Halk sağlığı izlemesi için bazı istatistiksel salgın belirleme yöntemleri

Abstract

Birey ve toplumun sağlığını olumsuz etkileyebilecek olayların örneğin hastalık salgınlarının zamanında tespiti ve önlemlerin alınması halk sağlığında önemli bir amaçtır. Bu amaçla halk sağlığı izleme sistemleri oluşturulmuştur ve istatistiksel salgın belirleme algoritmaları bu sistemler içinde kullanılmaktadır. Halk sağlığı izleme sistemlerinde istatistiksel algoritmalarının uygulamasını güçleştiren bir husus hastalık salgınlarının izlenmesi için toplanan verilerin özellikleridir. Veriler genellikle günlük ya da haftalık olay sayılarını belirttikleri için kesikli, öz ilişkili olup, mevsimsellik etkisi gösterebilmektedir. Başka bir ifadeyle, veriler standart istatistiksel yöntemlerin gerektirdiği gibi genellikle normallik, bağımsızlık ve durağanlık özelliklerine sahip değillerdir. Bu tez çalışması tek değişkenli zamana bağlı ileriye dönük izleme yapabilen bazı istatistiksel salgın belirleme yöntemlerini tanıtmayı, gerçek verilere uygulamayı ve simülasyon çalışmasıyla bu yöntemlerin performanslarını incelemeyi hedeflemiştir. Bu amaca yönelik olarak bu çalışma kapsamında regresyon modellemesine, istatistiksel süreç kontrolüne, hipotez testine, zaman serisi modellemesine dayanan bazı yöntemler dikkate alınmıştır. Ayrıca bu çalışma kapsamında zaman içerisinde ileriye dönük izleme yapabilen ve UCengiz yöntemi olarak adlandırılan basit bir istatistiksel yöntem önerilmiştir. Gerçek veri analizi için, bu tez kapsamında önerilen UCengiz yöntemiyle birlikte Serfling regresyon yöntemi, Farrington ve FarringtonFlexible yöntemleri, OutbreakP, Bayes, Cusum, Ears C1, C2, C3, Rki, Haar-Wavelets, Glrnb, Shewhart I-chart, EWMA gibi süreç kontrol grafikleri, Holt-winters, Hidden Markov modeli ve ARIMA modelleme yöntemleri dikkate alınmıştır. Bu yöntemlerin her biri CDC (Centers for Disease Control and Prevention) kurumundan elde edilen 2015-2016 haftalık grip mevsimi verilerini izlemek amacıyla uygulanmıştır. Analizler R programının surveillance paketi, çeşitli sitelerden indirilen excell, MATLAB tabanlı programlarının düzenlenmesi ve R kodlarıyla yazılan programlar aracılıyla gerçekleştirilmiştir. Bu analizler sonucunda Hidden Markov modeli, Serfling regresyon yöntemi, Cusum, UCengiz, Ewma artıklarını kullanan I-Chart, Bayes, Glrnb ve Rki yöntemlerinin salgınları daha erken ve doğru olarak belirledikleri tespit edilmiştir. Ayrıca sadece salgının başlagıcını belirlenmesi amacıyla tasarlanmış OutbreakP yöntemi, salgını erken belirleyen yöntemler arasında yer almıştır.Ayrıca CDC kurumunda elde edilen 2013-2014, 2014-2015, 2015-2016 ve 2016-2017 grip mevsimlerine ilişkin haftalık verilerin özelliklerini yansıtacak şekilde grip verilerinin 10000 tekrarlı simülasyonları yapılmıştır. Bu simülasyonlarda; aynı ATFS (Average Time Between False Signals) değerinde, ATFOS (Average Time to First Outbreak Signals) ve FMO (Fraction of Missed Outbreaks) ölçütlerine göre 11 algoritmanın performansları çeşitli salgın büyüklükleri ve süreleri dikkate alınarak karşılaştırılmıştır. Simülasyonlarda Bayes, Cusum, Farrington, FarringtonFlexible, Ears C1, Ears C2, Ears C3, OutbreakP, Glrnb, Serfling regresyon modeli ve bu çalışmada önerilen UCengiz yöntemi dikkate alınmıştır. Tüm bu işlemler tez çalışması için özel olarak oluşturulan R kodlarıyla yazılan programlar ile gerçekleştirilmiştir. Simülasyonlar sonucunda; bu tez çalışmasında önerilen UCengiz yönteminin ATFOS açısından, Serfling regresyon yönteminin FMO açısından genel olarak en iyi performansa sahip oldukları söylenebilmektedir. Her iki ölçüt birlikte dikkate alındığında ise UCengiz, Serfling Regresyon, Cusum, Farrington ve FarringtonFlexible yöntemlerinin iyi performanslara sahip oldukları gözlemlenmiştir. Anahtar Kelimeler:Biyoizleme, Halk Sağlığı İzleme Sistemleri, İleriye Dönük İstatistiksel Salgın Belirleme Algoritmaları, Erken Uyarı Algoritmaları, Grip Salgınlarının Belirlenmesi

