M శివ దుర్గా ప్రసాద్ నాయక్ మరియు KA నారాయణ్
నేపథ్యం: డెంగ్యూ అత్యంత తీవ్రమైన మరియు వేగంగా అభివృద్ధి చెందుతున్న ఉష్ణమండల వ్యాధులలో ఒకటి. భారతదేశంలో, గత దశాబ్దంలో, డెంగ్యూ జ్వరం ఫ్రీక్వెన్సీ మరియు భౌగోళిక పరిధిలో పెరిగింది. ఎపిడెమియోలాజికల్ మోడలింగ్ కోసం భవిష్యత్తులో ట్రెండ్‌లు మరియు రాబోయే వ్యాప్తిని అంచనా వేయడానికి గతంలో DF/DHF వ్యాప్తి ఎప్పుడు మరియు ఎక్కడ సంభవించింది అనే దాని గురించిన వివరణాత్మక సమాచారాన్ని ఉపయోగించవచ్చు. ఈ నేపథ్యం ఆధారంగా, వ్యాధి భారాన్ని అంచనా వేయడానికి కేరళ రాష్ట్రంలో డెంగ్యూ జ్వరం సంభవం యొక్క అందుబాటులో ఉన్న నెలవారీ డేటాను కాలానుగుణ ARIMA మోడల్‌గా మార్చే ప్రయత్నం జరిగింది.
పద్ధతులు: ప్రస్తుత అధ్యయనం భారతదేశంలోని కేరళ రాష్ట్ర పబ్లిక్ హెల్త్ డైరెక్టర్ విభాగం నుండి ద్వితీయ డేటాను ఉపయోగించి పునరాలోచన విశ్లేషణాత్మక అధ్యయనం. 2006 నుండి 2018 వరకు పదమూడు సంవత్సరాల కాలానికి ఇంటిగ్రేటెడ్ డిసీజ్ సర్వైలెన్స్ ప్రాజెక్ట్ (IDSP) యొక్క నెలవారీ నివేదికలు డౌన్‌లోడ్ చేయబడ్డాయి మరియు డౌన్‌లోడ్ చేయబడిన pdf ఫైల్‌ల నుండి డెంగ్యూ జ్వరం కేసుల డేటా సంగ్రహించబడింది. SPSS ట్రయల్ వెర్షన్ 21 మరియు నమూనా డేటా సెట్‌ని ఉపయోగించి, అనేక ARIMA మోడల్‌లు అమలు చేయబడ్డాయి మరియు ఉత్తమంగా సరిపోయే కాలానుగుణ ARIMA మోడల్ గుర్తించబడింది. ఎంపిక చేయబడిన మోడల్ తరువాత వచ్చే సంవత్సరం నుండి అంటే 2007 నుండి నెలవారీ డెంగ్యూ జ్వరాన్ని అంచనా వేయడానికి ఉపయోగించబడింది. 2007 నుండి 2018 వరకు డెంగ్యూ జ్వరం కేసుల యొక్క నెలవారీ అంచనా సంభవం మరియు నెలవారీ వాస్తవ సంఘటనలు పోల్చబడ్డాయి మరియు వాటి మధ్య వ్యత్యాసాన్ని జత చేసిన t పరీక్షను ఉపయోగించి పరీక్షించారు.
ఫలితాలు: అందించిన డేటా కోసం సీజనల్ ARIMA (1, 0, 0) (0, 1, 1)12 మోడల్ ఉత్తమంగా అమర్చబడిన మోడల్‌గా కనుగొనబడింది. ఎంచుకున్న మోడళ్ల యొక్క స్టేషనరీ R చదరపు విలువ 0.815. Ljung–Box పరీక్ష విలువ 11.271 మరియు p విలువ 0.792, ఎంచుకున్న మోడల్ సరిపోతుందని సూచిస్తుంది. జనవరి 2007 నుండి డిసెంబరు 2018 వరకు డెంగ్యూ ఫీవర్ కేసుల యొక్క సగటు సంఖ్య ప్రతి నెలలో వాస్తవ సంఘటనలకు దగ్గరగా ఉంటుంది, అయితే వాటిలో వ్యత్యాసం గణాంకపరంగా ముఖ్యమైనది కాదు, ఇది మోడల్ ఫిట్‌గా ఉందని సూచిస్తుంది.
ముగింపు: రాబోయే కాలంలో డెంగ్యూ జ్వరం కేసుల భవిష్యత్తును అంచనా వేయడానికి సీజనల్ ARIMA (1, 0, 0) (0, 1, 1)12 ఉత్తమంగా సరిపోయే మోడల్‌గా ఎంపిక చేయబడింది. మెరుగైన సంసిద్ధత కోసం ఆరోగ్య సంరక్షణ నిర్వాహకులకు సాంకేతికత ఉపయోగపడుతుంది. ప్రస్తుత డేటాను చేర్చడానికి మరియు మరింత డైనమిక్ మోడల్ కోసం మోడల్‌ను డైనమిక్‌గా మార్చవచ్చు.