这是一篇根据创作共用署名许可协议(https://creativecommons.org/licenses/by/4.0/)发布的开放获取文章,允许在任何媒介上不受限制地使用、分发和复制,前提是正确引用了首次发表在JMIR公共卫生和监测上的原创作品。必须包括完整的书目信息,https://publichealth.www.mybigtv.com上的原始出版物的链接,以及此版权和许可信息。
疫情监测应对管理和分析系统(SORMAS)包含一个管理模块,用于支持各国应对疫情。它包括病例、联系人和事件的记录、联系和跟踪。为了使SORMAS用户能够可视化数据,计算基本监测指标,并从此类网络数据实时估计流行病学参数,我们开发了SORMAS Statistics (SORMAS- stats)应用程序。
本研究旨在描述SORMAS-Stats应用程序中实现的基本可视化、监测指标和流行病学参数,并举例说明SORMAS-Stats在应对COVID-19疫情中的应用。
基于快速回顾和SORMAS用户请求的结果,我们在SORMAS- stats中包含了以下参数的可视化和估计:传输网络图,串行间隔(SI),时变复制数R(t),分散参数k,以及以图表和表格形式显示的其他监视指标。我们通过将对数正态分布、伽玛分布和威布尔分布拟合到观察到的感染者-感染者对症状发作日期之间的天数分布来估计SI。我们通过拟合一个负二项分布到每个感染者的观察数量来估计k。此外,我们应用马尔可夫链蒙特卡罗方法,利用入射数据和从输电网络数据中计算的观测SI估计R(t)。
利用法国Bourgogne-Franche-Comté地区2021年7月31日至10月29日报告的COVID-19确诊病例的接触追踪数据,我们构建了一个包含63570个节点的网络图。该网络由1.75%(1115/ 63570)事件、19.59%(12452 / 63570)病例、78.66%(50003 / 63570)暴露人群组成,包括1238对感染者和3860条传播链,其中24.69%(953/3860)事件为指标感染者。与观测到的SI数据最拟合的分布为对数正态分布,平均为4.30天(95% CI 4.09-4.51)。我们估计离散度参数k为21.11 (95% CI 7.57-34.66),有效复制数R为0.9 (95% CI 0.58-0.60)。每周R(t)估计值范围为0.80 ~ 1.61。
我们提供了一个实时估计流行病学参数的应用程序,这对于通知疫情应对策略至关重要。这些估计与以前的研究结果相符。SORMAS- stats应用程序可以通过提供监测指标的广泛可视化和计算,极大地帮助使用SORMAS或类似工具的地区的公共卫生当局。
在2020年期间,电子卫生应用程序的数量和使用大幅增加,主要是为了应对COVID-19疫情[
监测疫情响应管理和分析系统(SORMAS)是一个支持疾病控制和疫情管理程序的开源数字工具[
控制COVID-19传播的基本流行病学参数,如序列间隔(SI)、瞬时复制数R(t)、有效复制数R以及传播的个体水平变异,都与具体环境有关,因此通常难以用公开数据准确估计。在暴发的早期阶段进行了评估这些流行病学参数的研究,但大多数研究集中在粗略、汇总和公开报告的数据源上,这些数据源可能掩盖了当地的特殊性或偏向于更严重的病例[
为了应对这些挑战,我们设想了一种方法,将标准化的统计分析方法引入丰富而详细的监测数据托管处。为了帮助利益相关者(SORMAS用户)使用响应式分析平台,利用SORMAS中记录的丰富而详细的数据,我们开发了SORMAS Statistics (SORMAS- stats)应用程序。SORMAS-Stats是一个用户友好的R Shiny web应用程序,用于估计流行病学参数,计算国家或地区特定指标,并实时提供可视化。
本研究旨在描述在SORMAS-Stats应用程序中实现的基本可视化、流行病学参数和监测指标。我们使用SORMAS在法国Bourgogne-Franche-Comté地区捕获的监测数据,说明了它在应对COVID-19疫情中的应用。
