[论文解读] Exploiting routinely collected severe case data to monitor and predict influenza outbreaks

Alice Corbella, Xu‐Sheng Zhang+5 more|arXiv (Cornell University)|Jun 8, 2017

Influenza Virus Research Studies被引用 1

一句话总结

本研究提出了一种贝叶斯流行病学模型，利用常规收集的重症流感病例数据——具体为英国重症流感监测系统（USISS）的重症监护病房（ICU）入院数据——实时估计传播动态并预测疫情轨迹。该模型成功重建了关键流行病学参数，如有效基本再生数，并揭示学校假期显著影响传播，当整合既往免疫力数据时，预测性能显著提升。

ABSTRACT

Abstract Background Influenza remains a significant burden on health systems. Effective responses rely on the timely understanding of the magnitude and the evolution of an outbreak. For monitoring purposes, data on severe cases of influenza in England are reported weekly to Public Health England. These data are both readily available and have the potential to provide valuable information to estimate and predict the key transmission features of seasonal and pandemic influenza. Methods We propose an epidemic model that links the underlying unobserved influenza transmission process to data on severe influenza cases. Within a Bayesian framework, we infer retrospectively the parameters of the epidemic model for each seasonal outbreak from 2012 to 2015, including: the effective reproduction number; the initial susceptibility; the probability of admission to intensive care given infection; and the effect of school closure on transmission. The model is also implemented in real time to assess whether early forecasting of the number of admissions to intensive care is possible. Results Our model of admissions data allows reconstruction of the underlying transmission dynamics revealing: increased transmission during the season 2013/14 and a noticeable effect of the Christmas school holiday on disease spread during seasons 2012/13 and 2014/15. When information on the initial immunity of the population is available, forecasts of the number of admissions to intensive care can be substantially improved. Conclusion Readily available severe case data can be effectively used to estimate epidemiological characteristics and to predict the evolution of an epidemic, crucially allowing real-time monitoring of the transmission and severity of the outbreak.

研究动机与目标

• 仅使用常规收集的重症病例数据，估计季节性流感的关键传播与严重程度参数。
• 评估是否可利用USISS数据实现实时ICU入院预测。
• 评估学校假期对流感传播动态的影响。
• 探讨在详细监测数据有限的情况下，重症病例数据在大流行准备中的潜力。
• 通过整合关于人群免疫力的先验信息，提升预测准确性。

提出的方法

• 随机性流行病学模型将未观测到的流感传播与USISS观测到的每周ICU入院人数联系起来。
• 采用贝叶斯推断估计模型参数，包括有效基本再生数（Rn）、初始易感性及ICU入院概率。
• 分段常数传播率模型用于捕捉学期内及假期期间传播变化。
• 基于2010/11年度血清流行率数据，为初始人群免疫力设定信息性先验分布。
• 通过2012–2015年流感季节的回溯性评估及实时预测场景检验模型性能。
• 敏感性分析评估了ICU入院延迟分布和免疫力估计的先验假设的影响。

实验结果

研究问题

• RQ1 是否可利用USISS常规收集的重症病例数据可靠估计季节性流感的有效基本再生数与传播动态？
• RQ2 通过该模型与既往免疫力数据，实现实时ICU入院预测的性能可提升至何种程度？
• RQ3 学校假期如何影响模型所捕捉的流感传播时间与强度？
• RQ4 关于人群免疫力的先验假设对模型推断与预测准确性有何影响？
• RQ5 该简化模型的性能与使用额外数据源的更复杂模型相比如何？

主要发现

• 该模型成功重建了传播动态，揭示2013/14年度的传播水平高于其他年份。
• 在2012/13与2014/15年度，圣诞节学校假期对传播产生了显著影响。
• 有效基本再生数（Rn）的估计值与历史季节性流感趋势一致。
• 当整合初始人群免疫力的先验信息时，ICU入院预测准确性显著提高。
• 该模型仅使用ICU入院数据即可提供可靠的实时预测，证明其在实际应用中的可行性。
• 尽管存在简化假设（如从感染到ICU入院的延迟分布固定），模型性能依然稳健。