An Urban Trail Network and Cardiovascular Disease: A Natural Experiment

Två olika tidsseriemetoder kommer att användas för att uppskatta effekten av en utbyggnad av stadsleder (dvs. "intervention") som inträffade i Winnipeg, Manitoba, Kanada, mellan 2010 och 2012. Studien är utformad för att fastställa om en minskning av Major Adverse Cardiovascular Events (MACE) observerades i stadsdelar som fick interventionen i förhållande till trender bland kontrollkvarteren som inte fick interventionen. Först kommer en segmenterad regression med flera grupper av avbrutna tidsseriedata att användas för att bedöma effekten av interventionen på CVD-incidensen, både omedelbart (förändring i nivå) och över tid (förändring i trend) genom att skapa indikatorvariabler. Nivån kommer att vara basräntan för CVD-relaterade slutpunkter i början av pre-interventionsperioden (2000) och värdet omedelbart efter varje förändringspunkt vid vilken successiva segment förenas fram till 2010. Trenden är förändringshastigheten i MACE-slutpunkter (med andra ord lutningen) under ett segment. Autoregressiva fel kommer att modelleras för att ta hänsyn till korrelerade utfall. För det andra kommer en autoregressiv integrerad glidande medelvärde (ARIMA) modell att anpassas för CVD-incidensens tidsserie genom att använda standardmetoden för identifiering, uppskattning och kontroll. En trend och periodiska säsongsvillkor kommer att tillämpas för hela studieperioden (november 2000 till oktober 2019). En separat ARIMA-modell kommer också att byggas för perioden före intervention för att förutsäga CVD-utvecklingen i de behandlade områdena. Antalet CVD-slutpunkter som förhindras av interventionen kommer att uppskattas genom att beräkna skillnaden mellan det förutsagda antalet och det observerade antalet fall. Skulle det vara svårt att anpassa en ARIMA-modell till en relativt liten datauppsättning, kommer exponentiella utjämningsmodeller eller Holt Winters-algoritmen att användas. Även om de kräver större urvalsstorlekar är de idealiska för detta projekt eftersom (1) de tillåter att en mängd olika typer av interventionseffekter explicit modelleras och (2) de är väl lämpade för att förutsäga framtida trender.