我们描述了三种不同的参与式监测系统,WISDM(广泛互联网来源分布式监测),Influenzanet和Flu Near You (FNY),并展示了如何建模和模拟可以或已经与参与式疾病监测相结合:i)使用WISDM测量参与式监测样本中的无反应偏差;以及ii)世界不同地区流感活动的近期预报和预测(使用Influenzanet和Flu Near You)。
在本文中,我们将研究如何通过使用建模、模拟和预测来扩展对3个参与性疾病监测系统WISDM(广泛互联网分布式监测)、Influenzanet和Flu Near You (FNY)的结果的理解。
方法广泛来自互联网的分布式监测和综合信息使用模型测量参与性偏见
WISDM是弗吉尼亚理工大学开发的一种基于网络的工具,支持人群行为数据收集、检查和预测社会动态。当与亚马逊的Mechanical Turk (MTurk)等在线众包服务集成时,WISDM提供了一种具有成本效益的方法来实时监测潜在演变的疾病爆发[
26].迄今为止,WISDM主要用于为流行病学研究收集人口统计学和健康行为数据。在这里,我们描述了如何将建模与WISDM结合使用来测量参与性(非响应)偏差。
为了比较流行结果,我们使用易感、暴露、感染和恢复(SEIR)疾病模型模拟了一次流感爆发[
34,
35在合成德里人口中。网络中的每个节点代表一个人,每条边代表疾病可以传播的接触点。在任何给定时间,每个节点都处于四种状态中的一种:S、E、I或r。一个有传染性的人将疾病独立地传播给每个易感邻居,其概率称为传播概率,由p=λ(1 - (1 - τ)给出。Δt),其中λ是一个比例因子,以降低概率(例如,在接种疫苗的情况下),τ是传播率,Δt是以分钟为单位的相互作用持续时间。连接时间为网络边缘上的标签。易感者接受了来自其所有有传染性的邻居的独立试验。如果一个有传染性的人感染了一个易感的人,易感的人就会过渡到暴露(或潜伏)状态。受感染的人已感染流感,但尚未将其传播给他人。潜伏期按以下分布分配每人:1天(30%)、2天(50%)、3天(20%)。在暴露期或潜伏期结束时,人会切换到感染状态。每人感染时间按以下分布分配:3天(30%)、4天(40%)、5天(20%)、6天(10%)。在感染期之后,患者恢复并在模拟期保持健康。这种状态转变的顺序是不可逆的,是唯一可能的疾病进展。 We seed the epidemic in a susceptible population with 10 infections that are randomly chosen every day. A total of 25 replicates were run to account for the stochastic randomness arising from the selection of initial infectors.
模拟和预测组件是一个名为全球流行病和流动性模型(GLEAM)的计算建模和模拟引擎[
45,
46].GLEAM动态模型基于围绕交通枢纽定义的地理普查区域,并由远程和短程移动网络连接。由此得到的元种群网络模型可以用来模拟传染病以完全随机的方式传播。在给定适当的初始条件和疾病模型的情况下,这些模拟为流行参数(如新产生的病例)生成可能的流行演化集合。在应用于季节性流感时,GLEAM仅限于单个国家的水平,只考虑了相关国家的人口和流动性。从流感网平台提取的ILI病例数被映射到相应的GLEAM地理普查区域,并用作初始化模拟的种子。使用Influenzanet平台收集的数据作为初始条件的独特优势在于分辨率高,在时间(每日)和空间(邮政编码级)上可获得数据。这种初始条件的地理和时间分辨率无法通过任何其他信号实现。此外,这些不是人口中ILI活动的代理数据,但确实代表了无法通过任何其他信息来源获得的初始条件的高特异性基本事实。鉴于这些高质量和高度可靠的初始条件,GLEAM模拟对一个参数空间进行了拉丁超立方采样,该参数空间涵盖了传播性、感染期、免疫接种率的可能范围,以及调节产生的受感染个体数量的调整参数。 In the prediction component of the framework, the large-scale simulations generate a statistical ensemble of the epidemic profiles for each sampled point in the parameter space. From each statistical ensemble, the prediction component measures its likelihood function with respect to up-to-date ILI surveillance data and selects a set of models by considering a relative likelihood region [
47].
