JoVE Logo
Yazarlar
Bize Ulaşın

Oturum Aç

Bu içeriği görüntülemek için JoVE aboneliği gereklidir. Oturum açın veya ücretsiz deneme sürümünü başlatın.

Bu Makalede

  • Özet
  • Özet
  • Giriş
  • Protokol
  • Sonuçlar
  • Tartışmalar
  • Açıklamalar
  • Teşekkürler
  • Malzemeler
  • Referanslar
  • Yeniden Basımlar ve İzinler

Özet

Yaş verileriyle bir kohort etkisini ölçmek için çok aşamalı bir yöntem tasvir ediyoruz, böylece veri kalitesinden ödün vermeden birçok durumda verilerin ortadan kaldırılmasına izin veriyoruz. Protokol stratejiyi gösterir ve hepatosellüler karsinom verilerini analiz etmek için ağırlıklı bir regresyon modeli sağlar.

Özet

Yaş döngüsü acil durum tablosu verilerinde yaş ve dönemin etkisini ortadan kaldırmak için, kohort etkisini değerlendirmek için çok aşamalı bir yöntem benimsenmiştir. Karaciğerin en genel primer malign tümörü hepatosellüler karsinomdur (HCC). HCC, karaciğer sirozu, alkol ve viral etiyolojiler ile ilişkilidir. Epidemiyolojide, HCC mortalitesindeki uzun vadeli eğilimler, bir yaş-dönem-kohort (APC) modeli kullanılarak tanımlanmıştır (veya tahmin edilmiştir). HCC ölümleri, ağırlıklı etkisi ile her kohort için belirlendi. Ağırlıklı ortalamanın güven aralığı (CI) oldukça dardır (eşit ağırlıklı tahminlere kıyasla). Daha az belirsizliğe sahip oldukça dar CI nedeniyle, ağırlıklı ortalama tahmini, tahmin için bir araç olarak kullanılmıştır. Çok aşamalı yöntemde, yaş-dönem olasılık tablosu verilerindeki kohort etkisini değerlendirmek için bir regresyon modeline dayalı ağırlıklı ortalama tahmininin kullanılması önerilir.

Giriş

Karaciğerin en sık görülen primer malign tümörü hepatosellüler karsinomdur (HCC). Ölüm oranı erkeklerde beşinci, kadınlarda sekizinci (erkeklerin% 6'sı ve kadınların% 3'ü) dünya çapındaki tüm malign tümörler arasında 1 . sırada yer almaktadır. Tayvan'da erkeklerde en sık görülen kanser, kadınlarda ise en sık görülen ikinci kanserdir (erkeklerin %21,8'i ve kadınların %14,2'si) 2. 2000 yılından bu yana, dünya çapında teşhis edilen yıllık HCC sayısının 564.000 olduğu ve bunların 398.000'inin erkek ve 166.000'inin kadın olduğu tahmin edilmektedir 3. Epidemiyolojide, yaş, dönem ve kohort (APC) değişkenleri arasındaki ilişkiyi açıklamanın en yaygın yolu, araştırılan hastalık eğilimi için benzersiz bir kuşak deneyimi yaratmak için yaş ve dönemin birbirini etkilemesidir.

Bu kavramsallaştırma hala yaş + kohort = dönem arasında kesin bir doğrusal bağlantıya sahip olsa da, maruziyet (tahminci) bir doğum kohortunda doğal bir faktör değildir. Bunun yerine, değişiklikler farklı hastalık dağılımlarına neden olduğunda, bir kohort etkisi olduğunu öneriyoruz. Bununla birlikte, yaş + kohort = dönem olduğundan, bu üç değişken doğrusal olarak ilişkilidir; ancak başka kısıtlamalar uygulanırsa, yaş, dönem ve kohortun doğrusal etkilerini kullanarak tahmini bir yaş-dönem-kohort (APC) modeli oluşturmak imkansızdır. Bu çalışmada daha önceki yayınlarımızda bu soruna ve getirdiğimiz olası kısıtlamalara açıklık getirdik 4,5,6,7.

