dell'influenza, un grafico CUSUM è stata proposta da Muscatello et al. 10 per il monitoraggio di dipartimento di emergenza osservato ILI conta meno il conteggio da sette giorni prima. Le soglie sono impostate in modo euristico basato su un best fit dei dati storici. Questo approccio è efficace per rilevare i cambiamenti a breve termine in attività di influenza però purtroppo il CUSUM non ha alcuna interpretazione intuitiva. Dal processo industriale di monitoraggio letteratura 3 sappiamo che i grafici di Shewhart sono bravi a rilevare improvvisi grandi cambiamenti di processo, mentre i metodi sequenziali, quali grafici CUSUM, sono migliori per le più piccole variazioni prolungate o graduali. Come focolai di influenza in genere si traducono in un grande cambiamento nell'attività osservata possiamo concludere che i metodi di Shewhart sarebbe l'ideale. Tuttavia, all'inizio di un focolaio vi è un periodo di transizione in cui l'attività è in aumento, in modo che il passaggio da un'attività basale di un focolaio accertato non è istantanea. Inoltre, non ci può essere notevole variazione, a causa di un piccolo numero di conti e auto mite limitare focolai (poco importanti), in attività osservata anche quando non vi è alcuna epidemia definita. Come tale, non è immediatamente chiaro se un approccio Shewhart o CUSUM è preferito. Cofano et al. 11 confrontare una varietà di metodi tra cui metodi di serie storiche, regressione e CUSUM. Tuttavia, ci sono molte varianti di approcci, e, come discusso in precedenza, metodi basati sulla residui modello hanno un obiettivo diverso rispetto ai metodi basati sul conteggio prime. Come un compromesso tra Shewhart e gli approcci sequenziali, come CUSUM, possiamo modificare l'approccio Shewhart includendo regole piste che aumenta la sensibilità a piccole variazioni sostenuti. Esegue regole possono assumere molte forme 3. Nel contesto del monitoraggio dell'influenza, Toubiana et al. 12 e Watts et al. 13 discutere l'uso in Francia e in Australia, rispettivamente, di un approccio di monitoraggio ILI basati sul GPS sentinella che segnala solo quando il conteggio osservato è al di sopra di una soglia per due settimane consecutive. Un'idea simile viene da Muscatello et al. 14 che propongono i segnali sulla base di una media mobile a quattro settimane. La fonte dei dati Il nostro studio è stato basato a Victoria, il secondo stato più popoloso dell'Australia, con una popolazione stimata di 5,2 milioni di persone. Abbiamo monitorato il livello di attività influenzale nella comunità utilizzando laboratorio settimanale confermato i dati di notifica l'influenza. Laboratorio confermato l'influenza è una malattia soggetta a denuncia a Victoria ed è un obbligo di legge che i casi siano notificate per iscritto dal laboratorio responsabile e medico entro cinque giorni dalla diagnosi al Dipartimento Governo del Victoria della Salute 15. Il numero di laboratorio confermati diagnosi di influenza dipende dalla prevalenza di influenza e di comportamento sperimentazione di medici responsabili per la diagnosi e la gestione di influenza. Abbiamo ipotizzato che il test fuori stagione (dic-APR nell'emisfero meridionale), mentre sarebbe più o meno costante, durante la stagione influenzale e nel corso di un focolaio di influenza sporadica, test aumenterà. Tutti i test di laboratorio sono stati condotti presso le malattie infettive vittoriano laboratorio di riferimento (VIDRL) di pazienti con ILI da medici di medicina generale sentinella che sono stati testati per l'influenza e da pazienti testati come parte della routine di mangement clinica. pratiche generali sentinella sono pratiche di comunità che forniscono dati di sorveglianza sulle malattie infettive. Si ritiene generalmente che le pratiche sentinella rappresentano tutte le pratiche e le informazioni di comunità da esse descrive l'attività della malattia infettiva nella comunità 16. Test di laboratorio utilizzato reazione a catena della polimerasi (PCR) test per la diagnosi di influenza 17. Il laboratorio VIDRL settimanale confermato conta influenzali per il periodo 2002-2008 sono mostrati in Figura 