Algoritmos para la Detección de Aberraciones en Vigilancia Epidemiológica

class: center, middle, inverse, title-slide

# Algoritmos para la Detección de Aberraciones en Vigilancia Epidemiológica
### Andree Valle Campos<br/> <span class="citation">@avallecam</span>
### CDC - Perú<br/>Centro Nacional de Epidemiología,<br/>Prevención y Control de Enfermedades
### 2021-10-07

---

# Temario

1. __Introduction__
  
2. __Problemas estadísticos__

3. __Métodos__ 
  
  * Ejemplos
  * Ventajas y Limitaciones

---
class: center, middle

# Créditos

Introducción basada en materiales creados por 
Willy Lescano, PhD y Mary Reyes, MD.

Trabajos en EDA y SGB conducidos por Cesar Munayco, PhD y 
el grupo de trabajo en Investigación Epidemiológica y
Evaluación de Intervenciones Sanitarias del CDC-Perú.

El material aquí compartido contiene resultados no 
publicados. 
Licencia [CC-BY-NC-ND](https:://creativecommons.org/licenses/by-nc-nd/4.0/).
No usar el contenido sin contactarse con los autores previamente.

---
class: center, middle

# Introducción

---

# Introducción

* La mayoría de los _sistemas de vigilancia_ electrónica 
buscan detección temprana.

* Grandes cantidades de datos son analizados 
diariamente o semanalmente, a escala nominal y agregada. *

* Algoritmos automatizados de _detección de aberraciones_
son cruciales para viabilizar esta tarea.

* Se necesita alta _sensibilidad_ pero también buena
_especificidad_ para reducir falsas alarmas costosas y 
desgastantes.

.footnote[
[* Visitar www.dge.gob.pe: Vigilancia Epidemiológica / Herramientas para la vigilancia](https://www.dge.gob.pe/portal/index.php?option=com_content&view=article&id=382&Itemid=135)
]

???

El mecnaismo establecido debe detectar lo antes 
posible cualquir acontecimiento anormal o alternación
dela frecuencia habitual o habitualmente observada
para una enfermedad o riesgo para la salud.

La posible ocurrencia de un brote en una comunidad
debe ser verificada

debe ser sensible para detectar señales en la etapa
más temprana posible.

reference <a name=cite-monitoring2016></a>[[1](https://doi.org/10.18637/jss.v070.i10)]

reference <a name=cite-modeling2017></a>[[2](https://doi.org/10.18637/jss.v077.i11)]

reference <a name=cite-germany2016></a>[[3](https://www.eurosurveillance.org/content/10.2807/1560-7917.ES.2016.21.13.30180)]

reference <a name=cite-book2009></a>[[4](https://doi.org/10.1093/acprof:oso/9780195146493.001.0001)]

AGREGAR links a vigilancias del cdc!!!

---

# Mecanismos de detección (1/)

---

# Mecanismos de detección (2/)

---

# Problemas estadísticos

* Uso de la variabilidad entre lo 
observado y lo esperado. Este _residual_
puede caracterizarse por tener:
  + Dependencia Temporal
  + Dependencia Espacial

* __Autocorrelación temporal:__ Fenómeno en el que las
observaciones tomadas en sucesión rápida son más 
similares entre sí, en comparación a otras con mayor
separación de tiempo.

* La autocorrelación _temporal_ y _espacial_ 
generan dependencia estadística, afectando los
supuestos de algunos modelos estadísticos.

???

Según <a name=cite-review2012></a>[[5](https://rss.onlinelibrary.wiley.com/doi/abs/10.1111/j.1467-985X.2011.00714.x)]

---
class: center, middle

# Métodos

---

# Canal Endémico

* Utiliza la variabilidad 
(Desviación Estándar o IC al 95%)
como parámetro para determinar aberraciones.

* Requiere de al menos 5 años de datos semanales.

* Método estándar en vigilancia epidemiológica y
disciplinas como meteorología.

- **anomalía:** diferencia del valor actual con
  la media geométrica de las observaciones en años
  pasados.

## Resultado

* Zonas de seguridad, alarma y de epidemia. *

.footnote[
[* Visitar sala situacional del CDC-Perú: https://www.dge.gob.pe/salasituacional/](https://www.dge.gob.pe/salasituacional/)
]

---

# Canal Endémico: EDA (1/)

---

# Canal Endémico: EDA (2/)

---

# Canal Endémico: EDA (3/)

---

# Canal Endémico: EDA (4/)

---

# EARS-C1

* Moving Average with sliding window

* Método:

---

# EARS-C1: EDA (1/)

---

# EARS-C1: EDA (2/)

---

# EARS-C1: EDA (3/)

---

# EARS-C1: EDA (4/)

---

# Pronóstico de casos:

* Los métodos _forecasting_ realizan una 
descomposición de las tendencias temporales y 
estacionales.

* En Munayco et al. 2019, aplicacon un 
algoritmo de pronóstico _loess_ (STL) 
o modelo de suavizamiento exponencial
a la serie de casos mensuales de SGB.

