จัดกลุ่ม ข้อมูล - ชี้แจง - ถัว เฉลี่ยเคลื่อนที่ ควบคุม แผนภูมิ

จัดกลุ่ม ข้อมูล - ชี้แจง - ถัว เฉลี่ยเคลื่อนที่ ควบคุม แผนภูมิ

100 -forex- ซื้อขาย กลยุทธ์
Binary   ตัวเลือก - ซีดาร์ การเงิน การตรวจทาน
Forex- ข่าว ผู้ประกอบการค้า กลยุทธ์


Binary ตัวเลือก - yahoo Forex- ขอให้ เสนอราคา การแพร่กระจาย Forex -trading- เทคนิค รูปแบบไฟล์ PDF Binary ตัวเลือก การค้า หนังสือ Euronext -FX- ตัวเลือก วัน ซื้อขาย ตัวเลือก เจฟฟ์ - Augen ฟรีดาวน์โหลด

160Quest-ce que CAT.INIST Cat.inist cest le signalement บวกบวก 20 ล้าน de recacutefeacuterences บรรณานุกรม (depuis 1973) ประเด็น des คอลเลกชัน du fonds documentaire de lintist-cnrs และ couvrant เลนส์ des champs de la recherche mondiale en วิทยาศาสตร์, เทคโนโลยี, meacutedecine, humaines วิทยาศาสตร์และสังคม. Si vous tes membre เดอลา communaut CNRS (ศูนย์แห่งชาติเดอลา Recherche Scientifique) o ESR franccedilais (Enseignement Suprieur เอต Recherche), ลาบาร์เรย์เดอเมดิเพล็กซ์ Repdoc แคตตาล็อก contenant บวก 53 ล้าน de rfrences bibliographiques Si vous tes membre de la communaut - CNRS (ศูนย์ National de la Recherche Scientifique) vous pouvez เอกสาร obtenir gratuitement le - ESR franccedilais (Enseignement Suprieur et Recherche) vous pouvez commander le document มีวัตถุประสงค์เพื่อทำสำเนา reprographie - Secteur public franais et tranger vous pouvez commander le document มีการทำสำเนา reprographie. 160Whats หลัง CAT.INIST Cat.inist ประกอบด้วยบันทึกข้อมูลบรรณานุกรมมากกว่า 20 ล้านฉบับ (ตั้งแต่ปีพ. ศ. 2516 เป็นต้นไป) สำหรับเอกสารจากคอลเลกชัน Inist-Cnrs ที่ครอบคลุมสาขาการวิจัยทั่วโลกทั้งหมดในด้านวิทยาศาสตร์เทคโนโลยีการแพทย์มนุษยศาสตร์และสังคมศาสตร์ ด้วยแถบค้นหาคุณสามารถเข้าถึงได้โดยตรงและให้คำปรึกษามากกว่า 53 ล้านระเบียนบรรณานุกรมฟรี ระเบียนเหล่านี้หลายแห่งมีลิงก์ไปยังเอกสารที่สามารถเข้าถึงได้ หากคุณเป็นสมาชิกของ CNRS (ศูนย์วิจัยวิทยาศาสตร์แห่งชาติ) หรือชุมชนการศึกษาและการวิจัยระดับสูงของฝรั่งเศส คุณสามารถใช้แถบค้นหาเพื่อเข้าถึง Refdoc แคตตาล็อกที่มีระเบียนบรรณานุกรมมากกว่า 53 ล้านรายการ หากคุณเป็นสมาชิกของ - CNRS (National Center for Scientific Research): คุณสามารถขอรับเอกสารฟรี - French Higher Education and Research คุณสามารถสั่งซื้อเอกสารได้ถ้าเอกสารดังกล่าวได้รับการอนุญาตสำหรับการทำสำเนา reprographical - ภาครัฐในประเทศฝรั่งเศสและประเทศอื่น ๆ คุณสามารถสั่งซื้อเอกสารได้ถ้าเอกสารดังกล่าวครอบคลุมโดยการให้สิทธิ์ในการทำซ้ำ reprographical การจัดทำแผนภูมิข้อมูลการจัดกลุ่มที่มีการจัดทำดัชนีข้อมูลการถ่วงน้ำหนักแบบมีส่วนช่วยในการผลิตรัดโลหะในการดำเนินการแบบโปรเกรสซีฟตายตัวและสถานการณ์ทางอุตสาหกรรมอื่น ๆ มิติทางคุณภาพที่สำคัญไม่สามารถวัดได้บน เครื่องชั่งแบบต่อเนื่องและชิ้นส่วนที่ผลิตได้ถูกจัดกลุ่มเป็นกลุ่มโดยใช้มาตรวัดขั้นตอน บทความนี้เสนอแผนภูมิควบคุมน้ำหนักเฉลี่ยถ่วงน้ำหนักแบบทวีคูณ (EWMA) ซึ่งสามารถใช้ในการติดตามข้อมูลที่จัดกลุ่มไว้สำหรับการเปลี่ยนกระบวนการ คุณสมบัติความยาวในการทำงานของแผนภูมิข้อมูล EWMA ที่จัดกลุ่มใหม่จะถูกเปรียบเทียบกับผลลัพธ์ที่คล้ายคลึงกันที่ได้รับก่อนหน้านี้สำหรับแผนภูมิ EWMA สำหรับข้อมูลตัวแปรและด้วยข้อมูลเหล่านี้สำหรับแผนการสะสม (CUSUM) ตามข้อมูลที่จัดกลุ่มไว้ ข้อมูลที่จัดกลุ่มข้อมูลแผนภูมิ EWMA แสดงให้เห็นว่าเกือบจะมีประสิทธิภาพเท่ากับแผนภูมิ EWMA แบบตัวแปรและเป็นทางเลือกที่น่าสนใจเมื่อไม่สามารถรวบรวมข้อมูลตัวแปรได้ นอกจากนี้การจัดกลุ่มข้อมูลแผนภูมิ EWMA ได้รับผลกระทบน้อยลงด้วยความไม่สุจริตที่มีอยู่ในข้อมูลที่จัดกลุ่มมากกว่าการจัดกลุ่มข้อมูล CUSUM แผนภูมิ ในการประยุกต์ใช้รัดโลหะแผนภูมิ EWMA ที่จัดกลุ่มข้อมูลใช้งานง่ายและอนุญาตให้มีการตรวจจับการเปลี่ยนแปลงกระบวนการที่ไม่พึงประสงค์อย่างรวดเร็ว การเปรียบเทียบการคาดการณ์ทางด้านประชากรศาสตร์แสดงให้เห็นถึงแนวโน้มการประเมินค่าสูงเกินจริงในขณะที่การเปรียบเทียบลักษณะพฤติกรรมการเดินทางแสดงให้เห็นถึงการขาดการรวมกันของการเปลี่ยนแปลงขั้นพื้นฐานและการเปลี่ยนแปลงทางสังคม Steiner 14 แสดงให้เห็นว่ามีแผนภูมิควบคุมน้ำหนักเฉลี่ยถ่วงน้ำหนักแบบเลขยกกำลัง (EWMA) ที่ใช้ในการติดตามข้อมูลที่จัดกลุ่มไว้สำหรับการเปลี่ยนแปลงกระบวนการ คุณสมบัติช่วงความยาวของแผนภูมิ EWMA ที่จัดกลุ่มใหม่จะถูกเปรียบเทียบกับผลลัพธ์ที่คล้ายคลึงกันที่ได้รับก่อนหน้านี้สำหรับข้อมูลตัวแปรของแผนภูมิ EWMA ด้วยข้อมูลตัวแปรสำหรับสะสมสำหรับผลรวม (CUSUM) ตามข้อมูลที่จัดกลุ่ม บทคัดย่อ: ในบทความนี้เราจะหารือเกี่ยวกับรูปแบบการวิเคราะห์แบบเวลา 3 แบบเพื่อเลือกรูปแบบการพยากรณ์อากาศที่มีประสิทธิภาพมากยิ่งขึ้น (i) ค่าเฉลี่ยเคลื่อนที่ k-th, (ii) ค่าเฉลี่ยเคลื่อนที่ถ่วงน้ำหนัก k-th และ (iii) ค่าเฉลี่ยถ่วงน้ำหนักแบบถ่วงน้ำหนัก k-th ที่คำนวณได้ มีการใช้วิธีการตรวจสอบสำหรับชุดข้อมูลที่เป็นอิสระ 1000 ชุดสำหรับพารามิเตอร์ที่แตกต่างกันห้าตัวด้วยคำสั่งซื้อที่เป็นไปได้ q q 5 เราพิจารณาข้อมูลคงที่ () 0 d และข้อมูลที่ไม่ใช่ stationary ด้วยความแตกต่างที่หนึ่งและสอง () 1, 2 d สำหรับรุ่น ARIMA เราพิจารณาระยะสั้น () 50 n และระยะยาว () 500 n สังเกต แบบจำลองการคาดการณ์ที่คล้ายกันได้รับการพัฒนาและประเมินราคาสำหรับราคาปิดของราคาหุ้นในแต่ละวันของ บริษัท PALTEL ในปาเลสไตน์ การค้นพบที่สำคัญคือในชุดข้อมูลจำลองส่วนใหญ่หนึ่งหรือหลายโมเดลที่เสนอจะให้ความถูกต้องของการคาดการณ์ที่ดีกว่าแบบดั้งเดิม (ARIMA) โดยเฉพาะอย่างยิ่งในชุดข้อมูลจำลอง 3 ครั้งค่าเฉลี่ยถ่วงน้ำหนักแบบเสวนาโดยอิงตามค่าเฉลี่ยเคลื่อนที่แบบรวมอัตโนมัติ (EWMA3-ARIMA) เป็นรูปแบบการคาดการณ์ที่ดีที่สุดในบรรดาโมเดลอื่น ๆ ทั้งหมด สำหรับราคาหุ้นของ PALTEL รูปแบบการคาดการณ์ที่ดีที่สุดคือค่าเฉลี่ยเคลื่อนที่แบบเคลื่อนไหว 3 ช่วงจากค่าเฉลี่ยเคลื่อนที่แบบรวมอัตโนมัติ (MA3-ARIMA) ในแบบจำลองอื่น ๆ ทั้งหมด บทความเต็มรูปแบบบทความ ม.