استفاده از مدل ماركوف پنهان در پيش بيني موارد جديد سل در استان همدان بر اساس اطلاعات موارد ثبت شده طي سال هاي 94-1384

Application of Hidden Markov Model in Forecasting New Cases of Tuberculosis in Hamadan Province Based on the Recorded Cases during 2006-2016

مقدمه و اهداف: سل يك بيماري باكتريايي مزمن و بهعنوان يك عامل مهم ابتلا و مرگ‌ومير مطرح بوده و در اثر مجموعه‌اي از مايكوباكتريوم‌هاي سلي ايجاد مي‌شود. آگاهي از بروز و تعداد موارد جديد اين بيماري اطلاعات ارزشمندي را براي بازنگري برنامه ها و شاخص هاي توسعه فراهم ميكند. مدل هاي سري زماني و رگرسيون از مدلهاي متداول براي پيش‌بيني بوده، اما مستلزم پيش‌فرض‌هايي هستند. هدف اين مطالعه پيش بيني موارد جديد بيماري با استفاده از مدل ماركوف پنهان است. روش كار: دادههاي اين مطالعه تعداد موارد جديد سل در استان همدان به‌صورت ماهانه طي سالهاي 94-1384 كه توسط مركز بهداشت استان همدان شناسايي شد؛ بود. در اين مطالعه پيش بيني موارد جديد سل براي 24 ماه آينده با استفاده از مدل ماركوف پنهان و با نرم افزار R بسته ماركوف پنهان انجام شد. يافته‌ها: بر اساس معيار برازش مدل، يك مدل ماركوف با دو حالت بهترين برازش را به داده‌ها داشت يعني دادههاي اين مطالعه آميخته اي از دو توزيع پواسن با پارامتر ميانگين تعداد رخداد5/96 و 10/2 هستند. هم‌چنين يافته‌هاي پيش بيني بر اساس مدل ماركوف پنهان، تعداد موارد جديد سل طي 24 ماه آينده را بين 9-8 مورد جديد پيش بيني كرد. نتيجه‌‌گيري: مدلهاي ماركوف پنهان مناسبترين مدل پيش بيني با استفاده از زنجير ماركوف است كه علاوه بر شناسايي مدل مناسب، قادر است ماتريس احتمال انتقال بين حالات مختلف بيماري را تعيين كند تا اين احتمالات به پزشكان در پيش‌بيني مراحل آتي بيماري‌ و انجام اقدامات پيش‌گيرانه پيش از ورود به مراحل پيشرفته ياري نمايد.

Background and Objectives: Tuberculosis is a chronic bacterial disease and a major cause of morbidity and mortality. It is caused by a Mycobacterium tuberculosis. Awareness of the incidence and number of new cases of the disease is valuable information for revising the implemented programs and development indicators. time series and regression are commonly used models for prediction but these methods require some assumptions. The purpose of this study was to predict new TB cases using the hidden Markov model which does not require many assumption. Methods: The data used in this study was the monthly number of new TB cases during 2006-2016 identified and recorded in Hamedan Province. Rorecasting the number of new TB cases was done using hidden Markov models using the hidden Markov package in the R software. Results: According to the AIC and BIC criterion, two states had the best fit to the data, i.e. the data of this study were a mixture of two Poisson distributions with average number of event 5.96 and 10.2 respectively. The results also predicted the number of new cases over the next 24 months based on the hidden Markov model would be between 8 and 9 new cases in each month. Conclusion: The hidden Markov model is the best model for prediction using the Markov chain. This model, in addition to detection of an appropriate model for the available data, can determine the transition probability matrix, which can help physicians predict the future state of the disease and take preventive measures befor reaching advanced stages.