Acil durum tablosu verileriyle ilgili en ufak varsayımlarla, çok aşamalı yöntem 8 , kohort etkisini değerlendirmek için üç aşama sağlar. Ek olarak, medyan cila belirli bir dağılıma veya çerçeveye bağlı olmadığından, oranlar, logaritmik oranlar ve sayımlar gibi çeşitli veri türleri için kullanılmıştır. Medyan parlatma, çok fazlı yöntemde kullanılan ana tekniktir.

İki yönlü bir olasılık tablosu 9'dan elde edilen veriler, cilalı medyanın gelişimini oluşturmak için kullanıldı. Medyan parlatma prosedürü, medyanı her satırdan ve her sütundan yinelemeli olarak çıkararak yaşın (yani satır) ve dönemin (yani sütun) kümülatif etkilerini ortadan kaldırmak için kullanılır. Bu prosedür genellikle epidemiyolojik veri analizinde kullanılır 10. Bu tekniğin bir avantajı, çift yönlü olasılık tablosundaki verilerin dağılımı veya yapısı hakkında herhangi bir varsayımın gerekmemesidir. Bu nedenle, bu teknik, intihar verileri 11 gibi tabloda yer alan her türlü veri için yaygın olarak kullanılmıştır. APC modeli, hastalık insidansı veya mortalitenin uzun vadeli eğilimlerini tanımlamak için de kullanılmıştır 5. APC modelleri genellikle yaş, dönem ve kohortun hastalık/mortalitenin logaritmik dönüşümü üzerinde ilave etkileri olduğunu varsayar. Kohort etkilerini değerlendirmek için, açıklanan protokol, ağırlıklı regresyon ile tam hepatoselüler karsinom (HCC) mortalite analizi için bir APC modeli oluşturur, böylece güvenilir tahminleri ve tedavi etkilerinin ılımlı değerlendirmesini destekler.

Protokol

1. Veri kaynakları

Hesaplamaları göstermek için, Tayvan'daki erkekler ve kadınlar için 1976'ten 2015'e kadar HCC mortalitesine ilişkin yıllık verileri kullandık. Bu çalışmanın protokolleri için SPSS için İstatistik Paketi (SPSS) sürüm 24.0 ve Microsoft Excel kullanıldı.

  1. HCC doktorunun, Uluslararası Hastalık Sınıflandırması (ICD) Kodu, ICD 150'ye göre bir tanı kodu vermek için hastaların klinik semptomlarını, laboratuvar testlerini ve tıbbi görüntüleme sonuçlarını sınıflandırmasını sağlayın.
  2. Veri dosyasının (CSV olarak kaydedilen) yıl (yani dönem), yaş, kohort, ölüm sayısı, yıl ortası nüfus sayısı ve ölüm oranını sütun olarak içerdiğinden emin olun.
    1. Dosya | Verileri İçe Aktar | CSV verileri | Açık. Verilerin ilk satırından Değişken adlarını oku'nun yanındaki kutuda bir onay işareti olduğundan emin olun ve Tamam'ı tıklayın. Veri dosyasının SPSS'ye içe aktarıldığından emin olun.
  3. SPSS aracılığıyla yaş dönemi gruplarına göre çaprazlanmış acil durum tablosu verileri oluşturun. Genel olarak satır değişkenlerini yaş, sütun değişkenlerini ise period olarak tanımladık. Veriler tek dönemlik yıl (veya tek yaş yılı) verilerini içeriyorsa, bunları bir dönem grubuna (veya yaş grubuna) entegre etmek gerekiyordu. Ardından, anket yılları boyunca bir yaş grubuna yönelik tutumları çapraz tablo haline getirdik.
    1. Analiz Et | Tanımlayıcı İstatistikler | Çapraz tablolara tıklayın ve satırların yanındaki kutuda yaş değişkenini ve sütunların yanındaki kutuda dönem değişkenini seçin. Hücreler'i tıklayın ve Gözlemlenen'in yanındaki kutuda bir onay işareti olduğundan emin olun. Ölüm sayısının (veya yıl ortası nüfus sayısının veya mortalitenin) acil durum tablosu SPSS'de yukarıdaki adımlarla gerçekleştirilebilir.
    2. CSV biçiminde girilen acil durum tablosu verilerini başka yazılımlar aracılığıyla analiz için dışa aktarın. Dosya | Verileri Dışa Aktar | İstenen veri formatının CSV olduğundan emin olun | Konum. Bu düzenlenemeyen alan, dışa aktarılan dosya için güvenli konumu görüntüler.
    3. Dosya adı: Dosya adını değiştirmek için Seç'e tıklayın.
    4. Tür olarak dışa aktar: Açılır menüden bir CSV dosya türü seçin. Kullanılabilir değişkenleri görüntülemek ve değişken tablolarını seçmek için değişkenleri tıklatın. Varsayılan olarak, kaynak veri kümesindeki tüm değişkenler dışa aktarılan dosya için korunur. Araştırmacılar, dışa aktarılan dosyaya hangi kaynak değişkenlerin dahil edileceğini belirtmek için tabloları kullanabilir. Dışa Aktar'ı tıklayın.

