HMM

برخلاف اکثر روشهای رگرسیونی، روشهای سری زمانی در شرایطی که در داده ها همبستگی دیده میشود، به کار میرود. برای دادههای سندرمیک و آزمایشگاهی که عموماً روزانه یا هفتگی جمع آوری میشوند، همبستگی های اصلی عبارتند از خودهمبستگی در یک دوره زمانی (همبستگی پیاپی) و همبستگی های مرتبط با الگوی فصلی در داده ها، که میتواند ترکیبی از هفتگی، فصلی یا سالانه باشد. استفاده از روشهای سری زمانی مستلزم مانا بودن سری است. تبدیل داده ها منجر به یک سری زمانی مانا میشود، که برای آن یک توزیع احتمال فرض میشود. با این حال، همواره تبدیل داده ها و یافتن توزیع آنها، امکانپذیر نیست. داده ها ممکن است تغییرات ناگهانی و گسترده در مقدار و همچنین تناوب نامنظم را در شرایطی مانند اپیدمی ها، تغییر در تعریف مورد، غربالگری یا واکسیناسیون نشان دهند. روشهای بهبودیافته ای برای تشخیص رخدادهای غیرمنتظره و داده های نامانا نیز توسعه یافته اند که مبتنی بر الگوریتم های بیزی هستند و از حوزه زیست پزشکی به مراقبت اپیدمیولوژیک منتقل شده اند. انتخاب مقادیر اولیه پارامترهای مدل در این روشها دشوار است، زیرا باید بر اساس دانش قبلی از پدیده مورد مطالعه باشد؛ دانشی که همیشه در دسترس نیست. هنوز روشهای دیگری در تشخیص همه گیری ها وجود دارند که پیشنهاد شده اند و نشان داده اند که کارآمد هستند؛ اما از معایب آنها این است که نیاز به فرضیاتی در مورد ماهیت بیماریهای تحت مراقبت دارند. روش دیگری برای پایش دادههای نظام مراقبت، مبتنی بر مدلهای مارکوف پنهان (HMM) پیشنهاد شده است؛ در این روش فرض میشود که دادهها از توزیعی تولید می شوند که این توزیع آمیخته متناهی از توزیع های دیگر است و از یک HMM پیروی می کنند. درسال های اخیر بسیاری از نوآوری های آماری در زمینه تشخیص طغیان بیماری ها، متمایل به مدل های سری زمانی پیچیده تر، از جمله مدل های بیزی و HMM است. استرات و کارات (1999) استفاده از HMM را برای پایش دادههای اپیدمیولوژی پیشنهاد دادند. مدل های مارکوف پنهان تا قبل از آن در بسیاری از زمینه ها، از جمله تجزیه و تحلیل سیگنال الکتروکاردیوگرافی، تجزیه و تحلیل فرکانس تشنج در بیماری صرع، تجزیه و تحلیل توالی DNA، مدلسازی نورون “ring18” و هواشناسی استفاده شده بود. ایده اصلی در این روش آن است که سری زمانی بیماری های ثبت شده را به دو بخش، دوره اپیدمی و دوره غیر اپیدمی تقسیم میکند.