1. Le epidemie di influenza stagionale sono chiaramente visibili. L'inizio di ogni stagione influenzale corrisponde ad un rapido aumento del numero di notifiche di laboratorio. Sembra quindi ragionevole l'inizio di un focolaio di influenza dovrebbe essere relativamente facile da rilevare in modo prospettico. Victorian settimanali di laboratorio Notifiche di influenza 2002-2008 Con Shewhart Grafico soglia di 6,5. Abbiamo usato in laboratorio ha confermato l'influenza come un risultato specifico in questo studio. Abbiamo precedentemente dimostrato che, anche se la sindrome di ILI corrisponde ai rilevamenti di influenza nel nostro laboratorio 13, solo circa il 40 di tutte le diagnosi di ILI medici generici sentinella a Victoria tra il 2003-7 sono stati confermati come l'influenza 2. L'intervallo medio tra l'insorgenza dei sintomi e la registrazione per un test di laboratorio è stato tre giorni per un paziente reclutato tramite GPS sentinella a Victoria nel 2007 e 2008. Il test viene generalmente eseguita entro 48 ore e risultati vengono automaticamente notificata al Ministero della Salute. Il ritardo fra la registrazione di un episodio di ILI in una pratica generale sentinella e la conferma di quel ILI come dovuto all'influenza sarebbe generalmente meno di una settimana. Stabilire una soglia Utilizzando una soglia sul numero settimanale osservato di notifiche di laboratorio positivi corrisponde ad un grafico Shewhart ed è l'approccio più semplice. Illustriamo le difficoltà con questo approccio di figura 1 con una soglia di 6,5 notifiche positive alla settimana, un valore scelto mediante ispezione per rilevare l'inizio di una stagione senza segnalazione spesso fuori stagione. Dal momento che stiamo utilizzando i dati di conteggio, qualsiasi valore compreso tra 6 e 7 rappresenterà la stessa soglia. Utilizzando i dati di base empirica (cioè quando il processo si presume essere in controllo) il tasso di falsi allarmi con una soglia di 6.5 è 5156 0.032. A causa dei valori anomali isolate occasionali grandi conteggi fuori stagione è difficile da rilevare l'inizio della stagione influenzale evitando frequenti falsi allarmi. I falsi allarmi si verificano quando la procedura di controllo segnala l'inizio di un focolaio, ma l'aumento delle notifiche di laboratorio non viene mantenuto per un certo numero di settimane. Un modo per alleviare questo problema di frequenti falsi allarmi è quello di basare la rilevazione su una versione levigata della serie storica di notifica di laboratorio. Questo può essere fatto in diversi modi, ad esempio Muscatello et al. 14 consiglia di utilizzare una media mobile di quattro settimane notifiche di laboratorio per il monitoraggio. Il loro approccio segna l'inizio della stagione influenzale ogniqualvolta le quattro settimane di spostamento supera una soglia prefissata. Mentre efficace, questo approccio ha lo svantaggio che non vi è un taglio improvviso arbitrario per tali osservazioni incluse nel liscia. Confrontiamo le prestazioni di questo (4) approccio al metodo proposto EWMA avanti in questo documento MA. Il grafico (EWMA) Controllo media mobile esponenziale ponderata per rilevare l'inizio (e fine) di un focolaio di influenza proponiamo la esponenzialmente ponderata in movimento grafico medio (EWMA) di controllo 18 definito come: dove y t è uguale al numero di notifiche di laboratorio in settimana t. 0 lt 1 e E 0 0 (o qualche altro valore iniziale adatto). Il EWMA segnala la prima volta E t gt h. Si noti che applicando la formula EWMA (1) ricorsivamente otteniamo E t y t (1-) y t -1 (1-) 2 y t -2. In altre parole, come suggerisce il nome, l'EWMA statistica E t è una media ponderata di tutti i valori y t osservati precedenti con pesi che diventano (esponenzialmente) più piccolo come andiamo più indietro nel tempo. Come tale la statistica EWMA fornisce una stima locale del livello medio del processo che produce i valori di t y osservati. Così, a differenza del CUSUM 18 la statistica EWMA fornisce un'interpretazione pronto semplice. grafici EWMA sono stati precedentemente proposti per monitorare le epidemie basati sulla comunità