Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Phương pháp dự đoán dịch tễ học dựa trên dữ liệu cho các đợt bùng phát sốt xuất huyết bằng cách sử dụng dữ liệu cảm biến địa phương và từ xa
Tóm tắt
Sốt xuất huyết là bệnh dịch arboviral phổ biến nhất ở người, với hơn một phần ba dân số thế giới đang đối mặt với nguy cơ. Dự đoán chính xác các đợt bùng phát sốt xuất huyết có thể dẫn đến các can thiệp y tế công cộng giúp giảm thiểu tác động của bệnh. Việc dự đoán các đợt bùng phát bệnh truyền nhiễm là một nhiệm vụ khó khăn; các phương pháp dự đoán thực sự vẫn còn trong giai đoạn đầu phát triển. Chúng tôi mô tả một phương pháp dự đoán mới sử dụng Khai thác Quy tắc Liên kết Mơ hồ để trích xuất các mối quan hệ giữa dữ liệu lâm sàng, khí tượng, khí hậu và dữ liệu xã hội-chính trị từ Peru. Các mối quan hệ này được diễn đạt dưới dạng các quy tắc. Bộ quy tắc tốt nhất được chọn tự động và tạo thành một bộ phân loại. Bộ phân loại đó sau đó được sử dụng để dự đoán tần suất sốt xuất huyết trong tương lai là CAO (bùng phát) hoặc THẤP (không bùng phát), trong đó các giá trị này được định nghĩa là cao hơn và thấp hơn trung bình tần suất sốt xuất huyết trước đó cộng thêm hai độ lệch chuẩn, tương ứng. Phương pháp tự động của chúng tôi đã xây dựng ba mô hình quy tắc liên kết mơ hồ khác nhau. Sử dụng hai mô hình hàng tuần đầu tiên, chúng tôi đã dự đoán tần suất sốt xuất huyết ba và bốn tuần trước, tương ứng. Dự đoán thứ ba bao gồm một khoảng thời gian bốn tuần, cụ thể là từ bốn đến bảy tuần kể từ thời điểm dự đoán. Sử dụng dữ liệu thử nghiệm chưa từng được sử dụng trước đó cho giai đoạn 4–7 tuần kể từ thời điểm dự đoán cho ra giá trị dự đoán dương là 0.686, giá trị dự đoán âm là 0.976, độ nhạy là 0.615, và độ chuyên biệt là 0.982. Chúng tôi đã phát triển một phương pháp mới cho dự đoán bùng phát sốt xuất huyết. Phương pháp này là tổng quát, có thể được mở rộng để sử dụng ở bất kỳ khu vực địa lý nào và có tiềm năng để mở rộng cho các bệnh truyền nhiễm khác bị ảnh hưởng bởi môi trường. Các biến được sử dụng trong phương pháp của chúng tôi có sẵn rộng rãi cho hầu hết, nếu không muốn nói là tất cả các quốc gia, nâng cao khả năng tổng quát của phương pháp của chúng tôi.
Từ khóa
#sốt xuất huyết #dự đoán bùng phát #khai thác dữ liệu #quy tắc liên kết mơ hồ #y tế công cộngTài liệu tham khảo
Focks DA, Daniels E, Haile DG, Keesling JE: A simulation model of the epidemiology of urban dengue fever: literature analysis, model development, preliminary validation, and samples of simulation results. Am J Trop Med Hyg. 1995, 53 (5): 489-506.
Gibbons RV, Vaughn DW: Dengue: an escalating problem. BMJ. 2002, 324 (7353): 1563-1566. 10.1136/bmj.324.7353.1563.
TDR/WHO: Dengue Guidelines for Diagnosis, Treatment, Prevention and Control. 2009, Geneva: World Health Organization, Available:http://whqlibdoc.who.int/publications/2009/9789241547871_eng.pdf. Accessed 26 October 2012,
Ranjit S, Kissoon N: Dengue hemorrhagic fever and shock syndromes. Pediatr Crit Care Med. 2010, 12 (1): 90-100.
Guzman MG, Kouri G: Dengue: an update. Lancet Infect Dis. 2002, 2: 33-42. 10.1016/S1473-3099(01)00171-2.
Halsted SB: Dengue. Lancet Infect Dis. 2007, 370: 1644-1652.
US Centers for Disease Control and Prevention: Locally Acquired Dengue – Key West, Florida 2009–2010. MMWR. 2010, 59 (19): 577-581.
