مقایسه مدل های جایگزین حرکت انسان و گسترش بیماری

مدل های پیش بینی کننده برای گسترش فضایی بیماریهای عفونی در سالهای اخیر مورد توجه بسیاری قرار گرفته است به عنوان ابزاری برای مدیریت شیوع بیماری های عفونی. به طور برجسته ، از نسخه های مختلف مدل به اصطلاح گرانش ، که از تئوری حمل و نقل وام گرفته شده است ، استفاده شده است. با این حال ، ادبیات اصلی نشان می دهد که این مدل دارای برخی از اشتباهات بالقوه است که از این طریق نمی تواند تعامل مرتبه بالاتر را بین مراکز جمعیتی ضبط کند. زمینه های اقتصاد ، جغرافیا و علوم شبکه فرمولاسیون های جایگزین برای اتصال فضایی در داخل و در بین محاصره ها دارد. این شامل مدل رتبه استوفر ، مدل مقصد رقیب Fotheringham و مدل تابش سیمینی و همکاران است. از آنجا که شیوع بیماری عفونی منعکس کننده تحرک از طریق فیلتر حساسیت و عفونت خاص سن است و از آنجا که ، بیماری ممکن است رفتار مکانی را تغییر دهد ، مقابله با داده های اپیدمیولوژیک در گسترش ضروری است. برای مطالعه شایستگی نسبی آنها ، بر این اساس ، انواع متناسب با این مدل ها به مجموعه داده های منحصر به فرد از سرخکهای قبل از حرکات در 954 شهر و شهرهای انگلیس و ولز طی سالهای 1944-65 و مقایسه آنها با استفاده از یک چارچوب احتمال مداوم. ما می دانیم که در حالی که مدل گرانش یک تقریب اول معقول است ، هر دو مدل رتبه استوفر ، نسخه گسترده ای از مدل تابش و مدل مقصد های رقابتی Fotheringham متناسب با هم بهتر است ، مدل استوفر بهترین است. از طریق یک روش جدید از احتمال تفکیک مکانی ، ما مناطقی از تناسب نسبتاً فقیرتر را شناسایی می کنیم و نشان می دهیم که در واقع در محاصره های پرجمعیت است که تعامل فضایی مرتبه بالاتر مهمترین است. نتیجه گیری اصلی ما این است که برای پیش بینی شیوع مکانی بیماری عفونی ، در یک کلاس واحد از مدل ها باریک است. مواد تکمیلی حاوی کلیه کد برای بازتولید نتایج و استفاده از روشها در سایر مجموعه داده ها هستند.

خلاصه نویسنده توانایی پیش بینی چگونگی شیوع بیماری عفونی در مواجهه با عوامل بیماری زای بی نظیر و ظهور مجدد که در حال حاضر تهدید بهزیستی انسان را تهدید می کند ، از اهمیت زیادی برخوردار است. ما انواع مدل های جایگزین را شناسایی کردیم که تحرک انسان را به عنوان تابعی از توزیع جمعیت در یک منظره پیش بینی می کند. اینها برخی از مدلها را در نظر می گیرند که تعامل زوج بین مراکز جمعیت و همچنین برخی از آنها را به تعامل با مرتبه بالاتر می رساند. ما مدلها را با استفاده از یک مجموعه داده های مکانی منحصر به فرد و غنی از مجموعه روی سرخکهای قبل از واکسیناسیون در انگلیس و ولز (65- 1944) آموزش دادیم ، که شامل بیش از یک میلیون رکورد از 954 شهر و شهر است. رتبه بندی احتمال مدلهای مختلف شواهد محکمی را برای تعامل مرتبه بالاتر در قالب رقابت در بین شهرها به عنوان مقصد برای مسافران و در نتیجه رقت انتقال مکانی نشان می دهد. مدلهای به اصطلاح "گرانش" که در حال حاضر مورد استفاده قرار می گیرد ، در گرفتن دینامیک بیماری های مکانی به دور از بهترین ها نبودند.