come parte del sistema di sorveglianza ESSENZA 19. Il sistema essenza è sulla base di informazioni non tradizionale e sindromica e ha una portata molto più ampia, vale a dire il rilevamento di non solo focolai di influenza, e utilizza i dati molto diversi della nostra proposta. Per applicare il grafico EWMA dobbiamo scegliere la costante levigante,. e la soglia, h. A causa del solito rapido aumento e diminuzione del numero di notifiche di laboratorio di influenza ci vorrebbe solo un po 'di livellamento. Così, avremmo scelto un gran valore per come 0,5. La Figura 2 mostra il grafico EWMA per i dati di notifica di laboratorio vittoriane con 0,5 (pannelli destro e sinistro mostrano la stessa tabella, il pannello di destra limita l'intervallo dell'asse verticale). Questo valore è maggiore di quella utilizzata nella maggior parte delle applicazioni industriali sono l'obiettivo è quello di rilevare più cambiamenti graduali sostenuti. Si noti che con 1, la carta di controllo EWMA semplifica al grafico di controllo Shewhart 3 come mostrato in Figura 1. EWMA con 0,5 Applicato a Victoria laboratorio notifica dati. La scelta della soglia, h. richiede un compromesso tra protezione dai falsi allarmi e la capacità di rilevare cambiamenti reali rapidamente. Esaminando l'EWMA dei dati storici, illustrati nella Figura 2. suggerisce una soglia tra 6 e 7 è un compromesso ragionevole. Abbiamo aggiunto una soglia di 6,5 al EWMA in figura 2 per l'illustrazione. Nel prossimo paragrafo esaminiamo la natura del compromesso più in dettaglio. La procedura di rilevazione dell'influenza proposto si basa sul fatto che l'EWMA statistica E t. come indicato in (1), è al di sopra o al di sotto della soglia. Mentre E t gt h vi è evidenza di un aumento dell'attività influenzale. Definiamo la prima volta nell'anno in cui il EWMA è al di sopra della soglia come l'inizio della stagione influenzale. Per raggiungere l'obiettivo secondario, avremo segnalare la fine del focolaio di influenza (o stagione) come la prima volta dopo l'inizio del focolaio che il EWMA scende sotto la soglia. Così, matematicamente, se E t gt he E t -1 lt h. vale a dire il EWMA segnala l'inizio di un focolaio di influenza al tempo t. il EWMA segnala la fine di tale epidemia al momento gt s t. dove E s lt h e E t 1. E t 2. E t s -1 gt h. Quantificare le prestazioni della carta di controllo EWMA utilizzando la tiratura media Abbiamo in programma di applicare il EWMA prospetticamente ai nuovi dati di notifica di laboratorio. Se assumiamo i dati passati sono rappresentativi della tipologia di dati che vedremo in futuro, siamo in grado di utilizzare i dati storici per impostare la soglia e valutare il probabile prestazioni della carta di controllo EWMA. Per quantificare la prestazione usiamo la tiratura media (ARL), cioè, il numero medio di settimane fino a quando un segnale di 18. Non è opportuno utilizzare falsi allarmi o alimentazione per caratterizzare le prestazioni di un grafico di controllo sequenziale come un EWMA. Anche senza cambiamento di attività, la possibilità di un segnale al tempo t non è costante in quanto dipende dal livello del EWMA al tempo t -1. Vogliamo una lunga ARL quando c'è solo l'attività influenzale linea di base, mentre un buon procedura di monitoraggio avrà un breve ARL nel corso di un focolaio di influenza. Risultati e discussione Per applicare la carta di controllo EWMA ai dati influenza Victoria abbiamo prima affrontare la questione della ARL di un falso allarme, chiamato ARL in controllo. Nella dati storici non ci sono stati grossi focolai nei (nell'emisfero australe) mesi estivi. Usiamo i cinque mesi da dicembre a aprile incluso per definire un periodo in cui vi è solo attività influenzale di base. Cambiamenti in laboratorio hanno confermato conta influenzali dal tasso di riferimento rappresentano focolai. Le due trame in figura 3 riassumono i dati relativi all'attività di base storici disponibili. La trama nel pannello di sinistra mostra le notifiche nel corso del tempo, mentre il pannello di destra riassume gli stessi dati in un istogramma. Istogramma e Time Series Plot delle