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https://publichealth.www.mybigtv.com上原始出版物的链接,以及版权和许可信息。
强有力和灵活的传染病监测对公共卫生至关重要。开发了基于事件的监测(EBS),以便通过主要使用基于网络的数据及时发现传染病暴发。尽管EBS被广泛使用,但在爆发检测性能方面,EBS尚未在全球范围内进行系统评估。
本研究的目的是评估EBS报告的时间和频率与真实疫情相比的变化,并以24个国家的季节性流感流行为例,确定变异性的决定因素。
我们从两个EBS系统(即HealthMap和World Health Organization Epidemic Intelligence from Open Sources (EIOS))获取了2013年1月至2019年12月之间的流感相关报告,并以fluet为黄金标准获取了同期的每周病毒学流感计数。采用贝叶斯变点分析法,根据报告频次检测流感流行期。计算及时敏感性,即在爆发前或爆发后的前2周内检测到爆发,同时计算灵敏度、特异性、阳性预测值和检测及时性。采用线性回归来评估国家特定因素对EBS性能的影响。
总体而言,在监测24个国家7年来EBS报告的频率时,我们发现238次暴发中有175次(73.5%),但238次暴发中只有22次(9.2%)是在暴发发生前后2周内发生的;在最好的情况下,在监测与健康相关报告的频率时,我们在发病后两周内确定了6次暴发中的2次(33%)。HealthMap的阳性预测值在9%到100%之间,EIOS的阳性预测值在0到100%之间,HealthMap的检测及时性在13%到94%之间,EIOS的检测及时性在0%到92%之间,而系统特异性通常很高(59%到100%)。一个国家内可用的EBS报告数量、人类发展指数和该国的地理位置部分解释了不同国家之间系统性能的高度可变性。
我们记录了EBS性能的全局变化,并证明仅在EBS中监视报告频率可能不足以及时发现爆发。特别是在低收入和中等收入国家,低数据质量和报告频率削弱了通过EBS进行疾病监测的敏感性和及时性。因此,需要在开发、评估和EBS方面取得进展,特别是在资源匮乏的环境中。
传染病继续威胁着全世界的人口,这在新型冠状病毒(SARS-CoV-2)大流行期间得到了清楚的证明。传染病监测为公共卫生专业人员提供重要信息,以作出良好的应急决定和实施有效的对策,以遏制疫情[
除了早期疾病活动检测外,对事件的监测有可能增加医疗中心较少或就医行为较低的地区IBS的敏感性[
因此,作为第一个目标,我们的目标是记录通过EBS获得的爆发检测信息的灵敏度和时间的全球变化。我们对来自代表性国家的2个EBS系统的数据采用了系统监测方法,并使用季节性流感爆发作为测试案例。作为我们的第二个目标,我们确定了导致各国检测差异的因素。确定影响性能的因素对于确定改进EBS的方法非常重要,特别是在资源贫乏的环境中。
在这项研究中,选择了来自15个流感传播区的24个国家,在全球范围内评估EBS的表现:阿根廷、澳大利亚、巴西、保加利亚、中国、哥斯达黎加、厄瓜多尔、埃及、法国、德国、希腊、印度、伊朗、墨西哥、尼日利亚、俄罗斯、沙特阿拉伯、南非、瑞典、泰国、乌拉圭、英国、美国和越南。选择这些国家是为了代表广泛的地理位置、语言和收入阶层,并从所有流感传播区随机抽样。
FluNet是世界卫生组织(WHO)为传播病毒学流感监测数据而创建的基于网络的工具,并作为评估EBS系统的参考。FluNet提供所有参与全球流感监测和反应系统(GISRS)的国家、与GISRS合作的其他国家流感参考实验室以及世卫组织区域数据库每周汇总的各国实验室确诊流感病例的公开数量[
由于FluNet是一个活跃的国际监测工具,其数据在开放领域以汇总方式发布,因此本研究不需要研究伦理委员会的批准。
HealthMap通过从基于网络的新闻聚合器(如谷歌news)、专家主持的系统(如监测新发疾病计划- mail)和来自官方来源的经过验证的警报收集数据,提供传染病的实时监测[
