材料
韓国国民健康保険公社（KNHIS）のデータから2003年から2019年までのST症例を抽出し、性別と疫学週（エピウィーク）で層別化した。 KNHIS は、すべての韓国国民に強制健康保険を適用する韓国の単一保険会社です。 [9]全国人口を代表すると考えられる医療利用請求を通じてデータを提供します [9]。 KNHIS データ内の適格性情報により、週ごとの層別化と、性別や年齢層などの人口統計的特徴による同時層別化が可能になります。これは、主に韓国の女性に影響を与える ST の時間的変化を観察することを目的とした私たちの研究にとって重要です。保険請求データは主に医療記録ではなく請求の目的に使用され、臨床業務を容易にするための暫定的な診断が可能になります。対照的に、国家感染症監視システムは、届出可能な疾患について報告されたデータに依存しているため、報告基準の変更や報告率の変動の可能性があります。 [10]。注目すべきは、2019年にSTの報告基準が変更され、疑わしい症例を報告要件から除外したことにより、報告された症例が前年と比較して39.9％大幅に減少したことである[[[[11]、一方、請求データの減少はわずか 14.3% でした。 STは流行国での流行中、確認検査なしで臨床診断される可能性があるため [12]確定診断には検査が必要ですが、報告基準の変更は報告された症例に重大な影響を与えた可能性がありますが、患者数、ひいては健康保険データへの影響は限定的でした。したがって、適切な階層化を備えた安定した長期データを使用して ST の時間的傾向を調べるために、KNHIS データを使用しました。感度分析のために、ST 症例数は、韓国疾病管理予防庁の感染症ポータルで入手可能な通知可能な疾病監視レポートから抽出されました (https://dportal.kdca.go.kr）、このデータには報告の偏りにより制限がある可能性があることを認識しています。
ST は、国際疾病分類、第 10 版、臨床修正コード (ICD-10-CM コード) A75.3 に従って定義されました。データには、市区町村、性別（男性と女性）、および年齢層ごとにコード化された居住住所に関する情報が含まれており、20 年間隔（0 ～ 19 歳、20 ～ 39 歳、40 ～ 59 歳、60 ～ 79 歳、および 80 歳以上）で分類されています。年）。完全なデータを持つ患者が分析に含まれました。韓国統計局の人口データを使用して、10万人当たりのST罹患率を設定しました(https://kosis.kr）。年をまたいで比較できるように、2003 年、2008 年、および 2014 年の第 53 週の発生率を、対応する年の第 52 週で平均しました。高麗大学治験審査委員会（IRB）は、データには個人識別情報が含まれていなかったため、この研究の免除を認めました（IRB免除番号：KUIRB-2021-0237-02）。
記述的分析
基本情報を提供し、ST の性差と年齢差を調査するために、人口 100,000 人あたりの患者数と ST 発生率を性別、年齢層、暦年ごとに決定しました。 ST 発生率の男女比を年と年齢層別に記載した。 ST 発生率の性比の時間的傾向を統計的に評価するために、Mann-Kendall 検定が利用されました。 [13, 14]。 Mann-Kendall 検定の帰無仮説は ST 発生率が独立して分布していると仮定するのに対し、対立仮説は ST 発生率が単調傾向であると仮定します。 [13, 14]。
さらに、傾向、季節性、ランダム変動を説明するために、2003 年から 2019 年までの対数変換された発生率の基本的な時間加法分解が実行されました。当初は、移動平均法によりトレンド成分を抽出することにより時間加法分解を行った。その後、すべての期間の平均をとり、それを中心にして季節成分が計算されました。 [15]。次に、元のデータから傾向成分と季節成分の両方を差し引くことで、誤差成分を分離しました。 [15]。
連続ウェーブレット変換解析 (CWT)
