传染病疫情的预警方法

传染病疫情的预警方法1第1页，共46页。第2页，共46页。概览讨论为何需要探测流感爆发描述和讨论生成警示的不同方法3第3页，共46页。探测未来的流感爆发

公共卫生监测是持续而系统性地收集、分析和解释健康数据，这对公共卫生政策的计划、实施和评估非常重要，并且同时可以将这些数据及时地发布给有需要的人群（Thacker

S.1994）。尽早探测到爆发可以帮助疾病的预防和控制。4第4页，共46页。异常

假设我们知道在某个特定时间/地点的预期病例数目

异常被定义为实际病例数“显著”超出了预期标准并非所有的异常都是由真正的爆发导致（需要进一步的调查研究）并非所有的爆发都会导致异常受试者工作特征（ROC）曲线下的面积作为总评方式敏感性和特异性爆发 非爆发5第5页，共46页。异常非异常acbd敏感性=a/(a+c)=真正类率特异性=d/(b+d)

=真负类率6第6页，共46页。敏感性和特异性很明显，我们需要高敏感性和高特异性–但是其中一个增高会导致另一个减低

例如，我们可以通过降低异常的临界值来增加敏感性（这样可以探测到更小型的爆发），但这也会导致更多的误报

或者我们可以大幅提高临界值以致永远探测不到异常，那么特异性=1但是敏感性=07第7页，共46页。定义的局限性

前面我们将敏感性定义为在每个爆发周监测到异常的概率

但是对一次爆发只警示一次足够吗？或者我们需要每周都警示吗？

对于任何爆发，难道一个只在第一周就警示的系统不比一个只在最后一周才警示的系统更好？–我们应当包含对时间性的衡量（Kleinman

et

al.,20068第8页，共46页。另一种定义(Hutwagner

et

al.,

2005)

敏感性=所有爆发中至少发出一次警示的几率特异性=所有非爆发中不发出任何警示的几率（定义不变）时间性=从爆发开始到发出警示的平均时间（比如：周数）–只对探测到爆发有效？9第9页，共46页。第二部分探测异常的统计方法10第10页，共46页。迂回法控制图CUSUM移动基线法时间序列法参考文献11第11页，共46页。迂回法

在迂回法中，我们对历史数据拟合一条正玄曲线包括参考（比如95%）限值通常拟合过程中会剔除过去的爆发（疫情）数据如果当前值超过上限就产生异常使用示例：警示进入流感高峰期演示流感数据迂回法-1

使用历史数据来估计一年中不同时间的预期值以及参考限值（点线）12第12页，共46页。演示流感数据迂回法-2在高峰期前，监测数据应该在参考限值以内13第13页，共46页。演示流感数据迂回法-3

但当（冬季）流感高峰期来临，监测数据会迅速超过参考限值14第14页，共46页。迂回法例子–Hulth

et

al.,EID,201015第15页，共46页。16第16页，共46页。控制图

在最基本的控制图中（休哈特图），我们将当前值和一些已知的基准线和参考限值比较–控制限值可以基于历史或近期数据

然后我们可以根据预先设定的异常定义，继续随着时间推移监测数据异常的基本定义是一个超过上限的单一值（一个异常之后我们重设控制图）演示控制图-1比较当前值（紫色）和参考限值17第17页，共46页。演示控制图-2

下个星期，比较新的值（蓝色）和参考限值18第18页，共46页。演示控制图-3这次当前值（红色）产生了异常19第19页，共46页。20第20页，共46页。控制图中的异常通常来说，控制图中的异常发生于：当前值超过上限的3σ三个连续值中的两个超过上限2σ五个连续值中的四个超过上限1σ八个连续值超过均值也有其它版本的规则

有时我们偏好只用第一个规则，同时设定一个不太严格的临界值移动平均控制图

在基本控制图中，我们寻找一系列观测值中的异值或异常的形态另一种方法是研究连续的近期观测值的形态对于观测值y1,y2,…,移动平均控制图的统计量是在移动平均的计算中使用了n个观测值21第21页，共46页。指数加权移动平均控制图(EWMA)EWMA给予早期数据更小的比重对于观测值y1,y2,…,EWMA的统计量是0<λ<1是比重参数，s0=0λ增大，越早期数据的影响越小通常λ设置为22第22页，共46页。23第23页，共46页。累积和控制图

此方法计算连续观测值的总和(CUSUM)并将

CUSUM和一个固定的临界值比较

必须先标准化所有观测值（减去参考均值然后除以参考标准差）累积和控制图在时间t的上CUSUM公式是

yt是在时间t的观测值，μ和σ分别是过程均值和标准差参数k用来忽略某些轻微偏差最简化的情况下k设置为0典型的选择是k=0.5，也就是忽略任何距离均值小于标准差一半的偏差24第24页，共46页。演示上CUSUM-1标准化观测值的累积和（但不小于0）25第25页，共46页。演示上CUSUM-2收集下一个数值后（蓝色），将其加入CUSUM26第26页，共46页。27第27页，共46页。移动基线

在基本控制图中，我们预先设定了过程均值和标准差（可能来自历史数据）

在一些监控设置中，每年的情况或会有所变化，因为我们更偏向于用近期数据来设定过程均值

和标准差

随着预期监测的持续，过程均值和标准差可以持续地更新移动基线控制图-1比较当前值（紫色）和参考限值28第28页，共46页。移动基线控制图-2更新参考限值并和当前值（蓝色）比较29第29页，共46页。移动基线控制图-3这次当前值（红色）产生了异常30第30页，共46页。31第31页，共46页。比较CUSUM和基本控制图