2017年,世卫组织在多个公共卫生组织的协作下,实施了开源流行病情报(EIOS)系统,在全球范围内提供及时的公共卫生监测[
我们的整体工作流程见
工作流程的说明。BCP:贝叶斯变点分析;EBS:基于事件的监视。
将使用HealthMap和EIOS报告检测到的疫情间隔与使用fluet检测到的间隔进行比较,以计算灵敏度(EBS系统检测到的所有疫情在金标准数据中所占的比例)、阳性预测值(PPV, EBS数据中检测到的所有疫情在金标准中所占的比例)、特异性(EBS数据中未发生疫情的所有周的比例)、在此期间,在金标准数据中未检测到爆发)、及时性和及时敏感性,每个EBS系统按国家分别进行。及时灵敏度的度量描述了系统在传统监测系统之前或前后同时检测爆发的能力,在黄金标准中定义为EBS在爆发开始前后两周的窗口内进行爆发检测。我们在黄金标准数据中选择疫情爆发前后这一时间间隔的理由是,流感的肠易激综合征数据报告滞后通常超过2周;因此,这是EBS可能获得的时效性优势。此外,我们假设在金标准数据中可以在爆发前2周检测到真正的爆发,但不能早于此,以避免检测到假阳性。及时性定义为在检测到未检测到的爆发时剩余的爆发持续时间的比例[
在上面的等式中,alert是指在EBS系统数据中检测到的爆发。n(周)是各个系统的研究总周数(HealthMap为341周,EIOS为109周)。准确性计算为正确分类的周数除以所有周数的总和。
我们进行了多变量回归,以确定特定国家因素(自变量)对绩效指标(因变量)的独立影响,同时控制模型中包含的所有其他因素。将高度相关的自变量从模型中剔除,直到方差膨胀因子低于保守阈值4 [
作为解释变量的特定国家变量是数据收集期间媒体报道的总数、每周媒体报道的最大数量、全球区域(温带北半球、温带南半球或热带)、语言(官方语言英语是/否)、纬度、经度、人类发展指数(HDI)、新闻自由指数(PFI)、互联网用户总数和HealthMap过滤语言(是/否)。纬度和经度被分配到每个国家的质心。由于层次稀疏,乡村语言只能作为英语是否为官方语言的二元指标进行探索。地理作为一个分类变量(温带vs热带)和一个连续变量(纬度/经度)被探索。2018年的人类发展指数排名和2017年每个国家的互联网用户总数来自联合国开发计划署[
将fluet实验室确认的7年流感阳性计数与HealthMap报告的6.5年和EIOS报告的2年进行比较。在大多数国家,fluet提供的流感阳性标本数量足够高,可以很好地区分流行期和非流行期。在尼日利亚、泰国和越南,由于检测人数和阳性结果较少,信噪比非常高。EBS信号的数量因国家而异,EIOS收集的年度报告比HealthMap更多,因为它汇集了来源(
2013年1月至2019年12月,来自开放资源流行病情报和HealthMap的流感周报时间序列,以及来自fluet的特定国家每周病毒学流感计数。通过贝叶斯变化点分析发现的每个系统的流行期以红色突出显示,非流行期以灰色显示。EIOS:来自开源的流行病情报。
总体而言,数据集中238例疫情中有22例(9.2%)是在金标准数据中疫情发生前后2周的时间间隔内检测到的。在24个国家中,HealthMap和EIOS分别在12个(50%)和19个(79%)未及时发现任何疫情(
为了更全面地了解系统性能,准确度作为结合敏感性和特异性的度量来计算(
作为一个说明性的例子,HealthMap在美国的评价指标一直很高,因为HealthMap报告与FluNet计数中反映的季节性流感流行很好地同步(
2013年1月至2019年7月(HealthMap)或2017年11月至2019年12月(开源流行病情报)流感疫情检测的性能指标。所有指标以FluNet数据为参考进行计算。EIOS:来自开源的流行病情报。
接下来,我们确定了与按系统分层的国家绩效指标变化相关的因素。由于不满足线性回归的假设,并且逻辑回归存在问题,因此不可能确定任何系统的及时敏感性预测因子,因为一些解释变量显示完全分离。指标中只有少量的变化可以由所检查的变量解释,如R2数值范围在0.144到0.587之间。在HealthMap (
2013年1月至2019年7月,特定国家协变量对HealthMap检测流感疫情绩效的影响
