PEDİATRİK BÜYÜME EĞRİLERİNİN OLUŞTURULMASINDA KULLANILAN İSTATİSTİKSEL YÖNTEMLERİN KARŞILAŞTIRILMASI

Abstract

Pediatrik büyüme eğrileri ile çocukların yaşa bağlı antropometrik ölçümlerinin değişimi izlenerek genel sağlık ve beslenme durumları belirlenebilmektedir. Bu eğrilerin oluşturulmasında yaygın olarak LMS yöntemi kullanılmaktadır. LMS yöntemi ölçümlerin konum, yaygınlık ve çarpıklık ölçülerini modelleyebilmekte, basıklık ölçülerini modelleyememektedir. LMSP ve LMST yöntemleri daha yeni yöntemler olup ölçüm dağılımlarının her dört parametresini modelleme imkanı sunmaktadır. Bu çalışmada LMS, LMSP ve LMST yöntemlerinin performanslarının gerçek bir veride karşılaştırılması amaçlanmıştır. Gereç ve Yöntem:Veri seti olarak Kayseri'de yaşayan 0 -6 yaş arası 2894 sağlıklı çocuğa ait 13 farklı antropometrik ölçümlerinin yer aldığı veri seti kullanılmıştır. Her üç yöntem R yazılımının gamlss paketinde uygulanmış, karşılaştırmalarında Akaike bilgi kriteri (AIC), genelleştirilmiş Akaike bilgi kriteri (GAIC) ve SchwarzBayes bilgi kriteri (SBC) kullanılmıştır. Bulgular:AIC ile yapılan değerlendirmelerde, LMS yöntemi erkeklerde 7, kızlarda 5 ölçümde en iyi modeli vermiştir. GAIC ile yapılan değerlendirmelerde,bu yöntem erkeklerde 9, kızlarda 5 ölçümde en iyi modeli vermiştir. Son olarak, SBC ile yapılan değerlendirmelerdeise erkeklerde 11, kızlarda 12 ölçümde en iyi performansa sahip yöntem olarak gözlenmiştir. Diğer durumlarda ise genel olarak LMSP yönteminin en iyi modeli verdiği görülmüştür. Sonuç:Yaygın olarak LMS yöntemi iyi performans gösteren bir yöntem olmuştur. Bununla birlikte diğer iki yöntem de çeşitli ölçümler açısından en iyi büyüme eğrileri modellerini oluşturmuştur. Araştırmacılar büyüme eğrilerini oluştururken her üç yöntemi de dikkate almalı, karşılaştırmalı analizler gerçekleştirerek en iyi modele karar vermelidir.

Keywords

• Box-Cox dönüşümü, Büyüme eğrileri, GAMLSS, LMS, LMSP, LMST

Benchmarking of Statistical Methods in Constructing Pediatrıc Growth Curves

Abstract

Pediatric growth curves provide the determination of general health and nutritional status of children by following the change of theage-related anthropometric measurements.The LMS method is widelyused to construct these curves.The LMS method can model thelocation, scale and skewness measures of the measurements, but not the kurtosis measure.LMSP and LMST are morerecent method swhich can model bothfourparameters of measurement distributio. In this study, it is aimedtocompare the performances of LMS, LMSP and LMST methods in a realdataset. Methods: The data set contains 13 different anthropometric measurements of 2894 healthy 0-6 agedyearschildrenliving in Kayseri. All three methods were applied in the gamlss package of the R software, and the Akaikein formationcriterion (AIC), the generalized Akaikein formationcriterion (GAIC) and the Schwarz Bayes informationcriterion (SBC) were used for comparison. Results:The LMS method performedas the best model with 7 measures in boy sand 5measures in girls,based on AIC. This method performedas thebest model in 9 measures in boy sand 5 measures in girls, based on GAIC. Lastly, it seemed as the best performed method in 11 measures in boy sand 12 measures in girls, based on SBC.In other cases, the LMSP method was found to be the best model in general. Conclusion:The LMS method is a well-performedone. However, the other two methods also performed as best growth curve models for various measurements. While constructing growth curves, researchers should considerall three methods and should decide the best model by carrying out comparative analyses.

Keywords

• Box-Coxtransformation, Growthcurves, GAMLSS, LMS, LMSP, LMST

References

1. 1. van Buuren S, Hayes DJ, Stasinopoulos DM, et al. Estimating regional centile curves from mixed data sources and countries. Stat Med 2009; 28:2891- 2911.
2. 2. Zararsız G, Öztürk A, Elmalı F, et al. Antropometrik ölçümlerin dağılımlarının tanımlanması ve modellenmesinde kullanılan istatistiksel yöntemler. Türkiye Klinikleri J Pediatr Sci 2012; 8(4):14-21.
3. 3. Öztürk A, Zararsız G, Elmalı F, et al. Büyüme eğrilerinin oluşturulmasında LMSP yöntemi. Türkiye Klinikleri J Pediatr Sci 2012; 8(4):22-28.
4. 4. Heydari ST, Emamghoreishi F, Amini M. Infants’ growth charts in Jahrom, Iran. Iran J Ped Mar 2009; 19(1):25-34.
5. 5. Cole TJ, Green PJ. Smoothing reference centile curves: The LMS method and penalized likelihood. Stat Med 1992; 11:1305-1319.
6. 6. Rigby RA, Stasinopoulos DM. Smooth centile curves for skew and kurtotic data modelled using the Box– Cox power exponential distribution. Stat Med 2004; 23:3053-3076.
7. 7. Rigby RA, Stasinopoulos DM. Using the Box–Cox t distribution in GAMLSS to model skewness and kurtosis. Statistical Modelling 2006; 6:209–229.
8. 8. Rigby RA, Stasinopoulos DM. Generalized additive models for location, scale and shape. Appl Statist 2005; 54:507-554.

9. 9. Mazıcıoğlu MM, Demirtaş T, Çiçek B, et al. Weight for length/height percentiles in infants and young children in Kayseri/Turkey. J Clin Res Pediatr Endocrinol 2013; 5(4): 224–228.
10. 10. Stasinopoulos DM, Rigby RA. Generalized Additive Models for Location Scale and Shape (GAMLSS) in R. Journal of Statistical Software 2007; 23(7)