notifiche di laboratorio nel periodo di riferimento. Abbiamo un totale di 156 osservazioni per la linea di base notifiche di laboratorio settimanali. Il numero di test di influenza positiva nel periodo di riferimento, come mostrato nel pannello di destra della figura 3. è basso, in media solo 1,5 a settimana. Inoltre, il modello nel tempo è abbastanza costante e autocorrelazioni sono piccole. Così è ragionevole supporre indipendenza attraverso settimane nel periodo di riferimento. Tuttavia, trovando una distribuzione parametrica che si inserisce l'istogramma osservato in figura 3 si è rivelato difficile. La scelta naturale di una distribuzione di Poisson si adatta male a causa principalmente per l'eccessiva dispersione rappresentato dai conti osservati del 9 e 10, come visto nel pannello di destra della figura 3. Invece si è proceduto alla distribuzione empirica. Usiamo una catena di Markov a ravvicinare le costanti ARLS di base dello stato con diverse soglie 20. I risultati sono riportati in figura 4. Con la soglia precedentemente selezionato di 6,5, si ottiene un (ciclico) steady state 18 tiratura media di 556 settimane. Questo significa che utilizzando il EWMA proposto, ci aspettiamo che, in media, solo un out-of-stagione falso allarme circa ogni 25 anni se l'attività influenzale rimane al livello di base (richiamo ci sono solo 5 out-of-stagione mesi ogni anno ). Trama del Baseline media Run Length (ARL) dalla soglia h. Successivamente, si considera la velocità con cui l'approccio EWMA segnalerà cambiamenti nell'attività influenza del tasso di riferimento. Qui occorre un presupposto per la distribuzione delle notifiche di laboratorio supplementari a causa dello scoppio. Noi applichiamo la seguente semplice modello: Y t B t O t. dove Y t è una variabile casuale cui realizzazioni alle notifiche di laboratorio osservate, B t è una variabile casuale per l'attività dell'influenza basale cui distribuzione è data dalla distribuzione empirica mostrato nell'istogramma in figura 3. e O t è una variabile casuale rappresenta le notifiche di laboratorio supplementari a causa del focolaio di influenza. Abbiamo assumere O t ha una distribuzione di Poisson con media. Mentre la media aumenta la gravità dell'influenza aumenta scoppio e con media zero abbiamo solo l'attività di base. La Figura 5 mostra come cambia ARL EWMA con. Il EWMA rileva molto rapidamente qualsiasi focolaio di Poisson significa maggiore di circa 6. Date le dimensioni dei focolai mostrato nella Figura 1. ci aspettiamo che il grafico EWMA per rilevare il tipico focolaio di influenza stagionale entro una o due settimane di focolai inizio. Si noti, tuttavia, che questa analisi è stato progettato solo per dare qualche indicazione di prestazioni. Per determinare i ARLS abbiamo assunto un cambiamento nel mezzo di Poisson riflessa l'inizio di un focolaio di influenza. In realtà, un focolaio di influenza è probabile improvvisa, ma non istantanea. Inoltre, questa analisi assume focolai continuare indefinitamente a velocità costante. focolai più piccoli non possono essere rilevati prima di queste diminuiscono. Tuttavia, il nostro obiettivo principale è individuare grandi focolai di influenza. Trama della lunghezza media Run (ARL) in settimane dalla dimensione del focolaio. Confronto di Metodi Poi abbiamo confrontare il metodo EWMA proposto di utilizzare 0,5 con la media mobile a quattro periodo, MA (4), un approccio sostenuto da Muscaltello et al. 14 e l'approccio Shewhart dove abbiamo semplicemente a confronto il conteggio osservata ogni settimana con una soglia. In questo confronto si suppone che il numero di casi di ILI out-of-season segue una distribuzione di Poisson con media 2 e modello focolai di varie dimensioni, aumentando la Poisson media. Non usiamo i dati empirici out-of-stagione di Victoria qui perché, a causa della piccola quantità di dati, non è possibile trovare un grafico Shewhart con un ragionevolmente grande ARL in controllo (o out-of-stagione). Con la creazione di un modello di catena di Markov che tenga conto di tutti e quattro i valori che costituiscono i risultati medi in movimento e