شناسایی و حذف روند های فصلی و الگوهای قابل توجیه در داد‌های نظام مراقبت بیماری مننژیت

زمینه و هدف: تشخیص به موقع طغیان های ناشی از بیماری مننژیت مستلزم شناسایی و حذف الگوهای قابل توجیه در داده ها از اهمیت بالایی برخوردار است. این مطالعه با هدف شناسایی و حذف الگوهای قابل توجیه در داده های سندروم تب و علائم نورولوژیک (موارد مشکوک به مننژیت) در استان همدانانجام شده است. روشکار: مطالعه حاضر یک مطالعه سری زمانی است. داده های موارد گزارش شده مشکوک به مننژیت در استان همدان طی سال های 1389 تا 1391 مورد تجزیه و تحلیل قرار گرفت. از نمودارهای خطی، چند جمله ای موضعی و میانگین متحرک، توابع خودهمبستگی و خودهمبستگی جزئی، شاخص متوسط پایان هفته و آماره ناپارامتریک من-کندل برای شناسایی الگوهای قابل توجیه در داده های موارد مشکوک به مننژیت استفاده گردید. روش های هموارسازی سری فوریه و (locally weight regression and smoothing scoter plot) lowess نیز جهت حذف الگوهای قابل توجیه به کارگرفته شد. یافته ها: نتایج نمودار چند جمله ای موضعی، روش های توابع خودهمبستگی و خودهمبستگی جزئی، شاخص متوسط پایان هفته و آماره ناپارامتریک من - کندل حاکی از وجود الگوهای قابل توجیه (سالیانه، ماهیانه، اثرات روزهای هفته و اثر تعطیلات) در داده های مشکوک به بیماری مننژیت است. هر دو روش حذف الگوهای قابل توجیه در حذف این الگوها در داده های موارد مشکوک به مننژیت کارآیی داشتند. به طور کلی، روش lowess در حذف الگوهای قابل توجیه و روش سری فوریه در بهبود نرمال بودن داده ها عملکردی بهتری داشتند. نتیجه گیری: نتایج مطالعه وجود الگوهای قابل توجیه در داده های موارد مشکوک به مننژیت را تایید و ضرورت هموارسازی و حذف این الگوها برایشناسایی صحیح و به موقع طغیان ها را آشکار میسازد.

Seasonal trends and explainable patterns of meningitis: Data preprocessing on fever and neurological symptoms syndrome

Background: Addressing and removing explainable patterns from syndromic data is required to timely detection of outbreaks. This study aims to detect and remove explainable patterns of fever and neurological symptoms syndrome as suspected meningitis which has been occurred in Hamadan province. Methods: We analyzed data on reported cases of suspected meningitis in Hamadan province, between March 2010 and March 2013. Line, local polynomial and moving averages (MA) charts, autocorrelation and partial autocorrelation functions, mean differences and nonparametric Mann Kendall statistics were used to identify explainable patterns in the data on suspected cases of meningitis. Fourier series and LOWESS (Locally Weight Regression and Smoothing Scoter plot) was used to remove such patterns. Results: Local polynomial charts, autocorrelation and partial autocorrelation functions, mean differences and nonparametric Mann Kendall statistics indicated the presence of explainable patterns include Dayof Week (DOW), weekend, holiday effects, seasonality and temporal trend in the syndromic data of fever and neurological symptoms. Overall, LOWESS in removing explainable patterns and Fourier series in improve of normality data have had better performance. Conclusion: Results showed the presence of explainable patterns in the data of suspected cases of meningitis. Accordingly, timely and accurately detection of meningitis' outbreak required data smoothing.