برآورد میزان کشندگی تعدیل یافته کووید-19 در ایران با استفاده از رهیافت لاسو تلفیقی در مدل های تاخیر توزیعی

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشجوی دکترای آمارزیستی، گروه اپیدمیولوژی و آمارزیستی، دانشکده بهداشت، دانشگاه علوم پزشکی مشهد، مشهد، ایران.

2 دانشیار آمارزیستی، گروه اپیدمیولوژی و آمارزیستی، دانشکده بهداشت، دانشگاه علوم پزشکی مشهد، مشهد، ایران.

3 دانشیار آمارزیستی، گروه انفورماتیک پزشکی، دانشکده پزشکی، دانشگاه علوم پزشکی مشهد، مشهد، ایران.

10.22038/nnj.2024.80983.1455

چکیده

مقدمه و هدف: مدل‌های وقفه توزیعی قابلیت برآورد میزان کشندگی یک بیماری در اپیدمی های طولانی مدت را با تعدیل اثر تاخیری تعداد موارد روزانه ابتلا دارا می باشند.  رهیافت لاسو تلفیقی یک روش انقباضی است که وجود ترتیب ذاتی بین ویژگی‌ها، همانند ترتیب زمانی بین تعداد بستری‌های روزانه را در نظر می‌گیرد و می تواند اثر همخطی بین ویژگی‌ها را با قرار دادن جریمه در برآورد پارامترهای مدل وقفه توزیعی برطرف نماید. لذا این مطالعه با برآورد مرگ و میر تعدیل شده کووید-19 با استفاده از رهیافت انقباضی لاسو تلفیقی در مدل‌های وقفه توزیعی صورت گرفته است.   
مواد و روش ‏ها: داده های مربوط به بیماری کووید-19 ( تعداد مرگ و میر و تعداد افراد شناسایی به صورت روزانه ) در کشور ایران از اول اسفند ماه 1398 تا21  دی ماه 1401 از پایگاه داده OurWorldinData تهیه شده و با استفاده از R4.3.3 مدل وقفه توزیعی با روش لاسو تلفیقی برازش داده شد.
یافته‏ ها: میزان کشندگی تعدیل شده کووید-19 در ایران 1.72  درصد می باشد تعداد موارد ابتلا با وقفه 5 روزه بر تعداد مرگ تاثیر گذار بود، که بیشترین سهم مربوط به روز اول و روز پنجم پس از شناسایی بود.
نتیجه‏ گیری: : به کارگیری روش لاسو تلفیقی باعث بهبود معنی داری ضرایب در مدل وقفه توزیعی شد. زمان کوتاه شناسایی تا مرگ در ایران نسبت به سایر کشورها نشان از غربالگری ضعیف و عدم تجهیزات و خدمات کافی برای رسیدگی اورژانس به مبتلایان بوده است.

کلیدواژه‌ها


 
[1].    Hasanzadeh J, Amiresmaili M, Moosazadeh M, Najafi F, Moradinazar M. Implementing a weather-based early warning system to prevent traffic accidents fatalities. World Appl Sci J. 2013;24(1):113-7.
[2].    Hasanzadeh J, Najafi F, Moradinazar M. How to choose an appropriate model for time series data. Iranian Journal of Epidemiology. 2015;11(1):94-102.
[3].    Schwartz J. The distributed lag between air pollution and daily deaths. Epidemiology. 2000;11(3):320-6.
[4].    Almon S. The distributed lag between capital appropriations and expenditures. Econometrica: Journal of the Econometric Society. 1965:178-96.
[5].    Rastaghi S, Shark NA, Saki A. Application of distribution-delay models to estimating the hospitalized mortality rate of covid-19 according to delay effect of hospitalizations counts. Journal of Biostatistics and Epidemiology. 2021.
[6].    Hadianfar A, Rastaghi S, Tabesh H, Saki A. Application of distributed lag models and spatial analysis for comparing the performance of the COVID-19 control decisions in European countries. Scientific Reports. 2023;13(1):17466.
[7].    Gasparrini A, Armstrong B, Kenward MG. Distributed lag non‐linear models. Statistics in medicine. 2010;29(21):2224-34.
[8].    Shadrokh A, Khadembashiri Z, Yarmohammadi M. Regression Modeling Via T-Lasso Bayesian Method. Journal of Advanced Mathematical Modeling. 2021;11(2):365-81.
[9].    Hoerl AE, Kennard RW. Ridge regression: Biased estimation for nonorthogonal problems. Technometrics. 1970;12(1):55-67.
[10].  Ranstam J, Cook J. LASSO regression. Journal of British Surgery. 2018;105(10):1348-.
[11].  Lange KL, Little RJ, Taylor JM. Robust statistical modeling using the t distribution. Journal of the American Statistical Association. 1989;84(408):881-96.
[12].  Tang L, Song PX. Fused lasso approach in regression coefficients clustering: learning parameter heterogeneity in data integration. The Journal of Machine Learning Research. 2016;17(1):3915-37.
[13].  Leek JT, Storey JD. Capturing heterogeneity in gene expression studies by surrogate variable analysis. PLoS genetics. 2007;3(9):e161.
[14].  Liu D, Liu RY, Xie M. Multivariate meta-analysis of heterogeneous studies using only summary statistics: efficiency and robustness. Journal of the American Statistical Association. 2015;110(509):326-40.
[15].  Shekelle PG, Hardy ML, Morton SC, Maglione M, Mojica WA, Suttorp MJ, et al. Efficacy and safety of ephedra and ephedrine for weight loss and athletic performance: a meta-analysis. Jama. 2003;289(12):1537-45.
[16].  Jang W, Lim J, Lazar NA, Loh JM, Yu D. Some properties of generalized fused lasso and its applications to high dimensional data. Journal of the Korean Statistical Society. 2015;44(3):352-65.
[17].  Tibshirani R, Wang P. Spatial smoothing and hot spot detection for CGH data using the fused lasso. Biostatistics. 2008;9(1):18-29.
[18].  Hadianfar A, Rastaghi S, Saki A. Evaluation of the Relative Risk of Covid-19 Mortality Based on the Number of Hospitalizations in Iran using a Log-Linear Distributed Lag Model. Iranian Journal of Epidemiology. 2021;16(5):20-8.
[19].  Jung J, Roh J, Park C-S. Abstract PO-079: Fused LASSO application for gastric cancer image segmentation. Clinical Cancer Research. 2021;27(5_Supplement):PO-079-PO-.
[20].  Guglielmi N, Iacomini E, Viguerie A. Identification of time delays in COVID-19 data. Epidemiologic Methods. 2023;12(1):20220117.
[21].  Cobre AdF, Böger B, Fachi MM, Vilhena RdO, Domingos EL, Tonin FS, Pontarolo R. Risk factors associated with delay in diagnosis and mortality in patients with COVID-19 in the city of Rio de Janeiro, Brazil. Ciencia & saude coletiva. 2020;25:4131-40.