21 Standardize edilmiş hızlar
Bu sayfa, hastaneye yatış veya ölüm oranları gibi bir çıktıyı yaş ve cinsiyet gibi özelliklere göre standardize etmenin iki yolunu gösterecektir.
- dsr paketini kullanma
- PHEindicatormethods paketini kullanma
Birden fazla ülkeden nüfus verileri, standart nüfus verileri, ölümler vb. birleştirilmesi için yaygın kullanımı olduğu için, veri hazırlama/temizleme/birleştirme süreçlerini kapsamlı bir şekilde göstererek başlıyoruz.
21.1 Genel bakış
Standardizasyonun iki ana yöntemi vardır: Direkt ve indirekt standardizasyon. A ve B ülkeleri için ölüm hızlarını yaşa ve cinsiyete göre standardize etmek ve bu ülkeler arasındaki standardize edilmiş oranları karşılaştırmak istediğimizi varsayalım.
- Direk standardizasyon için, A ülkesi ve B ülkesi için her yaş ve cinsiyet tabakası için risk altındaki popülasyon büyüklüğüve ölümlerin sayısını bilmeniz gerekecektir. Örneğimizdeki bir katman 15-44 yaş arası kadınlar olabilir.
- İndirekt standardizasyon için, her ülkenin toplam ölüm sayısı, yaş ve cinsiyet yapısını bilmeniz gerekir. Dolayısıyla bu seçenek, yaşa ve cinsiyete özgü ölüm hızları veya nüfus sayıları mevcut değilse uygulanabilir. Direkt standardizasyondaki tahminler örneklem varyasyonundan etkileneceğinden; tabaka başına küçük sayıların olması durumunda indirekt standardizasyon tercih edilir.
21.2 Hazırlık
Standardizasyonun nasıl yapıldığını göstermek için, A ve B ülkelerinin yaşa (5 yıllık tabakalar halinde) ve cinsiyete (kadın, erkek) göre kurgusal nüfus büyüklükleri ve ölüm sayımlarını kullanacağız. Veri setlerini kullanıma hazır hale getirmek için aşağıdaki hazırlık adımlarını gerçekleştireceğiz:
- Paketlerin yüklenmesi
- Veri tabanlarının yüklenmesi
- İki ülkenin nüfus ve ölüm verilerini birleştirilmesi
- Yaş-cinsiyet katmanı başına bir satır olacak şekilde daha uzun şekilde pivotlama
- Referans popülasyonunu (dünya standart nüfusu) temizleme ve ülke verilerine ekleme
Senaryonuzda, verileriniz farklı bir biçimde gelebilir. Belki verileriniz il, şehir veya başka bir hizmet alanına göre düzenlenmiştir. Her ölüm için bir satır ve bu ölümlerin her biri (veya önemli bir kısmı) için yaş ve cinsiyet bilgileri olabilir. Bu durumda, yaş-cinsiyet katmanlarına göre olay ve nüfus sayıları içeren bir veri tabanı oluşturmak için [Verileri gruplandırma], [Verileri pivotlama] ve Tanımlayıcı tablolar sayfalarına bakın.
Ayrıca bir referans popülasyona, standart popülasyona ihtiyacımız vardır. Bu alıştırma için world_standard_population_by_sex
’i kullanacağız. Dünya standart nüfusu, 46 ülkenin nüfusuna dayanmaktadır ve 1960 yılında geliştirilmiştir. Birçok “standart” popülasyon vardır - bir örnek olarak, NHS İskoçya’nın web sitesi Avrupa Standart Nüfusu, Dünya Standart Nüfusu ve İskoçya Standardı hakkında detaylı bilgi içermektedir. (European Standard Population, World Standard Population and Scotland Standard Population).
Paketlerin yüklenmesi
Bu kod kümesi, analizler için gereken paketlerin yüklenmesini gösterir. Bu el kitabında, gerekirse paketi kuran ve kullanım için yükleyen pacman’ın p_load()
fonksiyonunu vurguluyoruz. Ayrıca, R tabanından library()
ile kurulu paketleri yükleyebilirsiniz. R paketleri hakkında daha fazla bilgi için [R’ın temelleri] sayfasına bakın.
pacman::p_load(
rio, # verileri içe/dışa aktar
here, # dosyaları bul
tidyverse, # veri yönetimi ve görselleştirme
stringr, # karakterleri ve dizeleri (string) temizleme
frailtypack, # frailty modelleri için dsr için gerekli
dsr, # hızları standardize et
PHEindicatormethods) # hızların standardizasyonu için alternatif
**DİKKAT:_** Daha yeni bir R sürümüne sahipseniz, dsr paketi doğrudan CRAN’den indirilemez. Ancak, yine de bu paket CRAN arşivinden temin edilebilir. Bu şekilde paketi yükleyebilir ve kullanabilirsiniz.