معرفی

پیش بینی دقیق گسترش جغرافیایی اپیدمی های در حال ظهور ، ظهور مجدد و مکرر در دنیای فزاینده جهانی ، در پی شیوع بیماری زای نوظهور مانند سندرم حاد تنفسی حاد (SARS) ، سندرم تنفسی خاورمیانه (MERS) فوریت بین المللی است.) ، و بیماری ویروس ابولا (EBVD) و همچنین پاتوژن های ظهور مجدد و تجدید حیات مانند زیرگروه آنفلوانزا A-H1N1 ، سرفه چاشنی و سرخک. در پاسخ به این چالش ، مدل های مختلف "تعامل مکانی" که جنبش انسان را به عنوان تابعی از توزیع جمعیت توصیف می کند ، پیشنهاد شده است. برخی از این وام ها از اقتصاد و جغرافیای انسانی وام می گیرند در حالی که برخی دیگر مدل ها را از محیط زیست حرکتی و فیزیک واکنش و انتشار در مناظر ناهمگن سازگار می کنند.

در سالهای اخیر ، این زمینه شاهد پذیرش گسترده خانواده ای از مدل های به اصطلاح "گرانش" از نظریه حمل و نقل و جغرافیای انسانی بوده است (به عنوان مثال ، [1 ، 2]). در رایج ترین شکل خود ، مدل گرانش بیان می کند که شار مهاجرت بین یک جفت از شهرها به صورت خطی وابسته به اندازه های مربوطه و فاصله جداکننده آنها است. استفاده از این مدل ساده برای گسترش بیماری در ابتدا توسط موری و کلیف ارائه شده است [3] ، اما طی یک دهه گذشته ، بسیاری از مطالعات از آن برای توضیح تاریخی یا پیش بینی آینده ، گسترش بیماری در طیف وسیعی از عفونت ها از جمله سرخک استفاده کرده اند [4] ، آنفلوانزا [5-7] ، وبا [8] و تب زرد [9]. در حالی که کاربرد آن بینش هایی به همراه داشته است ، ادبیات جغرافیا کمبود برجسته ای از مدل گرانش را برجسته کرده است. به طور خاص ، این مدلها پتانسیل تعامل رقابتی یا هم افزایی را بین مراکز جمعیت نادیده می گیرند (شکل 1 ؛ [10 ، 11]). به عنوان مثال ، فرض بر این است که حرکت بین بوستون و واشنگتن دی سی از حضور شهر مداخله گر نیویورک بی تأثیر نیست.

• شکل دانلود
• در برگه جدیدی باز کن

عکس. 1.

مدل های تعامل مکانی جریان حرکات انسانی بین مراکز جمعیت (شهرها ، شهرها ، روستاها) را به عنوان تابعی از توزیع جمعیت در چشم انداز پیش بینی می کند. در این نمودار ، میزان نسبی شارها از یک شهر کانونی به سایر مراکز جمعیتی با عرض فلش ها نشان داده شده است. در مدلهای گرانشی بسیار شاغل (A) ، تعامل بین شهرها کاملاً به صورت زوج است. بنابراین افزودن یک شهر جدید (B) هیچ تاثیری در حرکت به شهرهای دیگر ندارد. با این حال ، در مدل مقصد رقیب Fotheringham (C) ، رقابت یا هم افزایی در جوامع اطراف می تواند شار را کاهش یا تقویت کند. مدل استوفر از فرصت های مداخله و مدل تابش (د) بیان می کند که حرکت از یک شهر به شهر دیگر با حضور فرصت ها در جوامع نزدیک به شهر منبع کاهش می یابد.

همانطور که اتفاق می افتد ، خانواده های متمایز از مدل ها وجود دارند که ناشی از اقتصاد و جغرافیا است ، که الگوهای حرکت انسان را پیش بینی می کند در حالی که امکان تعامل مرتبه بالاتر در بین شهرها را فراهم می کند. به طور خاص ، قانون [12] استوفر "قانون فرصت های مداخله" نشان می دهد که "تعداد افرادی که مسافت معین را طی می کنند مستقیماً با تعداد فرصت ها در آن فاصله متناسب است و به طور معکوس متناسب با تعداد فرصت های مداخله است."این ایده باعث ایجاد الگوهای جایگزین برای الگوهای حرکت انسان شده است [13] از جمله تجسم اخیر به عنوان مدل "تابش" [14].

