Сеть городских маршрутов и сердечно-сосудистые заболевания: естественный эксперимент

Для оценки эффекта расширения городской тропы (т.е. «вмешательство»), которое произошло в Виннипеге, Манитоба, Канада, в период с 2010 по 2012 год. Исследование предназначено для определения того, наблюдалось ли снижение серьезных неблагоприятных сердечно-сосудистых событий (MACE) в районах, получивших вмешательство, по сравнению с тенденциями среди контрольных районов, которые не получали вмешательства. Во-первых, многогрупповая сегментированная регрессия прерванных временных рядов данных будет использоваться для оценки влияния вмешательства на заболеваемость ССЗ как непосредственно (изменение уровня), так и с течением времени (изменение тенденции) путем создания индикаторных переменных. Уровень будет представлять собой базовую частоту конечных точек, связанных с ССЗ, в начале периода до вмешательства (2000 г.) и значение сразу после каждой точки изменения, в которой последовательные сегменты соединяются до 2010 г. Тенденция — это скорость изменения конечных точек MACE (другими словами, наклон) в течение сегмента. Ошибки авторегрессии будут смоделированы для учета коррелированных результатов. Во-вторых, авторегрессионная интегрированная модель скользящего среднего (ARIMA) будет адаптирована для временных рядов заболеваемости сердечно-сосудистыми заболеваниями с использованием стандартного подхода к идентификации, оценке и проверке. Тенденция и периодические сезонные термины будут применяться ко всему периоду исследования (с ноября 2000 г. по октябрь 2019 г.). Отдельная модель ARIMA также будет построена для периода до вмешательства, чтобы прогнозировать развитие сердечно-сосудистых заболеваний в районах, подвергшихся лечению. Количество конечных точек ССЗ, предотвращенных вмешательством, будет оцениваться путем расчета разницы между прогнозируемым числом и наблюдаемым числом случаев. В случае затруднений с подгонкой модели ARIMA к относительно небольшому набору данных будут использоваться модели экспоненциального сглаживания или алгоритм Холта-Уинтерса. Хотя они требуют больших размеров выборки, они идеально подходят для этого проекта, поскольку (1) они позволяют явно моделировать множество различных типов воздействия вмешательства и (2) они хорошо подходят для прогнозирования будущих тенденций.