儿童流感流行与移动应用程序数据的关联:日本大阪基于人群的观察性研究

简介

近年来，流感仍可传播，并可导致死亡，尤其是老人和婴儿。此外，流感的传播不仅危害人们的健康，而且由于缺勤和不上班而产生重大的社会和经济影响。因此，早期监测以防止流感的传播是一个主要的公共卫生问题。然而，传统的传染病报告需要10天至2周。使用旷工记录的各种早期监测模型[1-3.]、药房及药物销售[4，5]，以及到急症室就诊[6，7已经被研究过了。近年来，也出现了利用互联网搜索引擎数据进行流感早期预测的模型[3.，8-12］．在日本，根据《传染病管理法》，流感患者由医疗机构向保健所报告，然后由各县保健厅公布结果。然而，这种传统的传染病监测成本高，从数据收集到发表需要相当长的时间。因此，我们之前已经揭示了日本大阪府电话分诊服务数据与传染病患者数量之间的关系[12，13］．

2015年，我们为大阪府居民开发了一款自我分诊移动应用程序，可以确定突发疾病或受伤儿童症状的紧急程度，并根据症状的紧急程度引导他们前往救护车和适当的医疗机构。这款自我分类应用的用户资料已被详细披露[14］．这款手机应用自2016年起在日本谷歌Play和app Store上免费下载，截至2019年底，下载量已达23732次，总使用次数达63230次。如果能够明确手机应用使用频率与流感患者数量之间的关系，并构建预测模型，就有可能更早、更容易地预测流感。虽然传统的传染病报告实际上需要10天至2周，但使用移动应用程序数据的症状监测可以通过编程方式进行汇总和预测，从而实现低成本的实时预测。这项研究的目的是评估日本大阪府儿童季节性流感与移动应用程序使用频率之间的关系。

方法

研究设计、人群和环境

这是一项回顾性观察性研究，为期三年，从2017年1月至2019年12月。大阪府是日本西部最大的市区，面积为1905.14公里²人口880万，≤14岁儿童109万[15］．在这项研究中，我们纳入了儿童父母或监护人在大阪府使用移动应用程序的案例。在移动应用程序使用时获得移动应用程序用户的知情同意。本研究由大阪大学医学大学院伦理委员会批准(批准号:no。20313)。本文基于STROBE声明(加强流行病学中观察性研究的报告)[16］．

日本流感样疾病的门诊监测

日本于1981年开始实施传染病监测计划，为门诊病人进行流感监测奠定了基础[17，18］．1999年《传染病控制法》修订后，对该方案进行了修订和更新，形成了目前的形式[17-20.］．该系统目前称为国家传染病流行病学监测系统，包括国家应呈报疾病的强制性报告系统和各类传染病的哨点监测系统[21］．

流感属于该计划的哨点监测部门。全国5000多家医疗机构每周都向地方卫生院报告流感患者。哨点是根据其地理分布、医疗机构类型(诊所或医院)和人口密度指定的。这些哨兵使用以下标准报告流感样疾病(ILI):(1)突然发病，(2)发烧>38°C，(3)上呼吸道炎症症状，以及(4)全身症状，如全身疲劳。如病人符合第(1)至第(4)项的所有病征，或至少其中一项病征，并结合快速诊断测试呈阳性，则个案可视为符合报告准则[19］．哨点每周报告患者的年龄和性别。该报告不包括个人信息(如姓名或地址)。这些信息从地方卫生中心转移到县政府，在那里汇总成县报告。该报告随后被转发到东京的国家传染病研究所，该研究所隶属于厚生劳动省。大阪府内的300家医疗机构将流感患者报告给10个当地保健中心[22］．在这项研究中，主要终点是大阪府每周流感患者的数量。这些数据来自大阪府传染病信息中心的网站[22］．

儿科急诊患者手机应用

本研究中使用的移动自我分诊应用程序的细节已在前面描述[14］．首先，在这个移动应用程序中选择儿童的年龄和性别。接下来，用户选择“疾病”或“受伤、中毒、异物和其他”。当选择其中任何一个时，手机客户端上会显示所显示的主诉列表，用户选择相应的主诉。例如，如果选择“发烧”，则在应用程序中显示紧急程度较高的相关体征和症状，如“发烧≥41℃”。如果都不选择，则在应用程序中显示紧急程度中等的相关体征和症状，如“尿量减少”。如果都不选择，则进一步显示“低紧急”对应的相关体征和症状，并根据所选择的体征和症状确定紧急程度。该应用程序提供紧急医疗服务，例如呼叫救护车或电话分诊中心的功能，以及可用医院和诊所的信息。基于对紧急情况的判断。如果有其他主诉，比如在选择“发烧”时选择“抽搐”，应用程序将转到其他主诉的紧急评估。只有大阪府的医院和诊所同意在应用程序中注册他们的信息，才能显示为可用的医院和诊所。此外，用户手机的GPS功能还提供了一个医院和诊所的列表，按使用应用程序的位置的远近排序。该应用程序的安卓版本于2016年1月发布，而iOS版本于2016年4月发布。 The mobile app can be downloaded free from Google Play and the App Store in Japan.

