Perubahan Musiman dan Nisbah Jantina Scrub Typhus: Kajian Kes di Korea Selatan (2003-2019) Menggunakan Analisis Wavelet | BMC Penyakit Berjangkit

Bahan

Kami mengambil data tentang kes ST dari tahun 2003 hingga 2019 dari Korean National Health Insurance Service (KNHIS), dipecahkan mengikut jantina dan minggu epidemiologi. KNHIS, yang merupakan satu-satunya insurans di Korea Selatan untuk semua warganegara, menyediakan data yang mewakili populasi negara melalui tuntutan penggunaan penjagaan kesihatan. Dengan maklumat kelayakan dalam data KNHIS, kami boleh memecahkan data mengikut minggu epidemiologi dan ciri demografik, seperti jantina dan kumpulan umur. Ini penting untuk kajian kami yang mahu melihat perubahan masa dalam ST, penyakit yang kebanyakannya menyerang wanita di Korea.

Maklumat tuntutan insurans biasanya digunakan untuk tujuan pengebilan, bukannya rekod perubatan, jadi diagnosis sementara boleh dibuat untuk memudahkan operasi klinikal. Sebaliknya, sistem Pengawasan Penyakit Berjangkit Nasional bergantung kepada data yang dilaporkan untuk penyakit yang boleh dilaporkan, tetapi ini boleh berubah berdasarkan kriteria pelaporan dan kadar pelaporan yang berbeza. Satu contoh menarik adalah pada tahun 2019, di mana kriteria pelaporan untuk ST diubah sehingga kes yang disyaki tidak termasuk dalam syarat pelaporan. Ini menyebabkan pengurangan sebanyak 39.9% dalam kes dilaporkan berbanding tahun sebelumnya, sementara pengurangan dalam data tuntutan hanya 14.3%. Dalam situasi endemik, ST boleh didiagnosis secara klinikal tanpa ujian pengesahan, walaupun ujian diperlukan untuk diagnosis tatap mata. Oleh itu, kami memutuskan untuk menggunakan data KNHIS untuk melihat tren jangka panjang ST dengan stratifikasi yang sesuai. Untuk analisis tambahan, kami juga menarik bilangan kes ST dari laporan pemantauan penyakit yang dapat dilihat di Portal Penyakit Berjangkit Agensi Kawalan dan Pencegahan Penyakit Korea, walaupun kami sedar terdapat kemungkinan bias dalam pelaporan data tersebut.

ST ditakrifkan mengikut kod Penyakit Antarabangsa, Edisi Kesepuluh, Pengubahsuaian Klinikal (ICD-10-CM) A75.3. Data ini termasuk maklumat alamat kediaman yang dikodkan mengikut perbandaran, jantina (lelaki dan perempuan), serta kelompok umur yang dibahagikan kepada interval dua puluh tahun (0–19, 20–39, 40–59, 60–79, dan ≥ 80 tahun). Hanya pesakit yang mempunyai data lengkap yang dimasukkan dalam analisis. Kami mengira insiden ST per 100,000 orang menggunakan data populasi dari Statistics Korea. Insiden minggu ke-53 untuk tahun 2003, 2008, dan 2014 diambil purata dari minggu ke-52 tahun yang bersangkutan untuk keseragaman. Kajian kami mendapat kebenaran dari Institutional Review Board (IRB) Universiti Korea, kerana data yang digunakan tidak mengandungi maklumat untuk mengenal pasti individu.

Analisis Deskriptif

Kami mengira bilangan kes dan insiden ST per 100,000 penduduk berdasarkan jantina, kumpulan umur, dan tahun. Ini termasuk membandingkan nisbah jantina bagi insiden ST. Untuk menilai secara statistik tren tempoh perubahan dalam nisbah jantina, kami menggunakan ujian Mann-Kendall. Ujian ini melihat sama ada insiden ST sebaris secara rawak atau terdapat trend yang konsisten.

Selain itu, kami melakukan dekomposisi aditif temporal untuk data insiden yang ditransformasikan secara log dari 2003 hingga 2019 untuk menggambarkan tren, musiman, dan variasi rawak. Kami mula-mula mengekstrak komponen tren dengan teknik purata bergerak dan kemudian menghitung komponen musiman dengan purata untuk semua tempoh.

Analisis Pengubah Gelombang Berterusan (CWT)

Kami menjalankan CWT pada insiden ST yang ditransformasikan secara log untuk mengesan tren musiman. CWT ini membantu mengenal pasti pola musiman dalam data yang tidak tetap, seperti data epidemiologi. Ia lebih berkesan daripada analisis Fourier kerana dapat menunjukkan pola pada pelbagai skala — hal ini penting apabila kita melihat penyebaran penyakit yang mungkin dipengaruhi oleh pelbagai faktor musiman. Dengan CWT, kita bahkan dapat melihat banyak puncak dalam satu tahun yang mungkin tidak dapat dilihat melalui analisis tren biasa.

Kami menggunakan wavelet Morlet untuk analisis CWT dan menjalankan 2000 simulasi untuk menilai tahap kebolehpercayaan dengan 95% keyakinan. Hipotesis null dalam analisis ini menyatakan bahwa variasi yang dilihat dalam data waktu ini tidak berbeza daripada hasil rawak.

Hasil dari CWT dipaparkan dalam bentuk plot spektrum daya wavelet, yang menunjukkan tahap musiman dari masa ke semasa. Jika data dan wavelet sepadan, spektrum daya akan tinggi. Sebaliknya, jika tidak, nilainya akan turun. Kami juga mengenalpasti maksimum daya dari spektrum dan periodicity. Kami membahagikan analisis mengikut jantina dan kelompok tahun untuk mengenal pasti pergeseran dalam hasil CWT.

Sebagai tambahan, kami melakukan analisis kepekaan dengan data yang tidak ditransforma secara log dan data dari laporan penyebaran penyakit.