原始论文gydF4y2Ba
摘要gydF4y2Ba
背景:gydF4y2Ba疾病控制和预防中心(CDC)通过门诊流感样疾病监测网络(ILINet)利用患者到卫生保健提供者就诊的信息来跟踪流感样疾病(ILI)。由于这一系统的参与是自愿的,卫生保健报告的组成、覆盖范围和一致性因州而异,导致不同地区之间的流感感染活动测量方法不同。目前尚不清楚这些措施在多大程度上反映了流感活动性的实际差异,或在收集和汇总数据所用方法上的系统差异。gydF4y2Ba
摘要目的:gydF4y2Ba本研究的目的是通过4个监测数据源(CDC ILINet、Flu Near You (FNY)、athenahealth和healthtweets.org)对美国国家和地区特定的流感病毒活动进行定性和定量比较,以确定这些通常用作流感建模工作输入的数据源是否显示出与CDC ILINet数据中观察到的地理模式相似。我们还比较了不同地理区域因ILI症状寻求医疗保健的FNY参与者的年度百分比。gydF4y2Ba
方法:gydF4y2Ba我们比较了每个监测数据源的国家和地区2018-2019年ILI活动基线,该基线使用前几年的非流感周计算。我们还比较了2015-2016年、2016-2017年和2017-2018年三个流感季节不同地理区域的ILI活动测量值。还利用相对平均差异和时间序列热图评估了每个数据源内每周ILI活动的地理差异。通过将因流感症状就诊的FNY参与者人数除以流感季节内流感病例报告总数,计算出每个流感季节国家和地区年龄调整后的求医百分比。使用Pearson相关性来评估每个监测数据源的求医百分比与基线之间的关联。gydF4y2Ba
结果:gydF4y2Ba根据CDC ILINet和athenahealth数据,我们观察到不同地理区域的ILI活动存在一致的差异。FNY的ILI活动在地理区域间差异不大,而HealthTweets.org的ILI活动差异与地理区域内tweet的总数有关。因ILI症状寻求医疗保健的FNY参与者的百分比在地理区域之间略有不同,这些百分比与CDC ILINet和athenahealth基线呈正相关。gydF4y2Ba
结论:gydF4y2Ba我们的研究结果表明,特定监测系统报告的不同地理区域的ILI活动差异可能不能准确反映ILI患病率的真实差异。相反,这些差异可能反映了每个系统特有的系统性收集和汇总偏差,并在整个流感季节保持一致。这些发现对于流感季节的实时分析和无偏预报模型的定义具有潜在的相关性。gydF4y2Ba
doi: 10.2196/13403gydF4y2Ba
关键字gydF4y2Ba
介绍gydF4y2Ba
背景gydF4y2Ba
流感的流行造成了巨大的公共卫生负担,据估计,美国每年有1.2万至5.6万人死于流感[gydF4y2Ba
].因此,及时可靠地监测流感活动对于地方、州和国家公共卫生官员监测和应对疫情至关重要。在美国,疾病控制和预防中心(CDC)收集和分析全年流感活动的信息。作为这一国家监测系统的一部分,通过门诊流感样疾病监测网络(ILINet)对因流感样疾病求医的患者进行跟踪。该系统包含数千名志愿医疗保健专家,包括个人提供者、团体实践和医院诊所,分布在所有50个州、波多黎各、哥伦比亚特区和美属维尔京群岛。由于参与ILINet是自愿的,而且每个州负责自己招聘保健提供者,因此提供者类型的构成、地理区域的覆盖范围以及提供者报告的一致性因州而异。这种方便的样本驱动的监测模式导致在报告的流感活动中,某些部分人口的代表性过高或不足[gydF4y2Ba -gydF4y2Ba ].gydF4y2Ba在国家和卫生与人类服务部界定的区域层面(2-8个州的联合企业),疾病预防控制中心定期向卫生保健提供者报告每周出现ILI的患者百分比。此外,疾病预防控制中心计算并报告特定区域的基线gydF4y2Ba,gydF4y2Ba利用以往流感季节的流感活动数据,确定流感季节的开始和结束,并将特定区域疫情的严重程度作为背景。这些基线在不同地区差异很大,基线差异以及流感季节流感病例就诊百分比在多大程度上反映了流感活动的实际差异或收集数据方法的系统差异尚不清楚。最近的模型表明,美国ILI哨点监测的空间格局可能是社会环境因素、各州特定卫生政策和抽样的结果[gydF4y2Ba
].识别和描述ILINet中潜在的方法学测量偏差的存在是很重要的,因为它经常被用作决策目的的流感活动指标,并作为旨在了解疾病传播动力学和监测和预测流感活动的机制和统计预测建模工作的基本事实[gydF4y2Ba -gydF4y2Ba ].此外,由于这些模型通常利用来自公共卫生系统之外的数据,例如谷歌互联网搜索[gydF4y2Ba ,gydF4y2Ba ]、参与式综合症监测系统[gydF4y2Ba ,gydF4y2Ba ],推特[gydF4y2Ba ],以及电子健康档案[gydF4y2Ba ,gydF4y2Ba ],了解输入源是否显示类似的结构聚集模式是很重要的。gydF4y2Ba目标gydF4y2Ba
在这项研究中,我们定性和定量地比较了国家和地区特定基线以及4个监测数据源(cdc ILINet;“你身边的流感”(FNY),一个众包参与式综合征监测系统;基于云的电子病历服务提供商athenahealth;和HealthTweets.org(一个分享来自twitter的健康趋势数据的研究平台),以确定这些监测数据源(通常用作流感建模工作的输入)是否显示出与CDC ILINet数据中观察到的相似的区域结构模式。我们还比较了FNY参与者每年自我报告的求医率,以确定这一因素是否能更好地表征不同地理区域ILI活动的差异。gydF4y2Ba
方法gydF4y2Ba
数据gydF4y2Ba
疾病控制和预防中心门诊流感样疾病监测网络gydF4y2Ba
美国疾病控制与预防中心报告了国家和地区两级每周出现ILI症状的患者到卫生保健提供者就诊的加权百分比。这些数值是在各州人口的基础上加权的,代表了以ILI就诊的患者的百分比,定义为发烧(温度为100°F[37.8°C]或更高)加上咳嗽和/或喉咙痛,除流感以外没有已知原因。gydF4y2Ba
你身边的流感gydF4y2Ba