在
图6,我们展示了每个预测时间序列与哨兵医生监测时间序列之间的Pearson相关性的结果,以及平均绝对百分比误差(MAPE)的结果。正如预期的那样,集合预报的统计准确性随着季节的进展而增加。在1周领先预测的情况下,意大利和比利时的相关性接近于1。英国两周预测的相关性约为0.8,荷兰约为0.7,英国和意大利4周领先预测的相关性高于0.8。峰值大小是我们在模型中拟合的自由参数的1。随着季节的推移,相关性增加,MAPE(即模型估计的峰值幅度的百分比误差)在相关性一直很高的国家(如英国)下降或保持相当稳定。对于其他国家来说,表现不是很好,峰值大小也没有很好地估计。比利时和西班牙是表现最差的两个国家。这可能是由于西班牙流感网的ILI发病率曲线非常嘈杂,主要是由于低参与率,这影响了振幅和相关性方面的预测质量。在比利时,由于该国的流感季节异常温和,来自传统监测的ILI发病率数据非常嘈杂。 More information about the Influenzanet ILI incidence curves in the various countries can be found at the Influenzanet page (www.influenzanet.eu/ en/flu-activity/). The peak week accuracy also increases as the season progresses and, notably, accuracy is already above 60% with up to 4 weeks lead time in the case of Italy, the Netherlands, and Spain.
DP、DP和MT感谢H2020未来和新兴技术前瞻性:全球系统科学CIMPLEX资助号641191的支持。AV和QZ感谢传染病病原模型研究(MIDAS) -国家普通医学科学研究所U54GM111274的资助。DP要感谢所有Influenzanet志愿者和Influenzanet调查人员,特别是Yamir Moreno, John Edmunds, Charlotte kels ø和Carl Koppeschaar,他们的数据被用于这项研究。西班牙语流感网平台得到了欧盟委员会未来和新兴技术前瞻性项目的部分支持(资助317532)。
希望
K
Durrheim
DN
d 'Espaignet
等
道尔顿
C
症状监测:它是局部疫情检测的有用工具吗?
国家研究委员会
Keusch
GT
Pappaioanou
米
冈萨雷斯
MC
萨满
J
Karspeck
一个
预测流感的季节性爆发
Nsoesie
EO
布朗斯坦
JS
Ramakrishnan
N
Marathe
MV
流感爆发动态预测研究的系统综述
Polgreen
点
陈
Y
Pennock
DM
纳尔逊
FD
利用互联网搜索进行流感监测
金斯堡
J
Mohebbi
MH
帕特尔
RS
布拉姆
l
Smolinski
女士
才华横溢的
l
使用搜索引擎查询数据检测流感流行
Santillana
米
张
DW
Althouse
BM
艾尔斯
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?
