條文本
PDF
文摘
目標這個研究的影響的貧民窟和non-slum地區流行性感冒德裏,印度的國家首都直轄區,考慮適當的貧民窟人口和居民的活動,使用一個高度解決德裏1380萬居民的社會接觸網絡。
方法西珥模型是用來模擬流感的傳播在兩個不同的合成社會接觸網絡的德裏,一個貧民窟和non-slums治療相同的人口和日常的活動,另一方麵,在貧民窟和non-slum地區具有不同的屬性。
結果兩個網絡上的流行的結果之間的差異是巨大的。Time-to-peak感染是高估了幾周,累計感染率和峰值感染率是低估了10 - 50%,當貧民窟屬性將被忽略。
結論貧民窟人口對流感傳播有重大的影響在城市地區。規範不當大型城市貧民窟的地區導致低估的整個人口,因此將導致感染幹預失當政策規劃者。
- 傳染病
這是一個開放的分布式條依照創作共用署名非商業性(4.0 CC通過數控)許可證,允許別人分發,混音,適應,建立這個工作非商業化,和其派生作品在不同的條款進行許可,提供了最初的工作是正確地引用和非商業使用。看到的:http://creativecommons.org/licenses/by-nc/4.0/
來自Altmetric.com的統計
本研究的優點和局限性
一個詳細的社交網絡已被用於研究傳染病在第一次他們居住的貧民窟和較大的城市人口。
省略貧民窟的影響將導致幹預失當政策規劃者。
有超過十億人生活在貧民窟,結果有更廣泛的影響。
由於缺乏空間,幹預措施的效果將在接下來的後續文章中討論。
介紹
貧民窟的特點是過度擁擠,缺乏幹淨的水,惡劣的衛生條件和缺乏醫療設施。這種結合疫苗接種率低,落後的教育和自我藥療,導致高易受感染。疾病如霍亂、瘧疾、登革熱、埃博拉病毒和艾滋病毒在貧民窟在世界各地都很常見。1 - 3根據聯合國的統計,4全球貧民窟居民人數超過10億人,是世界上超過三分之一的城市人口和所有人類的七分之一,這個數字估計約20億到2030年翻倍。
印度有大約三分之一的全球貧民窟人口。8個城市的研究發現,在新德裏,印度48%的家庭在貧民窟裏有五個或更多的人睡覺的房間,相比之下,19%的non-slum家庭。5擁擠的生活條件促進傳染性疾病的傳播,特別是機載感染流感。6,7
一般而言,在發達國家和發展中國家人口稠密的地區與貧困和疾病的發病率更高。在美國,在14個州縣顯示相關性較高的人口普查tract-level貧困具有較高相關住院。8,9Yousey-Hindes和Hadler10發現兒科influenza-based住院的年平均發病率在極端貧困和高密度區域至少高出三倍在紐黑文,康涅狄格州而庫馬爾等11陡峭,同期檢測流感加息在極端貧困人口普查大片在紐黑文。
因此,毫不奇怪,理解和改善貧民窟居民的健康和生活已被確認為最緊迫的發展21世紀的挑戰。6,12本研究需要在這個方向邁出的一步,量化貧民窟人口屬性的影響(包括居民的活動模式)在流感的傳播。我們的方法也解決的幾個難題中提到他等13包括開發更現實的異質種群和確定其對流行病的影響結果和外部的貧民窟。
本研究的重點是德裏的貧民窟人口,印度的首都領地。看到圖1德裏的地圖和放大一些貧民窟區域(地區)。流感的傳播和控製合成德裏的社交網絡研究了夏等14但沒有模型的特殊屬性的貧民窟人口如大的家庭大小和不同類型的日常活動安排。貧民窟和non-slums居民都以同樣的方式對待。對於我們的研究,這是基線人口,和我們所知,由此產生的社交網絡是一個先進的人類代理人代表的日常聯係人/交互在德裏,印度。然而,我們的研究也使用第二個網絡建設作為這項研究的一部分:德裏的高度精煉的社交網絡,占貧民窟人口和活動。有298個地理貧民窟地區在德裏,包含印度人口的約13%。貧民窟地區是印度人口普查中定義一個居民區住宅在哪裏不適合人類居住由於過度擁擠,缺少通風,光線或衛生,或結合不利於安全和健康的因素。基於主體的仿真,其中每個個體都被表示為一個代理,進行對社交網絡的德裏,也就是說,原來夏等14和精製。目標是了解流行動態貧民窟和non-slum種群之間的不同,以及這些動力學不同於那些在網絡人口的影響,忽略了貧民窟,後來使用這種理解來設計適當的幹預措施。