FNY是一个参与式综合症监测系统,允许美国的志愿者通过每周简短的调查报告用户及其家人的健康信息[gydF4y2Ba
].通过这些调查,FNY用户报告他们或任何注册家庭成员在前一周(周一至周日)经历的任何症状。对于所有报告的症状,FNY用户都被要求提供症状出现的日期,以及他们是否因这些症状接受过医疗护理。国家和地区报告的ILI症状百分比是通过将某一周报告ILI的参与者人数(定义为报告发烧加咳嗽和/或喉咙痛)除以同一周FNY参与者报告的总数来计算的。FNY参与者根据注册时提供的邮政编码被分配到一个地区。使用未加权的ILI症状的FNY百分比来保持先前研究和FNY网站之间的一致性。gydF4y2BaAthenahealth是一家为医疗集团和卫生系统提供云服务和移动应用程序的提供商。国家和区域的ILI就诊百分比是通过将未明确病毒或ILI就诊次数除以每周总就诊次数来计算的,该次数等于患者有未明确病毒诊断、流感诊断或发热诊断并伴有喉咙痛或咳嗽诊断的就诊次数。gydF4y2Ba
HealthTweets.orggydF4y2Ba
这个数据集是由一个基于网络的研究平台(HealthTweets.org)生成的,该平台与研究人员和政府官员共享Twitter数据挖掘算法的输出[gydF4y2Ba
].我们使用来自每个州的每周汇总趋势数据来计算每个地区的流感流行程度。每周国家和区域流感流行率措施的计算方法是将健康信息流中的流感感染推文数与同一周普通信息流中的推文总数进行标准化[gydF4y2Ba ].gydF4y2Ba数据集统计gydF4y2Ba
基线比较gydF4y2Ba
基线被用作单一的定量措施,用于比较每个监测数据源内各地理区域在非流感周期间的流感病例活动。疾病预防控制中心ILINet 2018-2019年流感季节的国家和地区基线可在疾病预防控制中心网站[gydF4y2Ba
].FNY、athenahealth和HealthTweets.org的国家和地区基线是根据CDC的基线定义估计的。基线的定义是:期间ILI活动的平均百分比gydF4y2Banoninfluenza周,gydF4y2Ba前三季,外加两个SDs。gydF4y2BaNoninfluenza周gydF4y2Ba在这三个季节中,所有三个系统都是相同的,并且由疾病预防控制中心界定为连续两周或更长时间,其中每周在公共卫生实验室中检测出流感阳性的标本总数少于该季节总数的2%。我们使用了特定区域的非流感周。基线的描述性统计以中位数表示(四分位间距,IQR)。gydF4y2Ba流感样疾病活动比较gydF4y2Ba
使用从2015-2016年流感季节开始(2015年10月5日那一周)到2017-2018年流感季节结束(2018年10月1日那一周)的数据,评估了每个监测数据源内各地理区域在非流感周和流感周期间ILI活动的差异。每个数据源内跨地理区域的每周ILI活动通过将两个区域之间的ILI活动差异除以每周内的最大值进行定量比较,定义为gydF4y2Ba
。gydF4y2Ba使用热图总结了每个监测数据源中的平均相对差异,其中沿行排列的地理区域由gydF4y2Ba我gydF4y2Ba在方程中,沿列的地理区域用gydF4y2BajgydF4y2Ba。与其他地理区域相比,每周ILI活动持续较高的地理区域具有正的平均相对差异,用热图中横行的红色阴影表示,而每周ILI活动持续较低的地理区域具有负的平均相对差异,用横行的蓝色阴影表示。还提供了时间序列热图,以便对每个监测数据源跨地理区域的每周ILI活动进行定性比较。gydF4y2Ba
求医行为gydF4y2Ba
每个流感季节的国家和区域求医百分比是通过将因上述定义的流感症状求医的FNY参与者人数除以流感季节内流感病例报告总数来计算的。由于寻求医疗保健的行为因年龄而异[gydF4y2Ba
],就医百分比按年龄组(<18岁、18-49岁、50-64岁和≥65岁)调整,使用2010年美国人口普查的人口数据[gydF4y2Ba ].我们使用Pearson相关性来评估每个监测数据源调整后的求医百分比与基线之间的关联。所有分析都使用R版本3.3.2进行。[gydF4y2Ba ].gydF4y2Ba结果gydF4y2Ba
疾病控制和预防中心门诊流感样疾病监测网络gydF4y2Ba
和gydF4y2Ba 为跨地理区域的每个监测数据源提供ILI活动基线。2018-2019年流感季节CDC ILINet的国家基线为2.2,CDC ILINet区域基线中位数为2.1 (IQR 1.8-2.3)。10区的基线最小,为1.1,而6区的基线最大,为4.0。如图所示gydF4y2Ba 与其他地区相比,区域2和6的每周ILI访问百分比始终较高,用横行的红色阴影表示,而区域1、8和10的每周ILI访问百分比始终较低,用横行的蓝色阴影表示。这一模式在两者中也有定性表现gydF4y2Ba 和gydF4y2Ba 如区域2、6和9所示,较深的红色阴影对应较高的ILI访问百分比。gydF4y2Ba
地理区域gydF4y2Ba | 疾病控制和预防中心门诊流感样疾病监测网络gydF4y2Ba | 你身边的流感gydF4y2Ba | 医疗服务公司)athenahealthgydF4y2Ba | HealthTweets.orggydF4y2Ba |
区域1gydF4y2Ba一个gydF4y2Ba | 1.8gydF4y2Ba | 2.1gydF4y2Ba | 1.3gydF4y2Ba | 0.8gydF4y2Ba |
区域2gydF4y2BabgydF4y2Ba | 3.1gydF4y2Ba | 2.4gydF4y2Ba | 1.7gydF4y2Ba | 0.4gydF4y2Ba |
区域3gydF4y2BacgydF4y2Ba | 2.0gydF4y2Ba | 2.4gydF4y2Ba | 1.5gydF4y2Ba | 0.5gydF4y2Ba |
区域4gydF4y2BadgydF4y2Ba | 2.2gydF4y2Ba | 2.7gydF4y2Ba | 1.4gydF4y2Ba | 0.6gydF4y2Ba |
区域5gydF4y2BaegydF4y2Ba | 1.8gydF4y2Ba | 2.6gydF4y2Ba | 1.1gydF4y2Ba | 0.5gydF4y2Ba |
