آزمون Ma-Kendall-Sneyers برای شناسایی نقاط تغییر سریال COVID-19 در ایالات متحده

یک متغیر مهم در تجزیه و تحلیل سری زمانی نقطه تغییر است ، که نقطه ای است که یک تغییر ناگهانی در مشاهدات مرتب شده زمانی رخ می دهد. مدلهای پارامتری موجود برای تشخیص نقطه تغییر ، مانند مدل رگرسیون خطی و مدل بیزی ، مستلزم این است که مشاهدات به طور معمول توزیع شوند و خط روند نمی تواند تنوع شدید داشته باشد. برای غلبه بر محدودیت های مدل پارامتری ، ما یک روش غیرپارامتری ، آزمون Ma-Kendall-Sneyers (MKS) را برای تغییر تشخیص نقطه برای داده های سری زمانی COVID-19 در سطح کشور در اوایل شیوع استفاده می کنیم. از همه گیر

مواد و روش ها

آزمایش MKS برای تشخیص نقطه تغییر اجرا می شود. دنباله رو به جلو و دنباله عقب بر اساس موارد هفتگی جدید بین 22 مارس 2020 و 31 ژانویه 2021 برای هر یک از 50 ایالت محاسبه می شود. نقاط تقاطع بین دو سکانس که در فواصل اطمینان 95 ٪ قرار می گیرند ، به عنوان نقاط تغییر شناخته می شوند. نتایج با دو روش تشخیص نقطه تغییر دیگر ، روش خطی دقیق هرس (PELT) و روش مبتنی بر رگرسیون مقایسه می شود. همچنین ، یک ابزار دسترسی باز توسط Microsoft Excel برای تسهیل اجرای مدل تهیه شده است.

نتایج

با استفاده از آزمون MKS در موارد COVID-19 در ایالات متحده ، ما مشخص کردیم که 30 ایالت (60. 0 ٪) حداقل یک نقطه تغییر در فواصل اطمینان 95 ٪ دارند. از این ایالت ها ، 26 ایالت دارای یک نقطه تغییر هستند ، 4 ایالت (یعنی LA ، OH ، VA و WA) دارای دو نقطه تغییر هستند و یک ایالت (GA) دارای سه نقطه تغییر است. علاوه بر این ، بیشتر تغییرات رو به پایین در ایالت های شمال شرقی (به عنوان مثال ، CT ، MA ، NJ ، NY) در اولین مرحله توسعه (23 مارس تا 31 مه 2020) ظاهر می شود. بیشترین تغییرات رو به بالا در کشورهای غربی (به عنوان مثال ، AZ ، CA ، CO ، NM ، WA ، WY) و ایالات میانه غربی (به عنوان مثال ، IL ، IN ، MI ، MN ، OH ، WI) در مرحله سوم توسعه (19 نوامبر) ظاهر می شود.، 2020 تا 31 ژانویه 2021).

نتیجه گیری

این مطالعه یکی از اولین کسانی است که پتانسیل آزمایش MKS را برای تشخیص نقطه تغییر موارد COVID-19 کشف کرده است. آزمون MKS با چندین مزیت ، از جمله راندمان محاسباتی بالا ، اجرای آسان ، امکان شناسایی تغییر جهت و بدون فرض برای توزیع داده ها مشخص می شود. با این حال ، به دلیل ماهیت محافظه کارانه در تشخیص نقطه تغییر و توافق متوسط با سایر روشها ، توصیه می کنیم از آزمون MKS در درجه اول برای شناسایی الگوی اولیه و هرس داده ها ، به ویژه در داده های بزرگ استفاده کنید. با اصلاح ، این روش می تواند بیشتر در مورد سایر داده های بهداشتی مانند صدمات ، ناتوانی ها و مرگ و میر اعمال شود.

زمینه

بیماری Coronavirus 2019 (COVID-19) همه گیر همه جنبه های جامعه بشری را مختل کرده است. به دلیل ماهیت بسیار عفونی این بیماری ، دولت های ایالتی در ایالات متحده (ایالات متحده) اقدامات فاصله اجتماعی اجتماعی (به عنوان مثال ، بسته شدن مشاغل غیر ضروری ، قفل منطقه ای و دستورالعمل های پوشش چهره) را برای مهار ویروس اجرا کرده اند. و منحنی اپیدمی (منحنی EPI) را صاف کنید [1]. با این حال ، از آنجا که این اقدامات سطح دولتی در قدرت و جدول زمانی اجرای سیاست متفاوت است ، تکیه بر یک موضوع ساده برای ارزیابی اثربخشی سیاست ، غیرقابل اعتماد است. یک گام جایگزین از طریق تجزیه و تحلیل سری زمانی موارد COVID-19 است که در نهایت می تواند به ذینفعان در سیاست گذاری سلامت فعال کمک کند ، مانند تعیین زمان بهینه برای تسکین فاصله اجتماعی.