Identification of events that can negatively affect the health of the individual and the community, such as the detection of disease epidemics early in time and taking measures against, is an important goal in public health. For this purpose public health monitoring systems have been established and statistical epidemic detection algorithms are used in these systems. One of the matters that makes the application of statistical algorithms difficult for public health monitoring systems is inherent features of the data collected for disease outbreak surveillance. Since the data are generally daily or weekly numbers of event ot interest, they are often discrete, autocorrelated and have seasonal effects. In other words, the data usually are not distributed normal, independent and stationary as required by standard statistical methods.The aim of this thesis is to introduce some univariate temporal statistical epidemic detection methods that make real time surveillance, to apply them to real data and to study their performance with simulation studies. For this purpose, some methods based on regression modeling, statistical process control, hypothesis testing, time series modeling are taken into consideration. In addition, a simple statistical method, called UCengiz method, is proposed, which can monitor prospectively the number of events of interest over time.To make real data analysis, Serfling regression method, Farrington and FarringtonFlexible methods, OutbreakP, Bayes, Cusum, Ears C1, C2, C3, Rki, Haar Wavelets, Glrnb, Hidden Markov model, ARIMA modeling and process control graphics such as Shewhart I-Chart, EWMA are taken into consideration together with the newly proposed UCengiz method in this study. Each of these methods has been applied to monitor 2015-2016 weekly flu seasonal data obtained from Centers for Disease Control and Prevention (CDC). Analyzes were made by using surveillance package of R program, excell macros downloaded from various sites, modification of some MATLAB based programs and the programs written in R codes. As a result of these analyzes, Hidden Markov model, Serfling regression method, Cusum, UCengiz, I-Chart based on Ewma residuals, Bayes Glrnb and Rki methods were found to identify outbreaks earlier and more accurately. Furthermore, the OutbreakP method, which was designed to determine the onset of the disease epidemic, was also one of the early methods to identify the outbreak.In addition, 10000 repetitive simulations of influenza data were conducted to reflect the characteristics of the weekly influenza data on the influenza seasons 2013-2014, 2014-2015, 2015-2016 and 2016-2017 obtained at CDC. In these simulations; performance of 11 algorithms based on the same ATFS (Average Time Between False Signals), were compared for various outbreak sizes and durations in terms of ATFOS (Average Time to First Outbreak Signals) and FMO (Fraction of Missed Outbreaks) criteria. In the simulations Bayes, Cusum, Farrington, Farrington Flexible, Ears C1, Ears C2, Ears C3, OutbreakP, Glrnb, Serfling regression model and UCengiz method proposed in this study are considered. All these simulations were performed with programs written in R codes which are specially developed for the thesis. As a result of the simulations; it can be said that the performance of the UCengiz method is generally the best in terms of ATFOS while the performance of the Serfling regression method is generally the best in terms of FMO. Furthermore, it is observed that UCengiz Method, Serfling regression, Cusum, Farrington and FarringtonFlexible methods have good performances according to both ATFOS and FMO criteria.Keywords: Biosurveillance, Public Health Surveillance Systems, Prospective Statistical Outbreak Detection Algorithms, Early Event Detection, Influenza Outbreaks Detection