传染病疫情的预警方法

传染病疫情的预警方法1概览•讨论为何需要探测流感爆发•描述和讨论生成警示的不同方法探测未来的流感爆发•公共卫生监测是持续而系统性地收集、分析和解释健康数据，这对公共卫生政策的计划、实施和评估非常重要，并且同时可以将这些数据及时地发布给有需要的人群（ThackerS.1994）。•尽早探测到爆发可以帮助疾病的预防和控制。3异常•假设我们知道在某个特定时间/地点的预期病例数目•异常被定义为实际病例数“显著”超出了预期标准•并非所有的异常都是由真正的爆发导致–（需要进一步的调查研究）•并非所有的爆发都会导致异常–受试者工作特征（ROC）曲线下的面积作为总评方式4敏感性和特异性爆发非爆发异常ab非异常cd5敏感性=a/(a+c)=真正类率特异性=d/(b+d)=真负类率敏感性和特异性•很明显，我们需要高敏感性和高特异性–但是其中一个增高会导致另一个减低•例如，我们可以通过降低异常的临界值来增加敏感性（这样可以探测到更小型的爆发），但这也会导致更多的误报•或者我们可以大幅提高临界值以致永远探测不到异常，那么特异性=1但是敏感性=06定义的局限性•前面我们将敏感性定义为在每个爆发周监测到异常的概率•但是对一次爆发只警示一次足够吗？或者我们需要每周都警示吗？•对于任何爆发，难道一个只在第一周就警示的系统不比一个只在最后一周才警示的系统更好？–我们应当包含对时间性的衡量（Kleinmanetal.,2006）7另一种定义(Hutwagneretal.,2005)•敏感性=所有爆发中至少发出一次警示的几率•特异性=所有非爆发中不发出任何警示的几率（定义不变）•时间性=从爆发开始到发出警示的平均时间（比如：周数）–只对探测到爆发有效？8第二部分探测异常的统计方法9•迂回法•控制图•CUSUM•移动基线法•时间序列法•参考文献10迂回法•在迂回法中，我们对历史数据拟合一条正玄曲线包括参考（比如95%）限值•通常拟合过程中会剔除过去的爆发（疫情）数据•如果当前值超过上限就产生异常•使用示例：警示进入流感高峰期11演示流感数据迂回法-112•使用历史数据来估计一年中不同时间的预期值以及参考限值（点线）演示流感数据迂回法-213•在高峰期前，监测数据应该在参考限值以内演示流感数据迂回法-314•但当（冬季）流感高峰期来临，监测数据会迅速超过参考限值迂回法例子–Hulthetal.,EID,201015控制图•在最基本的控制图中（休哈特图），我们将当前值和一些已知的基准线和参考限值比较–控制限值可以基于历史或近期数据•然后我们可以根据预先设定的异常定义，继续随着时间推移监测数据•异常的基本定义是一个超过上限的单一值•（一个异常之后我们重设控制图）16演示控制图-1•比较当前值（紫色）和参考限值17演示控制图-2•下个星期，比较新的值（蓝色）和参考限值18演示控制图-3•这次当前值（红色）产生了异常19控制图中的异常•通常来说，控制图中的异常发生于：–当前值超过上限的3σ–三个连续值中的两个超过上限2σ–五个连续值中的四个超过上限1σ–八个连续值超过均值•也有其它版本的规则•有时我们偏好只用第一个规则，同时设定一个不太严格的临界值20移动平均控制图•在基本控制图中，我们寻找一系列观测值中的异值或异常的形态•另一种方法是研究连续的近期观测值的形态•对于观测值y1,y2,…,移动平均控制图的统计量是在移动平均的计算中使用了n个观测值21101nttkkmyn指数加权移动平均控制图(EWMA)•EWMA给予早期数据更小的比重•对于观测值y1,y2,…,EWMA的统计量是•0λ1是比重参数，s0=0–λ增大，越早期数据的影响越小–通常λ设置为0.1-0.52211tttssy累积和控制图•此方法计算连续观测值的总和(CUSUM)并将CUSUM和一个固定的临界值比较•必须先标准化所有观测值（减去参考均值然后除以参考标准差）23累积和控制图•在时间t的上CUSUM公式是•yt是在时间t的观测值，μ和σ分别是过程均值和标准差•参数k用来忽略某些轻微偏差–最简化的情况下k设置为0–典型的选择是k=0.5，也就是忽略任何距离均值小于标准差一半的偏差241max0,tttyCCk演示上CUSUM-1•标准化观测值的累积和（但不小于0）25演示上CUSUM-2•收集下一个数值后（蓝色），将其加入CUSUM26移动基线•在基本控制图中，我们预先设定了过程均值和标准差（可能来自历史数据）•在一些监控设置中，每年的情况或会有所变化，因为我们更偏向于用近期数据来设定过程均值和标准差•随着预期监测的持续，过程均值和标准差可以持续地更新27移动基线控制图-128•比较当前值（紫色）和参考限值移动基线控制图-229•更新参考限值并和当前值（蓝色）比较移动基线控制图-330•这次当前值（红色）产生了异常比较CUSUM和基本控制图•基本控制图可以快速探测到大量超出基线的情况–有效探测大型的以及/或者密集的疾病爆发•CUSUMs可以更好地探测比较小型的疾病增长–有效探测小型的以及/或者缓慢长期的疾病爆发–…一系列的微小正增长可以迅速增加31控制图的更多延伸•在近期基准值和当前值之间预留缓冲区–否则正在进行的爆发可能会影响临界值•对于小的数值使用泊松分布代替正态分布•同时监控多方位的信息32时间序列法•前面描述的控制图法没有明确考虑到两个重要因素：–数据的序列相关性（假设随后的数据是独立的）–季节性影响（尽管使用历史数据可以帮助一些）•专门的时间序列模型可以考虑这些因素33时间序列法•专门的的时间序列法用来分析时间序列数据–Box-Jenkins的ARIMA模型–状态空间模型•这些先进的方法可以考虑历史季节性、过去的爆发、以及近期的水平波动•当超出参考限值时产生异常•或者在时间序列估值后使用控制图34动态线性模型•基于观测值y1,y2,…的模型中假设一系列的隐变量θ1,θ2,…•可以估算θ1,θ2,…•这种指定隐变量的方法可以假设观测值是独立