fa روندهای فصلی و الگوهای قابل توجیه در داده‌های کشوری نظام مراقبت بیماری سرخک: رویکردهای شناسایی و حذف عمومى General پژوهشي Research <p><strong>مقدمه و هدف:</strong> شناسایی و حذف الگوهای قابل توجیه، شامل روند‌های ماهانه، فصلی و سالانه، آثار روزهای هفته، روزهای تعطیل و پایان هفته به دلیل اختلال در اعلام هشدارهای واقعی مبنی بر وجود تغییرات در روند بیماری‌ها و نیز ایجاد هشدارهای کاذب بسیار اهمیت دارد. مطالعه حاضر با هدف شناسایی و حذف الگوهای قابل توجیه داده‌های کشوری نظام مراقبت بیماری سرخک در ایران انجام گردید.</p><p><strong> روش کار:</strong> برای شناسایی الگوهای قابل توجیه از داده‌های کشوری، موارد مشکوک به سرخک طی سال‌های 1387 تا1389، از نمودارهای خطی و میانگین متحرک، توابع خود‌همبستگی و خودهمبستگی جزئی و شاخص متوسط پایان هفته استفاده شد. برای حذف الگوهای قابل توجیه نیز از روش‌های هموارسازی میانگین‌های متحرک و هموارسازی نمایی هولت- وینترز استفاده شد.</p><p> <strong>نتایج:</strong> نتایج استفاده از روش‌های مختلف برای شناسایی الگوهای قابل توجیه بیانگر وجود الگوهای سالانه، ماهانه و به ویژه آثار روزهای هفته و تعطیل در داده‌های بیماری سرخک است. همچنین، یافته‌ها نشانگر کارایی روش هموارسازی میانگین‌های متحرک در کاهش انحراف از پیش فرض نرمال‌بودن و عملکرد مناسب روش هموارسازی نمایی هولت- وینترز در حذف الگوهای فصلی، شامل آثار روزهای هفته، ماه و سال است. </p><p><strong>نتیجه‌گیری:</strong> یافته‌های مطالعه حاضر بر اهمیت بررسی داده‌های خام نظام مراقبت بیماری سرخک، پیش از به کارگیری روش‌های کشف طغیان تأکید می‌کند و استفاده از روش هموارسازی هولت وینترز برای حذف الگوهای فصلی را، با وجود سادگی و کارایی مناسب روش میانگین‌های متحرک در کاهش انحراف از پیش‌فرض نرمال‌بودن از داده‌های خام نظام مراقبت سرخک توصیه می‌کند. </p> <p><strong>Background & Objectives</strong>: Knowledge of the presence of seasonal trends and other explainable patterns in the prediagnostic data sources and removing such patterns before applying outbreak detection methods seem very important. This study aimed to detect and remove the explainable patterns such as seasonality, day-of-week (DOW) and holiday effects of the daily counts of suspected cases of measles in Iran.<strong>Methods:</strong> Data on daily counts of suspected cases of measles as a pre-diagnostic data source were obtained from Iranian national surveillance system between 21 March 2008 and 20 March 2011. We used lines plot, moving average chart, autocorrelation and partial autocorrelation functions for detecting explainable patterns. Moving average (MA) and Holt- Winters (HW) exponential smoothing method are used for removing explainable patterns. </p><p><strong>Results</strong>: Our findings indicate the presence of seasonality, DOW effect, holidays and weekend effects in the daily counts of suspected cases of measles. The good performance of HW exponential smoothing technique in removing seasonal patterns is evident. MA technique showed better performance regarding assumption violation on outbreak detection methods.</p><p><strong> Conclusion</strong>: Because of the presence of explainable patterns in the daily counts of suspected cases of measles, considering such patterns before applying outbreak detection algorithms is very important. Implementing both MA (7 days) techniques for its simplicity as a pre- processing method and HW method for its efficacy in removing seasonal patterns is recommended. </p> روند فصلی, طغیان, هموارسازی, سرخک, نظام مراقبت سندرومیک Seasonality, Outbreak, Smoothing, Measles, Public health surveillance 12 21 http://irje.tums.ac.ir/browse.php?a_code=A-10-25-5003&slc_lang=fa&sid=1 M Karami منوچهر کرمی No دانشکده بهداشت، دانشگاه علوم پزشکی همدان H Soori حمید سوری hsoori@yahoo.com Yes مرکزتحقیقات ارتقای ایمنی و پیشگیری از مصدومیت‌ها و گروه اپیدمیولوژی، دانشگاه علوم پزشکی شهید بهشتی Y Mehrabi یداله محرابی No دانشکده بهداشت، دانشگاه علوم پزشکی شهید بهشتی AA Haghdoost علی اکبر حقدوست No دانشکده بهداشت، دانشگاه علوم پزشکی کرمان MM Gouya محمد مهدی گویا No مرکز مدیریت بیماری‌های واگیر، وزارت بهداشت، درمان و آموزش پزشکی