مدل‌سازی بستری‌های مرتبط با هپاتیت B در اسپانیا با استفاده از ARIMAX: ابزار پیش‌بینی بار بیمارستان و سیر مرگ‌ومیر

خلاصه سریع برای خواننده

• مطالعه رجروی از داده‌های بستری‌های بیمارستانی اسپانیا در بازه ۲۰۰۵–۲۰۲۱ روی بیماران مرتبط با هپاتیت مزمن B انجام شد.
• تعداد کل ترخیص‌های مرتبط با هپاتیت B ۶۷۴۳ مورد بود؛ ۵۸٪ مربوط به HCC و ۴۲٪ به سیروز.
• میانگین و نمایه جمعیت: میانه سن ۵۹ سال، ۸۳.۴٪ مرد؛ نوسان ماهانه بستری‌ها برای CHB بین ۱۰ تا ۵۵ مورد گزارش شد.
• محققان از مدل‌های سری زمانی ARIMA و ARIMAX (با تبدیل مربع‌ریشه) برای پیش‌بینی ۲۰۲۲ استفاده کردند؛ مدل ARIMAX دقت بالاتری نشان داد.
• کاربرد اصلی این مدل‌ها در برنامه‌ریزی منابع بیمارستانی، پیگیری روند بیماری و کمک به تصمیم‌گیری عمومی سلامت است، نه پیش‌بینی دقیق برای هر بیمار.
• نتایج محدودیت‌هایی دارد؛ از جمله داده‌های ثبت بیماری که اطلاعات درمانی فردی یا عوامل جمعیت‌شناختی کامل را ندارند و نیاز به اعتبارسنجی خارجی وجود دارد.

مقدمه

عفونت مزمن هپاتیت B (CHB) عامل شناخته‌شده‌ای برای بروز سیروز کبدی و هپاتوسلولار کارسینوما (HCC) است. این عوارض نه تنها بار بیماری فردی را افزایش می‌دهند، بلکه بار قابل‌توجهی بر سیستم سلامت و ظرفیت بیمارستان‌ها وارد می‌کنند. مدل‌سازی روند بستری‌ها و مرگ‌ومیر مرتبط با این عوارض می‌تواند به برنامه‌ریزی منابع، تخصیص بودجه و ارزیابی اثر سیاست‌های بهداشتی کمک کند.

مقاله‌ای که در مجله PLOS One منتشر شده، تلاش کرده از داده‌های رجیستری بستری بیمارستانی اسپانیا بین سال‌های ۲۰۰۵ تا ۲۰۲۱ برای توسعه و مقایسه مدل‌های سری زمانی مبتنی بر ARIMA و ARIMAX استفاده کند تا روند و پیش‌بینی بستری‌های مرتبط با CHB، سیروز و HCC را بسنجند. در ادامه، روش، نتایج و پیامدهای این مطالعه با زبانی قابل‌فهم، اما دقیق توضیح داده می‌شود؛ همچنین محدودیت‌ها و کاربردهای بالینی و نظامی مورد بحث قرار می‌گیرد.

روش‌ها (خلاصه و قابل فهم)

نوع مطالعه و منبع داده

این پژوهش یک مطالعه رِتروسپکتیو مشاهده‌ای است که از داده‌های ثبت ترخیص بیمارستانی اسپانیا (CMBDH) استفاده کرده است. پرونده‌ها بین سال‌های ۲۰۰۵ تا ۲۰۲۱ استخراج شدند و تشخیص‌های اولیه مرتبط با هپاتیت B مزمن، سیروز و HCC بر پایه کدهای بین‌المللی تشخیصی (ICD-9 و ICD-10) انتخاب شدند.

متغیرها و پردازش داده

واحد تحلیل، تعداد بستری/ترخیص ماهانه مرتبط با CHB، HCC و سیروز بود. داده‌ها برای پایدارسازی و حذف روندهای غیرایستا تحت تبدیل جذر مربع (square root Box–Cox) قرار گرفتند و در صورت نیاز تفاضل‌گیری انجام شد. نویز و نقاط پرت گزارش و اصلاح شدند.

