。 2012年10月4日,14 (5):e125。

doi: 10.2196 / jmir.2102。

從Google流感趨勢FluBreaks:流行病早期檢測

法赫德Pervaiz¹, Mansoor Pervaiz, Nabeel阿布杜爾拉赫曼, 奧馬爾賽義夫

從屬關係

PMID:23037553
PMCID:PMC3510767
DOI:10.2196 / jmir.2102

免費的PMC的文章

從Google流感趨勢FluBreaks:流行病早期檢測

法赫德Pervaizet al。 J地中海互聯網Res。 2012年。

免費的PMC的文章

。 2012年10月4日,14 (5):e125。

doi: 10.2196 / jmir.2102。

作者

法赫德Pervaiz¹, Mansoor Pervaiz, Nabeel阿布杜爾拉赫曼, 奧馬爾賽義夫

聯係

¹科學與工程學院計算機科學係,拉合爾大學管理科學,拉合爾,巴基斯坦。fahadp@lums.edu.pk

PMID:23037553
PMCID:PMC3510767
DOI:10.2196 / jmir.2102

文摘

背景:Google流感趨勢服務於2008年推出跟蹤在線搜索查詢的體積變化與流感樣症狀有關。在過去的幾年裏,這個服務產生的趨勢數據顯示一致的與流感報告收集的實際數量之間的關係由美國疾病控製和預防中心(CDC),經常提前確定增加流感病例周疾病預防控製中心的記錄。然而,與流行的看法相反,Google流感趨勢不是一個流行早期檢測係統。相反,它被設計為一個基線指標的趨勢,或變化,疾病病例的數量。

摘要目的:評估是否可以使用這些趨勢為基礎流行的早期預警係統。

方法:我們提出的第一個詳細的算法分析如何使用Google流感趨勢為基礎構建一個完全自動化的係統預警的流行的疾病預防控製中心所使用的方法。根據我們的工作,我們提出一個小說流行早期檢測係統,稱為FluBreaks (dritte.org/flubreaks),基於Google流感趨勢數據。我們比較三種算法的準確性和實用性:正態分布算法,泊鬆分布算法,和負二項分布算法。我們探討了這些方法的優缺點,和相關的變化我們的發現在互聯網普及率和人口規模的地區在Google流感趨勢提供數據。

結果:在我們真陽性百分比的性能指標(RTP),假陽性(RFP)比例,比例重疊(OT)和百分比早期警報(EA)、泊鬆-和消極binomial-based算法除了RFP中表現更好。Poisson-based算法的平均值為99%,28%,71%,76%,RTP, RFP, OT, EA,分別而消極binomial-based算法平均值的97.8%,17.8%,60%,55%,RTP, RFP, OT,分別和EA。此外,EA也影響了該地區的人口規模。較大的地區人口4和6(地區)的EA值高於地區10(最小的人口)為負二項和Poisson-based算法。平均為12.5%和13.5%的差異在負二項和Poisson-based算法,分別。

結論:我們首先詳細比較分析早期流行疫情對Google流感趨勢數據檢測算法。我們注意,意識到這個機會需要超越累積求和和曆史限製基於方法的正態分布方法,傳統上采用的疾控中心,負二項和Poisson-based算法來處理潛在的嘈雜的搜索查詢數據從不同的地區人口和互聯網的普及率。根據我們的工作,我們已經開發出FluBreaks,流感疫情早期預警係統使用Google流感趨勢。

利益衝突聲明

沒有宣布。

數據

圖1
早期的偏差報告係統(耳朵)算法方程。C₁=累計總和(CUSUM)得分C1算法,C₂= CUSUM C2分算法,C₃= CUSUM C3算法的分數,σ=標準差,X一橫=意味著數量的情況下,X_n在當前時間間隔=病例數。下標引用一個特定的變量有關的三個算法。

圖2
曆史的限製方法(高)方程。σ=標準差,X =本期報告病例數,X一橫=的意思。

圖3
曆史數據的曆史局限性問題的方法。HLM-3 = 3周的曆史數據,連續HLM-5 = 5周的曆史數據。

圖4
曆史累計總和(HCUSUM)方程。σ=標準差,X_n=當前時間間隔中病例數,x一橫=意味著病例數。N = 5,基線期前5年。

圖5
SaTScan方程。C =總數的情況下,C_z在窗z =觀察病例數、LLR =似然比,n_z在窗z =預期病例數或人口。

圖6
泊鬆累積求和(CUSUM)方程。k =參考價值_n= CUSUM得分,X_n=當前時間間隔中病例數,x一橫_一個=零假設的意思是,x一橫_d=替代假設的意思是,+上標指的值總是正的。