ค. 2013 วารสารนานาชาติด้านคุณภาพในการดูแลสุขภาพ Samir K Safi Issam A Dawoud การศึกษาเปรียบเทียบนี้แสดงให้เห็นว่าแผนภูมิควบคุมที่เรานำเสนอทำในเกณฑ์ดีในกรณีที่พิจารณา (หรือกลุ่ม) ได้รับการกล่าวถึงในวรรณคดีโดย Steiner, Geyer และ Wesolowsky (1996) และ Steiner (1998) ในบทความของพวกเขา Steiner และผู้เขียนร่วมพิจารณากรณีเมื่อการกระจายไอซีมีรูปแบบที่เป็นที่รู้จักกันดี (เช่นปกติ) การสังเกตของแต่ละบุคคลอาจไม่เป็นที่รู้จักอย่างสมบูรณ์ แต่เป็นที่ทราบกันดีว่าพวกเขาอยู่ในช่วงเวลาที่กำหนด บทคัดย่อ: บทความนี้พิจารณาการควบคุมกระบวนการทางสถิติ (SPC) ของกระบวนการที่ไม่แปรเปลี่ยนเมื่อรูปแบบพารามิเตอร์ของการแจกแจงกระบวนการไม่สามารถใช้งานได้ ขั้นตอนที่มีอยู่มากที่สุดของ SPC ใช้สมมติฐานว่าสามารถระบุรูปแบบ parametric (เช่นปกติ) ของการกระจายกระบวนการได้ก่อน ในวรรณคดีได้แสดงให้เห็นว่าประสิทธิภาพการทำงานของพวกเขาไม่น่าเชื่อถือในกรณีที่การกระจายกระบวนการที่กำหนดล่วงหน้าไม่ถูกต้อง เพื่อเอาชนะข้อ จำกัด นี้ได้มีการเสนอแผนภูมิ SPC ที่ไม่อิงพารามิเตอร์ (หรือแจกจ่าย) ฟรีซึ่งส่วนใหญ่ใช้ข้อมูลการสั่งซื้อข้อมูลที่สังเกตได้ บทความนี้พยายามที่จะให้การสนับสนุนวรรณกรรม SPC nonparametric สอง ขั้นแรกเราเสนอกรอบทางเลือกสำหรับการสร้างแผนภูมิควบคุมที่ไม่ใช้พารามิเตอร์โดยจัดประเภทข้อมูลที่สังเกตได้จากนั้นใช้วิธีการวิเคราะห์ข้อมูลที่มีเงื่อนไขให้กับ SPC ภายใต้กรอบนี้มีบางแผนภูมิการควบคุม nonparametric ใหม่ ประการที่สองเราเปรียบเทียบแผนภูมิควบคุมของเรากับแผนภูมิควบคุมที่มีอยู่หลายรายการในหลาย ๆ กรณี แนวทางเชิงประจักษ์บางอย่างมีไว้เพื่อให้ผู้ใช้เลือกแผนภูมิควบคุมที่เหมาะสมสำหรับการประยุกต์ใช้เฉพาะ บทความนี้มีข้อมูลเสริมออนไลน์ บทความเต็มมกราคมมกราคม 2012 Peihua Qiu Zhonghua Li quotwhere g คือระยะเวลาการทำงาน t เวลา R เมทริกซ์การเปลี่ยนแปลงหลังจากแถวสุดท้ายและคอลัมน์ได้ถูกลบออก 1 เวกเตอร์คอลัมน์ของคนและฉันเอกลักษณ์ประจำตัว (ดูภาคผนวกของ Steiner 9 สำหรับ รายละเอียดเพิ่มเติม). บทคัดย่อ: แผนภูมิควบคุมที่ปรับความเสี่ยงได้กลายเป็นที่นิยมสำหรับกระบวนการตรวจสอบที่เกี่ยวข้องกับการจัดการและการรักษาผู้ป่วยในโรงพยาบาลหรือสถาบันการดูแลสุขภาพอื่น ๆ อย่างไรก็ตามจนถึงปัจจุบันยังไม่ได้มีการศึกษาถึงผลกระทบจากข้อผิดพลาดในการประมาณค่าบนแผนภูมิควบคุมที่ปรับความเสี่ยง เราได้ศึกษาผลกระทบของข้อผิดพลาดในการประมาณค่าผลคูณสะสมแบบไบนารีที่ปรับความเสี่ยง (CUSUM) โดยใช้ข้อมูลจริงและข้อมูลที่จำลองเกี่ยวกับผู้ป่วยที่ได้รับการผ่าตัดบายพาสหลอดเลือดหัวใจและประเมินความตายไม่เกิน 30 วันหลังผ่าตัด ผลกระทบของข้อผิดพลาดในการประมาณค่าได้แสดงให้เห็นโดยความแปรผันของความยาวในการวิ่งเฉลี่ยของ x27truex27 (ARLs) โดยใช้การสุ่มตัวอย่างซ้ำของข้อมูลที่สังเกตได้ในสถานการณ์ที่สมจริง ผลการทดลองแสดงให้เห็นว่าข้อผิดพลาดในการประมาณค่าอาจส่งผลต่อประสิทธิภาพของแผนภูมิ CUSUM ที่ปรับตามความเสี่ยงในแง่ของความแปรผันของ ARLs ที่แท้จริง นอกจากนี้ประสิทธิภาพการทำงานยังขึ้นอยู่กับจำนวนเหตุการณ์ที่ใช้ในการกำหนดพารามิเตอร์ของแผนภูมิควบคุมและ ARL ที่ระบุสำหรับกระบวนการควบคุมใน (ARL (0)) อย่างไรก็ตามผลการวิจัยชี้ให้เห็นว่าความไม่แน่นอนของอัตราเหตุการณ์ไม่พึงประสงค์โดยรวมนั้นเป็นองค์ประกอบหลักของข้อผิดพลาดในการประมาณค่า เมื่อออกแบบแผนภูมิควบคุมผลกระทบของข้อผิดพลาดในการประมาณค่าอาจถูกนำเข้าบัญชีด้วยการสร้างตัวอย่างบูตของข้อมูล Phase I ที่พร้อมใช้งานแล้วกำหนดขีด จำกัด การควบคุมที่จำเป็นเพื่อให้ได้ค่า ARL (0) ของระดับที่กำหนดไว้ล่วงหน้า 95 ของเวลา ถ้ามีข้อมูลเฟส 1 จำกัด อาจเป็นไปได้ที่จะทำการอัพเดตพารามิเตอร์ของโมเดลต่อไปแม้ว่าจะมีการใช้งานการตรวจสอบผู้ป่วยในอนาคตก็ตาม การระบาดของโรคไข้หวัดใหญ่โดยใช้แผนภูมิถ่วงน้ำหนักแบบถ่วงน้ำหนักที่เป็นพหุคูณแบคทีเรียไวรัสไข้หวัดใหญ่ทำให้เกิดการระบาดตามฤดูกาลในสภาพอากาศที่หนาวจัดโดยปกติในช่วงฤดูหนาวและต้นฤดูใบไม้ผลิและเป็นถิ่นที่อยู่ในเขตร้อนชื้น ความรุนแรงและความยาวของการระบาดของไข้หวัดใหญ่จะแตกต่างกันไปในแต่ละปี การตรวจสอบอย่างรวดเร็วและเชื่อถือได้ของการเริ่มต้นของการระบาดเป็นสิ่งจำเป็นเพื่อส่งเสริมมาตรการด้านสาธารณสุข เราขอเสนอแผนภูมิการควบคุมค่าเฉลี่ยเคลื่อนที่แบบถ่วงน้ำหนักแบบถ่วงน้ำหนักแบบถ่วงน้ำหนัก (EWMA) สำหรับจำนวนห้องพักที่ได้รับการยืนยันจากห้องปฏิบัติการเพื่อตรวจหาจุดเริ่มต้นและจุดสิ้นสุดของการระบาดของโรคไข้หวัดใหญ่ แผนภูมิดังกล่าวแสดงให้เห็นถึงสัญญาณที่ทันเวลาในแอ็พพลิเคชันตัวอย่างพร้อมกับข้อมูลเจ็ดปีจากวิกตอเรียออสเตรเลีย ข้อสรุปแผนภูมิควบคุม EWMA สามารถใช้กับแอพพลิเคชันอื่นเพื่อตรวจหาการแพร่ระบาดของไข้หวัดใหญ่ได้อย่างรวดเร็ว เชื้อไวรัสไข้หวัดใหญ่ทำให้เกิดการระบาดตามฤดูกาลในสภาพอากาศที่หนาวจัดโดยปกติในช่วงฤดูหนาวและต้นฤดูใบไม้ผลิและเป็นถิ่นที่อยู่ในเขตร้อนชื้น ความรุนแรงและความยาวของการระบาดของไข้หวัดใหญ่จะแตกต่างกันไปในแต่ละปี