Mac kullanıcısı olmayanlar için:
packageurl <- "https://cran.r-project.org/src/contrib/Archive/dsr/dsr_0.2.2.tar.gz"
install.packages(packageurl, repos=NULL, type="source")
# Diğer çözüm
require(devtools)
devtools::install_version("dsr", version="0.2.2", repos="http:/cran.us.r.project.org")
Mac kullanıcıları için:
require(devtools)
devtools::install_version("dsr", version="0.2.2", repos="https://mac.R-project.org")
Popülasyon verisinin yüklenmesi
El kitabındaki tüm örnek verilerin nasıl indirileceğine ilişkin talimatlar için [Verilerin ve el kitabının indirilmesi] sayfasına bakın. Aşağıdaki import()
komutlarını çalıştırarak Standardizasyon sayfası verilerini Github depomuzdan doğrudan R’a aktarabilirsiniz:
# A ülkesi için demografik veriyi doğrudan Github'dan içe aktarın
A_demo <- import("https://github.com/appliedepi/epirhandbook_eng/raw/master/data/standardization/country_demographics.csv")
# A ülkesi için ölümleri doğrudan Github'dan içe aktarın
A_deaths <- import("https://github.com/appliedepi/epirhandbook_eng/raw/master/data/standardization/deaths_countryA.csv")
# B ülkesi için demografik veriyi doğrudan Github'dan içe aktarın
B_demo <- import("https://github.com/appliedepi/epirhandbook_eng/raw/master/data/standardization/country_demographics_2.csv")
# B ülkesi için ölümleri doğrudan Github'dan içe aktarın
B_deaths <- import("https://github.com/appliedepi/epirhandbook_eng/raw/master/data/standardization/deaths_countryB.csv")
# B ülkesi için demografik veriyi doğrudan Github'dan içe aktarın
standard_pop_data <- import("https://github.com/appliedepi/epirhandbook_eng/raw/master/data/standardization/world_standard_population_by_sex.csv")
İlk önce karşılaştıracağımız iki ülke olan “Ülke A” ve “Ülke B” için demografik verileri (5 yıllık yaş kategorisine göre kadın ve erkek sayıları) yüklüyoruz.
# A ülkesi
A_demo <- import("country_demographics.csv")
# B ülkesi
B_demo <- import("country_demographics_2.csv")
Ölüm sayılarının yüklenmesi
Elimizde uygun bir şekilde, ilgilenilen zaman dilimindeki yaş ve cinsiyete göre ölüm sayıları da bulunmaktadır. Her ülkenin ölüm sayıları aşağıda gösterilen ayrı bir dosyadadır.
A Ülkesindeki Ölümler
B Ülkesindeki Ölümler
Nüfus ve ölüm verilerinin temizliği
Bu verileri aşağıdaki şekillerde birleştirmemiz ve dönüştürmemiz gerekiyor:
- Ülke popülasyonlarını tek bir veri tabanında birleştirin ve her bir yaş-cinsiyet katmanının bir satır olması için “uzun” şekilde pivotlayın
- Ülke ölüm sayılarını tek bir veri tabanında birleştirin ve her bir yaş-cinsiyet katmanının bir satır olması için “uzun” şekilde pivotlayın
- Ölümleri nüfusla birleştirin
İlk olarak, ülke popülasyonları veri tabanlarını birleştirip, daha sonra uzun biçimde pivotlar ve temizlik yaparız. Daha fazla ayrıntı için Verilerin pivotlanması sayfasına bakın.