圖7
負二項累計總和(CUSUM)方程。k =參考價值(r、c) =負二項分布的參數_n= CUSUM得分,σ=標準差,X_n=當前時間間隔中病例數,x一橫=意味著病例數,+上標指的值總是正的。

圖8
曆史負二項累計總和(CUSUM)方程。k =參考價值_n= CUSUM得分,X_n=當前的病例數星期,+上標指的值總是正的。

**圖10**
美國衛生和人類服務部地區4。x軸塊Google流感趨勢和疾病控製和預防中心(CDC)的數據。單杠表示每個方法檢測到一種流行病。減少表明分界點(更不敏感)和b顯示基線數據(訓練窗口)。底部的厚單杠顯示實際的爆發。HCusum =曆史累積的總和,高級別=曆史極限法,HNBC =曆史負二項累計總和,伊犁=流感樣疾病,k =參考價值的閾值,NBC =負二項累計總和,POD =泊鬆疫情檢測、PSC =泊鬆累積求和。

**圖11**
美國衛生和人類服務部地區6。x軸塊Google流感趨勢和疾病控製和預防中心(CDC)的數據。單杠表示每個方法檢測到一種流行病。減少表明分界點(更不敏感)和b顯示基線數據(訓練窗口)。底部厚水平欄顯示了實際的爆發。HCusum =曆史累積的總和,高級別=曆史極限法,HNBC =曆史負二項累計總和,伊犁=流感樣疾病,k =參考價值的閾值,NBC =負二項累計總和,POD =泊鬆疫情檢測、PSC =泊鬆累積求和。

**圖12**
美國衛生和人類服務部地區10所示。x軸塊Google流感趨勢和疾病控製和預防中心(CDC)的數據。單杠表示每個方法檢測到一種流行病。減少表明分界點(更不敏感)和b顯示基線數據(訓練窗口)。底部的厚單杠顯示實際的爆發。HCusum =曆史累積的總和,高級別=曆史極限法,HNBC =曆史負二項累計總和,伊犁=流感樣疾病,k =參考價值的閾值,NBC =負二項累計總和,POD =泊鬆疫情檢測、PSC =泊鬆累積求和。

**圖13**
美國疾病控製和預防中心的數據用方差來表示比率(VMR)線以上,沿著VMR = 1。

看到這張圖片在PMC和版權信息

類似的文章

監測流感活動在美國:比較傳統的監測係統與穀歌流感趨勢。
小奧爾蒂斯,周H,夏恩DK, Neuzil公裏,Fowlkes阿爾戈斯CH。小奧爾蒂斯,et al。《公共科學圖書館•綜合》。2011年4月27日,6 (4):e18687。doi: 10.1371 / journal.pone.0018687。《公共科學圖書館•綜合》。2011。 PMID:21556151 免費的PMC的文章。
流感與Google流感趨勢預測。
Dugas房顫,Jalalpour M,凝膠Y,萊文年代,Torcaso F, Igusa T,羅斯曼再保險。 Dugas房顫等。《公共科學圖書館•綜合》。2013;8 (2):e56176。doi: 10.1371 / journal.pone.0056176。Epub 2013年2月14。《公共科學圖書館•綜合》。2013。 PMID:23457520 免費的PMC的文章。
穀歌趨勢:實時監測疾病暴發的一個基於web的工具。
Carneiro哈,Mylonakis E。 Carneiro哈,等。中國感染說。2009年11月15日,49 (10):1557 - 64。doi: 10.1086/630200。 2009年中國感染說。。 PMID:19845471 審查。
重新評估Google流感趨勢數據檢測季節性流感和大流行性流感:比較流行病學研究三個地理尺度。
Olson博士,Konty KJ, Paladini M, Viboud C,西蒙森L。 Olson博士,et al。公共科學圖書館第一版雜誌。2013;9 (10):e1003256。doi: 10.1371 / journal.pcbi.1003256。Epub 2013年10月17日。公共科學圖書館第一版雜誌》2013。 PMID:24146603 免費的PMC的文章。
回顧流感檢測和預測通過社交網站。
Alessa, Faezipour M。 Alessa,等。理論的臨床生物醫學模型。2018年2月1;15 (1):2。doi: 10.1186 / s12976 - 017 - 0074 - 5。理論的臨床生物醫學模型。2018。 PMID:29386017 免費的PMC的文章。審查。