左:地圖的地理範圍德裏,印度在綠色背景建模的這項工作。右:放大視圖顯示的不規則形狀和位置的一些298貧民窟區域(紅色)。討論了人口與社會接觸網絡部分的方法。
我們所知,沒有流行的模擬現實,大城市(如與幾個數以百萬計的人),包括貧民窟的影響(地理位置、組成獨特的家庭特征,和agent-resolved活動模式)對傳染病動力學。然而,許多研究人員指出學習貧民窟的重要性;例如,看到德賽等,3Firdaus,15去等,16蘇爾等,17萊利等18和Sclar等。12
方法
人口的一代:我們從一個已存在的德裏合成人口,14由LandScan德裏和普查數據,一組每天的活動的個人,他們的人口統計和收集通過MapMyIndia.com調查活動的位置。新數據產生在這個研究包括地麵調查數據在德裏貧民窟居民的人口統計數據和日常活動集收集的Indiamart.com。我們開發的調查工具和商業合作夥伴在印度收集數據。數據在德裏貧民窟地區的地理範圍,空間多邊形的形式,從MapMechanic.com獲得。德裏和代表的地理範圍貧民窟區域提供了位置和大小圖1。注意德裏和貧民窟的不規則形狀區域圖1,以及貧民窟區域的位置。
貧民窟和貧民區的人口一代process-augmented residents-assigns slum-specific特點、人口結構和活動的個人家庭在這些地區。特別是,那些住在貧民窟的人那些房屋位置在貧民窟區域。這些房屋位置(經度、緯度)坐標屬性,因此可以認定為家庭內部或外部的貧民窟。因為每個人代理分配(因此起始位置),每個人都可以被稱為一個貧民窟或non-slum居民根據是否人的家坐落在一個貧民窟區域使用數據如所示圖1。因此,種群中個體的數量都是一樣的沒有貧民窟和貧民窟的人口。貧民窟的人口構成整個德裏的約13%(180萬)的人口1380萬人。一半以上(186)的貧民窟區域有不到5000人;59區5000至000;和其餘(53)的區域有000至490年49人。在網上看到的補充數據S1-S3年齡分布,人口的298貧民窟區域和家庭大小,分別。
貧民窟和non-slum個人,我們將活動分為以下六類:家裏,工作,購物,學校(年輕人),學院(年齡較大的青少年和成年人)和其他。我們結合所有這些數據集來產生一個高度解決,定位的裨益德裏與貧民窟人口綜合,使用參考文獻中描述的方法。19和20.。更多細節和人口調查數據集生成方法中提供在線補充信息。
產生的網絡:社交網絡產生的數量如下。每個人都有一個起始位置和一組日常活動,包括一個或多個工作,購物,學校,大學和其他。每個活動意味著個體“參觀”活動的特定位置,開始和結束時間。當兩人訪問相同的位置,他們的訪問時間重疊,相互作用的,也就是說,疾病或病毒可能傳播傳染病人從你一個易感訴這意味著人口的網絡表示有一個無向邊{u, v}。這正是社會接觸網絡是如何形成的。網絡中每條邊貼上活動兩個人的互動,互動的持續時間。交互的時間用於以下流行的計算。每個人口屬性的生成過程,包括年齡、性別和家庭ID。但是現在,一個人的活動,導致與他人交互編碼網絡邊緣。
德裏的原始社會接觸網絡,稱為網絡1,將貧民窟地區和其他地區在德裏的家庭大小、人口統計和個人轉讓活動。德裏增強網絡,稱為網絡2,作為這項工作的一部分,包括298個貧民窟的地理區域(區域)在德裏。我們提供兩個網絡之間的選擇比較,額外的數據。