pop_countries <- A_demo %>% # A ülkesi veritabanı ile başla
bind_rows(B_demo) %>% # Satırları B veri tabanıyla bağla, çünkü sütunlar aynı şekilde adlandırılır
pivot_longer( # uzun şekilde pivotlama
cols = c(m, f), # birleştirilecek sütunlar
names_to = "Sex", # kategoriyi ("m" veya "f") içeren yeni sütunun adı
values_to = "Population") %>% # özetlenen sayısal değerleri içeren yeni sütunun adı
mutate(Sex = recode(Sex, # anlaşılması için değerleri yeniden kodla
"m" = "Male",
"f" = "Female"))
Birleşik nüfus verileri şimdi şöyle görünür (A ve B ülkelerini görmek için tıklayın):
Şimdi de iki ölüm veri setinde benzer işlemler yapıyoruz.
deaths_countries <- A_deaths %>% # A ülkesi ölüm veritabanı ile başlayın
bind_rows(B_deaths) %>% # Satırları B veri tabanıyla bağla, çünkü sütunlar aynı şekilde adlandırılır
pivot_longer( # uzun şekilde pivotlama
cols = c(Male, Female), # birleştirilecek sütunlar
names_to = "Sex", # kategoriyi ("m" veya "f") içeren yeni sütunun adı
values_to = "Deaths") %>% # özetlenen sayısal değerleri içeren yeni sütunun adı
rename(age_cat5 = AgeCat) # anlaşılması için değerleri yeniden kodla
Ölüm verileri şimdi böyle görünüyor ve her iki ülkeden de veriler içermekte:
Şimdi Country
, age_cat5
ve Sex
ortak sütunlarına dayalı ölüm ve nüfus verilerini birleştiriyoruz. Bu işlem, Deaths
sütununu ekler.
Artık Sex
, age_cat5
ve Country
’yi faktör olarak sınıflandırabilir ve Faktörler sayfasında açıklandığı gibi forcats paketinden fct_relevel()
fonksiyonunu kullanarak seviye sırasını ayarlayabiliriz. Unutulmamalıdır ki, faktör seviyelerinin sınıflandırılması verileri gözle görülür şekilde değiştirmez, ancak arrange()
komutu verileri ülkeye, yaş kategorisine ve cinsiyete göre sıralar.
country_data <- country_data %>%
mutate(
Country = fct_relevel(Country, "A", "B"),
Sex = fct_relevel(Sex, "Male", "Female"),
age_cat5 = fct_relevel(
age_cat5,
"0-4", "5-9", "10-14", "15-19",
"20-24", "25-29", "30-34", "35-39",
"40-44", "45-49", "50-54", "55-59",
"60-64", "65-69", "70-74",
"75-79", "80-84", "85")) %>%
arrange(Country, age_cat5, Sex)
DİKKAT: Her tabakada az sayıda ölüm varsa, yaşa göre 5 yıllık kategoriler yerine 10 veya 15 yıllık kategorileri kullanmayı düşünün.
Referans popülasyonun yüklenmesi
Son olarak, direkt standardizasyon için referans popülasyonu (cinsiyete göre dünya “standart nüfusu”) içe aktarıyoruz.
# Referans popülasyon
standard_pop_data <- import("world_standard_population_by_sex.csv")
Referans popülasyon verisinin temizliği
country_data
ve standard_pop_data
veri çerçevelerindeki yaş kategorisi değerlerinin hizalanması gerekir.
Şu anda, standart_pop_data
veri çerçevesinden age_cat5
sütununun değerleri “yıllar” ve “artı” kelimelerini içerirken country_data
veri çerçevesindeki sütun bu kelimeleri içermemektedir. Yaş kategorisi değerlerini eşleştirmemiz gerekecek. Bu kalıpları boşluksuz olarak ""
biçiminde değiştirmek için Karakterler ve dizeler sayfasında açıklandığı gibi stringr paketinden str_replace_all()
komutunu kullanıyoruz.
Ayrıca, dsr paketi standart popülasyonda sayıları içeren sütunun "pop"
olarak adlandırılmasını bekler. Bu yüzden bu sütunu bu şekilde yeniden adlandırıyoruz.