结果,协变量 | 类别/增量 | 系数(95% CI) |
|
调整R² | ||
|
0.456 | |||||
|
|
日志(总报告) | 1的日志 | 0.039 (-0.012 ~ 0.091) | 13。 |
|
|
|
人类发展指数 | 1分 | 0.017 (0.008 ~ 0.025) | <措施 |
|
|
|
新闻自由指数 | 1分 | 0.003 (-0.001 ~ 0.008) | .10 |
|
|
|
官方语言(参考:非英语) | 英语 | -0.128(-0.313至0.057) | 16 |
|
|
||||||
|
|
0.144 | ||||
|
|
人类发展指数 | 1分 | -0.004 (-0.009 ~ 0.001) | 厚 |
|
|
|
新闻自由指数 | 1分 | -0.003 (-0.005 ~ -0.0003) | 03 |
|
|
|
0.504 | ||||
|
|
日志(总报告) | 1的日志 | 0.047(0.013至0.082) | .009 |
|
|
|
人类发展指数 | 1分 | 0.007 (-0.001 ~ 0.015) | 。08 |
|
|
|
纬度 | 1° | 0.004 (-0.001 ~ 0.009) | 点 |
|
2017年11月至2019年12月,特定国家协变量对开源流行病情报检测流感疫情表现的影响
结果,协变量 | 类别/增量 | 系数(95% CI) |
|
调整R² | |
|
0.229 | ||||
纬度 | 1° | 0.008 (0.002 ~ 0.014) | 02 | ||
新闻自由指数 | 1分 | 0.005(-0.0003至0.010) | 06 | ||
|
0.587 | ||||
全球区域(参考:温带北部) | 南部温带地区 | -0.008 (-0.219 - 0.203) | 总收入 | ||
全球区域(参考:温带北部) | 热带 | 0.481 (0.271 ~ 0.692) | <措施 | ||
纬度 | 1° | 0.012 (0.006 ~ 0.018) | <措施 | ||
新闻自由指数 | 1分 | 0.003 (-0.001 ~ 0.007) | .10 | ||
|
0.284 | ||||
全球区域(参考:温带北部) | 南部温带地区 | -0.019 (-0.137 - 0.099) | .74点 | ||
全球区域(参考:温带北部) | 热带 | 0.143 (0.046 ~ 0.240) | .006 | ||
|
0.430 | ||||
日志(总报告) | 1的日志 | 0.074 (-0.015 - 0.164) | .09点 | ||
官方语言(参考:非英语) | 英语 | -0.212(-0.520至0.095) | 。 | ||
纬度 | 1° | 0.008 (0.003 ~ 0.014) | .006 |
据我们所知,这项研究是第一个在全球范围内严格评估两个EBS系统HealthMap和EIOS的黄金标准,允许量化EBS性能的全球变化,并确定决定这种变化的国家特定因素。由于全球15个流感传播区的24个国家被列入季节性流感的多重暴发模式,因此保证了高度的普遍性。
我们引入了及时敏感性指标,以评估每个系统在传统监测系统之前或前后同时发现传染病暴发的能力。灵敏度与及时灵敏度的对比突出了系统提供信息的爆发比例(175/238,73.5%)与EBS可能导致早期发现的爆发比例(22/238,9.2%)之间的差异。这些结果表明,在EBS中监测报告频率可能不足以进行爆发检测,并且它们建议需要重新考虑如何使用EBS系统来实现跨国家及时爆发检测的假设。
由于我们记录了各国在敏感性、PPV和疫情检测及时性方面的显著差异,我们分析了几个协变量作为这种差异的潜在驱动因素。我们发现,收集的报告数量解释了两个系统的性能差异,而较高的HDI提高了HealthMap的灵敏度和及时性,但降低了PPV。EIOS绩效最重要的预测指标是一个国家的地理位置,具有更高的灵敏度、及时性和PPV,但在远离赤道的国家特异性较低,这表明EIOS在明确发现季节性流行病模式方面更好。令人惊讶的是,EBS过滤语言并没有被发现是国家间差异的决定因素。总体而言,结果表明,这两个EBS系统在高收入国家的表现最好,尽管这些系统未能及时发现这些国家的大量疫情。这些结果并不一定与EBS在检测埃博拉或登革热方面确实比传统监测系统具有及时性优势的发现相冲突。