端点

本研究的终点是大阪府每周≤14岁的流感患者数量。每周流感患者人数来自大阪公共卫生研究所网站上公布的数据[22］．

统计分析

使用线性回归模型，我们计算了R²评估手机应用中选择的“发烧”事件数量与≤14岁流感患者数量之间关系的回归模型值。我们还计算了流感患者人数与计算出的≤14岁流感患者人数之间的Spearman相关系数，即调整后的R²值，以及P价值。年龄分组如下:婴幼儿(0-4岁)、儿童(5-9岁)和青少年(10-14岁)。季节分为冬季(1 - 3月)、春季(4 - 6月)、夏季(7 - 9月)和秋季(10 - 12月)。然后，我们评估了流感季节(12月至4月)与移动应用程序中选择的“发烧”事件数量之间的相互作用。此外，为了在更小的区域评估回归模型，我们将大阪府分为八个区域(丰野、三岛、北川内、中川内、南川内、堺、森树和大阪市)(多媒体附件1)．这八个地区是根据大阪府政府的医疗保健计划分类的[23］．最后，我们计算了使用回归模型估计的流感患者数量与流感患者数量之间的Spearman相关系数，限制在日本流感流行的12月至4月期间。P<。5个被认为具有统计学意义。所有统计分析均使用SPSS 23.0J (IBM Corp)进行。

结果

从2017年到2019年，该手机应用程序的使用次数共计59375次;其中29392件(49.5%)发生在大阪府。另一方面，同期≤14岁的流感患者人数为188,590人(多媒体附件2)．表1显示了本研究被试的特点。中位年龄为1岁(IQR 0-3岁)，最常见的年龄组是婴儿，使用次数为17401次(59.2%)，其次是幼儿，使用次数为8999次(30.6%)。共有15387名(52.4%)受试者为男性，13788名(46.9%)为女性，217名(0.7%)性别不明。2017年，该手机应用程序的使用次数为6453次(22.0%)，2018年为10724次(36.5%)，2019年为12215次(41.6%)。从季节来看，冬季使用次数为6142次(20.9%)，春季为7714次(26.2%)，夏季为7673次(26.1%)，秋季为7863次(26.8%)。应用程序使用频率最高的地区是大阪市(13570次，46.2%)，使用最少的地区是三岛地区(1156次，3.9%)。手机客户端上出现频率最高的主诉是“发烧”(14777次，占39.1%)，其次是“咳嗽”(2592次，占6.9%)和“头颈部损伤”(2523次，占6.7%)。

图1显示每周≤14岁的流感患者数量，以及移动应用中每周选择“发烧”的次数。图2显示每周≤14岁的流感患者人数和用线性回归模型估计的≤14岁的流感患者人数。红线表示每周流感患者人数;黄线为移动应用中每周选择“发烧”的次数，蓝线为线性回归模型估计的≤14岁流感患者的计算次数。手机app每周选择“发烧”次数的回归系数为2.977 (95% CI 0.680-5.314)。R²的线性回归模型为0.944，调整后的R²值为0.915。流感患者数与回归模型估计的流感患者数的Spearman相关系数为0.946。流感季节与移动应用程序中选择“发烧”的次数之间存在显著交互作用(回归系数5.873,95% CI 2.521至9.226)。

表2显示按年龄分组的亚组分析结果。在移动应用程序中选择“发烧”的周次数回归系数，婴幼儿为0.955 (95% CI -0.045至1.954)，儿童为12.684 (95% CI 6.880至18.487)，青少年为4.609 (95% CI -0.730至9.949)。

‎ 查看此图

‎ 查看此图

图3而且4显示各地区≤14岁流感患者数量和使用线性回归模型估计的计算患者数量。Toyono地区相关性最好(Spearman相关系数:0.918;P<.001)，森树地区相关性最差(Spearman相关系数:0.768;P<措施)。

图5为流感季节(12 - 4月)≤14岁流感患者人数与线性回归模型估计的计算人数之间的关系。12 - 4月流感患者数与线性回归模型估计的流感患者数的Spearman相关系数为0.946 (P<措施)。