# Sütun değerlerinden belirli dizeyi kaldır
standard_pop_clean <- standard_pop_data %>%
mutate(
age_cat5 = str_replace_all(age_cat5, "years", ""), # "year"'ı kaldır
age_cat5 = str_replace_all(age_cat5, "plus", ""), # "plus"'ı kaldır
age_cat5 = str_replace_all(age_cat5, " ", "")) %>% # " " boşluğu kaldır
rename(pop = WorldStandardPopulation) # dsr paketi tarafından tanınması için sütun adını "pop" olarak değiştir
DİKKAT: Bir artı sembolünü kaldırmak için str_replace_all()
kullanmayı denerseniz, özel bir sembol olduğu için çalışmayacaktır. str_replace_call(column, "\\+", "")
örneğinde olduğu gibi önüne iki ters eğik çizgi koyarak özel özelliklerden kaçınabilirsiniz.
Standart popülasyon ile veri tabanının oluşturulması
Son olarak, aşağıda ayrıntıları verilen PHEindicatormethods paketi, ülke için gerçekleşen olay (ölüm), nüfus sayıları ve standart popülasyon verilerini istemektedir. Bu amaçla bir all_data
veri tabanı oluşturacağız.
Tam veri tabanı bu şekilde görülmektedir:
21.3 dsr paketi
Aşağıda, dsr paketini kullanarak direkt standardize edilmiş hızları hesaplamayı ve karşılaştırmayı gösteriyoruz. dsr paketi, direkt standardize edilmiş hızları hesaplamanıza ve karşılaştırmanıza olanak tanır (indirekt standardize edilmiş oranlar yok!).
Veri Hazırlama bölümünde ülkeler ve standart nüfus için ayrı ayrı veri tabanları oluşturduk:
- Ülke için tabaka başına nüfus ve ölüm sayısını içeren bir nüfus tablosu olan
country_data
nesnesi - Referans popülasyonumuz olan World Standard Population için tabaka başına popülasyonu gösteren içeren
standard_pop_clean
nesnesi
Bu ayrı veri tabanlarını dsr yaklaşımı için kullanacağız.
Standardize edilmiş hızlar
Aşağıda, yaş ve cinsiyet için direkt standardize edilmiş oranları ülkeler için hesaplıyoruz. Bu işlem için dsr()
fonksiyonunu kullanıyoruz.
Not: dsr()
, ülke popülasyonları ve olay sayıları (ölümler) için bir veri tabanı ve referans popülasyonu için ayrı bir veri tabanı bekler. Ayrıca bu referans popülasyon veri tabanında birim-zaman sütun adının “pop” olmasını bekler (bunu veri Hazırlama bölümünde sağladık)
Aşağıdaki kodda görüldüğü gibi bu fonksiyon için birçok argüman vardır. Dikkat çekici bir şekilde, event =
ölümler sütununa ve fu =
(“follow up”- “takip”), Population
sütununa ayarlanmıştır. Karşılaştırma alt gruplarını Country
sütunu olarak belirledik ve age_cat5
ve Sex
’e göre standardize ettik. Bu son iki sütuna belirli bir argüman atanmaz. Ayrıntılar için ?dsr
komutuna bakınız.
# Yaş ve cinsiyet için direkt standardize edilmiş hızları ülke başına hesapla
mortality_rate <- dsr::dsr(
data = country_data, # tabaka başına ölüm sayısını içeren nesneyi belirt
event = Deaths, # tabaka başına ölüm sayısını içeren sütun
fu = Population, # tabaka başına nüfus sayısını içeren sütun
subgroup = Country, # karşılaştırmak istediğimiz birimler
age_cat5, # standardize etmek istediğimiz özellikler
Sex,
refdata = standard_pop_clean, # pop olarak adlandırılan sütundaki sayılarla referans popülasyonu
method = "gamma", # 95% güven aralığını hesaplayan yöntem
sig = 0.95, # anlamlılık düzeyi
mp = 100000, # 100.000 kişilik nüfus başına hız istiyoruz
decimals = 2) # ondalık basamak sayısı
# Çıktıyı iyi görünen bir HTML tablosu olarak yazdır
knitr::kable(mortality_rate) # direkt standardizasyondan önce ve sonra ölüm oranını göster
Subgroup | Numerator | Denominator | Crude Rate (per 100000) | 95% LCL (Crude) | 95% UCL (Crude) | Std Rate (per 100000) | 95% LCL (Std) | 95% UCL (Std) |
---|---|---|---|---|---|---|---|---|
A | 11344 | 86790567 | 13.07 | 12.83 | 13.31 | 23.57 | 23.08 | 24.06 |
B | 9955 | 52898281 | 18.82 | 18.45 | 19.19 | 19.33 | 18.46 | 20.22 |
Yukarıda, A ülkesinin B ülkesinden daha düşük bir kaba ölüm hızına sahip olduğunu, ancak yaş ve cinsiyet için direkt standardizasyon sonrası, A ülkesinin daha yüksek bir standardize edilmiş hıza sahip olduğunu görüyoruz.