مدل‌سازی سری زمانی

دو خانواده مدل اصلی بررسی شدند: ARIMA (Autoregressive Integrated Moving Average) و نسخه‌ای توسعه‌یافته به نام ARIMAX (ARIMA با متغیرهای توضیحی خارجی). معیارهای انتخاب مدل شامل AIC، BIC، MAPE و دقت پیش‌بینی بودند. بهترین مدل گزارش‌شده برای CHB و HCC مدل تقریبی Gaussian Y-ARIMAX با پارامترهای (۶,۰,۰)(۰,۱,۱)_۱۲ بود که سازوکار خودرگرسیون مرتبه ۶ و میانگین متحرک فصلی مرتبه ۱ را در مقیاس جذر مربع به‌دست می‌دهد.

یافته‌های اصلی

از ۲۰۰۵ تا ۲۰۲۱، تعداد کل ترخیص‌های مرتبط با هپاتیت B برابر با ۶۷۴۳ مورد بود. از این موارد، حدود ۵۸٪ با تشخیص HCC و ۴۲٪ با تشخیص سیروز ثبت شده بودند. میانه سن بیماران ۵۹ سال بود و طیف سنی از ۷ سال تا بالای ۱۰۰ سال گزارش شد. درصد مردان در این مجموعه داده ۸۳.۴٪ بود.

نوسان ماهانه بستری‌ها برای کل CHB بین ۱۰ تا ۵۵ مورد، برای HCC بین ۴ تا ۳۴ مورد و برای سیروز بین ۱ تا ۲۹ مورد گزارش شد. پس از پیش‌پردازش (جذر مربع و تفاضل‌گیری)، مدل ARIMAX (6,0,0)(0,1,1)_۱۲ با حذف الگوهای فصلی و شناسایی خودرگرسیونی قوی، بهترین برازش و پیش‌بینی را برای مجموعه‌های CHB و HCC ارائه کرد. قالب ریاضی مدل به صورت: (۱ − ϕ1B − ϕ2B2 − … − ϕ6B6)(y_t − y_{t−۱۲}) = ε_t + Θ۱ ε_{t−۱۲} با ε ~ N(0, σ²) در مقیاس جذر مربع بیان شده است.

تفسیر نتایج

نتایج نشان می‌دهد که تحلیل‌های سری زمانی می‌تواند قالب‌های دوره‌ای و خودرگرسیونی شمار بستری‌های مرتبط با هپاتیت B را شناسایی و برای دوره‌های کوتاه‌مدت تا میان‌مدت پیش‌بینی کند. به طور خاص، افزودن متغیرهای برون‌زا در ARIMAX باعث شد مدل بهتر بتواند تغییرات زمینه‌ای یا فصلی احتمالی را در نظر بگیرد و پیش‌بینی دقیق‌تری نسبت به ARIMA صرف ارائه دهد.

این مدل‌ها می‌توانند برای پیش‌بینی بار کاری بیمارستان در ماه‌های آتی و کمک به تصمیم‌گیری مدیریتی، مانند تخصیص تخت یا برنامه‌ریزی نیروی انسانی، مورد استفاده قرار گیرند. با این حال، توجه کنید که چنین مدل‌هایی تصویر کلی از بار بیماری ارائه می‌دهند و نباید برای پیش‌بینی سرنوشت فردی بیماران استفاده شوند.

کاربردهای بالینی و سیاست‌گذاری

• مدیریت منابع بیمارستانی: پیش‌بینی تعداد تقریبی بستری‌ها می‌تواند به بیمارستان‌ها در تنظیم ظرفیت بستری، تأمین تجهیزات و برنامه‌ریزی نیروی کار کمک کند.
• ارزیابی سیاست‌های بهداشتی: تغییرات روند پیش‌بینی‌شده می‌تواند شاخصی برای اثر بخشی برنامه‌های واکسیناسیون، غربالگری یا درمان‌های جمعی باشد—مشروط بر اینکه مدل با متغیرهای مرتبط به‌روزرسانی شود.
• نظارت اپیدمیولوژیک: ابزارهای مدل‌سازی می‌توانند به شناسایی تغییرات ناگهانی (آلرت) یا نقاط پرت زمانی کمک کنند تا بررسی‌های عمیق‌تری انجام شود.

