روندهاي فصلي و الگوهاي قابل توجيه در داده‌هاي كشوري نظام مراقبت بيماري سرخك: رويكردهاي شناسايي و حذف

Detecting and Removing the Explainable Patterns of the Daily Counts of Suspected Cases of Measles as a Prediagnostic Data Source in Iran

مقدمه و هدف: شناسايی و حذف الگوهای قابل توجيه، شامل روند‌های ماهانه، فصلی و سالانه، آثار روزهای هفته، روزهای تعطيل و پايان هفته به دليل اختلال در اعلام هشدارهای واقعی مبنی بر وجود تغييرات در روند بيماری‌ها و نيز ايجاد هشدارهای كاذب بسيار اهميت دارد. مطالعه حاضر با هدف شناسايی و حذف الگوهای قابل توجيه داده‌های كشوری نظام مراقبت بيماری سرخك در ايران انجام گرديد. روش كار: برای شناسايی الگوهای قابل توجيه از داده‌های كشوری، موارد مشكوك به سرخك طی سال‌های 1387 تا1389، از نمودارهای خطی و ميانگين متحرك، توابع خود‌همبستگی و خودهمبستگی جزئی و شاخص متوسط پايان هفته استفاده شد. برای حذف الگوهای قابل توجيه نيز از روش‌های هموارسازی ميانگين‌های متحرك و هموارسازی نمايی هولت- وينترز استفاده شد. نتايج: نتايج استفاده از روش‌های مختلف برای شناسايی الگوهای قابل توجيه بيانگر وجود الگوهای سالانه، ماهانه و به ويژه آثار روزهای هفته و تعطيل در داده‌های بيماری سرخك است. همچنين، يافته‌ها نشانگر كارايی روش هموارسازی ميانگين‌های متحرك در كاهش انحراف از پيش فرض نرمال‌بودن و عملكرد مناسب روش هموارسازی نمايی هولت- وينترز در حذف الگوهای فصلی، شامل آثار روزهای هفته، ماه و سال است. نتيجه‌گيری: يافته‌های مطالعه حاضر بر اهميت بررسی داده‌های خام نظام مراقبت بيماری سرخك، پيش از به كارگيری روش‌های كشف طغيان تأكيد می‌كند و استفاده از روش هموارسازی هولت وينترز برای حذف الگوهای فصلی را، با وجود سادگی و كارايی مناسب روش ميانگين‌های متحرك در كاهش انحراف از پيش‌فرض نرمال‌بودن از داده‌های خام نظام مراقبت سرخك توصيه می‌كند.

Background & Objectives: Knowledge of the presence of seasonal trends and other explainable patterns in the prediagnostic data sources and removing such patterns before applying outbreak detection methods seem very important. This study aimed to detect and remove the explainable patterns such as seasonality, day-of-week (DOW) and holiday effects of the daily counts of suspected cases of measles in Iran.Methods: Data on daily counts of suspected cases of measles as a pre-diagnostic data source were obtained from Iranian national surveillance system between 21 March 2008 and 20 March 2011. We used lines plot, moving average chart, autocorrelation and partial autocorrelation functions for detecting explainable patterns. Moving average (MA) and Holt- Winters (HW) exponential smoothing method are used for removing explainable patterns. Results: Our findings indicate the presence of seasonality, DOW effect, holidays and weekend effects in the daily counts of suspected cases of measles. The good performance of HW exponential smoothing technique in removing seasonal patterns is evident. MA technique showed better performance regarding assumption violation on outbreak detection methods. Conclusion: Because of the presence of explainable patterns in the daily counts of suspected cases of measles, considering such patterns before applying outbreak detection algorithms is very important. Implementing both MA (7 days) techniques for its simplicity as a pre- processing method and HW method for its efficacy in removing seasonal patterns is recommended.