我们通过SORMAS用户请求(来自尼日利亚、加纳、法国和德国)收集了支持爆发响应所必需的需求,从而指导了SORMAS- stats的设计。SORMAS用户是一个国家的公共卫生人员,如实地调查人员和流行病学家。我们通过SORMAS用户创建的GitHub问题、SORMAS用户支持平台以及sprint计划会议的记录来识别用户请求。sprint计划会议每3周召开一次,与SORMAS的软件发布周期相匹配。同时,我们对流行病学出版物和情况报告进行了快速审查。随后,我们结合了从评审中获得的基本需求和用户的请求,实现了它们,并发布了SORMAS-Stats应用程序的beta版本。此外,我们对beta版本进行了现场测试,获得了用户的反馈,实现了它们,并部署了稳定的版本。从需求收集到部署的时间为12个月(2020年7月至2021年6月)。
SORMAS-Stats是一个web应用程序,可以在本地安装,并使用高级可视化和统计分析方法实时分析监控数据。SORMAS-Stats协助公共卫生官员管理疫情,并允许执行可重复的常规流行病学分析。SORMAS-Stats的工作流程包括预处理阶段和分析阶段。
在预处理阶段,SORMAS-Stats从外部数据库导入假名数据。SORMAS- stats的默认集成是与SORMAS PostgreSQL数据库集成。只有在SORMAS-Stats配置文件中指定的时间间隔内报告的记录和相关属性才从外部数据库中提取。进一步的数据处理步骤是删除错误记录、重复数据删除、分类和导出变量的计算。在分析阶段,SORMAS-Stats分析预处理数据。我们将分析阶段分为两类:(1)数据可视化和汇总统计数据的计算;(2)通过统计建模估计基本特定疾病的流行病学参数。
SORMAS-Stats应用程序分析公共卫生工作者定期收集的基于实体的监测数据。通常,监测数据包括以下实体:病例人(感染某种疾病的人)、接触者(与病例人接触的非感染者)和事件(对人类健康构成威胁或可能导致疾病传播的任何接触或聚集)。所有可能导致疾病传播的传播链(实体对:病例人-接触者或暴露于事件的事件人[事件参与者])的收集形成了疾病的网络数据。在接触者随访期间,接触者或活动参与者可能出现症状并符合有关疾病的病例定义,从而被转换或重新归类为病例。在这种情况下,会形成两种类型的感染者(即首发病例)和被感染者(即继发病例)对(感染者-被感染者对):第一种是在病例和接触者之间,第二种是在事件和事件参与者之间。
用于说明SORMAS- stats应用的数据包括2021年7月31日至10月29日在法国Bourgogne-Franche-Comté地区使用SORMAS记录的COVID-19确诊病例及其接触者。
我们将观察到的SI计算为感染者-被感染者对症状发作天数的差异。我们排除了感染者-被感染者对,其中的感染者是一个事件,或者如果其中一人缺少症状发作日期的数据。然而,由于传播数据通常是在有症状设置下的接触追踪过程中产生的,因此我们只纳入了一对感染者和被感染者出现症状日期的有症状传播数据[
我们使用Cori等人提出的方法,以每周为基础估算R(t) [
利用感染者-被感染者对病例的数据,我们计算了观察到的后代分布,即每个感染者的被感染者数量。我们应用了Lloyd-Smith等人所描述的方法[
我们计算了6个监测指标,这些指标可能在利用传播网络数据管理疾病暴发方面提供信息。
在SORMAS-Stats应用程序中描述和应用流行病学参数、监测指标和可视化。
输出或指示器名称 | 描述 | 在疾病监测中的应用 | |
|
|||
|
串行间隔(SI) | 感染者-被感染者对的症状发作天数的差异(见方法)。 | 区分疾病变异,设计随访和隔离时间,确定有效干预策略的时间窗口。 |
|
瞬时复制数R(t) | 在特定时间t每个感染者的平均人数(见方法)。 | 评估干预措施的效果。 |
|
有效繁殖数(R) | 每个感染者的平均人数(见方法)。 | 类似于R(t) |
|
色散参数(k) | 衡量每个感染者的数量(后代分布)如何分布在平均值(见方法)。 | 评估超级传播事件或形成群集的证据。这有助于制定相关的控制措施。k值越小,表示扩散程度越高,因此暗示了超扩散的证据。 |