การตรวจจับอย่างรวดเร็วและเชื่อถือได้ของการเริ่มต้นของการระบาดเป็นสิ่งจำเป็นสำหรับหลายสาเหตุ การแจ้งเตือนสามารถจัดทำขึ้นสำหรับบุคคลที่มีสิทธิ์ที่จะได้รับการฉีดวัคซีน เมื่อฤดูกาลไข้หวัดใหญ่ได้เริ่มขึ้นแล้วโรงพยาบาลอาจต้องการเปลี่ยนขั้นตอนการรับยาขึ้นอยู่กับจำนวนผู้ป่วยที่ป่วยด้วยโรคไข้หวัดใหญ่ (ILI) คาดว่าจะต้องเข้ารับการรักษาในโรงพยาบาล ตัวอย่างเช่นโรงพยาบาลอาจตัดสินใจที่จะลดการจองสำหรับการผ่าตัดเลือกในความคาดหมายของการรับสมัครที่เพิ่มขึ้นเฉียบพลันสำหรับโรคไข้หวัดใหญ่และภาวะแทรกซ้อนของ นอกจากนี้ในระดับที่สูงขึ้นของกิจกรรม ILI ผู้ป่วยที่ยอมรับผู้ป่วยที่ได้รับการลดภูมิคุ้มกันอาจเลือกที่จะระบุเฉพาะพนักงานที่ได้รับการฉีดวัคซีนป้องกันไข้หวัดใหญ่เพื่อปกป้องผู้ป่วยที่มีความเสี่ยงสูงเหล่านี้ การตระหนักถึงฤดูกาลไข้หวัดใหญ่เป็นสิ่งสำคัญสำหรับนักพัฒนาแบบจำลองซึ่งพยายามที่จะประเมินความเจ็บป่วยและความตายที่เกี่ยวข้องกับไข้หวัดใหญ่ส่วนเกิน โมเดลต้องได้รับการตรวจสอบอย่างเป็นอิสระจากสัปดาห์ที่มีการไหลเวียนของไข้หวัดใหญ่เกินระดับพื้นฐานที่ระบุ 1 การประเมินประสิทธิผลของวัคซีนไข้หวัดใหญ่ยังต้องการความหมายของฤดูไข้หวัดเนื่องจากวัคซีนไข้หวัดใหญ่ควรป้องกันไข้หวัดใหญ่เฉพาะเมื่อไวรัสหมุนเวียนอยู่ 2. การตรวจสอบวรรณกรรมการตรวจจับการเปลี่ยนแปลงของการเกิดโรคไข้หวัดใหญ่ในช่วงเวลานั้นมีความคล้ายคลึงกันโดยตรงในการใช้งานในภาคอุตสาหกรรมซึ่งการใช้แผนภูมิควบคุมในการตรวจสอบชุดเวลาสำหรับการเปลี่ยนแปลงในกิจกรรมพื้นฐานมีประวัติอันยาวนาน 3. ความคิดเห็นเกี่ยวกับการใช้แผนภูมิควบคุมสำหรับการตรวจหาการแพร่ระบาดอย่างรวดเร็วรวมถึงรายงานจาก Woodall 4 และ Tsui et al. 5. วิธีที่ง่ายที่สุดสำหรับการตรวจหาส่วนเบี่ยงเบนจากพื้นฐานจะขึ้นอยู่กับแผนภูมิชนิด Shewhart แบบคลาสสิก 3 ด้วยแผนภูมิ Shewhart การตัดสินใจว่าจะส่งสัญญาณถึงการแพร่ระบาดนั้นขึ้นอยู่กับมาตรการวัดไข้หวัดใหญ่ที่เป็นที่สังเกตหรือไม่อยู่ในช่วงเวลาปัจจุบันเท่านั้น Serfling 6 แนะนำให้ตรวจสอบการเสียชีวิตจากไข้หวัดใหญ่รายสัปดาห์ที่สังเกตได้ทุกสัปดาห์โดยคาดว่าการเสียชีวิตที่คาดว่าจะได้รับการคาดการณ์โดยใช้แบบจำลองการถดถอยแบบอนุกรมเวลาที่พอดีกับข้อมูลทางประวัติศาสตร์ อีกไม่นาน Hashimoto et al. 7 แนะนำแผนภูมิ Shewhart จากข้อมูล ILI รายสัปดาห์จากสถาบันทางการแพทย์และ Viboud et al. 8 และ Anderson et al. 9 ขยายแนวทาง Serfling เพื่อตรวจสอบข้อมูล ILI รายสัปดาห์จาก Sentinel GPs โดยที่จำนวนที่คาดหวังจะขึ้นอยู่กับแบบจำลองที่พอดีกับข้อมูลทางประวัติศาสตร์ที่ตรงกับรูปแบบล่าสุด ใช้การนับลบที่คาดไว้ 6 8 9 แทนที่จะนับเป็นจำนวนจริงให้เปลี่ยนเป้าหมายโดยนัยของการตรวจสอบ การนับลบที่ใหญ่เกินกว่าที่คาดไว้ (แบบจำลองที่เหลืออยู่) แสดงให้เห็นพฤติกรรมที่ต่างจากที่เราคาดไว้ สำหรับโรคไข้หวัดใหญ่เราคาดว่าการเพิ่มขึ้นอย่างมากของกิจกรรมที่จะยั่งยืนในช่วงหลายสัปดาห์หรือเป็นเดือน ในสภาพอากาศที่หนาวเย็นเราคาดว่าจะมีฤดูกาลที่แข็งแกร่งขึ้นด้วยกิจกรรมที่เพิ่มขึ้นในช่วงฤดูหนาว เช่นนี้การระบาดตามฤดูกาลอาจไม่สอดคล้องกับของเหลือที่มีขนาดใหญ่เนื่องจากจำนวนที่คาดว่าจะสูง อย่างไรก็ตามเป้าหมายของเราคือการตรวจหาการแพร่ระบาดของไข้หวัดใหญ่ไม่ว่าจะเป็นกิจกรรมตามฤดูกาลที่คาดการณ์ไว้หรือไม่ก็ตาม Cumulators Sum (CUSUM) charts เป็นวิธีการติดตามผลแบบลำดับขั้นที่ความสำคัญในปัจจุบันของสถิติแผนภูมิและการตัดสินใจว่ากราฟจะส่งสัญญาณหรือไม่ขึ้นอยู่กับจำนวนที่สังเกตได้ (และคาดว่าจะเป็นไปได้) จากจำนวนช่วงเวลาล่าสุด แทนที่จะเป็นช่วงเวลาเดียวกับแผนภูมิ Shewhart ในบริบทการเฝ้าระวังไข้หวัดใหญ่ Muscatello et al. 10 สำหรับการตรวจสอบแผนกฉุกเฉินสังเกต ILI นับลบจากเจ็ดวันก่อน เกณฑ์ถูกตั้งค่าตามความเป็นจริงตามข้อมูลทางประวัติศาสตร์ที่ดีที่สุด วิธีนี้มีประสิทธิภาพในการตรวจหาการเปลี่ยนแปลงของไข้หวัดใหญ่ในระยะสั้น แต่น่าเสียดายที่ CUSUM ไม่มีการตีความที่ใช้งานง่าย จากวรรณกรรมการตรวจสอบกระบวนการทางอุตสาหกรรม 3 เราทราบดีว่าแผนภูมิ Shewhart มีความสามารถในการตรวจจับการเปลี่ยนแปลงกระบวนการที่เกิดขึ้นอย่างฉับพลันในขณะที่วิธีการตามลำดับเช่นแผนภูมิ CUSUM จะดีกว่าสำหรับการเปลี่ยนแปลงที่ยั่งยืนและค่อยๆเล็กลง เนื่องจากการระบาดของโรคไข้หวัดใหญ่มักส่งผลให้เกิดการเปลี่ยนแปลงในกิจกรรมที่สังเกตได้มากเราอาจสรุปได้ว่าวิธี Shewhart จะเหมาะสมที่สุด อย่างไรก็ตามเมื่อเริ่มระบาดมีช่วงการเปลี่ยนแปลงที่กิจกรรมเพิ่มขึ้นดังนั้นการเปลี่ยนแปลงจากกิจกรรมพื้นฐานไปสู่การระบาดที่เกิดขึ้นจะไม่เกิดขึ้นทันที นอกจากนี้ยังอาจมีความแตกต่างกันเนื่องจากมีการนับจำนวนและการระบาดของโรคในขนาดเล็ก (ไม่สำคัญ) ในกิจกรรมที่สังเกตได้แม้ว่าจะไม่มีการระบุการแพร่ระบาดก็ตาม ดังนั้นจึงไม่เป็นที่ชัดเจนว่าควรใช้วิธี Shewhart หรือ CUSUM หรือไม่ Cowling et al 11 เปรียบเทียบวิธีการต่างๆรวมถึงวิธีการแบบอนุกรมเวลาการถดถอยและ CUSUM อย่างไรก็ตามมีหลายรูปแบบเกี่ยวกับวิธีการและตามที่กล่าวไว้ก่อนหน้านี้วิธีการตามรูปแบบของส่วนที่เหลือมีเป้าหมายที่แตกต่างจากวิธีการคำนวณที่มีอยู่จริง เป็นการประนีประนอมระหว่าง Shewhart และวิธีการเรียงลำดับเช่น CUSUM เราสามารถปรับเปลี่ยนวิธี Shewhart โดยรวมกฎรันซึ่งจะเพิ่มความไวต่อการเปลี่ยนแปลงที่ยั่งยืนเล็ก ๆ กฎการวิ่งสามารถทำหลายรูปแบบได้ 3. ในบริบทของการติดตามไข้หวัดใหญ่ Toubiana et al. 12 และ Watts et al. 13 หารือเกี่ยวกับการใช้งานในประเทศฝรั่งเศสและออสเตรเลียตามลําดับวิธีการตรวจสอบ ILI โดยอิงจากเรนเจอร์เอสจีเอสที่ส่งสัญญาณเฉพาะเมื่อจํานวนที่สังเกตได้อยู่เหนือเกณฑ์เป็นเวลาสองสัปดาห์ติดต่อกัน