🦠 Wczesne ostrzeganie o epidemii — fuzja sygnałów kontra liczba przypadków

Ludzie zwykle wyszukują objawy w pierwszym dniu lub dwóch od poczucia się źle, na długo zanim zdecydują się szukać formalnej opieki, wykonać test i mieć jego wynik uwzględniony w publicznej liczbie przypadków. Zakupy apteczne bez recepty podążają podobnym, ale nieco późniejszym wzorcem, gdy objawy są już na tyle ugruntowane, by skłonić do wizyty w aptece. Przyjęcia szpitalne i potwierdzone liczby przypadków znajdują się na końcu procesu: okres inkubacji, wystąpienie objawów, decyzja o szukaniu opieki, czas realizacji testu i opóźnienie raportowania mogą razem dodać tydzień lub więcej. Ta symulacja buduje sygnał wyszukiwań przez przesunięcie prawdziwej leżącej u podstaw krzywej infekcji wstecz o 10–14 dni z silnym szumem, sprzedaż apteczną o 5–7 dni z umiarkowanym szumem, a przyjęcia szpitalne o opóźnienie 3–5 dni z najmniejszym szumem z trójki — odtwarzając prawdziwą kolejność zachowań związanych z szukaniem opieki.

Fuzja sygnałów oznacza połączenie kilku niedoskonałych obserwacji tego samego leżącego u podstaw procesu w jedną statystykę decyzyjną, tak by szum w każdym pojedynczym sygnale był częściowo uśredniony, podczas gdy wspólny prawdziwy trend się wzmacnia. Ta symulacja oblicza krótkie kroczące nachylenie dla każdego z trzech sygnałów, przekształca każde nachylenie w z-wynik (odchylenia standardowe powyżej jego własnej niedawnej historii) i bierze ważoną sumę trzech z-wyników, używając wag suwaka. Wynikiem jest pojedynczy połączony wynik każdego dnia. Ponieważ trendy wyszukiwań rzeczywiście wyprzedzają ognisko, otrzymują najwyższą domyślną wagę; przyjęcia szpitalne, najbardziej wiarygodny, ale najwolniejszy sygnał, otrzymują najniższą wagę.

Bardzo zaszumiony, ale wczesny sygnał używany samodzielnie wywołuje ciągłe fałszywe alarmy, ponieważ jego poziom szumu jest porównywalny z prawdziwym sygnałem ogniska. Czysty, ale późny sygnał jest wiarygodny, ale zanim się poruszy, większość użytecznego czasu ostrzegania jest już stracona. Uśrednianie kilku częściowo niezależnych zaszumionych sygnałów zmniejsza łączny szum w przybliżeniu o pierwiastek kwadratowy z liczby sygnałów, podczas gdy wspólny prawdziwy trend epidemii sumuje się bezpośrednio — więc połączony wynik osiąga statystycznie pewne odchylenie od poziomu bazowego wcześniej niż poszczególne zaszumione sygnały, bez dziedziczenia pełnego opóźnienia czystego, ale późnego sygnału. To ta sama logika, która stoi za prognozowaniem zespołowym i fuzją czujników ogólnie.

Każdy dzień czasu wyprzedzenia to dzień na wcześniejsze rozmieszczenie zdolności testowych, zaalarmowanie klinicystów o konkretnej prezentacji, uruchomienie planów zwiększenia obsady, zamówienie dodatkowych zapasów lub wydanie ostrzeżeń publicznych, zanim szpitale znajdą się pod presją. Historyczne systemy nadzoru syndromicznego często wykrywały wzrosty chorób oddechowych jeden do trzech tygodni po tym, jak infekcje już się rozprzestrzeniały; wychwycenie tego samego sygnału choćby tydzień wcześniej może być różnicą między skoordynowaną reakcją a reaktywnym pośpiechem. Symulacja kwantyfikuje to bezpośrednio: porównuje dzień, w którym połączony wynik po raz pierwszy przekracza próg alarmu, z dniem, w którym sam sygnał przyjęć szpitalnych przekroczyłby równoważny próg, i raportuje różnicę w dniach.

Każdy alarm statystyczny wymienia czułość na wskaźnik fałszywych alarmów, regulowany tu suwakiem progu. Niski próg wychwytuje prawdziwe ogniska wcześniej, ale też uruchamia się na zwykłym szumie, kosztując wiarygodność i zasoby za każdym razem, gdy reagujący mobilizują się na nic. Wysoki próg redukuje fałszywe alarmy, ale opóźnia prawdziwe wykrycie, czasem poza punkt, w którym wczesna interwencja jeszcze ma znaczenie. Ponieważ dane wyszukiwań i apteczne są szczególnie zaszumione i mogą być napędzane przyczynami niezwiązanymi z epidemią, takimi jak relacje medialne czy niepowiązana choroba sezonowa, wagi i próg w prawdziwym systemie są dostrajane na długiej historii przeszłych ognisk i ich braku, a nawet wtedy część fałszywych alarmów jest akceptowana jako koszt wczesnego wychwycenia prawdziwych.

Dla każdego sygnału symulacja bierze kroczące 7-dniowe nachylenie: (wartość dzisiaj minus wartość 7 dni temu) podzielone przez 7. Utrzymuje rozszerzający się, przyczynowy zapis tego nachylenia od wczesnego etapu ogniska do „dziś” i oblicza średnią i odchylenie standardowe nachylenia, używając tylko danych widzianych do tej pory, nigdy nie zaglądając w przyszłość, dokładnie tak jak musiałby to zrobić panel na żywo. Nachylenie każdego dnia jest wyrażane jako z-wynik: (nachylenie minus historyczna średnia) podzielone przez historyczne odchylenie standardowe. Połączony wynik to ważona średnia z-wyników trzech sygnałów, używająca znormalizowanych wag suwaka. Alarm uruchamia się pierwszego dnia, gdy połączony wynik przekracza próg, a ten dzień przekroczenia jest porównywany z dniem, w którym sam z-wynik przyjęć szpitalnych przekroczyłby ten sam próg.

Zespoły CDC ILINet oraz FluSight / COVID-19 Forecast Hub łączą dane wizyt ambulatoryjnych, przyjęć szpitalnych, nadzoru ścieków, a coraz częściej dane wyszukiwań i handlu detalicznego w mieszane prognozy bieżące, podobnie do wyniku fuzji tutaj. Google Flu Trends (2008–2015) próbował użyć samej ilości wyszukiwań do szacowania aktywności grypy niemal w czasie rzeczywistym i zauważalnie przeszacował sezon 2013, częściowo dlatego, że nigdy nie został połączony z wolniejszymi, ale bardziej wiarygodnymi sygnałami rzeczywistymi, a jego model nie był retrenowany w miarę dryfu zachowań wyszukiwania — przestroga dokładnie dla opisanego wyżej ryzyka fałszywych alarmów. Nowoczesne systemy generalnie podążają za podejściem fuzji wielosygnałowej, jakie demonstruje ta symulacja: nigdy nie ufaj samodzielnie jednemu zaszumionemu wskaźnikowi wyprzedzającemu, ale też go nie ignoruj.