1,720,968 research outputs found
Statistical perspectives on the analysis of disease outbreak data using mechanistic and phenomenological models
No full textIn de vroege stadia van uitbraken van infectieziekten is het belangrijk om met behulp
van beschikbare gegevens over de uitbraak de belangrijkste kenmerken van de ziekte te
kwantificeren, zoals bijvoorbeeld de basis- en effectieve reproductieaantallen, de generatietijd, het aandeel van transmissies v´o´or symptomen, en de uiteindelijke grootte van
de uitbraak. Kennis van dergelijke kenmerken helpt bij het evalueren van het dreigingsniveau en de tijdlijnen waarbinnen de dreiging zich waarschijnlijk zal ontwikkelen;
het kan ook de ontwikkeling van controlestrategie¨en voor de volksgezondheid ondersteunen en de beleidsvorming op de hoogste niveaus informeren (Hollingsworth, 2009).
In dit proefschrift hebben we enkele concepten onderzocht die verband houden met de
statistische analyse en interpretatie van gegevens over uitbraken van infectieziekten.
Vervolgens hebben we nieuwe statistische benaderingen ontwikkeld en voorgesteld om
gegevens over de incidentie van infectieziekten te analyseren en de belangrijkste ziektekenmerken in te schatten tijdens de vroege stadia van uitbraken. We starten met
eenvoudige en fundamentele mechanistische en fenomenologische modellen.
In Hoofdstuk 3 bespeken we verschillende simulatie- en analysebenaderingen voor
compartimentele modellen. We beschrijven hoe gegevens over uitbraken van infectieziekten kunnen worden gesimuleerd met behulp van de Gillespie SSA en een van
de τ−sprongbenaderingen, evenals met behulp van SDE’s. We hebben deze drie
methoden vergeleken met de deterministische oplossing met betrekking tot piektijd, piekincidentie, epidemische duur en uiteindelijke grootte. Gemiddeld lagen de
schattingen, zoals verwacht, redelijk dicht bij de werkelijke waarden. De Gillespiebenaderingen leidden echter tot grotere onzekerheid vanwege de probabilistische aard
van hoe individuen verondersteld worden zich van het ene compartiment naar het
andere te verplaatsen; als zodanig verdienen deze methoden de voorkeur. In ter men van analyse beschrijven we verschillende bronnen van stochasticiteit, namelijk
metings-, demografisch- en omgevings-ruis. Zoals in het POMP-raamwerk (King
et al., 2016) maken we gebruik van deterministische en stochastische modellen en
toonden we aan hoe deze modellen kunnen worden gerelateerd aan waargenomen incidentiegegevens met behulp van een measurement model en hoe ze kunnen gefit worden met behulp van een sequenti”ele Monte Carlo-benadering. Zoals opgemerkt in
b.v. Bartlett (1956) geven onze resultaten aan dat stochastische modellen de voorkeur
verdienen, aangezien ze een meer realistische en geschikte manier bieden om rekening
te houden met variabiliteit in de gegevens en om de onzekerheid van parameterschattingen nauwkeurig te kwantificeren.
Voor infectieziekten zoals bijvoorbeeld mazelen, hiv/aids en mond- en klauwzeer (Viboud et al., 2016) is er een langzamere dan exponenti¨le groeidynamiek. Met behulp
van simulaties en echte epidemische gegevens hebben we in Hoofdstuk 4 de schatting
van het basisreproductiegetal bestudeerd met behulp van een flexibel stochastisch
SIR-model dat een groeischaalparameter bevat die een langzamere dan exponenti¨le
groeidynamiek mogelijk maakt, dwz afwijking van de exponenti¨ele groei-aanname
ge¨ımpliceerd door het klassieke massa-actieprincipe. Onze resultaten suggereren de
noodzaak om het concept van groeischaling in overweging te nemen om nauwkeurigere
schattingen van het basisreproductiegetal te genereren.
