在先前异常的背景下对滚动监控方法的评估:使用来自低收入和中等收入国家的常规数据进行模拟研究

科学领域:

• 公共卫生 公共卫生
• 流行病学 流行病学
• 医疗信息学 医疗信息学

背景情况:

• 综合征监测系统对于及时发现疾病爆发至关重要,特别是在低收入和中等收入国家,诊断能力有限.
• 历史数据的异常,称为"异常",可以显著扭曲基线数据,并影响正在进行的疾病趋势监测的准确性.

研究的目的:

• 评估历史数据异常如何影响常用的滚动监控爆发检测算法的准确性.
• 在各种爆发和偏差场景下比较五种不同的算法的性能.

主要方法:

• 使用利比里亚5年急性呼吸道感染数据模拟的爆发检测场景.
• 评估了五种算法:EARS,法林顿,霍尔特-温特斯和两个温伯格-富尔切模型 (WF NB,WF QP).
• 评估了七个数据生成机制和各种爆发/异常大小和时间;准确度通过使用伪ROC曲线测量灵敏度和特异性.

主要成果:

• 异常通常降低了算法灵敏度,性能因上下文而异.
• EARS和WF模型显示高灵敏度,没有最近的偏差.
• 霍尔特-温特斯和WF QP与最近的异常保持了更好的灵敏度和特异性的平衡;法林顿具有高灵敏度但较低的特异性.

结论:

• 算法的性能取决于上下文,特别是关于历史数据误差.
• 为在资源有限的环境中实施滚动监控提供了建议.
• 强调需要考虑数据干扰,并共同评估敏感性和特异性,以有效检测疫情.