ความคิดที่คล้ายคลึงกันมาจาก Muscatello et al. 14 ผู้เสนอสัญญาณพื้นฐานในค่าเฉลี่ยเคลื่อนที่สี่สัปดาห์ แหล่งข้อมูลการศึกษาของเราตั้งอยู่ที่รัฐวิกตอเรียซึ่งเป็นรัฐที่มีประชากรมากเป็นอันดับสองของออสเตรเลียโดยมีประชากรประมาณ 5.2 ล้านคน เราเฝ้าติดตามระดับของกิจกรรมไข้หวัดใหญ่ในชุมชนโดยใช้ข้อมูลการแจ้งเตือนไข้หวัดใหญ่ในห้องปฏิบัติการรายสัปดาห์ ห้องปฏิบัติการยืนยันว่าโรคไข้หวัดใหญ่เป็นโรคประจำตัวในรัฐวิกตอเรียและเป็นข้อกำหนดทางกฎหมายที่กรณีจะได้รับแจ้งเป็นลายลักษณ์อักษรจากห้องปฏิบัติการและผู้ประกอบโรคศิลปะที่รับผิดชอบภายในห้าวันนับจากวันที่ได้รับการวินิจฉัยต่อกรมสุขภาพของรัฐวิคตอเรีย 15 จำนวนห้องปฏิบัติการยืนยันการวินิจฉัยโรคไข้หวัดใหญ่ขึ้นอยู่กับความชุกของโรคไข้หวัดใหญ่และพฤติกรรมการทดสอบของแพทย์ที่รับผิดชอบในการวินิจฉัยและการจัดการกับโรคไข้หวัดใหญ่ เราคาดว่าการทดสอบนอกฤดู (ธันวาคม - เมษายนในซีกโลกใต้) จะมีค่าคงที่อย่างต่อเนื่องในขณะที่ในช่วงฤดูไข้หวัดใหญ่และระหว่างการระบาดของโรคไข้หวัดใหญ่เป็นระยะ ๆ การทดสอบจะเพิ่มขึ้น การทดสอบในห้องปฏิบัติการได้ดำเนินการ ณ ห้องปฏิบัติการอ้างอิงโรคติดเชื้อวิคตอเรีย (VIDRL) ​​จากผู้ป่วยที่ได้รับ ILI จากการปฏิบัติทั่วไปในผู้ป่วยที่ได้รับการตรวจหาเชื้อไข้หวัดใหญ่และจากผู้ป่วยที่ได้รับการทดสอบเป็นส่วนหนึ่งของงานวิจัยทางคลินิกเป็นประจำ การปฏิบัติทั่วไปของ Sentinel คือการปฏิบัติตามชุมชนที่ให้ข้อมูลการเฝ้าระวังโรคติดเชื้อ สันนิษฐานโดยทั่วไปว่าการปฏิบัติที่วัดผลแสดงถึงการปฏิบัติของชุมชนทั้งหมดและข้อมูลจากการปฏิบัติเหล่านั้นอธิบายถึงกิจกรรมโรคติดเชื้อในชุมชน 16. การทดสอบในห้องปฏิบัติการใช้เทคนิค PCR สำหรับการวินิจฉัยโรคไข้หวัดใหญ่ 17 ห้องปฏิบัติการ VIDRL รายสัปดาห์ยืนยันจำนวนเชื้อไข้หวัดใหญ่ในช่วงปี 2545-2551 ดังแสดงในรูปที่ 1 การระบาดของโรคไข้หวัดใหญ่ตามฤดูกาลสามารถมองเห็นได้ชัดเจน การเริ่มต้นของฤดูกาลไข้หวัดใหญ่แต่ละครั้งสอดคล้องกับจำนวนการแจ้งเตือนในห้องปฏิบัติการที่เพิ่มขึ้นอย่างรวดเร็ว ดังนั้นการเริ่มระบาดของโรคไข้หวัดใหญ่จึงน่าจะเป็นเรื่องที่ค่อนข้างง่ายที่จะตรวจพบได้ในอนาคต การแจ้งเตือนห้องปฏิบัติการรายสัปดาห์แบบวิคตอเรียจาก Influenza 2002-2008 ด้วยเกณฑ์ Shewhart Chart ที่ 6.5 เราได้ใช้ห้องปฏิบัติการยืนยันไข้หวัดใหญ่เป็นผลเฉพาะในการศึกษานี้ ก่อนหน้านี้เราได้แสดงให้เห็นว่าถึงแม้กลุ่มอาการของ ILI จะสอดคล้องกับการตรวจพบเชื้อไข้หวัดใหญ่ในห้องปฏิบัติการของเรา แต่เพียงประมาณ 40 รายที่ได้รับการวินิจฉัยโดย ILI จากนายแพทย์ทั่วไปในรัฐวิคตอเรียระหว่างปี พ.ศ. 2546-7 ได้รับการยืนยันว่าเป็นไข้หวัดใหญ่ 2 ช่วงเวลาระหว่างการเริ่มต้นของอาการและการลงทะเบียนสำหรับการทดสอบในห้องปฏิบัติการคือสามวันสำหรับผู้ป่วยที่ได้รับการคัดเลือกผ่านศูนย์การนัดพบแพทย์ในรัฐวิคตอเรียในปีพ. ศ. 2550 และ 2551 การทดสอบทำได้โดยทั่วไปภายใน 48 ชั่วโมงและจะแจ้งผลโดยอัตโนมัติให้แก่กรมอนามัย ความล่าช้าระหว่างการบันทึกตอนของ ILI ในการปฏิบัติทั่วไปและการยืนยัน ILI ว่าเป็นเพราะโรคไข้หวัดใหญ่โดยทั่วไปจะน้อยกว่าหนึ่งสัปดาห์ การใช้เกณฑ์ในจำนวนสัปดาห์ที่สังเกตเห็นของห้องปฏิบัติการในเชิงบวกจะสอดคล้องกับแผนภูมิ Shewhart และเป็นวิธีที่ง่ายที่สุด เราแสดงให้เห็นถึงความยากลำบากด้วยวิธีนี้ในรูปที่ 1 โดยใช้เกณฑ์การแจ้งเตือนเชิงบวก 6.5 รายการต่อสัปดาห์ซึ่งเป็นค่าที่ได้รับการคัดเลือกโดยการตรวจสอบเพื่อตรวจจับจุดเริ่มต้นของฤดูกาลโดยไม่ต้องส่งสัญญาณบ่อยๆนอกฤดู เนื่องจากเรากำลังใช้ข้อมูลนับค่าใด ๆ ระหว่าง 6 ถึง 7 จะแสดงเกณฑ์เดียวกัน การใช้ข้อมูลพื้นฐานเชิงประจักษ์ (กล่าวคือเมื่อกระบวนการนี้ถูกควบคุมในการควบคุม) อัตราการเตือนภัยผิดพลาดที่มีเกณฑ์เป็น 6.5 เท่ากับ 5156 0.032 เนื่องจากโอกาสที่แยกออกจากการนับจำนวนมากออกนอกฤดูกาลเป็นเรื่องยากที่จะตรวจจับจุดเริ่มต้นของฤดูกาลไข้หวัดใหญ่ในขณะที่หลีกเลี่ยงสัญญาณเตือนที่ผิดพลาดบ่อยครั้ง การแจ้งเตือนที่ผิดพลาดเกิดขึ้นเมื่อขั้นตอนการตรวจสอบเป็นสัญญาณถึงจุดเริ่มต้นของการระบาด แต่การเพิ่มการแจ้งเตือนในห้องปฏิบัติการจะไม่ยั่งยืนในช่วงหลายสัปดาห์ วิธีหนึ่งในการบรรเทาปัญหาของการเตือนภัยที่ผิดพลาดบ่อยครั้งนี้คือการตรวจสอบฐานข้อมูลบนชุดเวลาแจ้งเตือนห้องปฏิบัติการที่ราบรื่น ซึ่งสามารถทำได้หลายวิธีเช่น Muscatello et al. 14 แนะนำให้ใช้ค่าเฉลี่ยการเคลื่อนที่ของห้องทดลองในการตรวจติดตามเป็นเวลา 4 สัปดาห์ วิธีการของพวกเขาส่งสัญญาณถึงช่วงเริ่มต้นของฤดูไข้หวัดใหญ่เมื่อใดก็ตามที่การย้ายเกินสี่สัปดาห์มีค่าเกินเกณฑ์ที่กำหนดไว้ ในขณะที่มีประสิทธิภาพวิธีนี้มีข้อเสียที่มีการตัดอย่างฉับพลันโดยพลการสำหรับข้อสังเกตเหล่านั้นรวมอยู่ในที่ราบรื่น เราเปรียบเทียบประสิทธิภาพของวิธี MA (4) กับวิธีการ EWMA ที่เสนอในเอกสารฉบับนี้ แผนภูมิการควบคุมค่าเฉลี่ยเคลื่อนที่แบบถ่วงน้ำหนักแบบถ่วงน้ำหนัก (EWMA) เมื่อต้องการตรวจหาจุดเริ่มต้น (และสิ้นสุด) ของการระบาดของโรคไข้หวัดใหญ่เราจะนำเสนอแผนภูมิการควบคุมค่าเฉลี่ยเคลื่อนที่แบบถ่วงน้ำหนักแบบถ่วงน้ำหนัก (EWMA) ที่อธิบายด้วยเลขยกกำลัง 18 ซึ่งกำหนดโดย: y t เท่ากับจำนวนการแจ้งเตือนของห้องปฏิบัติการในสัปดาห์ t 0 ลิตร 1 และ E 0 0 (หรือค่าเริ่มต้นที่เหมาะสมอื่น ๆ ) EWMA ส่งสัญญาณเป็นครั้งแรก E t gt h โปรดทราบว่าการใช้สูตร EWMA (1) เป็น recursively เราได้รับ E t y t (1) y t -1 (1-) 2 y t -2 กล่าวอีกนัยหนึ่งตามที่เห็นได้จากสถิติ EWMA E t เป็นค่าเฉลี่ยถ่วงน้ำหนักของค่า y t ที่ได้รับการตรวจสอบก่อนหน้าที่ทั้งหมดซึ่งมีน้ำหนักที่น้อยกว่าเมื่อเรากลับไปในเวลาต่อไป