|
|||
|
暴露者成为病例的比例 | 按暴露类型换算成病例的暴露者在所有暴露者中所占的比例。 | 设计类似于分散参数k的相关控制措施。评估接触者追踪的质量,更好地分配资源。 |
|
指数感染者比例 | 索引感染者在所有感染者节点(感染者、感染者或事件)中的比例。 | 确定接触者追踪的质量。比例越小,表明已查明的感染者和被感染者之间的联系覆盖范围越大。 |
|
方差均值比(VMR) | 方差除以观察到的后代分布的均值[ |
VMR>1表示较高的分散水平,因此是超扩散的信号证据。 |
|
边缘密度 | 边数(2个节点之间的链接)与可能的最大边数之比[ |
评估控制措施对整体社会行为的影响。更高的价值观可能意味着更高的社会互动。 |
|
单个传输链的数量 | 网络图中传输链或索引感染节点的总数。 | 与指数感染者的比例相似。 |
|
|||
|
网络图 | 所有疾病传播链的有向图,由以下类型的节点组成:病例人、接触者、事件和事件参与者。 | 优先调查和跟踪已知确诊病例的事件。 |
|
时间序列图 | 实体计数随时间(天、周或月)变化的条形图或线形图。 | 评估现有管制措施的成效及是否需要推行新措施。 |
|
表 | 按行政区域(地区、地区、社区)划分的实体数量、比例或发病率比例表。 | 针对国家热点等特定地区采取针对性干预措施。 |
|
图表 | 按实体属性(如年龄和性别)显示实体数量或比例的饼状图和条形图。 | 保护弱势群体。 |
|
地图 | 按行政区域(地区、地区、社区)在地图上显示实体数量、比例和发生率。 | 类似于表格。 |
SORMAS应用程序是在VAADIN框架、JAVA EE、Payara服务器和PostgreSQL数据库上开发的。SORMAS由两个部分组成:移动应用程序和web应用程序。移动应用程序通过REST-API和VAADIN web客户端应用程序与服务器通信。SORMAS- stats应用程序分析SORMAS PostgreSQL数据库中记录的监视数据。我们基于R Shiny框架开发了SORMAS-Stats [
SORMAS-Stats应用程序的服务器设置。监视爆发响应管理和分析系统。
法国勃艮第Régionale de Santé de Bourgogne Franche-Comté作为行政公共卫生机构,根据2020年5月11日第2020-546号法律第11条,批准在本研究中使用匿名的COVID-19疫情数据。根据这项法律,本研究中使用的二手数据不需要个人知情同意。
SORMAS-Stats应用程序有多个带有过滤器的仪表板,允许用户执行分析并下载输出。
我们使用SORMAS- stats,通过分析2021年7月31日至10月29日在法国Bourgogne-Franche-Comté地区SORMAS记录的接触者追踪数据,来估计流行病学参数和监测指标。
SORMAS-Stats的截图,显示了法国Bourgogne-Franche-Comté地区在2021年7月31日至10月29日期间报告的63570个实体的COVID-19传播网络图和监测指标。该图包括1115个事件(蓝色齿轮节点)、12,452个病例(非绿色人节点)、50,003个暴露者(绿色人节点)和54,929个暴露者(来自感染节点的定向箭头)。SORMAS-Stats:监视爆发响应管理和分析系统统计应用程序。
通过只考虑产生案例的链来划分网络图后,剩下10,250个唯一节点,包括9.30% (n=953)的事件和90.70% (n=9297)的案例人。在9297例病例中,68.73% (n=6390)为感染者。共有3860条传播链,其中24.69% (n=953)有事件作为指标感染者。平均节点度为1.36 (IQR 1-36),方差均值比为1.05。考虑只有结果情况的链的完整或简化网络图的边缘密度<0.01。