2. Model ayarı

NOT: Çok aşamalı yöntem, Keys ve Li 8 tarafından grafiksel inceleme ile önerilmiştir. Yaş ve dönemin kümülatif etkilerini ortadan kaldırmak için medyan bir Polonya analizi yapıldı; Son olarak, doğrusal regresyon modelindeki kohort kategorisindeki medyan Polonya fazından kalan bu kalıntılar geriletildi ve olasılık tablosundaki veriler kullanılarak kohort etkileri değerlendirildi.

  1. İlk aşama olarak grafiksel gösterim
    1. Yaş gruplarından ve dönem gruplarından oluşan bir çizgi grafiği oluşturun. Yaş gruplarına veya doğum kohortlarına göre doğum kohortlarını incelemek için, çizgi grafiklerde yaşlar veya döngüler arasında eşit doğum kohortları çizin.
    2. Acil durum tablosu mortalite verilerini içeren bir CSV dosyasını içe aktarın. Dosya | Açık | Bir klasörden CSV dosyası seçmek için göz atın. Seçmeyi unutmayın Tüm Dosyalar yanındaki açılır listeden Dosya adı kutu.
    3. CSV dosyasını açmak için Aç'a tıklayın. Mortalite acil durum verilerinin satırlarını ve sütunlarını vurgulayın ve Ekle | Grafikler | Çizgi Grafiği.
  2. İkinci aşama olarak medyan Polonya analizi
    1. Yaş ve dönemin kümülatif etkisini ortadan kaldırmak için ortanca değeri her satırdan ve her sütundan yinelemeli olarak çıkarın. Medyan parlatma aşamasından sonra, kohort etkilerini değerlendirmek için regresyon prosedürü için kalıntıları saklayın.
    2. Genel medyan ve artık tabloyu hesaplayın. Acil durum tablosu mortalite verilerini içeren bir CSV dosyasını içe aktarın (bkz. 2.1.1.2).
    3. Acil durum tablosu mortalite verilerinin her hücresi için LN kullanıldı. Formüller'e tıklayın | Matematiksel ve Trigonometri Fonksiyonu'nu seçin ve LN'yi seçin.
    4. Sayı: Her hücre için konum etiketini girin. Acil durum tablosu mortalite verilerinin her bir hücresinin LN aldığından emin olun. Formüller'e tıklayın | Diğer İşlevler | İstatistikler'i seçin ve MEDYAN'ı seçin.
    5. Number1: İlk hücre konumu etiketini girin.
    6. Number2: Son hücre konumu etiketini girin. Elde edilen medyan değerin olasılık tablosunun sol üst kenarında depolandığından emin olun. Orijinal değer (yani LN mortalite verileri) ile genel medyan arasındaki farkı alarak bir artık tablo oluşturulduğundan emin olun.
    7. Satır ortancalarını (yani her yaş grubunun ortancalarını) hesaplayın ve yanıt yaş grubu için satır ortanca değerlerini hesapladığından emin olun. Formüller'e tıklayın | Diğer İşlevler | İstatistikler | MEDYAN'ı seçin.
      1. 1 Numara: Ham numunenin ilk hücre konumu etiketini girin.
      2. 2 Numara: Hammaddenin son hücre konumu etiketini girin. Elde edilen satır medyan değerlerinin olasılık tablosunun sol kenar boşluğunda saklandığından emin olun.
    8. Satır medyanlarından çıkardıktan sonra yeni bir artık tablo oluşturun. Her hücrenin, o satırdaki her yanıt değişkeninden satır medyanının çıkarma değerini aldığı satır medyanlarından yeni bir artık değerler kümesi oluşturulduğundan emin olun. = öğesini tıklatın ve her satırın genel hücre konumu etiketinin sol kenar boşluğu medyanının etiketini çıkardığından emin olun.
    9. Sütun ortancalarını (yani, her dönem grubunun ortancalarını) hesaplayın ve yanıt dönemi grubu için sütun ortanca değerlerini hesapladığından emin olun. Formüller'e tıklayın | Diğer İşlevler | İstatistikler | MEDYAN'ı seçin.
      1. 1 Numara: Sütunun ilk hücre konumu etiketini girin. 2 Numara: Sütunun son hücre konumu etiketini girin. Elde edilen sütun medyan değerlerinin olasılık tablosunun üst kenar boşluğunda depolandığından emin olun.