เช่นสถิติ EWMA ให้ค่าประมาณท้องถิ่นของระดับเฉลี่ยของกระบวนการที่สร้างค่า y ที่สังเกตได้ ดังนั้นแตกต่างจาก CUSUM 18 สถิติ EWMA ให้การตีความง่ายๆพร้อม แผนภูมิ EWMA ได้รับการเสนอให้ตรวจสอบการระบาดของโรคในชุมชนเป็นส่วนหนึ่งของระบบเฝ้าระวัง ESSENCE 19 ระบบ ESSENCE ใช้ข้อมูลจากแบบเดิม ๆ และแบบซิงโครมาจิกและมีขอบเขตที่กว้างขวางมากขึ้นนั่นคือการตรวจหาการแพร่ระบาดของไข้หวัดใหญ่ไม่ใช่แค่เพียงอย่างเดียวและใช้ข้อมูลที่แตกต่างจากข้อเสนอของเรา เมื่อต้องการใช้แผนภูมิ EWMA เราจำเป็นต้องเลือกค่าคงที่การปรับให้เรียบ และเกณฑ์, h เนื่องจากการเพิ่มขึ้นและการลดจำนวนของการแจ้งเตือนเกี่ยวกับห้องปฏิบัติการของไข้หวัดใหญ่โดยปกติเราจะต้องการเพียงแค่นิดหน่อยเท่านั้น ดังนั้นเราจะเลือกค่าที่ค่อนข้างใหญ่เช่น 0.5 รูปที่ 2 แสดงกราฟ EWMA สำหรับข้อมูลการแจ้งเตือนห้องทดลองของเมืองวิคตอเรียนด้วย 0.5 (แผงด้านซ้ายและด้านขวาแสดงแผนภูมิเดียวกันแผงด้านขวาจะ จำกัด ช่วงของแกนตั้ง) ค่านี้มีขนาดใหญ่กว่าที่ใช้ในอุตสาหกรรมส่วนใหญ่มีเป้าหมายเพื่อตรวจหาการเปลี่ยนแปลงที่ยั่งยืนมากขึ้นทีละน้อย โปรดทราบว่าด้วย 1 แผนภูมิการควบคุม EWMA จะช่วยให้แผนภูมิการควบคุม Shewhart 3 ง่ายขึ้นดังแสดงในรูปที่ 1 EWMA กับ 0.5 ใช้กับ Victoria Laboratory Notification Data การเลือกเกณฑ์, h ต้องการความสมดุลระหว่างการป้องกันจากการเตือนภัยที่ผิดพลาดและความสามารถในการตรวจจับการเปลี่ยนแปลงที่แท้จริงอย่างรวดเร็ว การตรวจสอบ EWMA ของข้อมูลย้อนหลังแสดงในรูปที่ 2 แสดงให้เห็นว่าเกณฑ์ระหว่าง 6 ถึง 7 เป็นข้ออ้างที่สมเหตุสมผล เราได้เพิ่มเกณฑ์เป็น 6.5 ไปยัง EWMA ในรูปที่ 2 เพื่อเป็นภาพประกอบ ในหมวดย่อยถัดไปเราจะตรวจสอบลักษณะของการแลกเปลี่ยนในรายละเอียดเพิ่มเติม ขั้นตอนการตรวจหาเชื้อไข้หวัดใหญ่ที่นำเสนอขึ้นอยู่กับว่าสถิติ EWMA E t. ตามที่ระบุไว้ใน (1) อยู่เหนือหรือต่ำกว่าเกณฑ์ ในขณะที่มีอาการของโรคไข้หวัดใหญ่ที่เพิ่มขึ้น เรากำหนดเป็นครั้งแรกในปีที่ EWMA อยู่เหนือเกณฑ์เมื่อเริ่มฤดูกาลไข้หวัดใหญ่ เพื่อตอบสนองเป้าหมายรองของเราเราจะแจ้งถึงการสิ้นสุดของการระบาดของไข้หวัดใหญ่ (หรือฤดู) เป็นครั้งแรกหลังจากเริ่มระบาดว่า EWMA ต่ำกว่าเกณฑ์ ดังนั้นทางคณิตศาสตร์ถ้า E t gt h และ E t -1 lt h กล่าวคือ EWMA ส่งสัญญาณถึงการแพร่ระบาดของโรคไข้หวัดใหญ่ที่เวลา t EWMA ส่งสัญญาณถึงการสิ้นสุดของการแพร่ระบาดครั้งที่ gt ที่ E s lt h และ E t 1. E t 2. E t s -1 gt h. การหาประสิทธิภาพของแผนภูมิการควบคุม EWMA โดยใช้ระยะเวลาในการทำงานโดยเฉลี่ยเราวางแผนที่จะใช้ EWMA ในการแจ้งเตือนข้อมูลห้องปฏิบัติการใหม่ ถ้าเราถือว่าข้อมูลที่ผ่านมาเป็นตัวแทนของประเภทของข้อมูลที่เราจะได้เห็นในอนาคตเราสามารถใช้ข้อมูลที่ผ่านมาในการกำหนดเกณฑ์และประเมินผลการปฏิบัติงานของแผนภูมิควบคุม EWMA ในการหาจำนวนประสิทธิภาพเราใช้ความยาวเฉลี่ย (ARL) คือจำนวนเฉลี่ยของสัปดาห์จนกระทั่งมีสัญญาณ 18 ไม่ควรใช้อัตราการเตือนภัยผิดพลาดหรือระบุถึงประสิทธิภาพของแผนภูมิควบคุมตามลำดับเช่น EWMA แม้จะไม่มีการเปลี่ยนแปลงในกิจกรรมโอกาสของสัญญาณในเวลา t ไม่คงที่เนื่องจากมันขึ้นอยู่กับระดับของ EWMA ในเวลา t -1 เราต้องการให้ ARL เป็นเวลานานเมื่อมีกิจกรรมไข้หวัดใหญ่พื้นฐานเท่านั้นขณะที่ขั้นตอนการตรวจสอบที่ดีจะมี ARL สั้น ๆ ในระหว่างการระบาดของไข้หวัดใหญ่ ผลการศึกษาและการอภิปรายในการใช้แผนภูมิการควบคุม EWMA กับข้อมูล Victoria influenza เราจะตั้งคำถามเกี่ยวกับ ARL เป็นสัญญาณเตือนที่ผิดพลาดซึ่งเรียกว่า ARL ที่ควบคุมได้ ในข้อมูลทางประวัติศาสตร์ไม่มีการระบาดใหญ่ในฤดูร้อน (ซีกโลกใต้) เราใช้เวลาห้าเดือนนับตั้งแต่เดือนธันวาคมถึงเดือนเมษายนรวมถึงกำหนดระยะเวลาที่มีกิจกรรมไข้หวัดใหญ่พื้นฐานเท่านั้น การเปลี่ยนแปลงในห้องปฏิบัติการยืนยันการติดเชื้อไวรัสไข้หวัดใหญ่นับจากอัตราพื้นฐานเริ่มแพร่ระบาด แผนภาพที่สองในรูปที่ 3 สรุปข้อมูลกิจกรรมพื้นฐานที่มีอยู่ในอดีต พล็อตที่แผงด้านซ้ายแสดงการแจ้งเตือนเมื่อเวลาผ่านไปในขณะที่แผงด้านขวาจะสรุปข้อมูลเดียวกันในฮิสโตแกรม ฮิสโตแกรมและไทม์ซีรี่ส์การประกาศของห้องปฏิบัติการในช่วงเริ่มต้น เรามีข้อสังเกตทั้งหมด 156 ข้อสำหรับการแจ้งเตือนของห้องปฏิบัติการพื้นฐานทุกสัปดาห์ จำนวนของการทดสอบไข้หวัดใหญ่ในระยะเวลาพื้นฐานตามที่แสดงในแผงด้านขวาของรูปที่ 3 มีค่าเฉลี่ยเพียง 1.5 ต่อสัปดาห์ นอกจากนี้รูปแบบในช่วงเวลาค่อนข้างคงที่และความสัมพันธ์กันโดยอัตโนมัติมีขนาดเล็ก ดังนั้นจึงมีความสมเหตุสมผลในการสันนิษฐานความเป็นอิสระตลอดหลายสัปดาห์ในช่วงเริ่มต้น อย่างไรก็ตามการหาการกระจายพาราเมตริกที่เหมาะกับฮิสโตแกรมที่สังเกตได้ในรูปที่ 3 เป็นเรื่องยาก ทางเลือกที่แท้จริงของการแจกจ่าย Poisson พอดีกับคุณภาพไม่ดีเนื่องจากส่วนใหญ่ไปกระจายมากกว่าที่แสดงโดยนับที่สังเกตจาก 9 และ 10 ตามที่เห็นในแผงด้านขวาของรูปที่ 3 แต่เราดำเนินการกับการกระจายเชิงประจักษ์ เราใช้ห่วงโซ่มาร์คอฟเพื่อประมาณค่าคงที่ของ ARLs ที่มีค่าคงที่โดยมีเกณฑ์ต่างกัน 20 ผลที่ได้แสดงไว้ในรูปที่ 4 โดยมีเกณฑ์ที่เลือกไว้ก่อนหน้านี้คือ 6.5 เราได้ค่าเฉลี่ย (run cycle) 18 รอบ (cycle) 18 ระยะเวลา 556 สัปดาห์ ซึ่งหมายความว่าการใช้ EWMA ที่เสนอเราคาดว่าจะมีการแจ้งเตือนเท็จประมาณหนึ่งครั้งทุกๆ 25 ปีหากกิจกรรมไข้หวัดใหญ่ยังคงอยู่ในระดับพื้นฐาน (จำได้ว่ามีเพียง 5 เดือนที่ออกนอกฤดูทุกปี ) พล็อตความยาวรันไทม์ขั้นพื้นฐาน (ARL) ตามเกณฑ์ h ต่อไปเราจะพิจารณาความเร็วที่วิธี EWMA จะส่งสัญญาณการเปลี่ยนแปลงของกิจกรรมไข้หวัดใหญ่จากอัตราพื้นฐาน