Farrington 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.

Farrington Algorithm

الگوریتم های مبتنی بر GLM با هدف معرفی الگوریتمی که نیازمند تنظیم مجدد پارامترها (همچون سری‌های زمانی و روش Cusum) نباشد، معرفی شدند. الگوریتمهای مبتنی بر GLM همچون رگرسیون خطی، رگرسیون پواسن و … برای پراکندگی‌های بیش از حد، روندهای فصلی و بر اساس طغیان‌های رخ داده در گذشته، معرفی شده است. ایده‌ی اصلی معرفی مدل‌های مبتنی بر GLM بر این اساس است که یک الگوریتم انعطاف‌پذیر معرفی شود که روندهای اصلی و نویزهای خارجی در داده‌ها را نشان دهد و در طیف گسترده‌ای از میکرواورگانیسم‌ها با فراوانی های متفاوت، بکار رود.

از آنجایی که بسیاری از داده‌های نظام مراقبت پراکندگی قابل توجهی دارند، یک مدل رگرسیونی شبه پواسن توسط Farrington و همکاران (1996) معرفی شد و برای تشخیص زودهنگام طغیان از گزارش‌های دریافتی در مرکز مراقبت بر بیماری های واگیر (CDSC) بکارگرفته شد. فرض کنید y_i تعداد موردهای گزارش شده از یک بیماری تحت مراقبت متناظر با هفته t_i باشد، که بطور مستقل دارای میانگین μ_i و واریانس φμ_i باشند. با در نظر گرفتن یک روند زمانی خطی در گزارش فراوانی بیماری، مدل رگرسیونی به صورت

توسط Farringtonمعرفی شده است؛ که در آن t_i زمان را در مقیاس هفتگی اندازه‌گیری می‌کند. برآورد پارامترهای مدل از روش شبه درستنمایی، محاسبه می‌شوند. این مدل به پراکندگی بیش از حد، بسیار حساس است و افزایش جزئی در گزارش بیماری‌های نادر، و همچنین افزایش بسیار در گزارش بیماری‌های رایج را تشخیص می‌دهد. روش Farrington در سامانه کشف طغیان با استفاده از نرم افزار R و پکیج surveillance به طور خلاصه در نه مرحله اجرا می شود.

منابع:

Farrington C, Andrews NJ, Beale A, Catchpole M. A statistical algorithm for the early detection of outbreaks of infectious disease. Journal of the Royal Statistical Society: Series A (Statistics in Society). 1996;159(3):547-63.

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.