Farrington Flexible Algorithm

آرگومان‌ها	توضیحات
Start Year	سال شروع داده‌ها را وارد کنید.
Start Month	ماه شروع داده‌ها را وارد کنید.
Start Day	روز شروع داده‌ها را وارد کنید.
Frequency	اگر مقیاس داده‌ها هفتگی، عدد 52 و اگر مقیاس داده‌ها ماهانه است عدد 12 انتخاب شود.
Range of Data(min)	ابتدای بازه زمانی مورد نظری که باید ارزیابی شود را تعیین می کند
Range of Data(max)	انتهای بازه زمانی مورد نظری که باید ارزیابی شود را تعیین می کند
b	تعداد سال‌های مورد استفاد در داده‌ها برای برازش مدل
w )windows size(	تعداد هفته‌هایی که قبل و بعد از هفته جاری برای برازش مدل، در نظر گرفته می‌شود.
alpha	تعیین سطح اطمینان (1 − α) درصد
Choose xlsx File	در این بخش فایل داده‌ها را آپلود نمائید. ساختار داده‌ها طبق نمونه مورد نظر باشد.

Flexible Algorithm Farrington

الگوریتم Farrington Flexible از الگوریتم‌های مبتنی بر GLM و روش بهبودیافته الگوریتم Farrington است که توسط نوفیلی و همکاران (2013)، بسط داده شد. یکی از محدودیت‌های الگوریتم Farrington ، تعداد کم هفته‌های پایه استفاده شده در مدل است؛ به دلیل تغییراتی که در دراز مدت در جمع آوری داده‌ها و گزارش دهی در نظام مراقبت وجود دارد، افزایش تعداد سال‌ها برای در نظر گرفتن تعداد بیشتری از مقادیر پایه توصیه نمی ‌شود. گزینه جایگزین، استفاده بیشتر از داده‌های اخیر و افزودن تغییرات فصلی در مدل است. این مدل تعداد بیماری‌ در هفته اخیر را برآورد میکند و شامل یک روند خطی و یک عامل ده سطحی سالانه با یک دوره مرجع هفت هفته‌ای (یک هفته اخیر، سه هفته گذشته و سه هفته آینده؛ ) و نه دوره پنج هفته‌ای در هر سال است. این مدل با در نظر گرفتن b سال در گذشته، تعداد هفته ‌های قابل مقایسه در سال‌های ماقبل را نیز شامل می ‌شود مدل لگ خطی مربوطه عبارت است از:

که (j(t_i فاکتور فصلی متناظر با هفته است. با این فرض که j(t₀) = 0 و δ₀ = 0 می ‌باشد. در این مدل، یک روند، صرف نظر از معنی‌داری آماری آن، همیشه برازش می شود، به جز موارد خاصی که داده‌ها بسیار پراکنده هستند. اثر طغیانهای گذشته از طریق باقیمانده‌های Anscombe زمانی که بیشتر از 2.58 شود، کاهش می‌ یابد. یکی از چالش‌های اصلی در پیاده‌سازی این الگوریتم زمانی است که تعداد کمی از داده‌ها به ‌ویژه برای بیماری‌های نوپدید، در دسترس است. بدون داده‌های کافی، دقت برآورد و پیش‌بینی‌ها می‌تواند منجر به پیش‌ بینی نادرست طغیان شود.

Noufaily, A., Enki, D. G., Farrington, P., Garthwaite, P., Andrews, N., & Charlett, A. (2013). An improved algorithm for outbreak detection in multiple surveillance systems. Statistics in medicine, 32(7), 1206-1222.

زارعی، بشرا و همکاران (1401). طراحی مجموعه ابزارهای ارزشیابی الگوریتم‌های شناسایی طغیان در کشف بهنگام انواع اپیدمی‌های تک منبعی و پیش‌رونده. پایان نامه دکترای تخصصی. دانشگاه علوم پزشکی همدان.