ที่นี่เราต้องการสมมติฐานสำหรับการแจกจ่ายรายงานห้องปฏิบัติการเพิ่มเติมเนื่องจากมีการแพร่ระบาด เราใช้แบบง่ายต่อไปนี้: Y t B t O t โดยที่ Y t เป็นตัวแปรสุ่มที่ทำให้เกิดการสังเกตการณ์ห้องปฏิบัติการที่สังเกตได้ B t เป็นตัวแปรสุ่มสำหรับกิจกรรมไข้หวัดใหญ่ในพื้นฐานที่มีการแจกแจงโดยการแจกแจงเชิงประจักษ์ที่แสดงใน histogram ในรูปที่ 3 และ O t เป็นตัวแปรสุ่มที่ หมายถึงการแจ้งเตือนห้องปฏิบัติการเพิ่มเติมเนื่องจากการระบาดของโรคไข้หวัดใหญ่ สมมติว่า O t มีการแจกแจง Poisson ด้วยค่าเฉลี่ย เป็นค่าเฉลี่ยเพิ่มความรุนแรงของการระบาดของโรคไข้หวัดใหญ่เพิ่มขึ้นและมีค่าเฉลี่ยศูนย์เรามีเพียงกิจกรรมพื้นฐาน รูปที่ 5 แสดงให้เห็นว่า EWMA ARL มีการเปลี่ยนแปลงอย่างไร EWMA ตรวจพบการแพร่ระบาดอย่างรวดเร็วโดย Poisson มีค่าเฉลี่ยมากกว่า 6 เนื่องจากขนาดของการแพร่ระบาดดังรูปที่ 1 เราคาดว่าแผนภูมิ EWMA จะตรวจพบการระบาดของไข้หวัดใหญ่ตามฤดูกาลตามปกติภายในหนึ่งหรือสองสัปดาห์หลังจากการระบาดเริ่มขึ้น อย่างไรก็ตามโปรดสังเกตว่าการวิเคราะห์นี้ได้รับการออกแบบมาเพื่อแสดงให้เห็นถึงประสิทธิภาพการทำงานเท่านั้น ในการหาค่า ARLs เราคิดว่าการเปลี่ยนแปลงขั้นตอนในค่า Poisson หมายถึงจุดเริ่มต้นของการระบาดของโรคไข้หวัดใหญ่ ในความเป็นจริงการแพร่ระบาดของไข้หวัดใหญ่มีแนวโน้มว่าจะเกิดขึ้นทันที นอกจากนี้การวิเคราะห์นี้ยังถือว่าการระบาดดำเนินต่อไปเรื่อย ๆ โดยมีอัตราคงที่ การระบาดของโรคขนาดเล็กอาจไม่ได้รับการตรวจพบก่อนที่จะลดลง อย่างไรก็ตามเป้าหมายหลักของเราคือการตรวจหาการระบาดของโรคไข้หวัดใหญ่ขนาดใหญ่ พล็อตระยะเวลาการทำงานโดยเฉลี่ย (ARL) ในช่วงหลายสัปดาห์ตามขนาดของการแพร่ระบาด การเปรียบเทียบวิธีการต่อไปเราจะเปรียบเทียบวิธีการ EWMA ที่เสนอโดยใช้ค่าเฉลี่ย 0.5 และค่าเฉลี่ยเคลื่อนที่ 4 ช่วงคือ MA (4) ซึ่งเป็นแนวทางที่สนับสนุนโดย Muscaltello et al. 14 และวิธี Shewhart ซึ่งเราเพียง แต่เปรียบเทียบจำนวนที่สังเกตได้ทุกสัปดาห์โดยมีเกณฑ์ ในการเปรียบเทียบนี้เราจะสมมติว่าจำนวนกรณี ILI ที่ไม่อยู่ในช่วงฤดูกาลคือการแจกแจง Poisson โดยมีค่าเฉลี่ย 2 และการระบาดของรูปแบบตามขนาดต่าง ๆ โดยการเพิ่มค่า Poisson mean เราไม่ได้ใช้ข้อมูลวิกตอเรียที่ออกนอกฤดูของฤดูกาลที่นี่เพราะเนื่องจากข้อมูลจำนวนน้อยจึงไม่สามารถหาแผนภูมิ Shewhart ที่มี ARL ที่มีการควบคุมขนาดใหญ่ (หรือไม่อยู่ในช่วงของฤดูกาล) โดยการตั้งค่าแบบจำลอง Markov chain ซึ่งคำนึงถึงค่าทั้งสี่ที่มีค่าเฉลี่ยเคลื่อนที่และเนื่องจากแต่ละจำนวนเป็นจำนวนเต็มเราสามารถกำหนดผลลัพธ์ที่แน่นอนสำหรับประสิทธิภาพของวิธี MA (4) ผลลัพธ์สำหรับแผนภูมิ Shewhart ยังเป็นที่แน่นอนสำหรับ EWMA ที่เราใช้การประมาณค่าของ Markov chain รูปที่ 6 แสดงผลลัพธ์ของ log scale สำหรับระยะเวลาในการทำงานเฉลี่ยของสามวิธี เราไม่สามารถเทียบได้กับประสิทธิภาพการทำงานในการควบคุมของทั้งสามแผนภูมิได้เนื่องจากมีการตรวจสอบข้อมูลที่นับถี่ถ้วนโดยเนื้อแท้ มีข้อ จำกัด ในการควบคุม 4.4, 3.9 และ 6.9 สำหรับวิธี EWMA (0.5), MA (4) และ Shewhart ตามลำดับเรามี ARL ที่มีการควบคุม ARL อยู่ที่ 190 สำหรับวิธี EWMA และ MA (4) แต่ 220 สำหรับวิธี Shewhart . เราเห็นในรูปที่ 6 ว่าตามที่คาดไว้วิธีการ EWMA และ MA (4) สามารถตรวจพบการระบาดได้เร็วกว่าวิธี Shewhart เมื่อมีการแพร่ระบาดค่อนข้างเล็ก นอกจากนี้สำหรับการเปลี่ยนแปลงที่มีขนาดใหญ่มากแผนภูมิ Shewhart มีขอบเขตดีกว่าวิธี EWMA ในขณะที่วิธี MA (4) ใช้เวลานานในการส่งสัญญาณ การเปรียบเทียบนี้มีข้อ จำกัด สำหรับบริบทของเราเนื่องจากการระบาดของโรคไข้หวัดใหญ่เราคาดว่าจะมีการเปลี่ยนแปลงขนาดใหญ่อย่างกะทันหัน แต่อย่างกะทันหันในจำนวนเฉลี่ย การสร้างแบบจำลองการระบาดของไข้หวัดใหญ่ที่เหมือนจริงจะต้องมีสมมติฐานเพิ่มเติมเกี่ยวกับการเปลี่ยนแปลงที่เกิดขึ้นอย่างรวดเร็วและต้องใช้การจำลองแบบหรือการวิเคราะห์ที่ซับซ้อนมากขึ้นเพื่อสร้างผลลัพธ์ เรารู้สึกว่าเนื่องจากวิธีการ EWMA ทำงานได้ดีเมื่อเทียบกับแนวทางของ MA (4) และ Shewhart สำหรับการเปลี่ยนแปลงขนาดใด ๆ เป็นแนวทางที่ต้องการ โดยเฉพาะอย่างยิ่ง EWMA เป็นอย่างมากดีกว่าวิธี MA (4) สำหรับการเปลี่ยนแปลงขนาดใหญ่ที่เราหวังว่าจะสามารถตรวจสอบได้อย่างรวดเร็ว การเปรียบเทียบค่า ARL สำหรับ EWMA, MA (4) และวิธี Shewhart วิธีที่เป็นของแข็ง: EWMA, เส้นประ: MA (4), เส้นประเส้น: Shewhart การประยุกต์ใช้แผนภูมิ EWMA เราใช้แผนภูมิควบคุม EWMA ที่เสนอไปยังข้อมูลการแจ้งเตือนห้องทดลองจาก Victoria The resulting EWMA chart is given in Figure 2. From Figure 2. the decision rules described earlier and the detailed records, we determined the signaled start and end weeks for the seasonal influenza outbreaks (see Table 1 ). Note that this determination was done in a prospective manner, that is, decisions were made at week t without looking at y t 1 . y t 2 . etc. For comparison we also included in Table 1 the signal dates as determined by a retrospective inspection of notification data by epidemiologists. The start and end of the influenza season was fairly clear for all years except 2004 when there was very mild seasonal influenza activity. Start and End Weeks of Victorian Influenza Season as Determined by Proposed EWMA Approach and Retrospective Analysis The EWMA and retrospective approaches differed by at most one week in detecting the start of the influenza season. The EWMA gave no false signals for the start of