در حالی که این مدل ها در کاربردهای اصلی خود مفید بوده اند ، استفاده از آنها در توصیف شیوع بیماری عفونی با دو ملاحظات پیچیده است. اول ، مدل های تعامل مکانی جریان های مهاجرت فله را بین مراکز جمعیت پیش بینی می کنند ، اما تأثیر این حرکات بر پویایی بیماری عفونی می تواند نه تنها به بزرگی بلکه به ترکیب استخر مهاجر نیز بستگی داشته باشد. به طور خاص ، میزان مهاجران کم و بیش در معرض عفونت یا در واقع آلوده قرار می گیرند تا جمعیت عمومی می تواند از اهمیت ویژه ای برخوردار باشد ، همانطور که مشخصات سنی استخر مهاجر به دلیل الگوهای خاص سن قابل توجه می تواندرفتار ، حساسیت و عفونت [5 ، 7 ، 15]. دوم ، پویایی بیماری های عفونی می تواند به مهاجرت بازگردد. بدیهی است که علائم بیماری می تواند بر رفتار حرکتی تأثیر بگذارد ، به عنوان مثال ، در این واقعیت که ممکن است سرماخوردگی خفیف باعث ایجاد حداقل تغییرات در رفتار حرکتی شود اما تب خونریزی شدید یا بیماری فلج حاد به طور معمول حرکت میزبان های آلوده را کند می کند. این دو ملاحظات مانع از کاربرد مدلهای تعامل مکانی در زمینه بیماری عفونی نمی شوند. با این حال ، آنها استفاده از آنها و اهمیت درک شار مهاجرت مربوطه را پیچیده می کنند ، که نوعی "میانگین مؤثر" حرکت است که از طریق چنین عوارض فوق الذکر فیلتر می شود.

چندین مدل تعامل مکانی با استفاده از داده های مختلف تحرک مانند جریان مسافر (به عنوان مثال ، [5 ، 14]) ، ژئولوژیک تلفن همراه (به عنوان مثال ، [16]) ، رسانه های اجتماعی (به عنوان مثال ، [13]) و میکروسیمایمولاسیون ، پارامتر و آزمایش شده اند.(به عنوان مثال ، [17]). با این حال ، با توجه به چالش هایی که فقط ذکر شد ، آزمایش نهایی مدل ها بر خلاف داده های مربوط به گسترش واقعی عفونت به جای حرکت فله افراد یا تلفن های همراه است. Bjøstad و Grenfell [18] پیشنهاد کردند که برای عفونت های حاد ایمن سازی ، الگوهای فضایی و زمانی از محو شدن (یعنی انقراض بیماری محلی) در سراسر استعاره ها اطلاعات ارزشمندی را در مورد گسترش بیماری فراهم می کنند زیرا این الگوهای منعکس کننده انتقال مکانی بدون پوشش انتقال محلی است. در این مقاله ، ما اطلاعات را از الگوهای محو و یک چارچوب احتمال مداوم برای مقایسه و تضاد با مجموعه ای از مدل ها از جمله (i) مدل گرانش [1] ، (ii) مدل مقصد رقابتی Fotheringham [10] ، (III] استخراج می کنیم.) مدل رتبه استوفر [12] و (IV) مدل تابش [14] .. ما با این مدل ها داده های هفتگی در مورد بروز سرخک از 954 شهر و شهرهای انگلیس و ولز از سال 1944 تا 1965 مقابله می کنیم [4 ، 19]. با مقایسه متناسب و پیش بینی ها ، ما نشان می دهیم که در حالی که مدل گرانش یک تقریب اول معقول است ، مدل رتبه استوفر ، نسخه گسترده ای از مدل تابش و مدل مقصد رقیب همگی متناسب با مدل استوفر بهترین عملکرد را ارائه می دهند.