per ogni conteggio è un intero possiamo determinare esatte per le prestazioni del MA (4) metodo. I risultati per la tabella di Shewhart sono esatte, mentre per l'EWMA usiamo il ravvicinamento catena di Markov. Figura 6 fornisce i risultati su una scala logaritmica per la lunghezza media di esecuzione dei tre approcci. Non siamo riusciti a corrispondere esattamente le prestazioni di controllo delle tre classifiche a causa della discretezza intrinseca dei dati di conteggio. Con limiti di controllo di 4.4, 3.9 e 6.9 per il EWMA (0,5), MA (4) e Shewhart approcci rispettivamente abbiamo uno stato stazionario ARL in controllo di 190 per le (4) metodi EWMA e MA, ma 220 per l'approccio Shewhart . Vediamo in figura 6 che, come previsto, il EWMA e MA (4) approcci sono più veloci per individuare i focolai rispetto all'approccio Shewhart quando il focolaio è relativamente piccolo. Inoltre per grandi spostamenti tabella Shewhart è marginalmente migliore rispetto all'approccio EWMA mentre il MA (4) approccio richiede più tempo per la segnalazione. Questo confronto è limitata per il nostro contesto perché con focolai di influenza ci aspettiamo improvvise, ma non grandi cambiamenti istantanei nel numero medio di conteggi. Modellazione di un focolaio di influenza più realistico richiederebbe ulteriori ipotesi su come cambia rapidamente avviene e richiedono sia la simulazione o un'analisi molto più complicato per generare i risultati. Riteniamo che, poiché l'approccio EWMA funziona molto bene in confronto al MA (4) e Shewhart approcci per spostamenti di qualsiasi dimensione è l'approccio preferito. Nota in particolare la EWMA è sostanzialmente migliore rispetto al MA (4) approccio per i turni più grandi speriamo di essere in grado di rilevare rapidamente. Confronto di ARL per EWMA, MA (4) e metodi di Shewhart Linea continua: EWMA, linea tratteggiata: MA (4), la linea tratteggiata dot: Shewhart. Applicazione del grafico EWMA Abbiamo applicato la carta di controllo EWMA proposto ai dati di notifica di laboratorio da Victoria. The resulting EWMA chart is given in Figure 2. From Figure 2. the decision rules described earlier and the detailed records, we determined the signaled start and end weeks for the seasonal influenza outbreaks (see Table 1 ). Note that this determination was done in a prospective manner, that is, decisions were made at week t without looking at y t 1 . y t 2 . etc. For comparison we also included in Table 1 the signal dates as determined by a retrospective inspection of notification data by epidemiologists. The start and end of the influenza season was fairly clear for all years except 2004 when there was very mild seasonal influenza activity. Start and End Weeks of Victorian Influenza Season as Determined by Proposed EWMA Approach and Retrospective Analysis The EWMA and retrospective approaches differed by at most one week in detecting the start of the influenza season. The EWMA gave no false signals for the start of an influenza season. Similar results were obtained for the end of the season determination with the exception of 2004. In 2004 the EWMA was above the threshold for weeks 37 and 40 through 46. As such, the EWMA approach signaled the end of the influenza season in week 38, and the subsequent start of another outbreak in week 40 which ended in week 47. These two signaled outbreaks together closely match the results from the retrospective analysis. We have illustrated the application of our proposed EWMA influenza monitoring procedure with data from Victoria. Applying the approach elsewhere should be straightforward. Given some years of historical data we could produce a plot like Figure 2 and use our judgment to select a reasonable threshold. The approach could also be used to monitor changes in other diseases. If detecting more moderate changes is the goal, smaller values of the smoothing constant would be preferred. We have purposefully not used the seasonal nature of influenza to help us detect the start of an outbreak. Rather we use a local estimate of activity to determine if an outbreak has started. Using the seasonal time information