杨
年代
Santillana
米
口
SC
通过ARGO使用谷歌搜索数据准确估计流感流行
元
问
Nsoesie
EO
Lv
B
彭
G
Chunara
R
布朗斯坦
JS
用百度搜索查询监测中国流感流行
搜索引擎优化
D
乔
米
孙
CH
胫骨
年代
李
J
余
米
金
王寅
Lim
KS
李
年代
利用搜索引擎数据进行流感监测的累积查询方法
Klembczyk
JJ
Jalalpour
米
莱文
年代
华盛顿
再保险
松树
JM
罗斯曼
再保险
Dugas
房颤
谷歌流感趋势空间变异性与急诊部门流感相关就诊进行验证
金
F
多尔蒂
E
Saraf
P
曹
Y
Ramakrishnan
N
Twitter上新闻和谣言的流行病学建模
2013
第七届社会网络挖掘与分析研讨会论文集
2013年8月11日
纽约
1
10.1145/2501025.2501027
陈
l
侯赛因
T
巴特勒
P
Ramakrishnan
N
Prakesh
一个
使用时间主题模型对Twitter上流感的综合征监测
纳加尔
R
元
问
Freifeld
CC
Santillana
米
Nojima
一个
Chunara
R
布朗斯坦
JS
纽约市2012-2013年流感季节的案例研究,从时间和时空角度使用每日地理编码的Twitter数据
保罗
乔丹
Dredze
米
Broniatowski
D
推特提高流感预测
Aslam
AA
祖文萃
米
Spitzberg
黑洞
一个
l
Gawron
JM
古普塔
DK
Peddecord
公里
内格尔
交流
艾伦
C
杨
J
林赛
年代
推特的可靠性作为季节性流感监测的补充方法
Santillana
米
Nsoesie
EO
Mekaru
老
尺度
D
布朗斯坦
JS
使用临床医生的搜索查询数据监测流感流行
Smolinski
女士
克劳利
亚历山大-伍尔兹
Baltrusaitis
K
Chunara
R
奥尔森
JM
Wojcik
O
Santillana
米
阮
一个
布朗斯坦
JS
你身边的流感:跨越两个流感季节的众包症状报告
夏普
JD
霍普金斯
RS
烹饪
RL
Striley
连续波
使用贝叶斯变化点分析评估谷歌、Twitter和维基百科作为流感监测工具:比较分析
Calba
C
Antoine-Moussiaux
N
炭的
F
Hendrikx
P
Saegerman
C
Peyre
米
Goutard
FL
在监测系统评估中应用参与式方法:科西嘉岛非洲猪瘟监测的试点研究
水手
JC
琼斯
英航
亨德里克斯
年代
El Masry
我
Jobre
Y
Jost
CC
H5N1高致病性禽流感参与性监测和社区报告系统的经验:案例研究方法
莱斯特
J
佩奇
年代
查普曼
CA
吉布森
米
荷兰
JJ
瑞士人
WM
停
N
戈德堡
TL
霜
SDW
评估乌干达西部农村地区基于短信的参与式监测的承诺和报告忠实度
Baltrusaitis
K
Santillana
米
克劳利
亚历山大-伍尔兹
Chunara
R
Smolinski
米
布朗斯坦
JS
在你身边的流感:参与性疾病监测系统中,参与者随访的决定因素和代表性的描述
布兰顿
l
布拉姆
l
Finelli
l
Grohskopf
l
Bresee
J
克里莫夫
一个
考克斯
N
Choudhury
一个
Downes-Le豹头王
T
贝克
R
Mechling
J
Ruyle
E
在线调查中受访者参与的神话和现实
温伯格
J
弗里兹
J
McElhattan
D
比较基于人群和众包招募样本之间的在线阶乘调查的数据特征和结果
贝克曼
RJ
巴格利
卡
麦凯
医学博士
创建合成基线种群
Fienberg
SE
列联表中估计的迭代过程
爱尔兰
CT
Kullback
年代
具有给定边缘的列联表
Bailey-Kellogg
C
Ramakrishnan
N
Marathe
MV
空间数据挖掘以支持大流行病防范
Bisset
K
Marathe
米
支持大流行病规划和应对的网络环境
夏
H
Nagaraj
K
陈
J
Marathe
MV
德里高分辨率社会联系网络的合成及其在流行病规划中的应用
陈
J
楚
年代
Chungbaek
Y
汗
米
Kuhlman
C
Marathe
一个
Mortveit
H
Vullikanti
一个
谢
D
模拟贫民窟人口对德里流感传播的影响
哈洛伦
我
弗格森
纳米
Eubank
年代
Longini
即时通讯
卡明斯
DAT
刘易斯
B
徐
年代
弗雷泽
C
Vullikanti
一个
Germann
TC
魏格纳
D
贝克曼
R
Kadau
K
巴雷特
C
Macken
CA
伯克
DS
地中海
P
美国流感大流行的目标分层遏制建模
Eubank
年代
Guclu
H
库马尔
问题
Marathe
MV
Srinivasan
一个
Toroczkai
Z
王
N
模拟现实城市社会网络中的疾病爆发
Marathe
一个
刘易斯
B
巴雷特
C
陈
J
Marathe
米
Eubank
年代
妈
Y
比较自上而下和自下而上防控流感策略的有效性
巴雷特
C
Bisset
K
Leidig
J
Marathe
一个
Marathe
米
按人口类别划分的流感缓解战略的经济和社会影响
Eubank
年代
巴雷特
C
贝克曼
R
Bisset
K
Durbeck
l
Kuhlman
C
刘易斯
B
Marathe
一个
Marathe
米
Stretz
P
流行病学网络模型的细节:我们到了吗?