收集的报告数量对系统性能的重要影响可能是由于测量和未测量的因素。出乎意料的是,在我们的数据集中,报告总数与一个国家的HDI或PFI之间没有显著的相关性。可以解释这一发现的无法测量的因素可能是特定国家的新闻景观,新闻来源包括在由EBS系统过滤的新闻聚合器中,以及当地互联网的可用性和使用情况。随着低收入国家的联系日益紧密,使用社交媒体的机会出现了。例如,2014/2015年西非埃博拉疫情期间,回顾性研究表明,对Twitter活动的监测产生的警报比官方机构发出的警报更早[
社交媒体监控是一种有趣的方式来补充当前的EBS [
虽然有许多方法可以实现一般疾病的数字监测和流感的数字监测[
在为数不多的量化EBS系统性能的研究中,Barboza等人[
尽管在EBS系统的其他评估中使用了流感[
然而,fluet在此评估中存在一些局限性。最值得注意的是,这些数据中没有明确标注流行病间隔;因此,我们必须应用统计方法来检测流感爆发,允许在金标准数据中标记这些间隔。虽然这种方法似乎对大多数国家都很有效,但在尼日利亚、泰国和越南,由于报告的病例数量少,而且这些国家的流感活动本来就比较不规律,因此效果并不好。此外,由于流感统计只代表寻求医疗保健的人数,流感活动的总量被低估了,卫生保健资源和监测活动的差异可能会影响报告的标本数量。更复杂的是,一些国家在流行病期间修改了它们的检测和监测战略[
用于评估EBS的其他金标准数据的例子包括疾病控制和预防中心流感样疾病监测网络[
系统性能的变化可以探索,但是有限的。由于只有24个国家的数据,在进行回归时,在分类变量中每一类的自由度和国家数量都很少。因此,不可能在每一种情况下理清所有变量的影响。
最后,将每日EBS报告汇总为每周计数是影响我们确定及时敏感性的能力的一个重要限制,但有必要保证与金标准数据的可比性。同样,由于EBS数据是按国家汇总的,因此它们没有捕捉到国家内部的任何区域差异。这对于不连续的大陆和跨越不同气候区域的大国(如巴西和中国)来说尤其成问题,因为它们具有不同的流感流行特性[
正如SARS-CoV-2大流行所表明的那样,传染病将继续是全球卫生安全的主要风险。这项研究的结果可以帮助指导开发更好的EBS,以防止未来的大规模爆发。从本研究中较差的及时爆发检测表明,EBS的使用和评估需要进一步发展。
我们的分析记录了不同设置的性能差异。根据现有的常规公共卫生监测、相关基础设施和媒体情况,EBS目前在某些情况下是有用的,特别是在高收入国家,用于季节性流感流行监测。需要作出努力,更好地了解通过EBS检测疫情的决定因素,特别是在低收入和中等收入国家,因为发现目前的EBS系统在热带地区和人类发展指数较低的地区存在劣势。在未来的研究中,应探讨由EBS偏见造成的不平等,如媒体和互联网覆盖率低以及热带病的低新闻价值,并应通过EBS的进一步发展来满足资源贫乏地区的需求。
补充方法。
健康地图中与流感疫情有关的平均年度报告数字(2013年1月至2019年7月)和来自开源的流行病情报(2017年11月至2019年12月)。EIOS:来自开源的流行病情报。
HealthMap(2013年1月至2019年7月)和开源流行病情报(2017年11月至2019年12月)用于检测美国和印度流感疫情的评估指标。EIOS:来自开源的流行病情报。
贝叶斯变化点
基于事件的监测
来自开源的流行病情报
全球流感监测和应对系统
人类发展指数
的指标监测
新闻自由指数
阳性预测值
世界卫生组织
我们要感谢Clark Freifeld博士和整个HealthMap团队,以及Johannes Schnitzler和整个开源流行病情报团队分享他们各自系统的数据。IG得到了波尔多大学博士数字公共卫生研究生院项目在PIA3(未来投资,项目编号:17-EURE-0019)框架内的支持。
没有宣布。