地区6gydF4y2BafgydF4y2Ba | 4.0gydF4y2Ba | 2.6gydF4y2Ba | 1.9gydF4y2Ba | 0.7gydF4y2Ba |
地区7gydF4y2BaggydF4y2Ba | 1.6gydF4y2Ba | 2.5gydF4y2Ba | 1.0gydF4y2Ba | 0.7gydF4y2Ba |
地区8gydF4y2BahgydF4y2Ba | 2.2gydF4y2Ba | 2.9gydF4y2Ba | 1.0gydF4y2Ba | 0.8gydF4y2Ba |
地区9gydF4y2Ba我gydF4y2Ba | 2.3gydF4y2Ba | 2.5gydF4y2Ba | 1.7gydF4y2Ba | 0.6gydF4y2Ba |
地区10gydF4y2BajgydF4y2Ba | 1.1gydF4y2Ba | 2.5gydF4y2Ba | 0.6gydF4y2Ba | 0.7gydF4y2Ba |
国家gydF4y2Ba | 2.2gydF4y2Ba | 2.3gydF4y2Ba | 1.4gydF4y2Ba | 0.5gydF4y2Ba |
一个gydF4y2Ba1区包括康涅狄格州、缅因州、马萨诸塞州、新罕布什尔州、罗德岛州和佛蒙特州。gydF4y2Ba
bgydF4y2Ba第二区包括新泽西、纽约、波多黎各和美属维尔京群岛。gydF4y2Ba
cgydF4y2Ba第三区包括特拉华州、哥伦比亚特区、马里兰州、宾夕法尼亚州、弗吉尼亚州和西弗吉尼亚州。gydF4y2Ba
dgydF4y2Ba第四区包括阿拉巴马州、佛罗里达州、佐治亚州、肯塔基州、密西西比州、北卡罗来纳州、南卡罗来纳州和田纳西州。gydF4y2Ba
egydF4y2Ba第5区包括伊利诺斯州、印第安纳州、密歇根州、明尼苏达州、俄亥俄州和威斯康星州。gydF4y2Ba
fgydF4y2Ba第6区包括阿肯色州、路易斯安那州、新墨西哥州、俄克拉荷马州和德克萨斯州。gydF4y2Ba
ggydF4y2Ba第七区包括爱荷华州、堪萨斯州、密苏里州和内布拉斯加州。gydF4y2Ba
hgydF4y2Ba第8区包括科罗拉多州、蒙大拿州、北达科他州、南达科他州、犹他州和怀俄明州。gydF4y2Ba
我gydF4y2Ba第九区包括亚利桑那州、加利福尼亚州、关岛、夏威夷和内华达州。gydF4y2Ba
jgydF4y2Ba第10区包括阿拉斯加、爱达荷州、俄勒冈州和华盛顿州。gydF4y2Ba
你身边的流感gydF4y2Ba
FNY的全国基线为2.3,区域基线中位数为2.5 (IQR为2.4-2.6)。最小基线为2.1,区域1,最大基线为2.9,区域8。与其他数据源相比,FNY的平均相对差异在gydF4y2Ba
在不同地理区域的ILI百分比中,异质性较小,没有一致的模式。虽然不同地区的ILI百分比高峰出现的时间不同,但ILI的相对百分比在不同地理区域和季节是一致的(gydF4y2Ba 和gydF4y2Ba ).gydF4y2Ba雅典娜健康的国家基线为1.4,区域基线中位数为1.3 (IQR 1.0-1.6)。10区基线值最小为0.6,6区基线值最大为1.9。与CDC ILINet类似,区域2、6和9与其他区域相比,每周ILI访问百分比始终较高,而区域7、8和10的每周ILI访问百分比始终较低。这种模式反映在gydF4y2Ba
和gydF4y2Ba 在整个季节,第2、6和9地区的流感访客比例一直较高。gydF4y2BaHealthTweets.orggydF4y2Ba
国家基线为0.5,中位基线为0.6 (IQR为0.5-0.7),最小基线为0.4(2区),最大基线为0.8(8区)。与CDC ILINet和athenahealth不同,HealthTweets.org显示,1、7、8和10区ILI活动较高(gydF4y2Ba
).这些区域的平均规范化常数小于其他区域平均规范化常数的一半(gydF4y2Ba ).如图所示gydF4y2Ba 和gydF4y2Ba 在美国,这种模式在各个季节都是一致的。gydF4y2Ba地理区域gydF4y2Ba | 归一化常数,平均值(SD)gydF4y2Ba |
区域1gydF4y2Ba一个gydF4y2Ba | 210.82 (114.917)gydF4y2Ba |
区域2gydF4y2BabgydF4y2Ba | 627.69 (330.270)gydF4y2Ba |
区域3gydF4y2BacgydF4y2Ba | 599.53 (293.320)gydF4y2Ba |
区域4gydF4y2BadgydF4y2Ba | 1103.78 (553.374)gydF4y2Ba |
区域5gydF4y2BaegydF4y2Ba | 798.25 (387.266)gydF4y2Ba |
地区6gydF4y2BafgydF4y2Ba | 845.30 (414.785)gydF4y2Ba |
地区7gydF4y2BaggydF4y2Ba | 171.05 (82.077)gydF4y2Ba |
地区8gydF4y2BahgydF4y2Ba | 121.96 (63.936)gydF4y2Ba |
地区9gydF4y2Ba我gydF4y2Ba | 5848.54 (3775.923)gydF4y2Ba |
地区10gydF4y2BajgydF4y2Ba | 181.33 (97.756)gydF4y2Ba |
国家gydF4y2Ba | 6352.25 (3351.390)gydF4y2Ba |
一个gydF4y2Ba1区包括康涅狄格州、缅因州、马萨诸塞州、新罕布什尔州、罗德岛州和佛蒙特州。gydF4y2Ba
bgydF4y2Ba第二区包括新泽西、纽约、波多黎各和美属维尔京群岛。gydF4y2Ba
cgydF4y2Ba第三区包括特拉华州、哥伦比亚特区、马里兰州、宾夕法尼亚州、弗吉尼亚州和西弗吉尼亚州。gydF4y2Ba
dgydF4y2Ba第四区包括阿拉巴马州、佛罗里达州、佐治亚州、肯塔基州、密西西比州、北卡罗来纳州、南卡罗来纳州和田纳西州。gydF4y2Ba