季節傾向を検出するために、対数変換された 2003 年から 2019 年の ST 発生率に対する CWT が実施されました。 CWT はスペクトル時間分解分析であり、疫学時系列データの典型的な特徴である非定常データの季節性を検出できるという利点があります。さらに、ウィンドウフーリエ分解よりも時間と周波数の両方で優れた位置特定ができるため、疫学データの一時的な性質の検出が可能になります。 [16]。また、CWT は、トレンド除去などの前処理ステップが必要となる可能性がある従来の方法と比較して、基礎となる季節性をより正確に表現します。 [16]。さらに、CWT はさまざまなスケールでパターンを捉えることができます。これは、さまざまな季節要因が異なる時間スケールで作用する可能性がある感染症疫学において不可欠です。 [16]。これにより、傾向分析だけでは見えない可能性のある、1 年以内の複数のピークを検出できるようになります。
CWT は、WaveletComp パッケージ バージョン 1.1 のデフォルト オプションである Morlet ウェーブレットを使用して実施されました。 [17] in R (バージョン 4.2.1; R Foundation、ウィーン、オーストリア、 https://cran.r-project.org)、および 95% の信頼水準で統計的有意性を評価するための 2,000 回のシミュレーション。
帰無仮説は、観察された時系列変動は純粋にランダムなプロセスから予想される変動と区別できないと仮定しました。 [16]。マザー モーレット ウェーブレット (:psi:left(tright)) は次のように定義されました。ここで、(:t) は時間を示し、(:omega:) は角周波数を示します、6に設定されています [17]:
$$:psi:left(tright)={{pi:}^{-1/4}e}^{iomega:t}{e}^{-{t} ^{2}/2}$$
時系列 (x
https://CRAN.R-project.org/package=WaveletComp
” href=”http://bmcinfectdis.biomedcentral.com/articles/10.1186/s12879-024-09858-0#ref-CR17″ id=”ref-link-section-d237616426e680″>17]。複素共役形式 ‘*’ を使用すると、ウェーブレット変換を (x
https://doi.org/10.1098/rsif.2007.0212
, PMID: 17301013.” href=”http://bmcinfectdis.biomedcentral.com/articles/10.1186/s12879-024-09858-0#ref-CR16″ id=”ref-link-section-d237616426e694″>16]。マザー ウェーブレットから派生したこれらの娘は、さまざまな位置 (:tau:) でさまざまな幅またはスケール (:s) を持ちます。 [16]。
CWT の結果は、ウェーブレット パワー スペクトル プロットと時系列の平均ウェーブレット パワーを通じて示されました。ウェーブレット パワー スペクトル プロットは、X 軸がカレンダーの日付、Y 軸が週ごとの期間という 2 つの次元で時間ごとの季節性の程度を表します。時系列とウェーブレットが対応する時間とスケールでよく一致する場合、ウェーブレット パワー スペクトルの値 (:{S}_{x})(:(tau:,:s )) が高くなります [16, 17]。逆に、時系列とウェーブレットのマッチングが悪い場合、ウェーブレットのパワースペクトルの値は減少します。 [16, 17]。ウェーブレット パワー スペクトルのうねりの最大値を 95% の有意水準と、情報が不正確になる可能性がある境界効果のある領域を示しました。 [16, 17]。
平均ウェーブレット パワーにより、全体的な年間周期性が存在するかどうかが決まりました。平均ウェーブレット パワーの結果でピークが検出されました。次に、95% の有意水準に基づいて、各ピークから最大電力量と対応する周期性を抽出しました。非対数変換データを使用したサブグループ分析は、性別および年齢グループごとに実施されました。 CWT の変化を特定するために、2012 年に発生率が最も高かったため、年のグループを 2013 年に分割しました (2003 ～ 2012 年と 2013 ～ 2019 年で構成)。感度分析は、対数変換されていないエピウィークデータ、2003年、2008年、2014年の第53週の情報を維持したデータ、および届出疾患報告データを用いて行われた。
1727517359
#発疹チフスの季節性と性比の変化 #ウェーブレット変換分析に基づく #年から #年までの韓国のケーススタディ #BMC感染症
2024-09-28 09:32:19