* Hicieron uso de la función `stlf` del 
paquete __forecast__.

* Sea aplicó a nivel nacional y departamental con el objetivo de identificar el exceso de casos observados en el año 2020.

---

# Pronóstico de casos: SGB (1/)

---

# Pronóstico de casos: SGB (2/)

---

# Pronóstico de casos: SGB (3/)

---

# Monitoreo Espacio-Temporal

* Los métodos de _Scan statistics_ permiten poner a prueba la hipótesis nula de homogeneidad espacial de eventos.

* (population-based) space-time scan statistic (Kulldorff 2001)

* Compara el conteo de casos en un cluster contra los que están afuera en el periodo de interés

* expectation-based Poisson scan statistic (Neill 2005)
  
  * Usa conteo de casos pasados no-anómalos como comparador contra el conteo observado dentro del cluster.

* Se obtienen scores relativos para visualizar la agregación espacial en _heatmaps_ usando el paquete en R __scanstatistic__.

---

# Monitoreo Espacio-Temporal: SGB (1/)

---

# Monitoreo Espacio-Temporal: SGB (2/)

---

# Monitoreo Espacio-Temporal: SGB (3/)

---

# Monitoreo Espacio-Temporal: SGB (4/)

---

# Monitoreo Espacio-Temporal: SGB (5/)

---
class: center, middle

# Limitaciones

---

# Limitaciones

- Diferentes métodos permiten lidiar con la dependencia espacial y temporal

- Los datos de la vigilancia no provienen de un muestreo aleatorio.

- Posee sesgo hacia los más casos moderados y severos.

- Sensible a la calidad del reporte

- Dependiente del métodos de registro digital del sistema de vigilancia

???

- nula aleatoridad, y alto tamaño muestral

---

# Referencias (1/2)

<a name=bib-monitoring2016></a>[[1]](#cite-monitoring2016) M. Salmon,
D. Schumacher, and M. Höhle. "Monitoring Count Time Series in R:
Aberration Detection in Public Health Surveillance". In: _Journal of
Statistical Software_ 70.10 (2016), pp. 1-35. DOI:
[10.18637/jss.v070.i10](https://doi.org/10.18637%2Fjss.v070.i10).

<a name=bib-modeling2017></a>[[2]](#cite-modeling2017) S. Meyer, L.
Held, and M. Höhle. "Spatio-Temporal Analysis of Epidemic Phenomena
Using the R Package surveillance". In: _Journal of Statistical
Software_ 77.11 (2017), pp. 1-55. DOI:
[10.18637/jss.v077.i11](https://doi.org/10.18637%2Fjss.v077.i11).

<a name=bib-germany2016></a>[[3]](#cite-germany2016) M. Salmon, D.
Schumacher, H. Burmann, et al. "A system for automated outbreak
detection of communicable diseases in Germany". In: _Eurosurveillance_
21.13 (2016). DOI:
[https://doi.org/10.2807/1560-7917.ES.2016.21.13.30180](https://doi.org/https%3A%2F%2Fdoi.org%2F10.2807%2F1560-7917.ES.2016.21.13.30180).
URL:
[https://www.eurosurveillance.org/content/10.2807/1560-7917.ES.2016.21.13.30180](https://www.eurosurveillance.org/content/10.2807/1560-7917.ES.2016.21.13.30180).

<a name=bib-book2009></a>[[4]](#cite-book2009) R. Brookmeyer and D. F.
Stroup. "Monitoring the Health of Populations: Statistical Principles
and Methods for Public Health Surveillance". English (US). In:
_Monitoring the Health of Populations_. Oxford University Press, Set..
2009, pp. 1-388. ISBN: 9780195146493. DOI:
[10.1093/acprof:oso/9780195146493.001.0001](https://doi.org/10.1093%2Facprof%3Aoso%2F9780195146493.001.0001).

---

# Referencias (2/2)

<a name=bib-review2012></a>[[5]](#cite-review2012) S. Unkel, C. P.
Farrington, P. H. Garthwaite, et al. "Statistical methods for the
prospective detection of infectious disease outbreaks: a review". In:
_Journal of the Royal Statistical Society: Series A (Statistics in
Society)_ 175.1 (2012), pp. 49-82. DOI:
[10.1111/j.1467-985X.2011.00714.x](https://doi.org/10.1111%2Fj.1467-985X.2011.00714.x).
eprint:
https://rss.onlinelibrary.wiley.com/doi/pdf/10.1111/j.1467-985X.2011.00714.x.
URL:
[https://rss.onlinelibrary.wiley.com/doi/abs/10.1111/j.1467-985X.2011.00714.x](https://rss.onlinelibrary.wiley.com/doi/abs/10.1111/j.1467-985X.2011.00714.x).