In Hoofdstuk 5 hebben we met behulp van de GGM onderzocht hoe stochasticiteit
die inherent is aan gegevens over uitbraken van infectieziekten de schatting van de
groeischaling kan be¨ınvloeden en daarom van invloed kan zijn op het vermogen om
een zich ontwikkelende uitbraak correct te identificeren als exponentieel of langzamer dan exponentieel stijgend tijdens de vroege fase van een uitbraak. We evalueren
de impact van verschillende niveaus van overdispersie op de gevolgtrekking van de
groeischaal door Poisson- en negatieve binominale modellen te vergelijken. Simulatieresultaten tonen aan dat het vermogen om groeipatronen bij vroege uitbraken
correct te identificeren, kan worden be¨ınvloed door overdispersie, zelfs wanneer dit
in rekening werd gebracht met behulp van het negatieve binominale model. Al met
al laten onze resultaten zien dat schattingen met de nodige voorzichtigheid moeten
worden ge¨ınterpreteerd wanneer de gegevens overdispersed zijn.
In hoofdstuk 6 onderzochten we met behulp van het GGM of er een statistisch verband
bestaat tussen de waargenomen epidemische grootte en de schaalparameter van epidemische groei van grote ebola-uitbraken op subnationaal niveau van de drie meest getroffen landen tijdens de ebola-epidemie van 2014–16 in West-Afrika. Hiervoor
kwantificeren we groeischaal-parameters vanaf de oplopende fase van ebola-uitbraken
die ten minste 7 weken epidemische groei omvatten. We bestuderen dan hoe deze
parameters zijn geassocieerd met de waargenomen epidemische omvang. Voor validatiedoeleinden analyseren we ook twee historische ebola-uitbraken. We vinden een
hoge monotone associatie tussen de schaalparameter en de waargenomen epidemische
omvang. Kenmerkende eigenschappen van epidemische groei kunnen nuttig worden
om het risico van een grote epidemie te beoordelen, betere ziekteprognoses te genereren en de voorspellende kracht van epidemie¨n te vergroten. Onze resultaten geven
aan dat de schaalparameter voor epidemische groei een nuttige indicator is van epidemische omvang, wat aanzienlijke implicaties kan hebben voor de beheersing van
ebola-uitbraken en mogelijk andere infectieziekten.
Ten slotte ontwikkelen we in Hoofdstuk 7 een methode voor het schatten van de verdeling van het generatie-interval op basis van gegevens over de start van symptomen.
De methode bouwt voort op het werk van te Beest et al. (2013), die met behulp van
Bayesiaanse methoden de seri¨ele intervalverdeling schatte waardoor aanvullende informatie kon worden gebruikt bij het toewijzen van potenti¨ele infector-ge¨ınfecteerde
paren. Onze aanpak houdt rekening met de onzekerheid die gepaard gaat met nietgeobserveerde incubatietijden van potenti¨ele infector-besmette paren. Als resultaat
wordt een juiste variantie-schatting voor het generatie-interval afgeleid in tegenstelling
tot een te grote variantie-schatting die wordt verkregen wanneer de incubatieperiode
wordt genegeerd. Bijgevolg corrigeert de methode voor de onderschatting van het
reproductiegetal die optreedt bij het gebruik van het seri¨le interval als proxy voor het
generatie-interval (Britton and Scalia-Tomba, 2019; Wallinga and Lipsitch, 2007)
Statistical perspectives on the analysis of disease outbreak data using mechanistic and phenomenological models
No full textIn de vroege stadia van uitbraken van infectieziekten is het belangrijk om met behulp
van beschikbare gegevens over de uitbraak de belangrijkste kenmerken van de ziekte te
kwantificeren, zoals bijvoorbeeld de basis- en effectieve reproductieaantallen, de generatietijd, het aandeel van transmissies v´o´or symptomen, en de uiteindelijke grootte van
de uitbraak. Kennis van dergelijke kenmerken helpt bij het evalueren van het dreigingsniveau en de tijdlijnen waarbinnen de dreiging zich waarschijnlijk zal ontwikkelen;
het kan ook de ontwikkeling van controlestrategie¨en voor de volksgezondheid ondersteunen en de beleidsvorming op de hoogste niveaus informeren (Hollingsworth, 2009).
In dit proefschrift hebben we enkele concepten onderzocht die verband houden met de
statistische analyse en interpretatie van gegevens over uitbraken van infectieziekten.
Vervolgens hebben we nieuwe statistische benaderingen ontwikkeld en voorgesteld om
gegevens over de incidentie van infectieziekten te analyseren en de belangrijkste ziektekenmerken in te schatten tijdens de vroege stadia van uitbraken. We starten met
eenvoudige en fundamentele mechanistische en fenomenologische modellen.
