Statistical models for infectious disease surveillance counts [Elektronische Ressource] / vorgelegt von Mathias Hofmann

Mathias Hofmann

Sujets

• Mathematics
• Gesundheit

Informations

• Publié par: ludwig-maximilians-universitat_munchen
• Publié le: 01 janvier 2007
• Nombre de lectures: 36
• Langue: Deutsch
• Poids de l'ouvrage: 5 Mo

Extrait

Statistical Models for Infectious Disease
Surveillance Counts
Mathias Hofmann
Dissertation
an der Fakulta¨t fu¨r Mathematik, Informatik und Statistik
der Ludwig–Maximilians–Universita¨t
Munchen¨
Munchen, 16. November 2006¨Statistical Models for Infectious Disease
Surveillance Counts
Mathias Hofmann
Dissertation
an der Fakultat fur Mathematik, Informatik und Statistik¨ ¨
der Ludwig–Maximilians–Universitat¨
Mu¨nchen
vorgelegt von
Mathias Hofmann
aus Mu¨nchen
Mu¨nchen, den 16. November 2006Erstgutachter: Prof. Dr Leonhard Held
Zweitgutachter: Prof. Dr. Ludwig Fahrmeir
Drittgutachter: Prof. Dr. Peter J. Diggle
Rigorosum: 30. Januar 2007Vorwort
Diese Arbeit entstand wahrend meiner Tatigkeit als Mitarbeiter im Sonderforschungs-¨ ¨
bereich 386 ”Statistische Analyse diskreter Strukturen” am Institut fu¨r Statistik an der
LMU Mu¨nchen und wurde somit durch Mittel der Deutschen Forschungsgemeinschaft ge-
fo¨rdert.
Zu allererst mo¨chte ich meinem Doktorvater Leonhard Held fu¨r seine hervorragende
Betreuung der Arbeit danken. Ohne sein Interesse und Engagement wa¨re diese Arbeit
sicher nie entstanden.
Mein besonderer Dank gilt außerdem Michael Hohle, der mich wahrend meiner gesam-¨ ¨
tem Arbeit mit Rat und Tat unterstutzt hat und damit entscheidend zum Gelingen dieser¨
Arbeit beigetragen hat.
Des weiteren mochte ich mich bei Volker Schmid fur die gute Zusammenarbeit und¨ ¨
meinen Gutachtern Ludwig Fahrmeir und Peter Diggle bedanken.
Ein großer Dank gilt meiner Familie und meinen Freunden fur die vielen hilfreichen¨
Ratschla¨ge und Ermutigungen wenn es gelegentlich mal nicht so lief.
Mu¨nchen, Februar 2007 Mathias HofmannZusammenfassung
Modelle fu¨r Infektionskrankheitszahlen aus der Krankheitsu¨berwachung mu¨ssen die spe-
zifischen Charakteristika dieser Daten beru¨cksichtigen. W¨ahrend sie u¨ber einen la¨ngeren
Zeitraum ein regula¨res, ha¨ufig saisonales Muster aufweisen, gibt es gelegentliche Unregel-
maßigkeiten oder Ausbruche.¨ ¨
Ein Modell, das ein Kompromiss zwischen einem mechanistischen und einem empiri-
schen Modell ist, wird vorgeschlagen. Ein entscheidendes Konzept ist die Unterscheidung
zwischen einer endemischen und einer epidemischen Komponente, was es ermoglicht das¨
regulare Muster von den Unregelmaßigkeiten und Ausbruchen zu trennen. Das ist von be-¨ ¨ ¨
sonderem Vorteil fur die Ausbruchserkennung im Rahmen der Krankheitsuberwachung des¨ ¨
offentlichen Gesundheitswesens. Wahrend die endemische Komponente parametergesteu-¨ ¨
ert ist, basiert die epidemische Komponente auf einem beobachtungsgesteuerten Ansatz,
einschließlich einer Autoregression auf vergangene Beobachtungen.
Eine besondere Herausforderung von Infektionskrankheitszahlen ist die Modellierung
der Ausbruche und Unregelmaßigkeiten in den Daten. Wir modellieren den Autoregressi-¨ ¨
onsparameter der epidemischen Komponente durch ein bayesianisches Bruchpunktmodell,
welcheseinadaptivesMaßanGla¨ttungaufweistundinderLageistsowohldieSpru¨ngeund
schnellen Anstiege als auch die langsamen Ru¨ckga¨nge der F¨alle zu modellieren. Wa¨hrend
sich das Modell als allgemeiner Ansatz zur Modellierung von Infektionskrankheitszahlen
verwenden l¨asst, ist es insbesondere geeignet fu¨r die Ausbruchserkennung im Rahmen der
Krankheitsu¨berwachung des o¨ffentlichen Gesundheitswesens. Des weiteren ermo¨glichen die
Vorhersageeigenschaften des bayesianischen Bruchpunktmodells kurzfristige Vorhersagen
der Kranheitsfalle, die von besonderem Interesse im offentlichen Gesundheitswesen sind.¨ ¨
Eine sequentielle Sch¨atzmethode des Modells durch einen ”particle filter”wird bereitge-
stellt,diefureineprospektiveAnalysedesBruchpunktmodells,bedingtauffesteWerteder¨
ubrigen Parameter, verwendet werden kann, was von besonderem Vorteil fur die Krank-¨ ¨
heitsuberwachung im offentlichen Gesundheitswesen ist.¨ ¨
EinegeeignetemultivariateErweiterungwirdbereitgestellt,dieinderLageistdieInter-
aktionen zwischen den Einheiten, z.B. Altersgruppen oder raumlichen Regionen, zu erkla-¨ ¨
ren.EineAnwendungaufInfluenza-undMeningokokkendatenzeigt,dassdiegelegentlichen
Meningokokkenausbruche weitgehend durch den Einfluß von Influenza auf Meningokokken¨
erklart werden konnen. Das Risiko eines durch Influenza bedingten Meningokokkenaus-¨ ¨