首先,網絡1和2之間的主要區別是,2有更多家庭關係網因為non-slum家庭的平均尺寸是5.2而貧民窟地區是15.5。第二,有15%的數量增加每天活動在貧民窟網絡:33 890 156個人每天活動網絡1和39 077 861活動網絡2。根據活動調查,貧民窟的人比non-slum個人有更多的不同的活動(見在線補充圖S4“其他”類別)。貧民窟的個體的活動數量的增加轉化為增加∼10%平均交互(程度)和平均密度的個體之間的關係(聚類係數):30.4和0.680,分別為網絡1和33.4和0.733,分別為網絡2。
詳細看不同類型的交互(例如,接觸貧民窟和non-slum人稱為“slum-non-slum”接觸),我們觀察到接觸不同類型的數量之間的相互作用和聯係的時間。接觸時間的影響意義重大,因為疾病傳播的概率之間的受感染的人,一個敏感是一個指數函數的聯係時間。使用的平均時間slum-non-slum聯係作為基線,我們觀察到的平均持續時間slum-slum和non-slum-non-slum接觸比基線的2.5倍和3.2倍,分別(見在線補充圖S5,最後一組軸下酒吧'所有')的價值。最後這兩個值是不直觀,因為有更多的人在一個貧民窟的房子比在non-slum房子。因此,人們會預計兩個貧民窟的人之間的平均接觸時間要大於兩個non-slum人。然而,non-slum居民有較長的接觸時間在工作(請參閱在線補充圖S6、類別工作)。我們將看到下麵的結果相比,兩個貧民窟的個體之間的較小的接觸時間和兩個non-slum個人超過抵消更大的平均接觸貧民窟個人與non-slum人相比,即67.4 vs 28.3(見在線補充圖S7)。後者的區別是由於貧民窟的人更大的各種各樣的活動。在線補充信息解決這些和其他特性和德裏亞種群之間的區別。
疾病模型西珥:我們使用一個模型,其中每一個1380萬人可以在四個州在任何給定的時間之一:敏感,暴露(E)、感染(I)和刪除或恢複(R)。我們用20種子艾滋病易感人群隨機選擇初始感染。結果對初始感染人數不是敏感;即不同索引病例的數量並沒有改變我們的實驗結果。每個敏感節點u傳播傳染病的鄰居v獨立有一定概率,稱為傳輸概率。
傳輸概率是接觸的時間的函數。這個概率選擇模擬溫和,強大的和災難性的流感。德裏的聯係網絡,傳播能力值對應於溫和,強大的和災難性流感校準是0.0000215,0.000027和0.00003,分別。21(遺傳性乘數接觸交互的時間;傳播性越大,傳輸概率越大,相同時間的接觸)。溫和的,強大和災難性的傳播率對應R0等於1.05,1.26和1.40網絡1和1.123,分別為1.39和1.54網絡2。14,22潛伏期的地理分布:1天(30%)(50%)/ / 2天3天(20%)和感染期:3天(30%)(40%)/ 4天/ 5天(20%)/ 6天(10%)。20.,23
如果敏感節點成為暴露,它暴露了潛伏期,然後切換到傳染病感染持續時間、後恢複或刪除。注意,這個狀態轉換是不可逆轉的,唯一可能的疾病進展。我們將紐曼,24他和邁耶斯25為更多的細節在隨機模型的流行病。對於每一個實驗中,25分模擬及其結果是報告;在文本中,全方位的結果解決差異。每個模擬運行由播種與流感均勻隨機選擇20個人,從一組指定的個人(貧民窟居民,non-slum居民,或整個人口)。從這些最初被感染的個體,在邊感染易感疾病傳播代理。仿真參數的細節在網上提供補充表S1。