an influenza season. Similar results were obtained for the end of the season determination with the exception of 2004. In 2004 the EWMA was above the threshold for weeks 37 and 40 through 46. As such, the EWMA approach signaled the end of the influenza season in week 38, and the subsequent start of another outbreak in week 40 which ended in week 47. These two signaled outbreaks together closely match the results from the retrospective analysis. We have illustrated the application of our proposed EWMA influenza monitoring procedure with data from Victoria. Applying the approach elsewhere should be straightforward. Given some years of historical data we could produce a plot like Figure 2 and use our judgment to select a reasonable threshold. The approach could also be used to monitor changes in other diseases. If detecting more moderate changes is the goal, smaller values of the smoothing constant would be preferred. We have purposefully not used the seasonal nature of influenza to help us detect the start of an outbreak. Rather we use a local estimate of activity to determine if an outbreak has started. Using the seasonal time information is somewhat problematic since the start of the influenza season can vary considerable. Additionally, we required the monitoring procedure to be sensitive to any outbreak - not only the expected seasonal outbreak. As a result, the proposed EWMA procedure could also be useful for detecting influenza outbreaks in tropical climates where there is usually little or no seasonal effect. We selected the EWMA threshold by applying the EWMA to some historical data and used our judgment to determine the best threshold. The threshold should be updated every few years to accommodate possible changes in the process such as changes in population, the number of tests conducted and the type of influenza tests commonly used. It is questionable whether it is reasonable to incorporate a single measure capable of signaling the start of influenza outbreaks across large geographical areas such as Australia. A preferred approach would be to monitor influenza activity separately for smaller geographical areas such as states but this introduces other complications. With multiple EWMAs, the ARL to a false alarm is clearly smaller than that for each individual EWMA. Also for states with small population, the baseline number of laboratory notifications will be smaller and, relative to the mean, more variable than for larger states. For regions with larger populations andor larger numbers of tests the thresholds would need to be higher, but the EWMA would still be appropriate. With larger counts the discreteness problem in selecting thresholds for the moving average and Shewhart approaches would be lessened. Conclusions We propose a simple, robust method for detecting the start and end of the influenza season that can also rapidly detect out of season influenza outbreaks. The data used to determine the threshold at which an alert is signaled are readily available with minimal delay where laboratory confirmed influenza is a notifiable disease. The method we propose is simple to implement and the calculations are relatively simple to execute. Baseline data from historical non-influenza periods of several years should be used to select the threshold. This will balance the desire for few false alarms and quick detection of an outbreak and will also provide accurate indications of the numbers of cases and the rate of increased testing at the beginning of past influenza seasons. The EWMA method can also be used in other surveillance programs for the rapid detection of other diseases. Moreover, since seasonality is not inherent in the application of the model, the method can be used in tropical climates where seasonality of disease may not be apparent. List of abbreviations exponentially weighted moving average Competing interests The authors declare that they have no competing interests. Authors contributions SS conceived the model, performed the analysis and drafted the manuscript. KAG provided all raw data for analysis, contributed to discussion about establishing a threshold and assisted with production of the manuscript. MC participated in discussion about refining the model and establishing a threshold and contributed to the analysis. HK conceived the study, participated in the study design, provided background information on influenza epidemiology and helped draft the manuscript. All authors reviewed and approved the final draft of the manuscript. Authors Affiliations Dept. of Statistics, University of Waterloo Epidemiology Unit, Victorian Infectious Diseases Reference Laboratory Queensland Health and University of Queensland References Newall AT, Wood JG, Macintyre CR: Influenza-related hospitalisation and death in Australians aged 50 years and older. Vaccine. 