Control of Communicable Diseases Manual. Edited by: Heymann DL. 2008, Washington DC: American Public Health Association, 19
Tan GK, Alonso S: Pathogenesis and prevention of dengue virus infection: state of the art. Curr Opin Infect Dis. 2009, 22 (3): 302-308. 10.1097/QCO.0b013e328329ae32.
Fuller DO, Troyo A, Beier JC: El Nino Southern Oscillation and vegetation dynamics as predictors of dengue fever cases in Costa Rica. Environ Res Lett. 2009, 4: 014011-10.1088/1748-9326/4/1/014011.
Choudhury MAHZ, Banu S, Islam MA: Forecasting dengue incidence in Dhaka, Bangladesh: a time series analysis. DF Bulletin. 2008, 32: 29-37.
Wongkoon S, Jaroensutasinee M, Jaroensutasinee K: Predicting DHF incidence in northern Thailand using time series analysis technique. World Academy of Science, Engineering and Technology. 2007, 32: 216-220.
Cummings DAT, Irizarry RA, Huang NE, Endy TP, Nisalak A, Ungchusak K, Burke DS: Travelling waves in the occurrence of dengue haemorrhagic fever in Thailand. Nature. 2004, 427: 344-347. 10.1038/nature02225.
Bhandari KP, Raju PLN, Sokhi BS: Application of GIS modeling for dengue fever prone area based on socio-cultural and environmental factors – a case study of Delhi city zone. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, Vol. XXXVII, Part B8. 2008, 165-170. Beijing, China
Husin NA, Salim N, Ahmad AR: Modeling of dengue outbreak prediction in Malaysia: a comparison of neural network and nonlinear regression model. IEEE International Symposium on Information Technology (ITSim 2008). 2008, 3: 1-4. Kuala Lumpur, Malaysia
Cetiner BG, Sari M, Aburas HM: Recognition of dengue disease patterns using artificial neural networks. 5th International Advanced Technologies Symposium (IATS’09). 2009, Karabuk, 359-362.
Rachata N, Charoenkwan P, Yooyativong T, Camnongthai K, Lursinsap C, Higachi K: Automatic prediction system of dengue haemorrhagic-fever outbreak risk by using entropy and artificial neural network. IEEE International Symposium on Communications and Information Technologies (ISCIT 2008). 2008, 210-214. 21–23 October 2008, Lao
Fu X, Liew C, Soh H, Lee G, Hung T, Ng L-C: Time-series infectious disease data analysis using SVM and genetic algorithm. 2007 IEEE Congress on Evolutionary Computation (CEC 2007). 2007, 1276-1280. Singapore, 25–28 September 2007
Halide H, Ridd P: A predictive model for dengue hemorrhagic fever epidemics. International J Environ Health Research. 2008, 4: 253-265.
Honório NA, Nogueira RMR, Codeco CT, Carvalho MS, Cruz OG, Magalhaes MAFM, de Araujo JMG, de Araujo ESM, Gomes MQ, Pinheiro LS, Pinel CS, de Oliveira L: Spatial evaluation and modeling of dengue seroprevalence and vector density in Rio de Janeiro, Brazil. PLoS Negl Trop Dis. 2009, 3: e545-
Barbazan P, Guiserix M, Boonyuan W, Tuntaprasart W, Pontier D, Gonzalez J-P: Modelling the effect of temperature on transmission of dengue. Medical and Veterinary Entomology. 2010, 24: 66-73. 10.1111/j.1365-2915.2009.00848.x.
Kummerow C, Barnes W, Kozu T, Shiue J, Simpson J: The Tropical Rainfall Measuring Mission (TRMM) sensor package. J. Atmos. Ocean. Technol. 1998, 15: 809-817. 10.1175/1520-0426(1998)015<0809:TTRMMT>2.0.CO;2.
Soebiyanto RP, Adimi F, Kiang RK: Modeling and predicting seasonal influenza transmission in warm regions using climatological parameters. PLoS One. 2010, 5: e9450-10.1371/journal.pone.0009450.
Anyamba A, Linthicum KJ, Mahoney R, Tucker CJ, Kelley PW: Mapping potential risk of Rift Valley Fever outbreaks in African savannas using vegetation index time series data. Photogramm. Engr. Remote Sens. 2002, 68: 137-145.
Hales S, Weinstein P, Souares Y, Woodward A: El Nino and the dynamics of vectorborne disease transmission. Environ Health Perspect. 1999, 107: 99-102.
Johansson MA, Cummings DAT, Glass GE: Multiyear climate variability and dengue – El Nino Southern Oscillation, weather, and dengue incidence in Puerto Rico, Mexico, and Thailand: a longitudinal data analysis. PLoS Med. 2009, 6: e1000168-10.1371/journal.pmed.1000168.