In Hoofdstuk 3 bespeken we verschillende simulatie- en analysebenaderingen voor
compartimentele modellen. We beschrijven hoe gegevens over uitbraken van infectieziekten kunnen worden gesimuleerd met behulp van de Gillespie SSA en een van
de τ−sprongbenaderingen, evenals met behulp van SDE’s. We hebben deze drie
methoden vergeleken met de deterministische oplossing met betrekking tot piektijd, piekincidentie, epidemische duur en uiteindelijke grootte. Gemiddeld lagen de
schattingen, zoals verwacht, redelijk dicht bij de werkelijke waarden. De Gillespiebenaderingen leidden echter tot grotere onzekerheid vanwege de probabilistische aard
van hoe individuen verondersteld worden zich van het ene compartiment naar het
andere te verplaatsen; als zodanig verdienen deze methoden de voorkeur. In ter men van analyse beschrijven we verschillende bronnen van stochasticiteit, namelijk
metings-, demografisch- en omgevings-ruis. Zoals in het POMP-raamwerk (King
et al., 2016) maken we gebruik van deterministische en stochastische modellen en
toonden we aan hoe deze modellen kunnen worden gerelateerd aan waargenomen incidentiegegevens met behulp van een measurement model en hoe ze kunnen gefit worden met behulp van een sequenti”ele Monte Carlo-benadering. Zoals opgemerkt in
b.v. Bartlett (1956) geven onze resultaten aan dat stochastische modellen de voorkeur
verdienen, aangezien ze een meer realistische en geschikte manier bieden om rekening
te houden met variabiliteit in de gegevens en om de onzekerheid van parameterschattingen nauwkeurig te kwantificeren.
Voor infectieziekten zoals bijvoorbeeld mazelen, hiv/aids en mond- en klauwzeer (Viboud et al., 2016) is er een langzamere dan exponenti¨le groeidynamiek. Met behulp
van simulaties en echte epidemische gegevens hebben we in Hoofdstuk 4 de schatting
van het basisreproductiegetal bestudeerd met behulp van een flexibel stochastisch
SIR-model dat een groeischaalparameter bevat die een langzamere dan exponenti¨le
groeidynamiek mogelijk maakt, dwz afwijking van de exponenti¨ele groei-aanname
ge¨ımpliceerd door het klassieke massa-actieprincipe. Onze resultaten suggereren de
noodzaak om het concept van groeischaling in overweging te nemen om nauwkeurigere
schattingen van het basisreproductiegetal te genereren.
In Hoofdstuk 5 hebben we met behulp van de GGM onderzocht hoe stochasticiteit
die inherent is aan gegevens over uitbraken van infectieziekten de schatting van de
groeischaling kan be¨ınvloeden en daarom van invloed kan zijn op het vermogen om
een zich ontwikkelende uitbraak correct te identificeren als exponentieel of langzamer dan exponentieel stijgend tijdens de vroege fase van een uitbraak. We evalueren
de impact van verschillende niveaus van overdispersie op de gevolgtrekking van de
groeischaal door Poisson- en negatieve binominale modellen te vergelijken. Simulatieresultaten tonen aan dat het vermogen om groeipatronen bij vroege uitbraken
correct te identificeren, kan worden be¨ınvloed door overdispersie, zelfs wanneer dit
in rekening werd gebracht met behulp van het negatieve binominale model. Al met
al laten onze resultaten zien dat schattingen met de nodige voorzichtigheid moeten
worden ge¨ınterpreteerd wanneer de gegevens overdispersed zijn.
In hoofdstuk 6 onderzochten we met behulp van het GGM of er een statistisch verband
bestaat tussen de waargenomen epidemische grootte en de schaalparameter van epidemische groei van grote ebola-uitbraken op subnationaal niveau van de drie meest getroffen landen tijdens de ebola-epidemie van 2014–16 in West-Afrika. Hiervoor
kwantificeren we groeischaal-parameters vanaf de oplopende fase van ebola-uitbraken
die ten minste 7 weken epidemische groei omvatten. We bestuderen dan hoe deze
parameters zijn geassocieerd met de waargenomen epidemische omvang. Voor validatiedoeleinden analyseren we ook twee historische ebola-uitbraken. We vinden een
hoge monotone associatie tussen de schaalparameter en de waargenomen epidemische
omvang. Kenmerkende eigenschappen van epidemische groei kunnen nuttig worden
om het risico van een grote epidemie te beoordelen, betere ziekteprognoses te genereren en de voorspellende kracht van epidemie¨n te vergroten. Onze resultaten geven
aan dat de schaalparameter voor epidemische groei een nuttige indicator is van epidemische omvang, wat aanzienlijke implicaties kan hebben voor de beheersing van
ebola-uitbraken en mogelijk andere infectieziekten.