易
米
Marathe
一个
疫苗分配策略的公平性与效率
Paolotti
D
卡纳汉
一个
Colizza
V
埃姆斯
K
埃德蒙兹
J
戈麦斯
G
Koppeschaar
C
雷恩
米
Smallenburg
R
Turbelin
C
范Noort
年代
Vespignani
一个
基于网络的传染病参与式监测:流感网参与式监测经验
张
问
Gioannini
C
Paolotti
D
Perra
N
佩罗塔
D
Quaggiotto
米
Tizzoni
米
Vespignani
一个
Bifet
一个
五月
米
FluOutlook平台
Cantarelli
P
Debin
米
Turbelin
C
Poletto
C
Blanchon
T
Falchi
一个
Hanslik
T
Bonmarin
我
Levy-Bruhl
D
米凯莱蒂
一个
Paolotti
D
Vespignani
一个
埃德蒙兹
J
埃姆斯
K
Smallenburg
R
Koppeschaar
C
弗朗哥
AO
Faustino
V
卡纳汉
一个
雷恩
米
Colizza
V
欧洲流感样疾病参与性监测多中心网络的代表性
Balcan
D
Colizza
V
Goncalves
B
胡
H
Ramasco
JJ
Vespignani
一个
传染病的多尺度流动网络与空间传播
Balcan
D
Goncalves
B
胡
H
Ramasco
JJ
Colizza
V
Vespignani
一个
传染病的空间传播建模:全球流行病和流动性计算模型
欧洲疾病预防控制中心
流行病预报台
Santillana
米
阮
在
Dredze
米
保罗
乔丹
Nsoesie
EO
布朗斯坦
JS
结合搜索、社交媒体和传统数据源,改善流感监测
Santillana
米
阮
在
路易
T
辛克
一个
灰色的
J
唱
我
布朗斯坦
JS
基于云的电子健康记录,用于实时、特定区域的流感监测
“健康地图”
佩罗塔
D
Tizzoni
米
Paolotti
D
利用参与性网络监测数据改进意大利的季节性流感预测
2017
第26届万维网国际会议论文集
2017
珀斯
带给
米
高山
D
Dredze
米
狐狸
年代
冯
集成电路
Hickmann
KS
刘易斯
B
罗森菲尔德
R
萨满
J
祖文萃
米
Velardi
P
Vespignani
一个
Finelli
l
疾病控制和预防中心预测2013-2014流感季节挑战的结果
杨
W
Karspeck
一个
萨满
J
流感流行建模和回顾性预测滤波方法的比较
布鲁克斯
信用证
法罗
直流
Hyun
年代
Tibshirani
RJ
罗森菲尔德
R
基于经验贝叶斯框架的流行病灵活建模
Hickmann
KS
飞兆
G
Priedhorsky
R
慷慨的
N
海曼
JM
Deshpande
一个
使用维基百科预测2013-2014年流感季节