---

class: center, middle

# Gracias por su atención

## Andree Valle Campos<br/><br/> <svg viewBox="0 0 512 512" style="height:1em;position:relative;display:inline-block;top:.1em;" xmlns="http://www.w3.org/2000/svg">  <path d="M459.37 151.716c.325 4.548.325 9.097.325 13.645 0 138.72-105.583 298.558-298.558 298.558-59.452 0-114.68-17.219-161.137-47.106 8.447.974 16.568 1.299 25.34 1.299 49.055 0 94.213-16.568 130.274-44.832-46.132-.975-84.792-31.188-98.112-72.772 6.498.974 12.995 1.624 19.818 1.624 9.421 0 18.843-1.3 27.614-3.573-48.081-9.747-84.143-51.98-84.143-102.985v-1.299c13.969 7.797 30.214 12.67 47.431 13.319-28.264-18.843-46.781-51.005-46.781-87.391 0-19.492 5.197-37.36 14.294-52.954 51.655 63.675 129.3 105.258 216.365 109.807-1.624-7.797-2.599-15.918-2.599-24.04 0-57.828 46.782-104.934 104.934-104.934 30.213 0 57.502 12.67 76.67 33.137 23.715-4.548 46.456-13.32 66.599-25.34-7.798 24.366-24.366 44.833-46.132 57.827 21.117-2.273 41.584-8.122 60.426-16.243-14.292 20.791-32.161 39.308-52.628 54.253z"></path></svg> <svg viewBox="0 0 496 512" style="height:1em;position:relative;display:inline-block;top:.1em;" xmlns="http://www.w3.org/2000/svg">  <path d="M165.9 397.4c0 2-2.3 3.6-5.2 3.6-3.3.3-5.6-1.3-5.6-3.6 0-2 2.3-3.6 5.2-3.6 3-.3 5.6 1.3 5.6 3.6zm-31.1-4.5c-.7 2 1.3 4.3 4.3 4.9 2.6 1 5.6 0 6.2-2s-1.3-4.3-4.3-5.2c-2.6-.7-5.5.3-6.2 2.3zm44.2-1.7c-2.9.7-4.9 2.6-4.6 4.9.3 2 2.9 3.3 5.9 2.6 2.9-.7 4.9-2.6 4.6-4.6-.3-1.9-3-3.2-5.9-2.9zM244.8 8C106.1 8 0 113.3 0 252c0 110.9 69.8 205.8 169.5 239.2 12.8 2.3 17.3-5.6 17.3-12.1 0-6.2-.3-40.4-.3-61.4 0 0-70 15-84.7-29.8 0 0-11.4-29.1-27.8-36.6 0 0-22.9-15.7 1.6-15.4 0 0 24.9 2 38.6 25.8 21.9 38.6 58.6 27.5 72.9 20.9 2.3-16 8.8-27.1 16-33.7-55.9-6.2-112.3-14.3-112.3-110.5 0-27.5 7.6-41.3 23.6-58.9-2.6-6.5-11.1-33.3 2.6-67.9 20.9-6.5 69 27 69 27 20-5.6 41.5-8.5 62.8-8.5s42.8 2.9 62.8 8.5c0 0 48.1-33.6 69-27 13.7 34.7 5.2 61.4 2.6 67.9 16 17.7 25.8 31.5 25.8 58.9 0 96.5-58.9 104.2-114.8 110.5 9.2 7.9 17 22.9 17 46.4 0 33.7-.3 75.4-.3 83.6 0 6.5 4.6 14.4 17.3 12.1C428.2 457.8 496 362.9 496 252 496 113.3 383.5 8 244.8 8zM97.2 352.9c-1.3 1-1 3.3.7 5.2 1.6 1.6 3.9 2.3 5.2 1 1.3-1 1-3.3-.7-5.2-1.6-1.6-3.9-2.3-5.2-1zm-10.8-8.1c-.7 1.3.3 2.9 2.3 3.9 1.6 1 3.6.7 4.3-.7.7-1.3-.3-2.9-2.3-3.9-2-.6-3.6-.3-4.3.7zm32.4 35.6c-1.6 1.3-1 4.3 1.3 6.2 2.3 2.3 5.2 2.6 6.5 1 1.3-1.3.7-4.3-1.3-6.2-2.2-2.3-5.2-2.6-6.5-1zm-11.4-14.7c-1.6 1-1.6 3.6 0 5.9 1.6 2.3 4.3 3.3 5.6 2.3 1.6-1.3 1.6-3.9 0-6.2-1.4-2.3-4-3.3-5.6-2z"></path></svg> __`@avallecam`__ <br/><br/> <svg viewBox="0 0 576 512" style="height:1em;position:relative;display:inline-block;top:.1em;" xmlns="http://www.w3.org/2000/svg">  <path d="M567.938 243.908L462.25 85.374A48.003 48.003 0 0 0 422.311 64H153.689a48 48 0 0 0-39.938 21.374L8.062 243.908A47.994 47.994 0 0 0 0 270.533V400c0 26.51 21.49 48 48 48h480c26.51 0 48-21.49 48-48V270.533a47.994 47.994 0 0 0-8.062-26.625zM162.252 128h251.497l85.333 128H376l-32 64H232l-32-64H76.918l85.334-128z"></path></svg> __avallecam@gmail.com__

.footnote[
Slides created via the R package [**xaringan**](https://github.com/yihui/xaringan).
]