    10. Sütun medyanlarından çıkardıktan sonra yeni bir artık tablo oluşturun. Her hücrenin, o sütundaki her yanıt değişkeninden sütun medyanının çıkarma değerini aldığı sütun medyanlarından yeni bir artık değerler kümesi oluşturulduğundan emin olun. = öğesine tıklayın ve her sütunun genel hücre konumu etiketinin üst kenar boşluğu medyanının etiketini çıkardığından emin olun.
    11. Satır ve sütun ortanca değerleri sıfıra yaklaşana kadar 2.1.2.7 ile 2.1.2.10 arasındaki adımları yineleyin. Formüller'e tıklayın | Diğer İşlevler | İstatistikler | MEDYAN'ı seçin. Satır ve sütun ortacalarının yaklaşık sıfır olduğundan emin olun. Son kalan tabloyu CSV formatında kaydedin.
  3. Üçüncü aşama olarak ağırlık ile regresyon prosedürü
    NOT: Bağımlı değişkeni, ağırlık olarak ölüm sayısı olan her kohort için kalıntı olarak hesapladık. Ardından, kohort etkilerini hesaplamak için doğrusal regresyonlar çalıştırdık.
    1. Emin olun Kutools for Excel kuruldu ve çapraz tabloları hızlı bir şekilde düz listelere dönüştürmek için Tablo Boyutlarını Değiştir aracını kullanın. Acil durum tablosu artık verilerini içeren bir CSV dosyasını içe aktarın (bkz. 2.1.2.11).
    2. Listeye dönüştürülecek tabloyu seçin. Tıkla Kutools | Değiştir | Tablo Ölçümlendirmesini Tersine Çevir. Tablo Boyutlarını Ters Değiştir iletişim kutusunda, Çapraz tablo listesinin yanındaki kutuda bir onay işareti olduğundan emin olun ve artıkları liste biçiminde depolamak için Sonuçlar aralığını seçin.
    3. İlk veri dosyasına (bkz. 1.2) artık liste formatı verileriyle (bkz. 2.1.3.1) sütun ekleme. Artık liste biçimi verilerine destekleyici bir sütun eklediğinden emin olun (bkz. 2.1.3.1). = yaş ve dönem değişkenleri'ne tıklayın ve Enter'a tıklayın. İlk veri dosyasına bir yanıt kalıntısı sütunu eklemek için artık liste biçim verilerinin yaş ve dönem grubu etiketlerini aramak için destekleyici bir sütun kullanın (bkz. 1.2).
    4. Formüller'e tıklayın | Arama ve Referans | DÜŞEYARA'yı seçin. DÜŞEYARA ayarını yapın (yaşın hücre konumu etiketi ve dönemin hücre konumu etiketi, destekleyici sütunun ilk hücre konumu etiketi: artık sütunun son hücre konumu etiketi, 4, 0). Seçim aralığının destekleyici, yaş, dönem ve artık sütunları (yani, artık liste olarak 4. sütun) içerdiğinden emin olun.
    5. Artıkların ilk veri dosyasına eklendiğinden emin olun (bkz. 1.2), sonraki adım için artık liste biçimi verilerini arayın (bkz. 2.1.3.1). Regresyon modelini ağırlıksız en küçük karelere sığdırın ve artıkları analiz edin.
    6. Analiz Et | Regresyon | Doğrusal. Bağımsız değişkeni, kohort kategorisini (yani, 17 doğum kohortu) Bağımsız(lar), kutusuna ve bağımlı değişken olan Residuals'ı Bağımlı: kutusuna aktarın. Tamam'a tıklayın. Ağırlıklandırılmamış kohort etkilerinin sonuçlarını oluşturduğunuzdan emin olun.
    7. Artıkların ilk Excel veri dosyasına eklendiğinden emin olun (bkz. 1.2), sonraki adım için artık liste biçimi verilerini arayın (bkz. 2.1.3.1). Regresyon modelini ağırlıklı en küçük karelere göre sığdırın ve artıkları analiz edin. Analiz Et | Regresyon | Doğrusal.
    8. Bağımsız değişkeni ve kohort kategorisini (yani 17 doğum kohortu) bağımsız(lar) kutusuna ve bağımlı değişkeni ve artıkları bağımlı: kutusuna aktarın. Ölüm numarasını WLS ağırlık kutusuna aktarın. Tamam'a tıklayın. Kohort etkisinin ağırlıklı ortalamasının sonuçlarını oluşturduğundan emin olun.