egydF4y2Ba第5区包括伊利诺斯州、印第安纳州、密歇根州、明尼苏达州、俄亥俄州和威斯康星州。gydF4y2Ba
fgydF4y2Ba第6区包括阿肯色州、路易斯安那州、新墨西哥州、俄克拉荷马州和德克萨斯州。gydF4y2Ba
ggydF4y2Ba第七区包括爱荷华州、堪萨斯州、密苏里州和内布拉斯加州。gydF4y2Ba
hgydF4y2Ba第8区包括科罗拉多州、蒙大拿州、北达科他州、南达科他州、犹他州和怀俄明州。gydF4y2Ba
我gydF4y2Ba第九区包括亚利桑那州、加利福尼亚州、关岛、夏威夷和内华达州。gydF4y2Ba
jgydF4y2Ba第10区包括阿拉斯加、爱达荷州、俄勒冈州和华盛顿州。gydF4y2Ba
求医行为gydF4y2Ba
对因ILI症状寻求医疗保健的FNY参与者的年龄调整百分比估计按季节和在所有季节显示gydF4y2Ba
和gydF4y2Ba 。在全国范围内,在2016-2017年流感季节,因流感症状就诊的年龄调整后的参与者比例较高,为35.1%,而2015-2016年和2017-2018年流感季节分别为21.7%和29.2%。在每个季节,第2、4和6区寻求医疗保健的参与者的年龄调整百分比最高,而第1、5、9和10区寻求医疗保健的参与者的年龄调整百分比最小。gydF4y2Ba如图所示gydF4y2Ba
,年龄调整后的因ILI症状就诊的个人百分比估计值与CDC ILINet (gydF4y2BaPgydF4y2Ba=.03),雅典娜健康(gydF4y2BaPgydF4y2Ba=。08)。没有证据表明寻求医疗保健的个人百分比的年龄调整估计值与FNY基线(gydF4y2BaPgydF4y2Ba= 0.68)和HealthTweets.org (gydF4y2BaPgydF4y2Ba= .76)。gydF4y2Ba地理区域gydF4y2Ba | 所有的季节gydF4y2Ba | 2015 - 2016gydF4y2Ba | 2016 - 2017gydF4y2Ba | 2017 - 2018gydF4y2Ba |
区域1gydF4y2Ba一个gydF4y2Ba | 25.98gydF4y2Ba | 20.82gydF4y2Ba | 33.29gydF4y2Ba | 27.77gydF4y2Ba |
区域2gydF4y2BabgydF4y2Ba | 29.97gydF4y2Ba | 26.05gydF4y2Ba | 36.03gydF4y2Ba | 31.79gydF4y2Ba |
区域3gydF4y2BacgydF4y2Ba | 28.66gydF4y2Ba | 22.07gydF4y2Ba | 37.03gydF4y2Ba | 31.73gydF4y2Ba |
区域4gydF4y2BadgydF4y2Ba | 32.61gydF4y2Ba | 25.47gydF4y2Ba | 43.23gydF4y2Ba | 34.77gydF4y2Ba |
区域5gydF4y2BaegydF4y2Ba | 26.43gydF4y2Ba | 21.53gydF4y2Ba | 34.59gydF4y2Ba | 26.73gydF4y2Ba |
地区6gydF4y2BafgydF4y2Ba | 35.17gydF4y2Ba | 28.58gydF4y2Ba | 44.83gydF4y2Ba | 37.47gydF4y2Ba |
地区7gydF4y2BaggydF4y2Ba | 30.93gydF4y2Ba | 23.79gydF4y2Ba | 41.95gydF4y2Ba | 32.09gydF4y2Ba |
地区8gydF4y2BahgydF4y2Ba | 25.50gydF4y2Ba | 22.74gydF4y2Ba | 30.86gydF4y2Ba | 26.16gydF4y2Ba |
地区9gydF4y2Ba我gydF4y2Ba | 22.49gydF4y2Ba | 19.06gydF4y2Ba | 27.77gydF4y2Ba | 24.69gydF4y2Ba |
地区10gydF4y2BajgydF4y2Ba | 20.03gydF4y2Ba | 17.03gydF4y2Ba | 23.39gydF4y2Ba | 22.33gydF4y2Ba |
国家gydF4y2Ba | 27.12gydF4y2Ba | 21.73gydF4y2Ba | 35.06gydF4y2Ba | 29.23gydF4y2Ba |
一个gydF4y2Ba1区包括康涅狄格州、缅因州、马萨诸塞州、新罕布什尔州、罗德岛州和佛蒙特州。gydF4y2Ba
bgydF4y2Ba第二区包括新泽西、纽约、波多黎各和美属维尔京群岛。gydF4y2Ba
cgydF4y2Ba第三区包括特拉华州、哥伦比亚特区、马里兰州、宾夕法尼亚州、弗吉尼亚州和西弗吉尼亚州。gydF4y2Ba
dgydF4y2Ba第四区包括阿拉巴马州、佛罗里达州、佐治亚州、肯塔基州、密西西比州、北卡罗来纳州、南卡罗来纳州和田纳西州。gydF4y2Ba
egydF4y2Ba第5区包括伊利诺斯州、印第安纳州、密歇根州、明尼苏达州、俄亥俄州和威斯康星州。gydF4y2Ba
fgydF4y2Ba第6区包括阿肯色州、路易斯安那州、新墨西哥州、俄克拉荷马州和德克萨斯州。gydF4y2Ba
ggydF4y2Ba第七区包括爱荷华州、堪萨斯州、密苏里州和内布拉斯加州。gydF4y2Ba
hgydF4y2Ba第8区包括科罗拉多州、蒙大拿州、北达科他州、南达科他州、犹他州和怀俄明州。gydF4y2Ba
我gydF4y2Ba第九区包括亚利桑那州、加利福尼亚州、关岛、夏威夷和内华达州。gydF4y2Ba
jgydF4y2Ba第10区包括阿拉斯加、爱达荷州、俄勒冈州和华盛顿州。gydF4y2Ba
讨论gydF4y2Ba
主要研究结果gydF4y2Ba
我们的研究结果表明,某一监测系统所报告的不同地区的流行性感冒感染活动差异在各监测平台之间并不一致。换句话说,在一个监测系统中显示出较大基线(从而显示出较高的总体历史ILI活动)的区域似乎与其他监测系统中的对应区域不同。每个系统中卫生保健提供者的招聘实践的异质性、提供者类型的构成以及地理区域覆盖范围的可变性和一致性,都有可能在很大程度上导致这些基线的系统性差异[gydF4y2Ba