我們使用EpiFast,快速離散事件模擬疾病傳播接觸網絡。26在c++中實現/消息傳遞接口(MPI)和使用並行算法,使得在分布式內存係統上擴展。EpiFast使用分類,基於代理模型,它可以代表每個個體之間的相互作用對,因此用於研究疾病傳播。14分類模型需要分區的人口和假設都沒有大規模的相互作用規律,分為若幹部分的模型。
我們已經介紹了人口生成過程,網絡生成過程,流感傳播模型和模擬。很明顯,有異物在這項工作的各個方麵。基於代理模型是適合捕捉空間不規則貧民窟區域幾何形狀和位置,在個體層麵的特征包括活動和人口統計的貧民窟和non-slum居民,在個體之間的連接模式和社會網絡。其他類型的模型,包括微分equation-based(即均勻混合),27區劃的28和修補模型,29日在哪裏計數每個州的代理維護,沒有個人特質的能力模型基於代理模型提供的粒度級別。例如,在由Pandey工作等28在埃博拉病毒的傳播,人在不同的州(如傳染性)分解成隔間之類的普通社區,在醫院和衛生保健工作者。
結果
我們開始與流行病動力學的比較分析網絡1和2理解整合貧民窟流行措施的影響。後者部分主要關注網絡2。我們還檢查感染的影響播種在貧民窟和non-slum地區流行的結果。在兩個網絡之間的比較,我們使用相同的最初感染的代理網絡1和2之間的跨相應的擴散實例,為更好的比較結果。
流行網絡1 vs網絡2
圖2顯示了意味著流行曲線,每天新感染的人數,溫和,下兩個網絡的強大和災難性流感病例。注意,估計累積感染率,峰值感染率和時間達到峰值時將高度低估了網絡使用的是1。
兩個網絡的平均流行曲線在不同傳輸概率。流行始於20隨機種子每個網絡感染。平均感染率是基於25複製。網絡2包含slum-specific特性,而網絡1不。
我們使用兩個示例學生t測試兩個網絡之間的差異在同一時間傳輸速率峰值感染,感染率和累積感染率達到頂峰。所有的測試都具有統計學意義,p值小於2.2 e-16。95%的CIs也計算。網絡1,輕度流感不會引起流行病而對於網絡2。感染131年達到頂峰的時間(95%可信區間120 - 141)天前在網絡平均2輕微流感,34 (95% CI 31 37)強勁流感和23天前(95% CI 21到25)天前災難性流感,而網絡1。網絡1需要更長的時間達到峰值的感染許多星期幾的順序與網絡2傳輸概率,差異是明顯的輕微的流感。這意味著病毒傳播的速度要快得多的實際人口(貧民窟)比政策規劃者希望slum-free人口。
同樣,峰值感染率大大低估了在每個流感模型網絡1所示圖2。峰值感染率為162.6%(95%可信區間161.8%到163.4%)更大的平均網絡2輕微流感,47.6% (95% CI 47.4%到47.8%)更強大的流感,和33.2%(95%可信區間33.2%到33.4%)更大的災難性流感,相比之下,那些在網絡1。累計感染率(或攻擊率)也低估了。相同的傳輸速率下,累積感染率為78.5%(95%可信區間73.4%到80.7%)更大的平均網絡2輕微流感,16.1% (95% CI 16.1%到16.2%)更強大的流感,和11.0%(95%可信區間11.0%到11.1%)更大的災難性流感,相比之下,那些在網絡1。
圖3顯示了不同的子組的累積感染率(貧民窟,年齡和性別)在兩個網絡。一個代理可以這些子組的一部分;例如,一個女人34歲居住在貧民窟。圖的標題描述的細節在x軸上列出的子組。
累積感染率為不同的子組在兩個網絡。“總”指的是整個印度的人口。“貧民窟”和“Nonslum”指貧民窟和non-slum地區,分別。“男性”和“女性”表示雄性和雌性的總數在德裏,分別。子組年齡從“AG1”表示“AG9”,“AG1”是指所有個人在德裏0歲和10歲之間,“銀2”是指個人11歲和20歲之間等等。
