بكارگيري مدل اثرات آميخته براساس بيز هميلتوني براي مدل بندي روند تغييرات و نقاط برش مرگ و ميرناشي از بيماري هاي قلبي ‑عروقي در ايران

Change on trend of cardiovascular disease mortality in Iran; Bayesianmixed effects model using the Hamiltonian approach

در بررسي تغييرات روند داده ها، تعيين نقطه شكست از اهميت خاصي برخوردار است. هدف از مطالعه حاضر بكارگيري مدل اثرات تصادفي قطعه اي براساس بيز هميلتوني براي مدل بندي روند تغييرات و نقاط برش مرگ و مير ناشي از بيماري هاي قلبي ‑عروقي در ايران بود. روش كار: براي مدل بندي داده ها از مدل اثرات تصادفي قطعه اي به روش بيز هميلتوني استفاده گرديد. از معيار استفاده گرديد. MCMC و ML در انتخاب بهترين مدل از بين اين مدل با مدل رگرسيون قطعه اي به روش RMSE بوده است. Shinystan و rstan ،rsatdio تحليل داده ها در نرم افزارهاي 4.0.5 يافته ها: نتايج نشان داد كه متوسط سال بروز مرگ و مير ( نقطه تغيير ) تقريبا ۴ سال براي زنان و ۵ سال براي مردان بود. همبستگي مثبت و قوي ( ۷۸ درصد براي زنان و ۸۵ درصد براي مردان) بين شيب بعد نقطه تغيير و خود RMSE . نقطه تغيير وجود داشته كه به احتمال زياد سرعت كاهشي بروز مرگ و مير بعد از سال ۵ مربوط مي شود و مدل اثرات تصادفي قطعه اي به روش بيزهميلتوني به MCMC و ML براي مدل هاي رگرسيوني قطعه اي به روش ترتيب ۴۹٫۸, ۱۸۷۱ و ۰٫۹۱ بوده است. نتيجه گيري: مدل هميلتوني نسبت به مدل رگرسيون قطعه اي مي تواند خروجي بهتر و نتايج دقيق تري را براي برآورد نقطه شكست ارائه دهد، هر چند از معايب اين مدل ها عدم امكان برازش مدل براي داده هايي مي باشد كه نقطه شكست نامحدود پيش مي رود.

Background and Purpose: One of the important components of health-related planning in each society is the determination of change point trends of diseases. The aim of this study is to employ a piecewise random-effects model based on the Hamiltonian Bayesian method to model the trend of changes and cut-off points for the deaths caused by cardiovascular diseases in Iran. Method: The piecewise random effects with the Hamiltonian Bayesian method were used to model the data. In this study, the RESM criterion was used to select the best model between the piecewise regression model using the maximum likelihood method and MCMC. Data analysis was used in the software rstan, rstudio 4.0.5, and Shinystan. Results: The average age of death (average change point) was almost 4 years in women and 5 years in men, with a strong correlation (78 percent in women and 85 percent in men) between the random effects of the slope of the change point and the change point itself that leads to an increase in the mortality rate after the given five-year period. The RMSE for ML and MCMC regression models and the Hamiltonian model were 1871, 49.8, and 0.91, respectively. Conclusion: The Hamiltonian model can provide better output and more accurate results for estimating the change point than other models, although one of the disadvantages of these models is the impossibility of fitting the model to data with an infinite change point.