].因此,我们的研究结果表明,这些结构差异反映了方法收集实践,而不是不同地区流感活动的实际差异。每个监测系统内观察到的结构模式在个别流感季节是一致的(gydF4y2Ba ),这意味着这些差异并不反映特定时期的异质性。gydF4y2Ba具体而言,疾病预防控制中心ILINet的基线在不同地理区域有所不同,基线最大的地理区域在流感季节也始终具有较大的流感病例就诊百分比。相反,FNY的基线和ILI百分比在不同地理区域是相似的。这种相似性体现在平均相对差的同质性上。造成这些监测系统之间所观察到的模式差异的一个潜在因素是所测量的活动。疾病预防控制中心ILINet衡量的是患者就诊总数中患有ILI的就诊人数,而FNY衡量的是提交报告的登记人员中出现ILI报告的人数。此外,受监测的人口也有所不同,因为FNY包括可能不寻求医疗照顾的个人,而且FNY与CDC ILINet相比具有不同的人口结构。例如,女性和中年参与者在FNY中的比例过高[gydF4y2Ba
].gydF4y2Ba虽然不完全相同,但athenahealth在基线测量和不同地理区域CDC ILINet的ILI访问百分比方面显示出相似的模式。CDC ILINet和athenahealth都使用寻求医疗护理的个人数据。然而,athenahealth的医疗服务提供者覆盖范围只有部分重叠,两个系统之间的访问设置比例略有不同。雅典娜健康中心的大多数医疗服务提供者都是在办公室为病人看病。其他环境,如急诊室和护理设施,与CDC ILINet相比代表性不足[gydF4y2Ba
].gydF4y2Ba与FNY不同的是,HealthTweets.org中不同地理区域的ILI活动模式似乎与CDC ILINet和athenahealth显示的模式相反,因为HealthTweets.org ILI活动持续较低的地区,CDC ILINet和athenahealth的ILI访问比例始终较高,反之亦然。跨数据源的ILI活动模式存在差异的一个潜在原因是所测量活动的差异。如上所述,CDC ILINet和athenahealth都测量了总访问量中流感感染的访问量,而HealthTweets.org则通过一般信息流中的推文总数来规范流感感染推文的数量。此外,最容易感染流感疾病的群体,即幼儿和老年人,在Twitter上的代表性可能不足。此外,我们发现较小的正规化常数对应较高的ILI活度值。gydF4y2Ba
与以往工作的比较gydF4y2Ba
尽管系统内流行性感冒和流行性感冒活动模式存在差异,但目前的研究表明,这些替代性数据来源在国家和区域两级跟踪疾病预防控制中心的流行性感冒和流行性感冒。在国家层面上,CDC ILINet与athenahealth的相关系数为0.97,区域相关系数为0.90 ~ 0.97 [gydF4y2Ba
].CDC ILINet与FNY在全国的相关系数为0.81,区域相关系数在0.64 ~ 0.81之间[gydF4y2Ba ].基于twitter的流感流行率测量显示,在全国范围内,与疾病预防控制中心ILINet的相关性为0.93,与纽约市每周因ILI就诊的急诊次数的相关性为0.88 [gydF4y2Ba ].gydF4y2Ba与其他近期出版物相比,因ILI寻求医疗护理的FNY参与者的百分比低于报道的估计。最近的一项荟萃分析使用了多个国家在不同流感季节的估计值,估计总体汇总求医率为0.52(95%可信区间为0.46-0.59)[gydF4y2Ba
].在美国,2009-2010年和2010-2011年流感季节,全国报告的儿童求医比例分别为56%和57%。在成年人中,40%报告说他们在2009-2010年流感季节期间寻求医疗保健,45%报告说他们在2009-2010年流感季节期间寻求医疗保健[gydF4y2Ba ,gydF4y2Ba ].有趣的是,因ILI症状寻求医疗保健的FNY参与者的百分比在不同地理区域略有不同。这些差异可能导致CDC ILINet和athenahealth基线活动的差异,因为寻求医疗保健的百分比与CDC ILINet和athenahealth基线均呈正相关。gydF4y2Ba从预测建模的角度来看,我们的发现可以解释为什么某些方法被设计用于预测CDC ILINet值gydF4y2Ba预测流感季节的挑战gydF4y2Ba在疾病控制与预防中心官方报告发布前几周,这种方法可能比其他方法效果更好。正如现有的两份报告所讨论的那样,这些报告记录了预测流感活动的不同方法的表现,依赖于利用区域特定自回归信息的当地统计方法的模型和以往季节观察到的流感活动的历史数据,以及外部预测因素(如湿度数据、谷歌搜索和维基百科)[gydF4y2Ba
,gydF4y2Ba ],优于基于机械代理的随机易感感染恢复(SIR)模型,SIR模型旨在对个体人类行为建模,以推断跨空间分辨率的流行病活动[gydF4y2Ba ,gydF4y2Ba ,gydF4y2Ba ].以前的建模方法是gydF4y2Ba训练有素的gydF4y2Ba以特定区域的方式跟踪ILI水平(经常忽略不同空间分辨率的不一致性),而后者基于主体的随机SIR模型旨在预测跨地理区域的整个国家流行病暴发。换句话说,如果流感病例活动报告因汇总数据的方式而异,那么即使是非常准确的基于主体的模型也可能无法正确地捕捉每个地理区域的流感活动。gydF4y2Ba限制gydF4y2Ba
我们的研究有一些局限性。在2015-2016年季节开始期间,FNY数据收集存在错误,导致每周ILI报告的百分比被低估。我们没有调整这几周的估计。2017年8月28日这一周的数据收集也存在问题。我们通过取前几周和后几周ILI报告的平均百分比来调整本周的估计。此外,在2017年夏季的几周内,HealthTweets.org没有报告ILI活动。我们没有输入或估计这几周的损失。由于不同季节流感活动的整体模式相似(gydF4y2Ba