的35时间序列法的缺陷•时间序列法是最复杂的途径，应当优于简单的方法•但是这种方法需要最多的资源，需要专家初期和持续的投入•对于很多症状的基本监测，控制图或者历史局限值已经足够36不同国家的方法描述国家方法参考文献美国控制图Xingetal.2011控制图Burkometal.2004CUSUMBellazzinietal.2011西班牙CUSUMSchrelletal.2013希腊CUSUM,（迂回法）Spanosetal.201237回顾第二部分•当季节性比较明了时，可以使用迂回法•在很多情况下，控制图可以提供满意的结果•在某些情况下，CUSUM和EWMA可以表现得更好•通常时间序列法可能表现得最好，–但是需要许多资源的投入和维护3839第三部分态势感知态势感知的目标•“在需要提示信息的情况下监测疾病的趋势或者其它社区卫生的标记”（Buehleretal.,2008）–不要停止产生疫情警报–在流感季节开始后的情形如何？–跟进当前和预测未来的趋势–进行干预措施的实时评估40态势感知的内容•传播性和严重性的评估–决定各种控制措施必要性和时间–开始计划疫苗推广•信息来源–例行监测系统（比如定点流感症状监测）–新的监测系统（比如在线查询、英国流感大流行热线、柜台药品销售、旷工/旷课情况）41监测数据的互动传播Chengetal.201142由多重渠道整合信息•使用多变量模型拟合多重流感监测数据，红色柱体表明高/增加活跃度•目前从62所参与学校收集学生缺课数据•指定流感诊所的就诊情况只在流感大流行期间发布数据(Lauetal.2012)43参考文献•BellazziniMA,MinorKD.EDsyndromicsurveillancefornovelH1N1spring2009.AmericanJournalofEmergencyMedicine,2011;29(1):70-4.•BuehlerJW,SonrickerA,PaladiniM,SoperP,MostashariF.SyndromicSurveillancePracticeintheUnitedStates:FindingsfromaSurveyofState,Territorial,andSelectedLocalHealthDepartmentsAdvancesinDiseaseSurveillance,2008;6(3).•BurkomHS,ElbertY,FeldmanA,LinJ.RoleofdataaggregationinbiosurveillancedetectionstrategieswithapplicationsfromESSENCE.MorbidityandMortalityWeeklyReport,2004;53:S67-71.•ChengCK,IpDK,CowlingBJ,HoLM,LeungGM,LauEH.Digitaldashboarddesignusingmultipledatastreamsfordiseasesurveillancewithinuenzasurveillanceasanexample.JournalofMedicalInternetResearch,2011;13(4):e85.•HulthA,AnderssonY,HedlundKO,AnderssonM.Eye-openingapproachtonorovirussurveillance.EmergingInfectiousDiseases,2010;16(8):1319-21.•HutwagnerL,BrowneT,SeemanGM,FleischauerAT.Comparingaberrationdetectionmethodswithsimulateddata.EmergingInfectiousDiseases,2005;11(2):314-6.44参考文献（2）•KleinmanKP,AbramsAM.Assessingsurveillanceusingsensitivity,specicityandtimeliness.StatisticalMethodsinMedicalResearch,2006;15(5):445-64.•LauEH,ChengCK,IpDK,CowlingBJ.Situationalawarenessofinuenzaactivitybasedonmultiplestreamsofsurveillancedatausingmultivariatedynamiclinearmodel.PLOSONE,2012;7(2):e38346.•SchrellS,ZiemannA,Garcia-CastrilloRiesgoL,RosenktterN,LlorcaJ,PopaD,KratT.LocalimplementationofasyndromicinuenzasurveillancesystemusingemergencydepartmentdatainSantander,Spain.JournalofPublicHealth,2013;35(3):397-403.•SpanosA,TheocharisG,KarageorgopoulosDE,PeppasG,FouskakisD,FalagasME.Surveillanceofcommunityoutbreaksofrespiratorytractinfectionsbasedonhouse-callvisitsinthemetropolitanareaofAthens,Greece.PLOSONE,2012;7(8):e40310.•ThackerS.Historicaldevelopment.InTeutschSandChurchillR(eds),PrinciplesandPracticeofPublicHealthSurveillanc