2008, 26 (17): 2135-41. 10.1016j.vaccine.2008.01.051. View Article PubMed Google Scholar Kelly H, Carville K, Grant K, Jacoby P, Tran T, Barr I: Estimation of influenza vaccine effectiveness from routine surveillance data. PLoS One. 2009, 4 (3): e5079-10.1371journal.pone.0005079. View Article PubMed PubMed Central Google Scholar Montgomery DC: Introduction to Statistical Quality Control. 2008, John Wiley and Sons, New York, 6 Google Scholar Woodall WH: The Use of Control Charts in Health-Care and Public-Health Surveillance (with discussion). Journal of Quality Technology. 2006, 38: 89-134. Google Scholar Tsui K-L, Chiu W, Gierlich P, Goldsman D, Liu X, Maschek T: A review of healthcare, public health and syndromic surveillance. Quality Engineering. 2008 online 1st October. 2008, 20 (4): 435-50. Google Scholar Serfling RE: Methods for current statistical analysis of excess pneumonia-influenza deaths. Public Health Rep. 1963, 78 (6): 494-506. View Article PubMed PubMed Central Google Scholar Hashimoto S, Murakami Y, Taniguchi K, Nagai M: Detection of epidemics in their early stage through infectious disease surveillance. Int J Epidemiol. 2000, 29 (5): 905-10. 10.1093ije29.5.905. View Article PubMed Google Scholar Viboud C, Boelle PY, Carrat F, Valleron AJ, Flahault A: Prediction of the spread of influenza epidemics by the method of analogues. Am J Epidemiol. 2003, 158 (10): 996-1006. 10.1093ajekwg239. View Article PubMed Google Scholar Anderson E, Bock D, Frisen M: Modeling influenza incidence for the purpose of on-line monitoring. Statistical Methods in Medical Research. 17: 421-438. 10.11770962280206078986. Muscatello DJ, Churches T, Kaldor J, Zheng W, Chiu C, Correll P, Jorm L: An automated, broad-based, near real-time public health surveillance system using presentations to hospital Emergency Departments in New South Wales, Australia. BMC Public Health. 2005, 22 (5): 141-10.11861471-2458-5-141. 15. View Article Google Scholar Cowling BJ, Wong IO, Ho LM, Riley S, Leung GM: Methods for monitoring influenza surveillance data. Int J Epidemiol. 2006, 35 (5): 1314-21. 10.1093ijedyl162. View Article PubMed Google Scholar Toubiana L, Flahault A: A space-time criterion for early detection of epidemics of influenza-like-illness. Eur J Epidemiol. 1998, 14 (5): 465-70. 10.1023A:1007481929237. View Article PubMed Google Scholar Watts CG, Andrews RM, Druce JD, Kelly HA: Establishing thresholds for influenza surveillance in Victoria. Aust N Z J Public Health. 2003, 27 (4): 409-12. 10.1111j.1467-842X.2003.tb00418.x. View Article PubMed Google Scholar Muscatello DJ, Morton PM, Evans I, Gilmour R: Prospective surveillance of excess mortality due to influenza in New South Wales. Communicable Diseases Intelligence. 2009, 32 (4): Department of Human Services: Rural Infection Control Practice Group. Health (Infectious Disease) Regulations. Melbourne RICPRAC. 2001, Report No. Policy no. 7.1 Contract No. Document Number. Google Scholar Clothier H, Turner J, Hampson A, Kelly H: Geographic representativeness for sentinel influenza surveillance: implications for routine surveillance and pandemic preparedness. Aust NZ J Public Health. 2006, 30: 337-341. 10.1111j.1467-842X.2006.tb00846.x. View Article Google Scholar Druce J, Tran T, Kelly H, Kaye M, Chibo D, Kostecki R: Laboratory diagnosis and surveillance of human respiratory viruses by PCR in Victoria, Australia, 2002-2003. J Med Virol. 2005, 75 (1): 122-9. 10.1002jmv.20246. View Article PubMed Google Scholar Lucas JM, Saccucci MS: Exponentially Weighted Moving Average Control Schemes: Properties and Enhancements. Technometrics. 1990, 32: 1-12. 10.23071269835. View Article Google Scholar Lombardo J, Burhom H, Elbert E, Magruder S, Lewis SH, Loschen W, Sari J, Sniegoski C, Wojcik R, Pavlin J: A systems overview of the Electronic Surveillance System for the Early Notification of Community-Based Epidemics (ESSENCE II). J Urban Health. 2003, 80 (2 Suppl 1): i32-42. PubMed PubMed Central Google Scholar Steiner SH: Grouped Data Exponentially Weighted Moving Average Control Charts. Applied Statistics. 1998, 47 (203-216): Pre-publication history Steiner et al licensee BioMed Central Ltd. 2010 This article is published under license to BioMed Central Ltd. This is an Open Access article distributed under the terms of the Creative Commons Attribution License ( creativecommons.orglicensesby2.0 ), which permits unrestricted use, distribution, and reproduction in any medium, provided the original work is properly cited.
Forex- ทดสอบ -2- ลงทะเบียน ที่สำคัญ ฟอรั่ม
Binary   ตัวเลือก ผู้ช่วย