class: center, middle, inverse, title-slide # Algoritmos para la Detección de Aberraciones en Vigilancia Epidemiológica ### Andree Valle Campos
@avallecam
### CDC - Perú
Centro Nacional de Epidemiología,
Prevención y Control de Enfermedades ### 2021-10-07 --- # Temario 1. __Introduction__ 2. __Problemas estadísticos__ 3. __Métodos__ * Ejemplos * Ventajas y Limitaciones <!-- 2. __Clasificación__ --> --- 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/) <img src="figure/eurosurv-21-30180-f1.png" width="100%" style="display: block; margin: auto;" /> --- # Mecanismos de detección (2/) <img src="figure/eurosurv-21-30180-f2.png" width="100%" style="display: block; margin: auto;" /> --- # 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 --> <!-- # Clasificación --> <!-- --- --> <!-- # Clasificación --> <!-- Según [[5](https://rss.onlinelibrary.wiley.com/doi/abs/10.1111/j.1467-985X.2011.00714.x)]: --> <!-- * Basados en Regresión: CUSUM --> <!-- * Basados en Serie de Tiempo: Forecasting --> <!-- * Basados en Control de Procesos: EARS-C1 --> <!-- .footnote[ --> <!-- [Unkel, Farrington, Garthwaite, et al. [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/) <img src="figure/0201-echannel-02-1sd.png" width="90%" style="display: block; margin: auto;" /> --- # Canal Endémico: EDA (2/) <img src="figure/0201-echannel-03-2sd.png" width="90%" style="display: block; margin: auto;" /> --- # Canal Endémico: EDA (3/) <img src="figure/0201-echannel-04-xic.png" width="90%" style="display: block; margin: auto;" /> --- # Canal Endémico: EDA (4/) <img src="figure/0201-echannel-01.png" width="90%" style="display: block; margin: auto;" /> --- # EARS-C1 * Moving Average with sliding window * Método: <img src="figure/ears-method.PNG" width="100%" style="display: block; margin: auto;" /> --- # EARS-C1: EDA (1/) <img src="figure/0301-ears-01.png" width="90%" style="display: block; margin: auto;" /> --- # EARS-C1: EDA (2/) <img src="figure/0301-ears-02.png" width="90%" style="display: block; margin: auto;" /> --- # EARS-C1: EDA (3/) <img src="figure/0301-ears-03.png" width="90%" style="display: block; margin: auto;" /> --- # EARS-C1: EDA (4/) <img src="figure/0301-ears-04.png" width="90%" style="display: block; margin: auto;" /> <!-- --- --> <!-- # CUSUM --> <!-- * Monitoreo de la varianza en el tiempo --> <!-- * Acrónimo de Suma Acumulada de los residuales --> <!-- * Evalúa si el proceso está en "control" o "fuera de control" --> <!-- --- --> <!-- # Farrington --> <!-- * ver surveillance --> --- # 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/) <img src="figure/0401-forecast-01-esp.png" width="90%" style="display: block; margin: auto;" /> --- # Pronóstico de casos: SGB (2/) <img src="figure/0401-forecast-02-obs.png" width="90%" style="display: block; margin: auto;" /> --- # Pronóstico de casos: SGB (3/) <img src="figure/0401-forecast-03-str.png" width="75%" style="display: block; margin: auto;" /> --- # 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/) <img src="figure/0502-spatial-polygon-01.png" width="90%" style="display: block; margin: auto;" /> --- # Monitoreo Espacio-Temporal: SGB (2/) <img src="figure/0502-spatial-polygon-02.png" width="90%" style="display: block; margin: auto;" /> --- # Monitoreo Espacio-Temporal: SGB (3/) <img src="figure/0502-spatial-polygon-03.png" width="90%" style="display: block; margin: auto;" /> --- # Monitoreo Espacio-Temporal: SGB (4/) <img src="figure/fig04-cluster_time_space-sgbdata_raw_cleaned_timespace-de_2016w01_a_2019w30-cierre_26feb20(0952h)_spacenum_8-PIURA.png" width="70%" style="display: block; margin: auto;" /> --- # Monitoreo Espacio-Temporal: SGB (5/) <img src="figure/fig04-cluster_time_space-sgbdata_raw_cleaned_timespace-de_2016w01_a_2019w30-cierre_26feb20(0952h)_spacenum_8-location-all.png" width="90%" style="display: block; margin: auto;" /> <!-- --- --> <!-- # Monitoreo Espacio-Temporal: EDA y SGB con datos agregados --> <!-- * usar INLA para controlar dependencia espacial --> <!-- --- --> <!-- # Monitoreo Espacio-Temporal: Crímenes violentos --> --- 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). ]