Ten slotte ontwikkelen we in Hoofdstuk 7 een methode voor het schatten van de verdeling van het generatie-interval op basis van gegevens over de start van symptomen.
De methode bouwt voort op het werk van te Beest et al. (2013), die met behulp van
Bayesiaanse methoden de seri¨ele intervalverdeling schatte waardoor aanvullende informatie kon worden gebruikt bij het toewijzen van potenti¨ele infector-ge¨ınfecteerde
paren. Onze aanpak houdt rekening met de onzekerheid die gepaard gaat met nietgeobserveerde incubatietijden van potenti¨ele infector-besmette paren. Als resultaat
wordt een juiste variantie-schatting voor het generatie-interval afgeleid in tegenstelling
tot een te grote variantie-schatting die wordt verkregen wanneer de incubatieperiode
wordt genegeerd. Bijgevolg corrigeert de methode voor de onderschatting van het
reproductiegetal die optreedt bij het gebruik van het seri¨le interval als proxy voor het
generatie-interval (Britton and Scalia-Tomba, 2019; Wallinga and Lipsitch, 2007)
Inference of the generalized-growth model via maximum likelihood estimation: A reflection on the impact of overdispersion
No full textRecently, the generalized growth model was introduced as a flexible approach to characterize growth dynamics of disease outbreaks during the early ascending phase. In this work, by using classical maximum likelihood estimation to obtain parameter estimates, we evaluate the impact of varying levels of overdispersion on the inference of the growth scaling parameter through comparing Poisson and Negative binomial models. In particular, under exponential and sub-exponential growth scenarios, we evaluate, via simulations, the error rate of making an incorrect characterization of early outbreak growth patterns. Simulation results show that the ability to correctly identify early outbreak growth patterns can be affected by overdispersion even when accounted for using the Negative binomial model. We exemplify our findings using data on five different outbreaks. Overall, our results show that estimates should be interpreted with caution when data are overdispersed. (C) 2019 Elsevier Ltd. All rights reserved.Research Foundation - Flanders (FWO)FWO; Flemish Government departmen
Assessing the relationship between epidemic growth scaling and epidemic size: The 2014–16 Ebola epidemic in West Africa
No full textWe assess the relationship between epidemic size and the scaling of epidemic growth of Ebola epidemics at the level of administrative areas during the 2014–16 Ebola epidemic in West Africa. For this purpose, we quantify growth scaling parameters from the ascending phase of Ebola outbreaks comprising at least 7 weeks of epidemic growth. We then study how these parameters are associated with observed epidemic sizes. For validation purposes, we also analyse two historic Ebola outbreaks. We find a high monotonic association between the scaling of epidemic growth parameter and the observed epidemic size. For example, scaling of growth parameters around 0.3–0.4, 0.4–0.6 and 0.6 are associated with epidemic sizes on the order of 350–460, 460–840 and 840–2500 cases, respectively. These results are not explained by differences in epidemic onset across affected areas. We also find the relationship between the scaling of epidemic growth parameter and the observed epidemic size to be consistent for two past Ebola outbreaks in Congo (1976) and Uganda (2000). Signature features of epidemic growth could become useful to assess the risk of observing a major epidemic outbreak, generate improved diseases forecasts and enhance the predictive power of epidemic models. Our results indicate that the epidemic growth scaling parameter is a useful indicator of epidemic size, which may have significant implications to guide control of Ebola outbreaks and possibly other infectious diseases.TG is supported by Hasselt University (UHasselt) Center for Statistics and led this study during a research visit to Georgia State University. KR is supported through a 2CI Doctoral Fellowship at Georgia State University. NH greatly acknowledges support from the University of Antwerp scientific chair in Evidence-Based Vaccinology, financed in 2009-2018 by a gift from Pfizer and GSK. GC acknowledge financial support from the NSF grant 1414374 as part of the joint NSF-NIH-USDA Ecology and Evolution of Infectious Diseases program; UK Biotechnology and Biological Sciences Research Council grant BB/M008894/1 and the Division of International Epidemiology and Population Studies at the Fogarty International Center, NIH
Assessing inference of the basic reproduction number in an SIR model incorporating a growth-scaling parameter