累計感染率在貧民窟,如圖所示的網絡2,高20多個百分點與non-slums相比,在所有流感模型。網絡1沒有區別的貧民窟和non-slum地區,因此這兩個地區都麵臨著同樣的感染率在網絡1。亞種群的性別和年齡也顯示較高的感染率在網絡2。subpopulation-level感染率的差異在兩個網絡之間下降隨著傳輸速率的增加從輕微到災難性的。Kumar報道相似的結果等。11這個結果可以解釋的事實,當病毒傳播非常高,在災難性流感的情況下,更高的接觸率和其他特征的網絡中13%的人並不重要。高傳播率占主導地位的影響引起的網絡結構的變化。女性、兒童和最古老的成年人遇到較高感染率在所有場景在網絡。在線補充圖年代S8和S9顯示不同的接觸率遇到的男人和女人在家裏家外,和有孩子的。接觸率越高的女性與兒童和與他人解釋女性感染率較高的發病率。
在貧民窟和non-slum地區播種感染的效果
快速城市化增加城市貧民窟和棚戶區的崛起,特別是在發展中國家,這些地方很容易的目標有流行傾向的疾病如流感和埃博拉的播種。30.例如,西點軍校貧民窟在利比裏亞埃博拉疫情是一個焦點31日2012年霍亂爆發在西非沿海貧民窟造成數百人死亡,超過25 000人感染。2
理解的影響播種在貧民窟和non-slum地區感染,我們隨機選擇20個人(1)貧民窟地區播種感染;(2)non-slum區域,(3)德裏總人口。對於每個案例我們模擬這三個流感模型在傳播率檢查結果的魯棒性。
圖4顯示了整個印度人口的流行曲線不同播種條件下和三個不同的傳輸概率,為網絡2。仿真結果表明,初始播種條件沒有影響整個人口的整體感染率。也不改變峰值感染率。然而,它改變的時間感染高峰。特別是,播種在貧民窟導致更快的傳播流感蔓延。強大的流感,平均時間達到峰值發生在第118天(範圍114 - 125)在貧民窟進行播種時,而131(範圍124 - 144)進行播種時non-slums和128年(範圍117 - 135)播種時隨機進行的整個人口。
流行曲線不同播種條件下。流行被播種通過隨機選擇20隻(1)貧民窟地區的個人;(2)non-slum區域,(3)德裏總人口,網絡2。三個麵板顯示平均感染率超過25複製下溫和,強大和災難性流感模型。
感染率在貧民窟人口結構和網絡結構的影響
為了設計有效的幹預措施,重要的是要檢查哪些slum-specific屬性有助於解釋累積感染率的變化。我們使用回歸模型來研究感染率和slum-specific特性之間的關係用一個簡單的線性回歸模型。總共有298貧民窟區域在德裏。對於每個區域,我們計算了累積感染率,為每個流感類型,也就是說,溫和,強大和災難性的,作為響應變量的回歸。
slum-specific變量,我們計算每一個貧民窟區域:slum-zone人口,平均學曆為每個活動類型(即家庭、工作、購物、其他學校,學院),所有活動的平均程度,每個slum-zone邊數,網絡密度(邊緣的總數除以一個貧民窟區內邊緣的最大數量)在每個slum-zone,平均學曆在slum-zones為每個六個活動類型,總體而言,平均節點連接度non-slums活動類型2 - 6和總平均家庭規模在每一個貧民窟區域。接下來,我們確定了雙方相關變量,平均度,平均學曆購物,平均學曆在貧民窟的家,和所有non-slum平均度連接。我們刪除了相關變量,然後進行變量選擇使用雙向消元法(使用R函數“兩”),這是一個向前和向後消除,測試每一步為變量中包含或排除在模型中使用Akaike信息準則(AIC)。
根據AIC,接觸的平均數量在一個貧民窟區和貧民窟的平均家庭規模對所有流感模型非常重要。表1回歸係數的估計報告以及其他詳細數據。同伴的一篇論文將使用這些信息來設計有效的幹預措施在slum-specific地區印度人口控製流感的傳播。