is somewhat problematic since the start of the influenza season can vary considerable. Additionally, we required the monitoring procedure to be sensitive to any outbreak - not only the expected seasonal outbreak. As a result, the proposed EWMA procedure could also be useful for detecting influenza outbreaks in tropical climates where there is usually little or no seasonal effect. We selected the EWMA threshold by applying the EWMA to some historical data and used our judgment to determine the best threshold. The threshold should be updated every few years to accommodate possible changes in the process such as changes in population, the number of tests conducted and the type of influenza tests commonly used. It is questionable whether it is reasonable to incorporate a single measure capable of signaling the start of influenza outbreaks across large geographical areas such as Australia. A preferred approach would be to monitor influenza activity separately for smaller geographical areas such as states but this introduces other complications. With multiple EWMAs, the ARL to a false alarm is clearly smaller than that for each individual EWMA. Also for states with small population, the baseline number of laboratory notifications will be smaller and, relative to the mean, more variable than for larger states. For regions with larger populations andor larger numbers of tests the thresholds would need to be higher, but the EWMA would still be appropriate. With larger counts the discreteness problem in selecting thresholds for the moving average and Shewhart approaches would be lessened. Conclusions We propose a simple, robust method for detecting the start and end of the influenza season that can also rapidly detect out of season influenza outbreaks. The data used to determine the threshold at which an alert is signaled are readily available with minimal delay where laboratory confirmed influenza is a notifiable disease. The method we propose is simple to implement and the calculations are relatively simple to execute. Baseline data from historical non-influenza periods of several years should be used to select the threshold. This will balance the desire for few false alarms and quick detection of an outbreak and will also provide accurate indications of the numbers of cases and the rate of increased testing at the beginning of past influenza seasons. The EWMA method can also be used in other surveillance programs for the rapid detection of other diseases. Moreover, since seasonality is not inherent in the application of the model, the method can be used in tropical climates where seasonality of disease may not be apparent. List of abbreviations exponentially weighted moving average Competing interests The authors declare that they have no competing interests. Authors contributions SS conceived the model, performed the analysis and drafted the manuscript. KAG provided all raw data for analysis, contributed to discussion about establishing a threshold and assisted with production of the manuscript. MC participated in discussion about refining the model and establishing a threshold and contributed to the analysis. HK conceived the study, participated in the study design, provided background information on influenza epidemiology and helped draft the manuscript. All authors reviewed and approved the final draft of the manuscript. Authors Affiliations Dept. of Statistics, University of Waterloo Epidemiology Unit, Victorian Infectious Diseases Reference Laboratory Queensland Health and University of Queensland References Newall AT, Wood JG, Macintyre CR: Influenza-related hospitalisation and death in Australians aged 50 years and older. Vaccine. 2008, 26 (17): 2135-41. 10.1016j. vaccine.2008.01.051. View Article PubMed Google Scholar Kelly H, Carville K, Grant K, Jacoby P, Tran T, Barr I: Estimation of influenza vaccine effectiveness from routine surveillance data. PLoS One. 2009, 4 (3): e5079-10.1371journal. pone.0005079. View Article PubMed PubMed Central Google Scholar Montgomery DC: Introduction to Statistical Quality Control. 