Sonuçlar

Ölüm verileri 10 beş yıllık yaş grubu (40-44, 45-49, 50-54, 55-59, 60-64, 65-69, 70-74, 75-79, 80-84 ve 85+) ve 8 beş yıllık zaman dilimi (1976-1980, 1981-1985, 1986-1990, 1991-1995, 1996-2000, 2001-2005, 2006-2010 ve 2011-2015) için gösterilmiştir. Kohort gruplarının sayısı, toplam yaş dönemi gruplarının sayısından bir çıkarılarak seçildi: 10 (beş yıllık yaş grupları) + 8 (beş yıllık zaman dilimleri) -1 = 17 doğum kohortu, doğum kohort grupları orta ...

Tartışmalar

HCC mortalitesinin zaman eğilimi nedeniyle, geleneksel modeller verilerde saklı olan bazı önemli özellikleri (kohort etkileri gibi) hafife alır ve gözlemlenen logaritmik yaş düzeltme oranının basit doğrusal ekstrapolasyonunu kullanan geleneksel analizler, tahminlerinde önemli ölçüde azalmış doğruluk gösterir. Bu eğilimin 35 yıldır devam ettiği ve 1976'dan 2015'e kadar Tayvan'daki HCC mortalitesinin uzun vadeli eğilimini doğrudan gözlemlersek, önümüzdeki birk...

Açıklamalar

Yazarların ifşa edecek hiçbir şeyi yok.

Teşekkürler

Bu çalışma Taipei Tzu Chi Hastanesi TCRD-TPE-109-RT-8 (2/3) ve TCRD-TPE-109-39 (2/2) tarafından desteklenmiştir.

Malzemeler

NameCompanyCatalog NumberComments
not applicablenot applicablenot applicablenot applicable