Hu W, Clements A, Williams G, Tong S: Dengue fever and El Nino/Southern Oscillation in Queensland, Australia: a time series predictive model. Occup Environ Med. 2010, 67: 307-311. 10.1136/oem.2008.044966.
US Centers for Disease Control and Prevention: MMWR Weeks. 2012, Available:http://www.cdc.gov/nndss/document/MMWR_Week_overview.pdf Accessed 26 October 2012,
US National Aeronautics and Space Administration Goddard Earth Sciences Data and Information Services Center: Mirador Earth Science Data Search Tool. 2012, Available:http://mirador.gsfc.nasa.gov/ Accessed 26 October 2012,
Mathworks: MATLAB. Available:http://www.mathworks.com/products/matlab/index.html Accessed 26 October 2012,
US Geological Survey: Land Processes Distributed Active Archive Center. Available:https://lpdaac.usgs.gov/get_data Accessed 26 October 2012,
Kalluri S, Gilruth P, Rogers D, Szczur M: Surveillance of arthropod vector-borne infectious diseases using remote sensing techniques: a review. PLoS Pathog. 2007, 3 (10): e116-10.1371/journal.ppat.0030116.
Ferreira NC, Ferreira LG, Huete AR: Assessing the response of the MODIS vegetation indices to landscape disturbance in the forested areas of the legal Brazilian Amazon. International J Remote Sensing. 31 (3): 745-759.
Xiao X, Zhang Q, Saleska S, Hutyra L, De Camargo P, Wofsy S, Frolking S, Boles S, Keller M, Moore B: Satellite-based modeling of gross primary production in a seasonally moist tropical evergreen forest. Remote Sensing Environ. 2005, 94: 105-122. 10.1016/j.rse.2004.08.015.
Climate and Global Dynamics Section, US National Center for Atmospheric Research, University Corporation for Atmospheric Research: Southern Oscillation Index Data. Available:http://www.cgd.ucar.edu/cas/catalog/climind/SOI.signal.ascii Accessed 26 October 2012,
Global Change Master Directory, US National Aeronautics and Space Administration Goddard Space Flight Center: Monthly and Weekly Nino 3.4 Region SST Index: East Central Tropical Pacific. 2012, Available:http://gcmd.nasa.gov/records/GCMD_NOAA_NWS_CPC_NINO34.html Accessed 26 October 2012,
The World Bank Group: Worldwide Governance Indicators. 2012, Available:http://info.worldbank.org/governance/wgi/index.asp Accessed 26 October 2012,
Peru National Institute of Statistics and Information. 2007, Peru: Census, Available:http://www.inei.gob.pe/ Accessed 26 October 2012,
US National Oceanic and Atmospheric Administration, National Geophysical Data Center: Topographic and Digital Terrain Data. Availablehttp://www.ngdc.noaa.gov/cgi-bin/mgg/ff/nph-newform.pl/mgg/topo/ Accessed 26 October 2012,
Buczak AL, Gifford CM: Fuzzy association rule mining for community crime pattern discovery. Proceedings of the ACM SIGKDD Conference on Knowledge Discovery and Data Mining: Workshop on Intelligence and Security Informatics. 2010, Washington, D.C: Association for Computing Machinery, July 2010
Kuok CM, Fu A, Wong MH: Mining fuzzy association rules in databases. ACM SIGMOD Record. 1998, 27 (1): 41-46. 10.1145/273244.273257. New York, NY
Zadeh LA: Fuzzy Sets. Information and Control. 1965, 8 (3): 338-353. 10.1016/S0019-9958(65)90241-X.
Liu B, Hsu W, Ma Y: Integrating classification and association rule mining. Proceedings of 4th International Conference on Knowledge Discovery Data Mining (KDD). 1998, New York: AAAI Press, 80-86.
Agrawal R, Imielinski T, Swami A: Mining association rules between sets of items in large databases. Proceedings of the International Conference on Management of Data. 1993, Washington, DC: Association for Computing Machinery, 207-216.
Srikant R, Agrawal R: Mining quantitative association rules in large relational tables. Proceedings of the International Conference on Management of Data. 1996, Montreal: Association for Computing Machinery, 1-12.
Cawley GC, Talbot NLC: On over-fitting in model selection and subsequent selection bias in performance evaluation. J Machine Learning Res. 2010, 11: 2079-2107.
The pre-publication history for this paper can be accessed here:http://www.biomedcentral.com/1472-6947/12/124/prepub