‎ 查看此图

‎ 查看此图

‎ 查看此图

讨论

主要研究结果

这项研究显示，在手机应用程序中选择“发烧”的次数与日本大城市地区的儿科流感患者数量呈正相关。我们还发现，线性回归模型的有效性在不同地区之间没有差异。在按年龄组进行的分析中，手机应用中选择“发烧”的次数与流感病例数之间的关系也没有差异。在按年龄组进行的分析中，手机应用中选择“发烧”的次数与流感病例数之间的关系也没有差异。在日本流感流行期间(12 - 4月)，儿童流感患者人数与线性回归模型计算的人数高度相关。由此可见，小儿流感患者数量与手机app使用次数相关，线性回归模型的贡献较高。虽然传统传染病报告需要10天至2周，但在流感季节，手机app使用次数与流感患者数量之间存在一定的关系，利用这一参数比较各种模型，将有助于未来构建最优预测模型。

与之前工作的比较

首先，儿童流感患者数量与使用基于手机应用程序中选择“发烧”次数的线性回归模型估计的计算数量密切相关。已经有一些关于使用电话分诊数据进行流感综合征监测的研究[24-26]，而我们亦发现电话分诊的次数与日本流感病人的数目有关[13］．也有一些使用移动应用程序数据的流感综合征监测研究。危地马拉的一项研究报告称，ILI患者数量与公众用来记录症状的移动应用程序数据之间的Pearson相关系数为-0.412 [27］．另一方面，韩国的一项研究报告称，流感患者数量与一款在幼儿发烧时支持父母和护理人员的移动应用程序的数据之间的斯皮尔曼相关系数为0.878 [28］．本研究流感患者数与回归模型估计的计算数之间的Spearman相关系数为0.946。尽管在危地马拉的研究中，参与者人数为189人，流感患者的最高人数约为每周40人。这项研究的参与者人数约为1.5万人，而韩国的一项研究的参与者人数约为500万人。感染患者的数量和分析中使用的数据将影响结果的有效性。为了准确预测传染病流行，除了获得大量数据进行分析外，还需要疾病(如流感)大量感染人群。

接下来，我们将大阪府划分为八个地区，并对数据进行了分析，发现线性回归模型在各个地区的有效性没有差异。这些结果在按年龄分组的亚组分析中相似。Perry和同事比较了N4SID(一种用于子空间状态空间系统识别的数值算法)、指数加权移动平均、快速正交搜索(FOS)和回归模型在加拿大使用电话咨询数量预测急诊呼吸道疾病患者数量方面的预测性能[7］．他们发现，当人口较多时，FOS模型的预测精度优于回归模型，但在人口较少的地区，回归模型的预测性能最好。在本研究中，我们使用线性回归模型来评估手机应用程序的使用与流感患者数量之间的关系。线性回归模型适用的数据量尚不清楚;然而，在所有地区，流感患者数量与使用回归模型估计的流感患者计算数量之间发现了良好的相关性，这一事实可能表明，该模型适合于分析该数据集中的数据量。

第三，在12 - 4月流感流行季节分析中，流感患者数与回归模型估计的流感患者数具有较好的相关性。我们先前使用电话分诊数据的研究也得到了相同的结果[13］．在之前的研究中，回归模型中使用的数据集包括每年17,000人的数据，而本研究中的数据大约是每年5000人。非流感季节的相关性不如流感季节。此外，流感季节与手机应用中选择“发烧”的次数之间存在交互作用，在流感季节，这种关系可能更高。这是因为在本研究中使用了移动应用中选择“fever”的次数。在非流感季节，由于流感以外的其他传染性疾病选择了“发热”，因此儿童流感患者数量与回归模型计算值之间的关系可能较低。

限制

本研究存在一些局限性。第一，日本关于流感的报道是根据《传染病防治法》定点观察，流感调查不是对所有病例的调查。第二，关于日本流感患者的报告标准，包括根据临床症状诊断为流感的患者[29］．在日本，它包括仅根据临床症状而不使用流感诊断试剂盒报告的流感病例，因此其中一些患者可能并非真正患有流感。第三，由于2020年新型冠状病毒病在全球范围内的传播，人们对预防传染病的态度发生了变化。因此，它可能会影响手机应用的使用频率和流感患者的数量。第四，由于这项研究包括儿科患者，目前尚不清楚它是否适用于预测成人和老年人群的流行病。第五，由于本研究遵循了线性回归分析的假设，并且是在日本大都市地区进行的基于人群的研究，因此这些结果的泛化性可能较高。但是还没有在其他地区进行效度评估，因此需要评估外部效度，我们将在未来评估外部效度。

结论

在这项研究中，移动应用程序的使用次数与流感患者的数量呈正相关。特别是在流感流行季节，移动应用程序使用次数与流感患者数量之间的关系良好。