محدودیت‌ها و نکاتی که باید با احتیاط خواند

• نوع مطالعه: این یک مطالعه رِتروسپکتیو و مشاهده‌ای است؛ بنابراین تنها روندهای تاریخی را مدل می‌کند و نمی‌تواند روابط علّی را اثبات کند.
• محدودیت داده‌ها: داده‌های ثبت ترخیص معمولاً اطلاعات بالینی کامل مانند وضعیت آنتی‌ویروتیک، وضعیت واکسیناسیون، شدت بیماری یا فاکتورهای خطر فردی را ندارند؛ این محدودیت می‌تواند نتایج مدل را تحت تأثیر قرار دهد.
• محدوده جغرافیایی: داده‌ها فقط از اسپانیا هستند؛ بنابراین تعمیم مستقیم نتایج به جمعیت‌های دیگر یا به ایران بدون اعتبارسنجی خارجی مناسب صحیح نیست.
• تأثیر رویدادهای سیستمیک: رویدادهای بزرگی مثل پاندمی کووید-۱۹ می‌توانند الگوهای بستری را تغییر دهند؛ اگرچه این مطالعه تا ۲۰۲۱ را پوشش می‌دهد، اثرات خاص این دوره ممکن است مدل‌سازی و پیش‌بینی را مختل کند.
• اندازه نمونه و نوسان: ماهیت ماهانه و گاهی اوقات تعداد کم بستری در برخی ماه‌ها ممکن است باعث نویز بالا و حساسیت مدل به نقاط پرت شود.
• نیاز به اعتبارسنجی: مدل ارائه‌شده نیاز به اعتبارسنجی خارجی و به‌روزرسانی منظم دارد تا در شرایط تغییر سیاست‌های درمانی یا اپیدمیولوژیک قابل‌اطمینان بماند.

نظر تحریریه پزشک سایت

این مطالعه یک نمونه کاربردی از استفاده از مدل‌های سری زمانی در حوزه سلامت عمومی است که می‌تواند به مدیران نظام سلامت در برنامه‌ریزی کمک کند. با این حال، باید با احتیاط از نتایج استفاده شود؛ مدل‌ها براساس داده‌های ثبت‌شده و روندهای گذشته ساخته شده‌اند و تغییرات سریع در سیاست‌ها، درمان‌ها یا الگوهای مهاجرتی می‌تواند پیش‌بینی‌ها را بی‌اعتبار سازد. توصیه می‌شود قبل از به‌کارگیری چنین ابزارهایی در سطح ملی یا منطقه‌ای، اعتبارسنجی در جمعیت‌های دیگر و ادغام داده‌های بالینی غنی‌تر صورت گیرد.

چه زمانی باید با پزشک مشورت کرد؟

اگر شما یا یکی از نزدیکانتان دارای تشخیص هپاتیت B هستید یا سابقه افزایش آنزیم‌های کبدی، علائم زیر را داشتید، با پزشک یا مرکز مراقبت تخصصی کبد تماس بگیرید:

• زردی پوست یا چشم‌ها (یرقان)
• درد یا حساسیت در ناحیه راست فوقانی شکم
• کاهش اشتها، تهوع مداوم یا کاهش وزن بی‌دلیل
• خستگی زیاد یا ضعف غیرقابل‌توجیه
• اگر باردار هستید یا قصد بارداری دارید و مثبت بودن HBsAg دارید

همچنین هر گونه سؤال درباره شروع یا تغییر درمان ضدویروسی، غربالگری برای HCC یا نیاز به واکسیناسیون تماس پزشکی لازم دارد. این مقاله ابزار سیستماتیک برنامه‌ریزی را معرفی می‌کند، اما تصمیمات بالینی بر اساس ارزیابی فردی و آزمایش‌های اختصاصی باید گرفته شود.

پرسش‌های رایج

۱. آیا این مدل می‌تواند بگوید چه کسی مبتلا به HCC خواهد شد؟

خیر. مدل‌های ARIMA/ARIMAX برای پیش‌بینی سطح جمعیتی یا باری از بستری‌ها طراحی شده‌اند و برای پیش‌بینی وضعیت بالینی یا سرنوشت فردی به کار نمی‌روند.

۲. آیا نتایج را می‌توان به کشور یا منطقه دیگری تعمیم داد؟

تعمیم مستقیم صحیح نیست؛ چون الگوهای اپیدمیولوژیک، سیاست‌های درمانی و ساختار ثبت داده‌ها بین کشورها تفاوت دارد. اعتبارسنجی محلی لازم است.

۳. آیا افزودن متغیرهای بیشتر به مدل خوب است؟

بله، افزودن متغیرهای برون‌زا مرتبط (مثل پوشش واکسیناسیون یا میزان درمان ضدویروسی) می‌تواند مدل را تقویت کند؛ اما این متغیرها باید دقیق و قابل اندازه‌گیری باشند.