No full textAbstract: The standard mass action, which assumes that infectious disease transmission occurs in well-mixed populations, is popular for formulating compartmental epidemic models. Compartmental epidemic models often follow standard mass action for simplicity and to gain insight into transmission dynamics as it often performs well at reproducing disease dynamics in large populations. In this work, we formulate discrete time stochastic susceptible-infected-removed models with linear (standard) and nonlinear mass action structures to mimic varying mixing levels. Using simulations and real epidemic data, we demonstrate the sensitivity of the basic reproduction number to these mathematical structures of the force of infection. Our results suggest the need to consider nonlinear mass action in order to generate more accurate estimates of the basic reproduction number although its uncertainty increases due to the addition of one growth scaling parameter
Authors' response: Estimating the generation interval for COVID-19 based on symptom onset data
Get PDFDevelopment and application of statistical models for medical scientific researc
Development and application of statistical methodology for analysis of the phenomenon of multi‐drug resistance in the EU: demonstration of analytical approaches using antimicrobial resistance isolate‐based data
No full textSince antimicrobial resistance (AMR) has been one of the major public health burdens over the last decade, it is of great importance to appropriately monitor and analyse AMR data. Isolate-based data within the EU have been routinely collected since 2010 and reported to EFSA on a yearly basis. AMR data are collected for several bacterial species, tested for susceptibility against different antimicrobials and minimum inhibitory concentration (MIC) is reported. For analysis purposes, a dichotomised version of the MIC values based on the epidemiological cut-off is used to represent different resistance patterns. This report describes various methods to analyse multi-drug resistance data, including the identification of structure to construct groups of isolates with similar resistance patterns or with similar MIC values. Multivariate classification trees and hierarchical cluster analysis after application of principal components and multiple correspondence analyses are applied aiming at group discovering. Latent class analysis is presented as an alternative model-based approach. The generalised estimating equations method is presented handling univariate and multivariate binary outcomes. Bayesian network analysis provides the user with a graphical representation of the underlying associations in the data to identify new co-resistance patterns. Models that deal with spatial distribution of resistant isolates, in combination with their evolution over time, are constructed for univariate and bivariate outcomes. Finally, pattern and source attributions tools are presented, providing, in addition to exploratory analyses, a logistic model to assess variables influencing certain resistance patterns. Source attribution is used to attribute resistance cases in humans to resistance observed in animal, human food consumption patterns and antimicrobial usage data. For illustration purposes, these methods are applied to a subset of the AMR data using an application developed with the R package “shiny”
Estimating the generation interval for coronavirus disease (COVID-19) based on symptom onset data, March 2020
Get PDFAbstract: Background: Estimating key infectious disease parameters from the coronavirus disease (COVID-19) outbreak is essential for modelling studies and guiding intervention strategies. Aim: We estimate the generation interval, serial interval, proportion of presymptomatic transmission and effective reproduction number of COVID-19. We illustrate that reproduction numbers calculated based on serial interval estimates can be biased. Methods: We used outbreak data from clusters in Singapore and Tianjin, China to estimate the generation interval from symptom onset data while acknowledging uncertainty about the incubation period distribution and the underlying transmission network. From those estimates, we obtained the serial interval, proportions of pre-symptomatic transmission and reproduction numbers. Results: The mean generation interval was 5.20 days (95% credible interval (Crl): 3.78-6.78) for Singapore and 3.95 days (95% Crl: 3.01-4.91) for Tianjin. The proportion of pre-symptomatic transmission was 48% (95% Crl: 32-67) for Singapore and 62% (95% Crl: 50-76) for Tianjin. Reproduction number estimates based on the generation interval distribution were slightly higher than those based on the serial interval distribution. Sensitivity analyses showed that estimating these quantities from outbreak data requires detailed contact tracing information. Conclusion: High estimates of the proportion of pre-symptomatic transmission imply that case finding and contact tracing need to be supplemented by physical distancing measures in order to control the COVID-19 outbreak. Notably, quarantine and other containment measures were already in place at the time of data collection, which may inflate the proportion of infections from pre-symptomatic individuals
- …