),我们不怀疑这些数据问题影响了我们的总体结论。gydF4y2Ba此外,FNY依赖于受回忆和社会期望偏差影响的自我报告数据。FNY参与者的报告在整个流感季节也不一致。虽然以前的学生使用了各种方法,包括将分析限制在定期报告的用户群体中[gydF4y2Ba
-gydF4y2Ba ],放弃所有用户的第一份报告,并应用尖峰检测器[gydF4y2Ba ],我们没有对这些潜在的报告偏差进行调整,因为报告习惯在不同地区是一致的[gydF4y2Ba ].最后,由于每个系统都有不同的ILI活动测量方法,我们不能直接比较系统间的测量方法。gydF4y2Ba结论gydF4y2Ba
虽然流感的活动因地理区域和数据来源而异,但区域特有的一般季节性趋势是相似的,并提供了有关流感活动变化的宝贵信息。这些平台共同提供了一个更全面的流感监测视图,帮助公共卫生办公室监测和应对季节性流感流行。gydF4y2Ba
致谢gydF4y2Ba
这项工作得到了国家卫生研究所、国家普通医学科学研究所的支持(批准号T32GM074905 to KB)。AV部分由国家普通医学科学研究所传染病病原模型研究资助(批准号U54GM111274)。MS和AV由美国国立卫生研究院普通医学科学研究所部分资助,资助号为R01GM130668。内容完全是作者的责任,并不一定代表美国国立卫生研究院的官方观点。作者感谢所有为FNY系统贡献时间和信息的参与者。gydF4y2Ba
作者的贡献gydF4y2Ba
KB, MS, AV和RR构思了研究。KB进行了统计分析。KB, MS, AV, RR和JG起草了手稿。JG和DR对数据的获取和收集作出了重大贡献。所有作者都严格修改了手稿的知识内容,并批准了最终版本。gydF4y2Ba
利益冲突gydF4y2Ba
没有宣布。gydF4y2Ba
gydF4y2Ba美国疾病控制与预防中心流感样疾病监测网络在3个流感季节(2015-2016年、2016-2017年和2017-2018年)每周流感样疾病就诊百分比的时间序列图。列上的地理区域以黑色表示,行上的地理区域以蓝色表示。gydF4y2Ba
PNG文件426 KBgydF4y2BagydF4y2Ba
三个流感季节(2015-2016年、2016-2017年和2017-2018年)每周流感样疾病百分比的时间序列图。列上的地理区域用黑色表示,行上的地理区域用红色表示。gydF4y2Ba
PNG文件462 KBgydF4y2BagydF4y2Ba
雅典娜健康中心3个流感季节(2015-2016年、2016-2017年和2017-2018年)每周流感样疾病就诊百分比的时间序列图。列上的地理区域以黑色表示,行上的地理区域以蓝色表示。gydF4y2Ba
PNG文件396 KBgydF4y2BagydF4y2Ba
来自HealthTweets.org的三个流感季节(2015-2016年、2016-2017年和2017-2018年)每周流感样疾病活动的时间序列图。列上的地理区域用黑色表示,行上的地理区域用绿色表示。gydF4y2Ba
PNG文件386kbgydF4y2BagydF4y2Ba
(A)疾病控制和预防中心流感样疾病监测网络,(B)你附近的流感,(C) athenahealth和(D) HealthTweets.org在每个流感季节的地理区域流感病毒活动的平均相对差异热图。gydF4y2Ba
PNG文件113kbgydF4y2Ba参考文献gydF4y2Ba
- Molinari NM, Ortega-Sanchez IR, Messonnier ML, Thompson WW, Wortley PM, Weintraub E,等。美国季节性流感的年度影响:衡量疾病负担和成本。疫苗2007 Jun 28;25(27):5086-5096。[gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
- Polgreen PM, Chen Z, Segre AM, Harris ML, Pentella MA, Rushton G.优化州一级流感哨点监测。中华流行病学杂志,2009;17 (3):391 - 391 [J]gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
- Lee EC, Arab A, Goldlust SM, Viboud C, Grenfell BT, Bansal S.利用数字健康数据优化国家和地方层面的流感监测。科学通报,2018;14(3):e1006020 [j]gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
- 斯卡皮诺SV,迪米特洛夫NB,迈耶斯LA。优化流感监测网络的提供者招聘。计算机工程学报,2012;8(4):1049 - 1049 [j]gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
- 张强,Gioannini C, Paolotti D, Perra N, Perrotta D, Quaggiotto M,等。社交数据挖掘和季节性流感预测:FluOutlook平台。2015欧洲数据库机器学习与知识发现联合会议论文集,发表于:ECML PKDD’15;2015年9月7-11日;波尔图,葡萄牙,第237-240页gydF4y2Bahttps://doi.org/10.1007/978-3-319-23461-8_21gydF4y2Ba[gydF4y2BaCrossRefgydF4y2Ba]gydF4y2Ba
- 张强,张春华,张春华,张春华。基于数字指标的季节性流感预测模型研究。第26届国际互联网会议论文集。2017提交于:WWW'17;2017年4月3日至7日;珀斯,澳大利亚,第311-319页gydF4y2Bahttps://doi.org/10.1145/3038912.3052678gydF4y2Ba[gydF4y2BaCrossRefgydF4y2Ba]gydF4y2Ba