基本控制图可以快速探测到大量超出基线的情况有效探测大型的以及/或者密集的疾病爆发CUSUMs可以更好地探测比较小型的疾病增长有效探测小型的以及/或者缓慢长期的疾病爆发…一系列的微小正增长可以迅速增加32第32页，共46页。控制图的更多延伸在近期基准值和当前值之间预留缓冲区–否则正在进行的爆发可能会影响临界值对于小的数值使用泊松分布代替正态分布同时监控多方位的信息33第33页，共46页。时间序列法

前面描述的控制图法没有明确考虑到两个重要因素：数据的序列相关性（假设随后的数据是独立的）季节性影响（尽管使用历史数据可以帮助一些）专门的时间序列模型可以考虑这些因素34第34页，共46页。时间序列法专门的的时间序列法用来分析时间序列数据Box-Jenkins的ARIMA模型状态空间模型

这些先进的方法可以考虑历史季节性、过去的爆发、以及近期的水平波动当超出参考限值时产生异常或者在时间序列估值后使用控制图动态线性模型

基于观测值y1,y2,…的模型中假设一系列的隐变量θ1,θ2,…可以估算θ1,θ2,…

这种指定隐变量的方法可以假设观测值是独立的35第35页，共46页。36第36页，共46页。时间序列法的缺陷

时间序列法是最复杂的途径，应当优于简单的方法

但是这种方法需要最多的资源，需要专家初期和持续的投入

对于很多症状的基本监测，控制图或者历史局限值已经足够37第37页，共46页。不同国家的方法描述国家方法参考文献美国控制图Xing

et

al.

2011控制图Burkom

et

al.2004CUSUMBellazzini

et

al.2011西班牙CUSUMSchrell

et

al.

2013希腊CUSUM,（迂回法）Spanos

et

al.

201238第38页，共46页。回顾第二部分当季节性比较明了时，可以使用迂回法在很多情况下，控制图可以提供满意的结果

在某些情况下，CUSUM和EWMA可以表现得更好通常时间序列法可能表现得最好，–但是需要许多资源的投入和维护39第39页，共46页。第三部分态势感知40第40页，共46页。态势感知的目标“在需要提示信息的情况下监测疾病的趋势或者其它社区卫生的标记”（Buehler

et

al.,2008）不要停止产生疫情警报在流感季节开始后的情形如何？跟进当前和预测未来的趋势进行干预措施的实时评估41第41页，共46页。态势感知的内容传播性和严重性的评估决定各种控制措施必要性和时间开始计划疫苗推广信息来源例行监测系统（比如定点流感症状监测）新的监测系统（比如在线查询、英国流感大流行热线、柜台药品销售、旷工/旷课情况）监测数据的互动传播Cheng

et

al.

201142第42页，共46页。由多重渠道整合信息

使用多变量模型拟合多重流感监测数据，红色柱体表明高/增加活跃度

目前从62所参与学校收集学生缺课数据

指定流感诊所的就诊情况只在流感大流行期间发布数据(Lau

et

al.

2012)43第43页，共46页。44第44页，共46页。参考文献

Bellazzini

MA,

Minor

KD.

ED

syndromic

surveillance

for

novel

H1N1

spring

2009.

AmericJournal

of

Emergency

Medicine,

2011;29(1):70-4.

Buehler

JW,

Sonricker

A,

Paladini

M,

Soper

P,

Mostashari

F.

Syndromic

Surveillance

Practice

iStates:

Findings

from

a

Survey

of

State,

Territorial,

and

Selected

Local

Health

Departments

ADisease

Surveillance,

2008;6(3).

Burkom

HS,

Elbert

Y,

Feldman

A,

Lin

J.

Role

of

data

aggregation

in

biosurveillance

detectionstrategies

with

applications

from

ESSENCE.

Morbidity

and

Mortality

Weekly

Report,2004;53:S67-71.

Cheng

CK,

Ip

DK,

Cowling

BJ,

Ho

LM,

Leung

GM,

Lau

EH.

Digital

dashboard

design

using

multiple

dstreams

for

disease

surveillance

with

inuenza

surveillance

as

an

example.

Journal

of

MedicalResearch,

2011;13(4):e85.Hulth

A,

Andersson

Y,

Hedlund

KO,

Andersson

M.

Eye-opening

approach

to

norovirus

surveillancEmerging

Infectious

Diseases,

2010;16(8):1319-21.

Hutwagner

L,

Browne

T,

Seeman

GM,

Fleischauer

AT.

Comparing

aberration

detection

methods

witsimulated

data.

Emerging

Infectious

Diseases,

2005;11(2):314-6.45第45页，共46页。参考文献（2）

Kleinman

KP,

Abrams

AM.

Assessing

surveillance

using

sensitivity,

specicity

and

timeliness.Statistical

Methods

in

Medical

Research,

2006;15(5):445-64.

Lau

EH,

Cheng

CK,

Ip

DK,

Cowling

BJ.

Situational

awareness

of

inuenza

activity

based

on

multipof

surveillance

data

using

multivariate

dynamic

linear

model.

PLOSONE,

2012;7(2):e38346.

Schrell

S,

Ziemann

A,

Garcia-Castrillo

Riesgo

L,

Rosenktter

N,

Llorca

J,

Popa

D,

KraLocal

implementation

of

a

syndromic

inuenza

surveillance

system

using

emergencydepartment

data

in

Santander,

Spain.

Journal

of

Public

Health,

2013;35(3):397-403.

Spanos

A,

Theocharis

G,

Karageorgopou