یک متغیر مهم در تجزیه و تحلیل سری زمانی ، نقطه تغییر است که به آن نقطه تورم نیز گفته می شود ، که نقطه ای است که یک تغییر ناگهانی در مشاهدات مرتب شده زمانی رخ می دهد. تشخیص نقطه تغییر مدتهاست در تئوری آماری به کار رفته است [2] ، اما کاربردهای آن برای COVID-19 نسبتاً نامشخص است. به عنوان مثال ، هنگام مدل سازی موارد COVID-19 ، اکثر مطالعات نقاط تغییر را به عنوان تاریخ اصلی مداخلات سیاست یا وقایع اجتماعی تعریف کرده اند [1 ، 3]. مطالعات دیگر از مدلهای پارامتری مانند مدل رگرسیون خطی [4 ، 5] و مدل بیزی [6 ، 7] استفاده کرده اند تا نقاط تغییر را بدست آورند. با این حال ، بسیاری از این مدلهای پارامتری نیاز دارند که مشاهدات به طور معمول توزیع شوند و خط روند نمی تواند تنوع شدید داشته باشد. در شرایطی که مشاهدات با گذشت زمان تنوع زیادی را نشان می دهند و خط روند نمی تواند به خوبی مناسب باشد ، مدل های پارامتری قابل اعتماد تر می شوند. این شرایط در متناسب با منحنی COVID-19 EPI غیر معمول نیست ، زیرا پیشرفت بیماری دارای درجه قابل توجهی از عدم قطعیت ها و تغییرپذیری است [1].

برای غلبه بر محدودیت های مدل پارامتری ، ما یک مدل غیر پارامتری به نام آزمایش Ma-Kendall-Sneyers (MKS) استفاده کرده ایم تا تشخیص نقطه را در منحنی EPI COVID-19 تغییر دهیم. از آزمایش MKS ، که از یک مدل نمونه اولیه توسط Ma [8] تهیه شده است ، برای تشخیص روند یکنواخت (به عنوان مثال ، به سمت بالا ، رو به پایین) و نقاط تغییر مربوط به آنها در داده های سری زمانی استفاده می شود. این مدل در درجه اول در تحقیقات علوم زمین برای توصیف نوسانات متغیرهای آب و هوایی و محیطی مانند بارندگی ، دمای هوا و رواناب سطح به کار گرفته شده است [9،10،11]. به تازگی ، برخی از مطالعات COVID-19 از تست Ma-Kendall (MK) استفاده کرده اند که نسخه قبلی تست MKS برای تشخیص روند است [12 ، 13]. در حالی که آزمایش MK در تشخیص روند یکنواخت مفید است ، نمی تواند تغییرات در روند و نقاط تغییر مربوطه را تشخیص دهد ، و این امر باعث می شود که در اواسط تا طولانی مدت برای ردیابی و نظارت بیماری کمتر مفید باشد. تست MKS ، به عنوان یک پسوند متوالی از آزمون MK [14] ، این شکاف را پر می کند. این می تواند به ابزاری ارزشمند برای نظارت بر بیماری های طولانی مدت تبدیل شود و بنابراین می تواند از تصمیم گیری در مورد بهداشت عمومی پشتیبانی کند.

سهم مقاله به شرح زیر است.

این مقاله اولین بار است که از آزمون MKS در تجزیه و تحلیل سری زمانی COVID-19 استفاده می کند.

این مقاله شش الگوی نقطه تغییر را برای موارد COVID-19 نشان می دهد.

این مقاله ابزاری با دسترسی باز برای اجرای مدل ایجاد می کند.

مواد و روش ها

آزمون MKS غیرپارامتری [15] ، اغلب اوقات به نام آزمون متوالی Ma-Kendall-Sneyers ، برای تشخیص نقطه تغییر برای داده های سری زمانی بلند مدت اعمال شده است (به عنوان مثال ، تغییرات هیدرولوژیکی ، تغییرات آب و هوایی). طبق گزارش مراکز کنترل و پیشگیری از بیماری (CDC) ، هر دو فاصله اجتماعی و جمع آوری انبوه به طور بالقوه می توانند منجر به تغییر ناگهانی در موارد Covid-19 منطقه ای شوند ، البته در جهات مختلف [16]. سپس ، ما پتانسیل آزمون MKS را برای تشخیص نقطه تغییر در داده های سری زمانی کوتاه مدت ، موارد COVID-19 عفونت ارزیابی کرده ایم.

در این بخش ، ابتدا تست MKS را بیان می کنیم. سپس ، ما از یک مثال برای نشان دادن اجرای مدل استفاده می کنیم.

توضیح روش

آزمایش MKS اعمال شده برای داده های سری زمانی COVID-19 می تواند در سه مرحله اصلی انجام شود.

مرحله 1: استخراج آمار آزمون (S_k)

ما در مورد داده های هفتگی جدید به عنوان یک مشاهده مستقل در یک داده های سری 45 هفته ای رفتار کرده ایم. براساس این فرضیه تهی که توسعه موارد جدید پایدار است ، برای هر ایالت ، ما یک سری زمانی از موارد جدید هفتگی داریم: x = x₁، ایکس₂، ایکس₃… ایکس_حرف >، جایی که n تعداد کل هفته های مورد مشاهده است (45 نفر در مطالعه موردی ما). مگس_من(i = 1 ، 2 ،… ، n) تعداد کل عناصر x را نشان می دهد_jقبل از x_من(ج< i ) where x _j < x _من.

بر اساس م_من، آمار آزمون s_kM تجمعی را مشتق می کند_منبرای هر هفته ، همانطور که در Eq نشان داده شده است.(1).