看到所有類似的文章

引用的

流感監測與百度指數和引起長期短期記憶模型。
戴年代,漢族L。戴年代,et al。《公共科學圖書館•綜合》。2023年1月23日,18 (1):e0280834。doi: 10.1371 / journal.pone.0280834。eCollection 2023。《公共科學圖書館•綜合》。2023。 PMID:36689543 免費的PMC的文章。
解釋,手,腳,口病情況下在日本使用穀歌趨勢之前和期間COVID-19: infodemiology研究。
大西妞妞問,劉J,趙Z, M,川口,Bandara,原田K, T青山,Nagai-Tanima M。妞妞問,et al。 BMC感染說。2022年10月29日,22 (1):806。doi: 10.1186 / s12879 - 022 - 07790 - 9。 BMC感染說。2022。 PMID:36309663 免費的PMC的文章。
全球監測預防措施對公共利益的COVID-19穀歌趨勢通過分析:一個infodemiology infoveillance研究。
Ito T。 Ito T。 beplay体育官方手机版BMJ開放。2022年8月11日,12日(8):e060715。doi: 10.1136 / bmjopen - 2021 - 060715。 beplay体育官方手机版BMJ開放。2022。 PMID:35953258 免費的PMC的文章。
穀歌搜索趨勢之間的關聯的症狀和COVID-19確診和死亡病例在美國。
阿巴斯M河結核病,大廳,El-Manzalawy Y。阿巴斯M,等。 Int J圍住Res公共衛生。2021年4月25日,18 (9):4560。doi: 10.3390 / ijerph18094560。 Int J公共衛生環境Res。2021。 PMID:33923094 免費的PMC的文章。
區域Infoveillance COVID-19案例利率:搜索引擎查詢模式的分析。
表親HC,表親CC,哈裏斯一,Pasquale LR。表親HC, et al。 J地中海互聯網研究》2020年7月30日,22 (7):e19483。doi: 10.2196/19483。 J地中海互聯網研究》2020。 PMID:32692691 免費的PMC的文章。

看到所有“引用”的文章

引用

1. Eysenbach g . Infodemiology infoveillance:新興的公共衛生信息學方法框架分析搜索、交流和發布在互聯網上的行為。J地中海互聯網研究》2009;11 (1):e11。doi: 10.2196 / jmir.1157。http://www.jmir.org/2009/1/e11/v11i1e11 -DOI- - - - - -PMC- - - - - -PubMed
1. Eysenbach g . Infodemiology:跟蹤流感症狀監測的在網絡上搜索。AMIA物質協會Proc 2006:244 - 8.86095PMC- - - - - -PubMed
1. 貝內特GG,格拉斯哥。通過互聯網提供的公共衛生幹預措施:實現他們的潛能。為公共衛生。2009;30:273 - 92。doi: 10.1146 / annurev.publhealth.031308.100235。- - - - - -DOI- - - - - -PubMed
1. Castillo-Salgado c全球公共衛生監測的趨勢和方向。論文啟2010年4月,32 (1):93 - 109。doi: 10.1093 / epirev / mxq008。mxq008 -DOI- - - - - -PubMed
1. 金斯堡J, Mohebbi MH、Patel RS bram L, Smolinski女士,才華橫溢的L .檢測流感流行使用搜索引擎查詢數據。自然。2009年2月19日,457 (7232):1012 - 4。doi: 10.1038 / nature07634。nature07634 -DOI- - - - - -PubMed

網格計算

行動
行動
行動
行動
行動
行動

引用保存到文件

電子郵件引用

添加到收藏

加入我的參考書目

保存的搜索

創建一個外部引用的文件管理軟件

你的RSS提要

從Google流感趨勢FluBreaks:流行病早期檢測

聯係

從Google流感趨勢FluBreaks:流行病早期檢測

作者

聯係

文摘

利益衝突聲明

數據

類似的文章

引用的

引用

網格計算

LinkOut——更多的資源

全文來源

其他文獻來源

醫療

文摘

利益衝突聲明

數據

類似的文章

引用的

引用

網格計算

相關信息

LinkOut——更多的資源

全文來源

其他文獻來源

醫療