考虑到仅由人实体组成的感染者-感染者对(不包括事件节点),导致1238对感染者-感染者对,其中31.26% (n=387)具有症状发作日期的可用数据。在387对有发病日期数据的无症状传播对中,20.41% (n=79)为感染者发病日期先于或与感染者发病日期相同的无症状传播对。剔除阴性SI后,观测SI的平均值为3.96 (IQR 0-27
SORMAS-Stats的截图,显示了法国Bourgogne-Franche-Comté地区在2021年7月31日至10月29日期间报告的1238对感染者-感染者的COVID-19序列间隔分布。AIC:赤池信息准则;BIC:贝叶斯信息准则;SORMAS-Stats:监视爆发响应管理和分析系统统计应用程序。
SORMAS-Stats的截图,显示了法国Bourgogne-Franche-Comté地区2021年7月31日至10月29日期间报告的12,452例病例的COVID-19时间依赖性复制数(线)的估计值,95%可信区间(灰色带)。SORMAS-Stats:监视爆发响应管理和分析系统统计应用程序。
我们开发并部署了SORMAS- stats,这是一个开源web应用程序,用于使用SORMAS eHealth应用程序捕获的接触者追踪数据进行实时可视化和流行病学参数估计。SORMAS-Stats易于部署,不需要任何编程技能即可执行分析。SORMAS-Stats中包含的一些流行病学参数包括SI、时变繁殖数R(t)、有效繁殖数R和散布参数k。我们通过分析2021年7月31日至10月29日在法国Bourgogne-Franche-Comté地区捕获的COVID-19接触者追踪数据来说明SORMAS-Stats的使用。估计的平均SI为4.30天;这与之前的研究结果一致[
SORMAS-Stats中的可视化包括地图、图表、表格、时间序列图和网络图。此外,SORMAS-Stats包含几个过滤器,可以通过集群、传输链和超传播事件来探索网络图。过滤网络图的可能性对利益相关者是有帮助的,不仅有助于探索传输链,而且还可以检测和纠正在数据收集阶段产生的错误。SORMAS-Stats是一个独立的应用程序,由于Docker技术易于部署,并且不依赖于用于数据收集的主要应用程序或方法。因此,具有R统计软件编程技能的用户可以轻松地配置和扩展SORMAS-Stats,以涵盖其他类型的统计分析。
SORMAS-Stats有一个公共的GitHub存储库,允许感兴趣的国家的利益相关者提出额外的请求和贡献。通过这种方式,它仍然是由公共卫生工作者开发并为其服务的应用程序。
目前SORMAS- stats的集成是与SORMAS PostgreSQL数据库的集成。然而,只要在数据库的表之间引用实体之间的关系(如案例人、联系人、事件和事件参与者),SORMAS-Stats可以与R统计软件可以读取的其他数据库或文件集成在一起[
SORMAS-Stats应用程序的进一步开发可侧重于以下特点:(1)实施更多的流行病学指标,为疫情管理提供信息,如住院、免疫或症状统计数据;(2)整合来自SORMAS以外的其他电子健康应用程序的数据;(3)包括爆发检测、变化点检测或预测模型(如隔间模型)。此外,随着越来越多的公共卫生工作者使用SORMAS-Stats,进一步的研究可以通过结合人机交互的概念来调查用户的体验,如可取性、有用性和性能[
我们提供了一个实时估计传染病参数的应用程序,这对疫情应对至关重要。使用该应用程序只需要基本的统计分析技能。SORMAS- stats可以通过提供广泛的可视化、监测指标的计算、流行病学参数的估计以及促进常规流行病学报告的生成,极大地帮助使用SORMAS或类似工具的国家的公共卫生当局。这项研究还展示了仅掌握R统计软件编程技能的流行病学家如何构建一个web应用程序,将其与另一个应用程序的数据库集成,并将其部署到现场进行疫情响应。
色散参数
连续时间间隔
监视爆发响应管理和分析系统
监控爆发响应管理和分析系统统计应用
这项研究得到了德国研究中心亥姆霍兹协会(资助号SO-094)的支持。
GK构思并设计了该研究。BCS负责特性规范、实现和撰写原始草案。SG为监督、代码评审和测试做出了贡献。BBK、CV、OL和CD对特性规范和测试做出了贡献。所有作者都对最终版本的手稿的写作做出了贡献。
没有宣布。