Nicola Schmid - Influenza Studie Vorhersage von Antigenübergängen Grippetrenddaten zur Erkennung von saisonaler und pandemischer Influenza und zur Optimierung der Influenzaüberwachung

Dies kann die Unterdrückung des Wettbewerbs durch den dominanten Cluster widerspiegeln und ein Vakuum schaffen, das ein mäßig passender Cluster füllen kann.

Bei der Vorhersage der Influenzadynamik kann es zu Kompromissen zwischen der Vorhersagesicherheit, dem Ausmaß der Vorwarnung und dem Überwachungsaufwand kommen, der zur Erkennung und Charakterisierung neu auftretender Viren erforderlich ist.

Es gab einen deutlichen Kompromiss zwischen Vorlaufzeit und Zuverlässigkeit, wobei niedrige Überwachungsschwellenwerte frühere, aber weniger genaue Hinweise auf zukünftige Bedrohungen lieferten. I

n allen Simulationen betrug der mittlere Zeitunterschied zwischen einem Cluster, der die Überwachungsschwellen von 1% und 10% erreichte, ungefähr 7 Monate.

Klassifikatormodelle hatten eine erhebliche Unterscheidungs- und Vorhersagekraft, selbst wenn ein Antigencluster bei niedrigen Frequenzen vorhanden war.

Die Fläche unter der Kurve (AUC) nahm tendenziell ab, wenn die Häufigkeit der Kandidatencluster zunahm. Umgekehrt nahmen der positive Vorhersagewert (PPV) und die Empfindlichkeit bei höheren Überwachungsschwellen zu.

Die Zunahme der Empfindlichkeit und des PPV pro Monat nahm bei höheren Überwachungsschwellen ab.

Zwischen den Überwachungsschwellen von 1% und 5% stieg die Sensitivität im Durchschnitt um 4% und der positive Vorhersagewert pro Monat um 4,5%, was in der Vorlaufzeit verloren ging.

Zwischen den Überwachungsschwellen von 6% und 10% sanken die Sensitivitätsgewinne jedoch auf 1,2% und der PPV auf 3,6% pro Monat, was in der Vorlaufzeit verloren ging.

Dieser abnehmende Kompromiss zwischen dem Gewinn an Sicherheit und dem Verlust der Vorlaufzeit spiegelte kürzere Intervalle zwischen den Überwachungsschwellen wider, als der Cluster schnell expandierte und die Vorhersagefähigkeiten des Modells die höhere Kapazität erreichten.

Als nächstes haben wir ein alternatives Überwachungs-paradigma betrachtet. Anstatt auf bestimmte Überwachungsschwellen zu warten, passen wir Modelle an, um das Vorhandensein und die Häufigkeit von Clustern auf der Grundlage einer opportunistischen Stichprobe von Clustern vorherzusagen.

Die Clusterfrequenzen neigten dazu, in Richtung niedriger Frequenzen zu tendieren. Unser am besten geeignetes Modell zur Vorhersage des zukünftigen Erfolgs aller zu einem zufälligen Zeitpunkt vorhandenen Cluster wurde im Vergleich zu unseren besten Modellen für niedrige Überwachungs-schwellenwerte durchgeführt.

Als nächstes passen wir ein zweites zweiteiliges Modell an, das die Anwesenheit-Abwesenheit und die Häufigkeit eines Clusters in Dreimonatsintervallen bis zu einem Jahr voraussagt.

Das Modell prognostizierte eine Anwesenheit / Abwesenheit von bis zu zwölf Monaten mit einer Diskriminierungskraft von 92% (AUC).

Die Genauigkeit der Frequenzvorhersagen nahm jedoch nach sechs Monaten ab, wobei die Häufigkeit zukünftiger dominanter Cluster ( S4- und S5- Tabellen) tendenziell unterschätzt wurde.

Zu den Top-Prädiktoren gehörten die Häufigkeit des Clusters zum Zeitpunkt der Probenahme und die meisten Top-Prädiktoren, die für die Überwachungsschwellenmodelle ausgewählt wurden.

Текст предоставлен ООО «ЛитРес».

Прочитайте эту книгу целиком, купив полную легальную версию на ЛитРес.

Безопасно оплатить книгу можно банковской картой Visa, MasterCard, Maestro, со счета мобильного телефона, с платежного терминала, в салоне МТС или Связной, через PayPal, WebMoney, Яндекс.Деньги, QIWI Кошелек, бонусными картами или другим удобным Вам способом.