討論
盡管貧民窟地區隻包含印度總人口的13%,忽略其影響低估了累積感染率,峰值時間感染,感染率高峰。這些結果強勁這裏所有流感模型下考慮。病毒傳播的速度和規模是更快,低估了實際的人口(與貧民窟模仿網絡2)比政策規劃者希望slum-free人口(網絡1)。
我們的結果表明,(1)如果貧民窟的人口屬性不是適當集成,估計流行疫情規模等措施,其峰值和峰值時間低估了(10 - 50%或更多的大小;例如,強大的流感,占貧民窟峰值感染率增加47.6%);(2)感染率具有通過分組人口表明貧民窟群感染率高於20百分點的non-slum分組人口;和女性和兒童接觸更高的整體人群的感染率;(3)流行的大小和峰值感染率是獨立的感染是播種,也就是說,貧民窟或non-slum。然而,time-to-peak感染變化與種子的位置。time-to-peak感染平均是118(範圍114 - 125)日子感染是播種在貧民窟地區相比,平均131天(範圍124 - 144)在non-slum地區播種時。平均每個基於25分情況和範圍顯示最小和最大time-to-peak值25分。這些結果的定性方麵很重要,因為它們可能會擴大到其他城市和國家,並可能對其他傳染病。
我們還表明,初始條件的播種位置沒有顯著影響的總攻擊速度和峰值感染率。然而,播種在貧民窟導致更快的初始傳播疾病的蔓延。在所有的亞種群,貧民窟最容易受到流感的傳播。因此,特別關注和適當的幹預措施應該被應用到貧民窟為了控製病毒的傳播在貧民窟地區和整個地區。此外,這些結果可能是有用的在其他國家和地區分析流行與貧民窟的人口。
這項研究表明需要模型貧民窟的人群更容易受到傳染病由於家庭規模較大,擁擠的環境和更高的混合率內外貧民窟地區。忽略了貧民窟特征對城市環境的影響低估了爆發的速度和程度,從而導致幹預失當公共衛生官員和政策規劃者。此外,由於該模型表明,感染時間達到峰值減少周貧民窟地區適當模仿時,政策規劃者有更少的時間來應對暴發。最後,結果可能政策規劃者甚至更廣泛的影響,因為世界上有超過十億人生活在貧民窟。結果,這些結果可能是有用的在幾個國家決策,並可能對其他傳染病。
模型的局限性
這個模型沒有考慮可能發生的易感性的差異由於年齡,預先存在的條件,及並發症。整個人被認為是敏感的模擬,除了索引病例。在現實中,嬰兒、老年人、醫院工作者,等等,可能比其他人更容易。
引用
腳注
貢獻者CK, AV, HM設計和構想。SC、YC DX,可和JC建立社交網絡,進行了實驗和模擬。JC, SC和AV數據進行分析。CK, JC、SC、YC,可點,嗯,AV和DX幫助審查結果,和論文的寫作。
資金這項工作已經部分由美國國立衛生研究院(NIH)(批準號1 r01gm109718), NIH傳染病代理模型研究(MIDAS)(批準號2 u01gm070694-11和3 u01fm070694-09s1),國家科學基金會(NSF)之間的接口計算機科學和經濟學和社會科學(冰)(批準號ccf - 1216000),網絡科學與工程(NSF NetSE)(批準號碼cns - 1011769),美國國家科學基金會研究實習(批準號nrt - dese - 154362),國防威脅降低局(DTRA)(批準號hdtra1 - 11 - 1 - 0016),和DTRA全麵國家事故管理係統合同(批準號hdtra1 - 11 - d - 0016 - 0001)。
相互競爭的利益沒有宣布。
倫理批準弗吉尼亞理工大學調查機構審查委員會審查和批準的協議。
出處和同行評議不是委托;外部同行評議。
數據共享聲明數據與流行曲線、回歸分析和統計分析可以獲得通過聯係相應的作者通過電子郵件。