美国监测系统中流感活动区域模式的差异:比较评价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[gydF4y2Ba1gydF4y2Ba]．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[gydF4y2Ba2gydF4y2Ba-gydF4y2Ba4gydF4y2Ba]．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[gydF4y2Ba3.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[gydF4y2Ba5gydF4y2Ba-gydF4y2Ba15gydF4y2Ba]．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[gydF4y2Ba15gydF4y2Ba，gydF4y2Ba16gydF4y2Ba]、参与式综合症监测系统[gydF4y2Ba17gydF4y2Ba，gydF4y2Ba18gydF4y2Ba]，推特[gydF4y2Ba19gydF4y2Ba]，以及电子健康档案[gydF4y2Ba14gydF4y2Ba，gydF4y2Ba20.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[gydF4y2Ba21gydF4y2Ba]．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。gydF4y2Ba

Athenahealth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[gydF4y2Ba19gydF4y2Ba]．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[gydF4y2Ba22gydF4y2Ba]．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[gydF4y2Ba23gydF4y2Ba]．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图1gydF4y2Ba。gydF4y2Ba

‎gydF4y2Ba 查看此图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[gydF4y2Ba24gydF4y2Ba]，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[gydF4y2Ba25gydF4y2Ba]．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。［gydF4y2Ba26gydF4y2Ba]．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

表1gydF4y2Ba和gydF4y2Ba图2gydF4y2Ba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图3gydF4y2Ba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图4gydF4y2Ba和gydF4y2Ba多媒体附录1gydF4y2Ba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

‎gydF4y2Ba 查看此图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图3gydF4y2Ba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图4gydF4y2Ba和gydF4y2Ba多媒体附录2gydF4y2Ba）.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图4gydF4y2Ba和gydF4y2Ba多媒体附录3gydF4y2Ba在整个季节，第2、6和9地区的流感访客比例一直较高。gydF4y2Ba

HealthTweets.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图3gydF4y2Ba）.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表2gydF4y2Ba）.如图所示gydF4y2Ba图4gydF4y2Ba和gydF4y2Ba多媒体附录4gydF4y2Ba在美国，这种模式在各个季节都是一致的。gydF4y2Ba

‎gydF4y2Ba 查看此图gydF4y2Ba

‎gydF4y2Ba 查看此图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表3gydF4y2Ba和gydF4y2Ba图5gydF4y2Ba。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图6gydF4y2Ba，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

‎gydF4y2Ba 查看此图gydF4y2Ba

‎gydF4y2Ba 查看此图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[gydF4y2Ba3.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多媒体附录5gydF4y2Ba)，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[gydF4y2Ba27gydF4y2Ba]．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[gydF4y2Ba28gydF4y2Ba]．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 [gydF4y2Ba29gydF4y2Ba]．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[gydF4y2Ba29gydF4y2Ba]．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 [gydF4y2Ba22gydF4y2Ba]．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)[gydF4y2Ba30.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[gydF4y2Ba24gydF4y2Ba，gydF4y2Ba31gydF4y2Ba]．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)[gydF4y2Ba9gydF4y2Ba，gydF4y2Ba11gydF4y2Ba]，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[gydF4y2Ba7gydF4y2Ba，gydF4y2Ba8gydF4y2Ba，gydF4y2Ba10gydF4y2Ba]．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多媒体附录5gydF4y2Ba)，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[gydF4y2Ba32gydF4y2Ba-gydF4y2Ba34gydF4y2Ba]，放弃所有用户的第一份报告，并应用尖峰检测器[gydF4y2Ba21gydF4y2Ba]，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[gydF4y2Ba27gydF4y2Ba]．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