Standardize hız oranları
# Calculate RR
mortality_rr <- dsr::dsrr(
data = country_data, # tabaka başına ölüm sayısını içeren nesneyi belirt
event = Deaths, # tabaka başına ölüm sayısını içeren sütun
fu = Population, # tabaka başına nüfus sayısını içeren sütun
subgroup = Country, # karşılaştırmak istediğimiz birimler
age_cat5,
Sex, # standardize istediğimiz özellikler
refdata = standard_pop_clean, # pop olarak adlandırılan sütundaki sayılarla referans popülasyonu
refgroup = "B", # karşılaştırma için referans
estimate = "ratio", # tahmin tipi
sig = 0.95, # anlamlılık seviyesi
mp = 100000, # 100.000 kişilik nüfus başına hız istiyoruz
decimals = 2) # ondalık basamak sayısı
# Tabloyu yazdır
knitr::kable(mortality_rr)
Comparator | Reference | Std Rate (per 100000) | Rate Ratio (RR) | 95% LCL (RR) | 95% UCL (RR) |
---|---|---|---|---|---|
A | B | 23.57 | 1.22 | 1.17 | 1.27 |
B | B | 19.33 | 1.00 | 0.94 | 1.06 |
Standardize ölüm oranı, A ülkesinde B ülkesine kıyasla 1,22 kat daha yüksektir (%95 GA 1,17-1,27).
Standardize hız farkı
# Calculate RD
mortality_rd <- dsr::dsrr(
data = country_data, # tabaka başına ölüm sayısını içeren nesneyi belirt
event = Deaths, # tabaka başına ölüm sayısını içeren sütun
fu = Population, # tabaka başına nüfus sayısını içeren sütun
subgroup = Country, # karşılaştırmak istediğimiz birimler
age_cat5, # standardize istediğimiz özellikler
Sex,
refdata = standard_pop_clean, # pop olarak adlandırılan sütundaki sayılarla referans popülasyonu
refgroup = "B", # karşılaştırma için referans
estimate = "difference", # tahmin tipi
sig = 0.95, # anlamlılık seviyesi
mp = 100000, # 100.000 kişilik nüfus başına hız istiyoruz
decimals = 2) # ondalık basamak sayısı
# Tabloyu yazdır
knitr::kable(mortality_rd)
Comparator | Reference | Std Rate (per 100000) | Rate Difference (RD) | 95% LCL (RD) | 95% UCL (RD) |
---|---|---|---|---|---|
A | B | 23.57 | 4.24 | 3.24 | 5.24 |
B | B | 19.33 | 0.00 | -1.24 | 1.24 |
A Ülkesi, B ülkesine kıyasla 100.000 nüfus başına 4.24 ek ölüme (%95 GA 3.24-5.24) sahiptir.
21.4 PHEindicatormethods paketi
Standardize hızları hesaplamanın başka bir yolu da PHEindicatormethods paketidir. Bu paket, direkt ve indirekt olarak standardize edilmiş hızları hesaplamanıza olanak tanır. İkisini de göstereceğiz.
Bu bölüm, Hazırlık bölümünün sonunda oluşturulan all_data
veri tabanını kullanacaktır. Bu veri tabanı, ülke popülasyonlarını, ölüm olaylarını ve dünya için standart referans popülasyonu içerir. Burada görüntüleyebilirsiniz.
Direkt standardize edilmiş hızlar
Aşağıda, önce verileri ülkeye göre gruplandırıyoruz ve ardından ülke başına direkt standardize edilmiş hızları elde etmek için phe_dsr()
fonksiyonuna aktarıyoruz.
Not: Referans (standart) popülasyon, ülkeye özgü veri tabanında bir sütun olarak veya ayrı bir vektör olarak verilebilir. Ülkeye özel veri tabanı oluşturulduysa, stdpoptype= "field"
olarak ayarlanmalıdır. Vektör olarak sağlanmışsa, stdpoptype = "vector"
olarak ayarlanmalıdır. İkinci durumda, kayıtlar pozisyona göre eşleştirileceğinden, satırların tabaklara göre sıralamasının hem ülkeye özgü veri tabanında hem de referans popülasyonda benzer olduğundan emin olmalısınız. Aşağıdaki örneğimizde, ülkeye özgü veri tabanında bir sütun olarak referans popülasyon verilmiştir.