bruchs kann vorhergesagt werden. Der Vergleich der verschiedenen Modelle, einschließlich
eines auf Gauss Markov Zufallsfeldern basierten Modells, zeigt, dass sowohl die Einbezie-hung einer epidemischen Komponente, als auch eines zeitlich variierenden epidemischen
Parameters die Modellanpassung und die Vorhersagefahigkeit des Modells verbessert.¨
Abstract
Models for infectious disease surveillance counts have to take into account the specific
characteristics of this type of data. While showing a regular, often seasonal, pattern over
long time periods, there are occasional irregularities or outbreaks.
A model which is a compromise between mechanistic models and empirical models is
proposed. A key idea is to distinguish between an endemic and an epidemic component,
which allows to separate the regular pattern from the irregularities and outbreaks. This
is of particular advantage for outbreak detection in public health surveillance. While the
endemic component is parameter-driven, the epidemic component is based on observation-
driven approaches, including an autoregression on past observations.
Aparticularchallengeof infectiousdiseasecounts isthe modellingofthe outbreaksand
irregularities in the data. We model the autoregressive parameter of the epidemic com-
ponent by a Bayesian changepoint model, which shows an adaptive amount of smoothing,
and is able to model the jumps and fast increases as well as the smooth decreases in the
data. While the model can be used as a generic approach for infectious disease counts, it is
particularly suited for outbreak detection in public health surveillance. Furthermore, the
predictive qualities of the Bayesian changepoint model allow for short term predictions of
the number of disease cases, which are of particular public health interest.
Asequentialupdateusingaparticlefilterisprovided,thatcanbeusedforaprospective
analysis of the changepoint model conditioning on fixed values for the other parameters,
which is of particular advantage for public health surveillance.
Asuitablemultivariateextensionisprovided,thatisabletoexplaintheinteractionsbe-
tweenunits,e.g. agegroupsorspatialregions. Anapplicationtoinfluenzaandmeningococ-
cal disease data shows that the occasional outbreaks of meningococcal disease can largely
be explained by the influence of influenza on meningococcal disease. The risk of a future
meningococcal disease outbreak caused by influenza can be predicted. The comparison of
the different models, including a model based on Gaussian Markov random fields shows
that the inclusion of the epidemic component as well as a time varying epidemic parameter
improves the fit and the predictive qualities of the model.Contents
1 Introduction 1
1.1 Data . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2 Models . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2.1 Models for chronic diseases . . . . . . . . . . . . . . . . . . . . . . . 2
1.2.2 Models for infectious diseases . . . . . . . . . . . . . . . . . . . . . 4
1.3 Scope of thesis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
2 Bayesian inference 9
2.1 Markov chain Monte Carlo . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.1.1 Metropolis-Hastings algorithm . . . . . . . . . . . . . . . . . . . . . 11
2.1.2 Single-component Metropolis-Hastings . . . . . . . . . . . . . . . . 11
2.1.3 Gibbs sampler . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.1.4 The reversible jump algorithm . . . . . . . . . . . . . . . . . . . . . 12
2.1.5 Effective sample size . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.1.6 Deviance information criterion . . . . . . . . . . . . . . . . . . . . . 13
2.2 Sequential Monte Carlo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.2.1 Particle filter . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.2.2 Forward-backward algorithm . . . . . . . . . . . . . . . . . . . . . . 17
3 Bayesian changepoint models 23
3.1 Model extensions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
3.2 Application to coal-mining disaster data . . . . . . . . . . . . . . . . . . . 26
3.3 Posterior distribution . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
3.4 Markov state space form of the changepoint model. . . . . . . . . . . . . . 29
3.5 Markov structure of the changepoints . . . . . . . . . . . . . . . . . . . . . 31
3.6 Estimation of the changepoint model . . . . . . . . . . . . . . . . . . . . . 32ii CONTENTS
3.6.1 Reversible jump MCMC . . . . . . . . . . . . . . . . . . . . . . . . 32
3.6.2 Particle filter . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
3.6.3 Forward-backward algorithm