مدل‌سازي الگوي فصلي زايمان‎هاي زودرس: مطالعه سري‌هاي زماني شهر مشهد

Modeling the seasonal patterns of preterm deliveries: time series study in Mashhad

مقدمه: زايمان زودرس وضعيت پيچيده‎اي است كه عوامل خطر آن بر حسب فصل‎هاي مختلف فرق مي كند. يكي از عوامل محيطي كه ممكن است بر وقوع زايمان هاي زودرس تأثيرگذار باشد، فصل است. مطالعه حاضر با هدف بررسي الگوي فصلي زايمان هاي زودرس شهر مشهد با استفاده از مدل‎هاي سري زماني ARIMA انجام شد. روش‎ كار: اطلاعات مربوط به زايمان‌هاي زودرس در طي سال هاي 921382 از مركز تحقيقات سلامت زنان تهيه و با توجه به توابع خودهمبستگي و خودهمبستگي جزئي و نيز وجود و عدم وجود روند در داده‎ها سعي شد تا مدل‎هاي سري زماني مناسب برازش داده شود. پس از انتخاب مدل‎ها، معني‎داري پارامترها با برآورد خطاي معيار و مقادير t بررسي شد و سپس آزمون‎هاي نكوئي برازش از جمله آزمون كولموگروف اسميرنوف و رايان جوينر براي صحت سنجي مدل‎ها به كار گرفته شد. همچنين با استفاده از شاخص فصلي (SI)، الگوي فصلي شيوع زايمان‎هاي زودرس نيز استخراج شد. يافته ها: نتايج مطالعه نشان داد كه مدل  ARIMA بهترين مدل جهت بررسي الگوي فصلي شيوع زايمان زودرس برازش شد. همچنين از تعداد 4743، گروه هاي سني 30-23 سال بيشترين زايمان زودرس را داشتند و فراواني وقوع فصلي حاكي از آن بود كه فصل زمستان و دي ماه بالاترين درصد وقوع را به خود اختصاص داده اند وكمترين تعداد نيز مربوط به فصل بهار بود. نتيجه‎گيري: به طور كلي زايمان‎هاي زودرس با تغييرات فصلي داراي تغييرات مي‎باشند و عوامل محيطي بر بروز اين بيماري تأثير قابل توجهي دارد.

Introduction: Preterm delivery is a complicated situation that its risk factors are different based on different seasons. One of the environmental factors which may be effective on the occurrence of preterm delivery is season. This study was conducted with aim to investigate seasonal pattern of preterm deliveries in Mashhad using ARIMA time series models. Methods:The Preterm delivery related data were collected during 2003 to 2013 from Women's Health Research Center and regarding the autocorrelation function (ACF) and partial autocorrelation function (PACF), and also the absence of trends in data, it was tried to assign goodness of fit to time series models. After selecting the models, the significance of parameters was investigated with the estimation of criterion error and tvalues and then, the goodness of fit such as KolmogorovSmirnov test and Ryan Joyner test were used for validation of the models. In addition, using the seasonal index (SI), the seasonal pattern of prevalence of preterm delivery was extracted. Results: The results of this study indicated that ARMIMA model (1,1,1)×(0,0,1) was fitted as the best one for investigation of seasonal pattern of the prevalence of preterm delivery. In addition, among 4743, the age groups of 2330 years had the highest rate of preterm delivery. The frequency of seasonal occurrence indicates that winter in December had the highest percentage of occurrence of preterm deliveries, and the lowest rate was related to spring. Conclusion: In general, preterm deliveries vary with seasonal changes, and environmental factors are significantly effective on the occurrence of this disease.