2008, John Wiley and Sons, New York, 6 Google Scholar Woodall WH: The Use of Control Charts in Health-Care and Public-Health Surveillance (with discussion). Journal of Quality Technology. 2006, 38: 89-134. Google Scholar Tsui K-L, Chiu W, Gierlich P, Goldsman D, Liu X, Maschek T: A review of healthcare, public health and syndromic surveillance. Quality Engineering. 2008 online 1st October. 2008, 20 (4): 435-50. Google Scholar Serfling RE: Methods for current statistical analysis of excess pneumonia-influenza deaths. Public Health Rep. 1963, 78 (6): 494-506. View Article PubMed PubMed Central Google Scholar Hashimoto S, Murakami Y, Taniguchi K, Nagai M: Detection of epidemics in their early stage through infectious disease surveillance. Int J Epidemiol. 2000, 29 (5): 905-10. 10.1093ije29.5.905. View Article PubMed Google Scholar Viboud C, Boelle PY, Carrat F, Valleron AJ, Flahault A: Prediction of the spread of influenza epidemics by the method of analogues. Am J Epidemiol. 2003, 158 (10): 996-1006. 10.1093ajekwg239. View Article PubMed Google Scholar Anderson E, Bock D, Frisen M: Modeling influenza incidence for the purpose of on-line monitoring. Statistical Methods in Medical Research. 17: 421-438. 10.11770962280206078986. Muscatello DJ, Churches T, Kaldor J, Zheng W, Chiu C, Correll P, Jorm L: An automated, broad-based, near real-time public health surveillance system using presentations to hospital Emergency Departments in New South Wales, Australia. BMC Public Health. 2005, 22 (5): 141-10.11861471-2458-5-141. 15. View Article Google Scholar Cowling BJ, Wong IO, Ho LM, Riley S, Leung GM: Methods for monitoring influenza surveillance data. Int J Epidemiol. 2006, 35 (5): 1314-21. 10.1093ijedyl162. View Article PubMed Google Scholar Toubiana L, Flahault A: A space-time criterion for early detection of epidemics of influenza-like-illness. Eur J Epidemiol. 1998, 14 (5): 465-70. 10.1023A:1007481929237. View Article PubMed Google Scholar Watts CG, Andrews RM, Druce JD, Kelly HA: Establishing thresholds for influenza surveillance in Victoria. Aust N Z J Public Health. 2003, 27 (4): 409-12. 10.1111j.1467-842X.2003.tb00418.x. View Article PubMed Google Scholar Muscatello DJ, Morton PM, Evans I, Gilmour R: Prospective surveillance of excess mortality due to influenza in New South Wales. Communicable Diseases Intelligence. 2009, 32 (4): Department of Human Services: Rural Infection Control Practice Group. Health (Infectious Disease) Regulations. Melbourne RICPRAC. 2001, Report No. Policy no. 7.1 Contract No. Document Number. Google Scholar Clothier H, Turner J, Hampson A, Kelly H: Geographic representativeness for sentinel influenza surveillance: implications for routine surveillance and pandemic preparedness. Aust NZ J Public Health. 2006, 30: 337-341. 10.1111j.1467-842X.2006.tb00846.x. View Article Google Scholar Druce J, Tran T, Kelly H, Kaye M, Chibo D, Kostecki R: Laboratory diagnosis and surveillance of human respiratory viruses by PCR in Victoria, Australia, 2002-2003. J Med Virol. 2005, 75 (1): 122-9. 10.1002jmv.20246. View Article PubMed Google Scholar Lucas JM, Saccucci MS: Exponentially Weighted Moving Average Control Schemes: Properties and Enhancements. Technometrics. 1990, 32: 1-12. 10.23071269835. View Article Google Scholar Lombardo J, Burhom H, Elbert E, Magruder S, Lewis SH, Loschen W, Sari J, Sniegoski C, Wojcik R, Pavlin J: A systems overview of the Electronic Surveillance System for the Early Notification of Community-Based Epidemics (ESSENCE II). J Urban Health. 2003, 80 (2 Suppl 1): i32-42. PubMed PubMed Central Google Scholar Steiner SH: Grouped Data Exponentially Weighted Moving Average Control Charts. Applied Statistics. 1998, 47 (203-216): Pre-publication history Steiner et al licensee BioMed Central Ltd. 2010 This article is published under license to BioMed Central Ltd. This is an Open Access article distributed under the terms of the Creative Commons Attribution License ( creativecommons. orglicensesby2.0 ), which permits unrestricted use, distribution, and reproduction in any medium, provided the original work is properly cited.
Comments
Post a Comment