- Biggerstaff M, Alper D, Dredze M, Fox S, Fung IC, Hickmann KS,流感预测竞赛工作小组。疾病控制和预防中心的结果预测了2013-2014年流感季节的挑战。中华医学会传染病杂志2016年7月22日;16:357 [gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
- Biggerstaff M, Johansson M, Alper D, Brooks LC, Chakraborty P, Farrow DC,等。预测美国流感季节的第二年合作成果。传染病2018年9月24日24:26-33 [gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
- 刘建军,刘建军,刘建军,等。基于Bayes模型的传染病模型研究。科学通报,2015;11(8):e1004382 [j]gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
- tizoni M, Bajardi P, Poletto C, Ramasco JJ, Balcan D, gonalalves B,等。全球流行病传播的实时数值预测:以2009年甲型h1n1流感为例。中国医学杂志2012年12月13日;10:165 [gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
- Shaman J, Pitzer VE, Viboud C, Grenfell BT, Lipsitch M.绝对湿度与美国大陆流感的季节性发病。PLoS biology 2010; 02;8(2):e1000316 [j]gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
- 杨绍平,刘建军,刘建军,刘建军,等。基于电子病历和互联网搜索信息的流感预测。中华医学会传染病杂志2017年5月8日;17(1):332 [j]gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
- 杨绍平,刘建军,刘建军,等。基于ARGO的谷歌搜索数据对流感流行的准确估计。中国科学d辑,2015,11月24日;112(47):14473-14478 [j]gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
- Santillana M, Nguyen AT, Dredze M, Paul MJ, Nsoesie EO, Brownstein JS。结合搜索、社交媒体和传统数据源,改进流感监测。科学通报,2015;11(10):e1004513 [j]gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
- Santillana M,张大伟,Althouse BM, Ayers JW。数字疾病检测可以从谷歌流感趋势(外部修订)中学到什么?中华预防医学杂志,2014;47(3):341-347。[gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
- Ginsberg J, Mohebbi MH, Patel RS, Brammer L, Smolinski MS, Brilliant L.基于搜索引擎查询数据的流感流行检测。Nature 2009年2月19日;457(7232):1012-1014。[gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
- Wójcik OP, Brownstein JS, Chunara R, Johansson MA。为人民服务的公共卫生:数字时代的参与式传染病监测。流行病学杂志2014;11:7 [gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
- Leal-Neto OB, Dimech GS, Libel M, Oliveira W, Ferreira JP。数字疾病检测和参与性监测:巴西的概况和前景。中国医学杂志2016;50:17 [gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
- Paul MJ, Dredze M, Broniatowski D. Twitter改进了流感预测。PLoS Curr 2014年10月28日;6:当前爆发。90 b9ed0f59bae4ccaa683a39865d9117 [gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
- 卢福生,侯森,Baltrusaitis K, Shah M, Leskovec J, Sosic R,等。使用新型互联网数据流的准确流感监测和预测:波士顿大都市的案例研究。JMIR公共卫生监测2018年1月9日;4(1):e4 [j]gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
- Smolinski MS, Crawley AW, Baltrusaitis K, Chunara R, Olsen JM, Wójcik O,等。你身边的流感:跨越两个流感季节的众包症状报告。中华卫生杂志;2015;35(10):2124-2130。[gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
- Broniatowski DA, Paul MJ, Dredze M.通过Twitter进行国家和地方流感监测:2012-2013年流感流行分析。科学通报,2013;8(12):863 - 867 [j]gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