۴. آیا این مدل‌ها می‌توانند تأثیر یک مداخله را نشان دهند؟

اگر مداخله‌ای پیش از وقوع اعمال شده و داده‌ها پس از مداخله کافی وجود داشته باشد، ممکن است مدل بتواند تغییر روند را نشان دهد، اما برای اثبات علت و معلول لازم است طراحی‌های ارزیابی مناسب‌تر اتخاذ شود.

۵. آیا باید هر سال مدل را بازآموزی کرد؟

بله. برای حفظ دقت پیش‌بینی در مواجهه با تغییرات اپیدمیولوژیک یا ساختاری، به‌روزرسانی و ارزیابی مجدد مدل پیشنهاد می‌شود.

بحث فنی-کاربردی (برای خوانندگان حرفه‌ای‌تر)

ARIMA مدل‌هایی هستند که با ترکیبی از بخش خودرگرسیون (AR)، تفاضل‌گیری برای ایجاد ایستایی (I) و بخش میانگین متحرک (MA) روندهای زمانی را مدل می‌کنند. ARIMAX نسخه‌ای است که متغیرهای توضیحی خارجی را وارد مدل می‌کند تا اثرات برون‌زا لحاظ شوند. در مطالعه حاضر، محققان برای رفع ناپایداری و توزیع نامتقارن داده‌ها از تبدیل جذر مربع (Box–Cox) استفاده کردند؛ سپس با استفاده از معیارهای اطلاعاتی مانند AIC و BIC بهترین تنظیم پارامتری را انتخاب کردند. انتخاب مدل (۶,۰,۰)(۰,۱,۱)_۱۲ نشان می‌دهد که رفتار سری شامل خودرگرسیونی نسبتاً بلندمدت تا مرتبه ۶ و یک اثر میانگین متحرک فصلی در دوره ۱۲ ماهه است.

نکته مهم این است که مدل‌ها نسبت به نقاط پرت حساسند؛ اصلاح یا حذف مقادیر پرت و آزمون بقایا (residual diagnostics) برای اطمینان از همسنجی مدل ضروری است. همچنین، مقیاس‌گذاری یا تبدیل متغیرها می‌تواند اثر توزیع را تعدیل و دقت پیش‌بینی را بهبود دهد.

جمع‌بندی کاربردی

• این مطالعه نشان می‌دهد که مدل‌های سری زمانی به ویژه زمانی که با متغیرهای برون‌زا همراه شوند (ARIMAX) می‌توانند پیش‌بینی‌های مفیدی درباره بار بستری مرتبط با هپاتیت B در سطح ملی ارائه دهند.
• کاربرد عملی این ابزارها در برنامه‌ریزی ظرفیت بیمارستانی، تخصیص منابع و پایش روند بیماری است، اما برای تصمیم‌گیری‌های بالینی فردی مناسب نیستند.
• به‌دلیل محدودیت‌های داده‌ای و جغرافیایی، قبل از تعمیم به دیگر کشورها یا استفاده به‌عنوان مبنای سیاست‌گذاری گسترده، اعتبارسنجی خارجی و یکپارچه‌سازی اطلاعات بالینی توصیه می‌شود.

نتیجه‌گیری

مدل‌های ARIMA و ARIMAX ابزارهای کمّی ارزشمندی برای پیش‌بینی و پایش روند بستری‌های مرتبط با هپاتیت مزمن B و پیامدهای آن مانند سیروز و HCC هستند. مطالعه مورد بحث در اسپانیا با استفاده از داده‌های ۲۰۰۵–۲۰۲۱ نشان داد که یک مدل ARIMAX مشخص توانایی مناسبی در حذف الگوهای فصلی و پیش‌بینی روندها داشته است. با این حال، استفاده مسئولانه از این نتایج مستلزم توجه به محدودیت‌های ثبت داده‌ای، نیاز به اعتبارسنجی و عدم تعمیم غیرمستقیم به سایر جمعیت‌هاست.

منبع

Modelling Hepatitis B virus related hospital discharges in Spain: ARIMAX based liver disease forecasting tool for hospital workload and mortality progression — PLOS One, 2026

تذکر: این مقاله خلاصه و تفسیر پژوهش منتشرشده در PLOS One است. برای تصمیم‌گیری‌های درمانی یا بالینی حتماً با پزشک معتمد خود مشورت کنید.

مطالب این مقاله فقط برای افزایش آگاهی عمومی است و جایگزین تشخیص یا درمان پزشکی نیست. برای اطلاعات بیشتر، صفحه سیاست پزشکی و سلب مسئولیت پزشک سایت را بخوانید.