Een Urban Trail Network en hart- en vaatziekten: een natuurlijk experiment

Er zullen twee verschillende tijdreeksmethoden worden gebruikt om het effect van een uitbreiding van een stadsspoor in te schatten (d.w.z. "interventie") die plaatsvond in Winnipeg, Manitoba, Canada, tussen 2010 en 2012. De studie is opgezet om te bepalen of er een vermindering van Major Adverse Cardiovascular Events (MACE) werd waargenomen in buurten die de interventie ontvingen ten opzichte van trends in de controlebuurten die de interventie niet ontvingen. Ten eerste zal een multi-groep gesegmenteerde regressie van onderbroken tijdreeksgegevens worden gebruikt om het effect van de interventie op CVD-incidentie te beoordelen, zowel onmiddellijk (verandering in niveau) als in de loop van de tijd (verandering in trend) door indicatorvariabelen te creëren. Het niveau zal het basispercentage zijn van CVD-gerelateerde eindpunten aan het begin van de pre-interventieperiode (2000) en de waarde onmiddellijk volgend op elk veranderingspunt waarop opeenvolgende segmenten samenkomen tot 2010. De trend is de veranderingssnelheid in MACE-eindpunten (met andere woorden, de helling) tijdens een segment. Autoregressieve fouten zullen worden gemodelleerd om rekening te houden met gecorreleerde uitkomsten. Ten tweede zal een autoregressief geïntegreerd voortschrijdend gemiddelde (ARIMA) model worden aangepast voor de tijdreeksen van CVD-incidentie door gebruik te maken van de standaardbenadering van identificatie, schatting en controle. Voor de gehele studieperiode (november 2000 tot oktober 2019) worden een trend en periodieke seizoenstermen toegepast. Er zal ook een apart ARIMA-model worden gebouwd voor de pre-interventieperiode om de ontwikkeling van hart- en vaatziekten van de behandelde buurten te voorspellen. Het aantal HVZ-eindpunten dat door de interventie wordt voorkomen, wordt geschat door het verschil tussen het voorspelde aantal en het waargenomen aantal gevallen te berekenen. Mocht het moeilijk zijn om een ​​ARIMA-model in te passen in een relatief kleine dataset, dan zullen exponentiële afvlakkingsmodellen of het Holt Winters-algoritme worden gebruikt. Hoewel ze grotere steekproeven vereisen, zijn ze ideaal voor dit project omdat (1) ze het mogelijk maken om een ​​verscheidenheid aan verschillende soorten interventie-effecten expliciet te modelleren, en (2) ze zeer geschikt zijn om toekomstige trends te voorspellen.