- 疾病控制和预防中心。美国流感监测概述网址:gydF4y2Bahttps://www.cdc.gov/flu/weekly/overview.htmgydF4y2Ba[访问日期:2018-11-01][gydF4y2BaWebCite缓存gydF4y2Ba]gydF4y2Ba
- Biggerstaff M, Jhung MA, Reed C, Fry AM, Balluz L, Finelli L. 2010-2011年美国流感季节流感样疾病、就医时间和流感抗病毒药物的使用情况。中华传染病杂志,2014;21 (4):535-544 [J]gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
- 美国FactFinder -人口普查局。2010年4月1日至2018年7月1日,美国、州、县、波多黎各联邦和市按性别划分的选定年龄组常住人口年度估计gydF4y2Bahttp://factfinder.census.gov/gydF4y2Ba[访问日期:2018-11-01][gydF4y2BaWebCite缓存gydF4y2Ba]gydF4y2Ba
- R:统计计算R项目。2019。URL:gydF4y2Bahttps://www.R-project.org/gydF4y2Ba[访问日期:2018-11-01][gydF4y2BaWebCite缓存gydF4y2Ba]gydF4y2Ba
- Baltrusaitis K, Santillana M, Crawley AW, Chunara R, Smolinski M, Brownstein JS。参与性疾病监测系统中流感患者随访的决定因素及代表性特征。公共卫生监测2017年4月7日;3(2):e18 [j]gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
- 刘建军,刘建军,刘建军,等。基于云的电子健康记录,用于实时、特定区域的流感监测。科学通报2016年5月11日;6:25732 [j]gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
- Baltrusaitis K, Brownstein JS, Scarpino SV, Bakota E, Crawley AW, Conidi G,等。美利坚合众国多空间分辨率众包、基于电子健康记录和基于传统卫生保健的流感跟踪系统的比较中华传染病杂志,2018,18(1):491。[gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
- 马伟,霍晓,周敏。流感样疾病患者求医率的meta分析。中华传染病杂志,2018;50(10):728-735。[gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
- 李建军,李建军,李建军,等。2009年流感大流行期间流感样疾病的自我报告和抗病毒药物的使用情况。中国医学杂志,2009-2010。[J] .中华卫生杂志;2012;32(10):921 - 926。[gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
- Chunara R, Goldstein E, Patterson-Lomba O, Brownstein JS。使用参与性队列估计美国流感发作率。科学通报2015年4月2日;5:9540 [gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
- Cantarelli P, Debin M, Turbelin C, Poletto C, Blanchon T, Falchi A,等。欧洲流感样疾病参与性监测多中心网络的代表性。中华医学杂志2014年9月20日;14:984 [j]gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
- 张建军,张建军,李建军,等。利用综合征监测数据估计流感传播水平。中华流行病学杂志[J]; 2014; 31 (11):1394-1401 [J]gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
gydF4y2Ba
缩写gydF4y2Ba
疾病预防控制中心:gydF4y2Ba疾病控制和预防中心gydF4y2Ba |
电子健康档案:gydF4y2Ba电子健康记录gydF4y2Ba |
FNY:gydF4y2Ba你身边的流感gydF4y2Ba |
伊犁:gydF4y2Ba流感样疾病gydF4y2Ba |
ILINet:gydF4y2Ba流感样疾病监测网络gydF4y2Ba |
差:gydF4y2Ba四分位范围gydF4y2Ba |
先生:gydF4y2Basusceptible-infected-recoveredgydF4y2Ba |
G·艾森巴赫编辑;提交16.01.19;由Biggerstaff、Leal Neto等同行评审;对作者的评论28.04.19;收到修订版本02.07.19;接受19.07.19;发表14.09.19gydF4y2Ba
版权gydF4y2Ba©Kristin Baltrusaitis, Alessandro Vespignani, Roni Rosenfeld, Josh Gray, Dorrie Raymond, Mauricio Santillana。原发表于JMIR公共卫生与监测(http://publichealth.www.mybigtv.com), 2019年9月14日。gydF4y2Ba
这是一篇根据知识共享署名许可(https://creativecommons.org/licenses/by/4.0/)的条款发布的开放获取文章,该许可允许在任何媒介上不受限制地使用、分发和复制,前提是原始作品首次发表在JMIR公共卫生与监测上,并适当引用。必须包括完整的书目信息,到http://publichealth.www.mybigtv.com上原始出版物的链接,以及版权和许可信息。gydF4y2Ba