Daha fazla bilgi için ?phr_dsr
ile ilgili yardıma veya Referanslar bölümündeki bağlantılara bakabilirsiniz
# yaş ve cinsiyet için direkt standardize edilmiş hızları ülke başına hesapla
mortality_ds_rate_phe <- all_data %>%
group_by(Country) %>%
PHEindicatormethods::phe_dsr(
x = Deaths, # gözlemlenen olay sayısını içeren sütun
n = Population, # her tabaka için standart olmayan nüfusu içeren sütunlar
stdpop = pop, # her tabaka için standart popülasyonlar
stdpoptype = "field") # bağımsız bir vektör için "vector-vektör" veya verilerde standart popülasyonların olduğu durumlarda "field-alan"
# Tabloyu yazdır
knitr::kable(mortality_ds_rate_phe)
Country | total_count | total_pop | value | lowercl | uppercl | confidence | statistic | method |
---|---|---|---|---|---|---|---|---|
A | 11344 | 86790567 | 23.56686 | 23.08107 | 24.05944 | 95% | dsr per 100000 | Dobson |
B | 9955 | 52898281 | 19.32549 | 18.45516 | 20.20882 | 95% | dsr per 100000 | Dobson |
İndirekt standardize edilmiş hızlar
İnidirekt standardizasyon için, tabaka başına ölüm sayısı, nüfus ve bir referans popülasyona ihtiyacınız vardır. Bu örnekte, standart_pop_clean
referans popülasyonu tabaka başına ölüm sayısını içermediğinden, B ülkesini referans popülasyon olarak kullanarak A ülkesi için hızları hesaplayacağız.
Aşağıda, önce B ülkesinden referans popülasyonu oluşturuyoruz. Ardından, A ülkesi için ölüm ve nüfus verilerini çıkarıyoruz, bu verileri referans popülasyonla birleştiriyoruz ve indirekt standardize edilmiş hızları elde etmek için phe_isr()
fonksiyonuna aktarıyoruz. Tabii ki, bunun tersini de yapabilirsiniz.
Not: Aşağıdaki örneğimizde, referans popülasyonu ayrı bir veri tabanı olarak verilmiştir. Bu durumda, kayıtlar pozisyona göre eşleştirileceğinden, x =
, n =
, x_ref =
ve n_ref =
vektörlerinin tümünün, ülkemize özgü veri tabanıyla aynı standardizasyon kategorisi (tabaka) değerlerine göre sıralandığından emin oluruz.
Daha fazla bilgi için ?phr_isr
komutu ile ilgili yardıma veya Referanslar bölümündeki bağlantılara bakın.
# Referans popülasyonu oluştur
refpopCountryB <- country_data %>%
filter(Country == "B")
# A ülkesi için yaş ve cinsiyete göre indirekt standardize edilmiş hızları hesapla
mortality_is_rate_phe_A <- country_data %>%
filter(Country == "A") %>%
PHEindicatormethods::phe_isr(
x = Deaths, # gözlemlenen olay sayısını içeren sütun
n = Population, # her tabaka için standardize edilmemiş popülasyonu içeren sütunlar
x_ref = refpopCountryB$Deaths, # her tabaka için referans ölüm sayısı
n_ref = refpopCountryB$Population) # her tabaka için referans popülasyon
# Tabloyu yazdır
knitr::kable(mortality_is_rate_phe_A)
observed | expected | ref_rate | value | lowercl | uppercl | confidence | statistic | method |
---|---|---|---|---|---|---|---|---|
11344 | 15847.42 | 18.81914 | 13.47123 | 13.22446 | 13.72145 | 95% | indirectly standardised rate per 100000 | Byars |
21.5 Kaynaklar
dsr paketini kullanarak başka bir tekrarlanabilir örnek görmek isterseniz, lütfen bu skece bakın.
PHEindicatormethods paketini kullanan başka bir örnek için lütfen bu web sitesine gidin.
PHEindicatormethods referans pdf dosyasına bakın.