Referanslar

  1. Kuntz, E., Kuntz, H. D. . Hepatology: Principles and Practice. , 774 (2006).
  2. McGlynn, K. A., et al. International trends and patterns of primary liver cancer. International Journal of Cancer. 94 (2), 290-296 (2001).
  3. Bosch, F. X., Ribes, J., Diaz, M., Cleries, R. Primary liver cancer: worldwide incidence and trends. Gastroenterology. 127, 5-16 (2004).
  4. Tzeng, I. S., Ng, C. Y., Chen, J. Y., Chen, L. S., Wu, C. C. Using weighted regression model for estimating cohort effect in age-period contingency table data. Oncotarget. 9 (28), 19826-19835 (2018).
  5. Tzeng, I. S., Lee, W. C. Forecasting hepatocellular carcinoma mortality in Taiwan using an age-period-cohort model. Asia-Pacific Journal of PublicHealth. 27, 65-73 (2015).
  6. Tzeng, I. S., et al. Predicting emergency departments visit rates from septicemia in Taiwan using an age-period-cohort model, 1998 to 2012. Medicine. 95, 5598 (2016).
  7. Chen, S. H., et al. Period and Cohort Analysis of Rates of Emergency Department Visits Due to Pneumonia in Taiwan, 1998-2012. Risk Management and Healthcare Policy. 13, 1459-1466 (2020).
  8. Keyes, K. M., Li, G. A multiphase method for estimating cohort effects in age-period contingency table data. Annals of Epidemiology. 20, 779-785 (2010).
  9. Tukey, J. . Exploratory data analysis Reading: MS. , (1977).
  10. Selvin, S. . Statistical analysis of epidemiologic data. , (1996).
  11. Légaré, G., Hamel, D. An age-period-cohort approach to analyzing trends in suicide in Quebec between 1950 and 2009. Canadian Journal of Public Health. 104, 118-123 (2013).
  12. Lavanchy, D. Hepatitis B virus epidemiology, disease burden, treatment, and current and emerging prevention and control measures. Journal of Viral Hepatitis. 11, 97-107 (2004).
  13. Chang, M. H., et al. Universal hepatitis B vaccination in Taiwan and the incidence of hepatocellular carcinoma in children. Taiwan Childhood Hepatoma Study Group. New England Journal of Medicine. 336, 1855-1859 (1997).
  14. Lu, F. T., Ni, Y. H. Elimination of mother-to-infant transmission of hepatitis B virus: 35 years of experience. Pediatric Gastroenterology, Hepatology & Nutrition. 23 (4), 311-318 (2020).
  15. Chien, Y. C., Jan, C. F., Kuo, H. S., Chen, C. J. Nationwide hepatitis B vaccination program in Taiwan: effectiveness in the 20 years after it was launched. Epidemiologic Reviews. 28, 126-135 (2006).
  16. Ahmad, O. B., et al. Age standardization of rates: a new WHO standard. Geneva: GPE Discussion Paper Series. World Health Organization. , 31 (2005).
  17. da Silva, C. P., Emídio, E. S., de Marchi, M. R. Method validation using weighted linear regression models for quantification of UV filters in water samples. Talanta. 131, 221-227 (2015).
  18. Dawes, R. M. The robust beauty of improper linear models in decision making. American Psychologist. 34, 571-582 (1979).
  19. Dawes, R. M., Corrigan, B. Linear models in decision making. Psychological Bulletin. 81, 95-106 (1974).
  20. Einhorn, H. J., Hogarth, R. M. Unit weighting schemes for decision making. Organizational Behavior and Human Performance. 13, 171-192 (1975).
  21. Wang, W., et al. Association of hepatitis B virus DNA level and follow-up interval with hepatocellular carcinoma recurrence. JAMA Network Open. 3 (4), 203707 (2020).
  22. Holford, T. R. The estimation of age, period and cohort effects for vital rates. Biometrics. 39, 311-324 (1983).

Yeniden Basımlar ve İzinler

Bu JoVE makalesinin metnini veya resimlerini yeniden kullanma izni talebi

Izin talebi

Daha Fazla Makale Keşfet

Hepatosell ler KarsinomHCCMortalite TahminiA rl kl Regresyon ModeliKohort Etkisiok A amal Y ntemYa D nem Kohort ModeliKaraci er SirozuEpidemiyolojiG ven AralA rl kl Ortalama TahminiYa D ng s Verileri

This article has been published

Video Coming Soon

JoVE Logo

Gizlilik

Kullanım Şartları

İlkeler

Bize Ulaşın

KÜTÜPHANEYE TAVSİYE ET

JoVE HABER BÜLTENLERİ

Araştırma

Eğitim

Yazarlar

Kütüphaneciler

JoVE Hakkında

Telif Hakkı © 2020 MyJove Corporation. Tüm hakları saklıdır