مواد و روش ها

داده ها

شیوع تاریخی سرخک در انگلیس و ولز از زمان کار اصلی بارتلت [20 ، 21] در اپیدمی مکرر آن ، یک آزمایش تأثیرگذار برای مدل ها و روش های پویایی بیماری بوده است. ما از سال 1944 ، هنگامی که اعلان توسط ژنرال ثبت کننده انگلستان (OPCS) ، تا سال 1965 ، که شاهد تغییرات ظریف در مرزهای سیاسی در اطراف لندن بود ، از داده های سرخک هفتگی در همه 954 شهر و شهرهای انگلیس و ولز استفاده می کنیم. واکسیناسیون در انگلستان تا سال 1967 معرفی نشده است ، به طوری که این داده ها دوره ای را نشان می دهد که دینامیک سرخک از واکسیناسیون انبوه بی تأثیر نبود. مجموعه داده ها به جز نرخ گزارش زیر منطقه ای در حدود 50 ٪ کامل است [22 ، 23]. گرنفل و همکاران.[19] توضیحات مفصلی از داده ها ارائه می دهد. کل مجموعه داده ها توسط Lau و همکاران در دسترس قرار گرفته است.[24]

یکی از ویژگی های مهم این سیستم این است که ، بین 29 ٪ تا 38 ٪ از جمعیت (حدود 47 متر در این دوره) در تعداد کمی (28-28 بسته به تعریف دقیق) از جوامع بالاتر از اندازه جامعه بحرانی (CCS) ساکن بودند. از ج. 250-300k. شهرهای بزرگتر از CC ها تمایل به حفظ زنجیره های محلی انتقال دارند. 60-70 ٪ باقیمانده در بین بیش از 900 جامعه کوچکتر از CCS توزیع شد که انقراض های محلی کم و بیش مکرر هستند (بسته به اندازه جمعیت و درجه انزوا) و در نتیجه ، میزان بازگرداندن پاتوژن از طریق انتقال مکانیتعیین کننده مهم بروز سرخک است. از نظر زیست محیطی ، سیستم سرخک Prevactination یک استعاره سرزمین اصلی سرزمین و جزیره را نشان می دهد (به عنوان مثال ، [25 ، 26]). تجزیه و تحلیل ما با استفاده از زمان و الگوی مکانی و زمان بندی مجدد برای اطلاع رسانی پارامترهای هر یک از مدلهای تعامل مکانی ، از این واقعیت بهره برداری می کند.

پویایی محلی

با استفاده از یک سریال زمانی فضایی که مستعد ابتلا به بازیابی شده (TSIR) است (به عنوان مثال ، [4 ، 27]) ، می توانیم برای هر مرکز جمعیتی این احتمال را که تعامل مکانی اتفاق بیفتد محاسبه کنیم (یعنی تماس بین یک ساکنمیزبان مستعد و یک میزبان عفونی غیر مقیم) و این تماس منجر به یک زنجیره محلی جدید انتقال می شود [18]. در تجزیه و تحلیل های قبلی ، ما نشان دادیم که امضای چنین رویدادهایی در حضور گردش خون بومی غرق می شود (نگاه کنید به [23]). با این حال ، پس از انقراض موضعی ، میزان استعمار مجدد حاوی اطلاعات مهم در مورد فعل و انفعالات مکانی است.

مدل TSIR از لحاظ مکانی پیش بینی می کند که تعداد مورد انتظار میزبان های جدید آلوده در جامعه I در نسل اپیدمی T + 1 خواهد بود

در اینجا ، β_{S (T)}میزان انتقال فصلی است که با افتتاح و بسته شدن مدارس و نسبت انتقال که در محل مدرسه با پیشرفت سال تحصیلی رخ می دهد ، شکل گرفته است [23] ؛S (t) = t mod 26 عملکرد فصلی است. حرف_i,t/n احتمال اینکه یک فرد محلی مستعد باشد. من_i,tتعداد محلی عفونت ها است. α تصحیح برای تقریب زمان گسسته از فرآیند اساسی زمان مداوم است [28]. و_i,tمجموع فعل و انفعالات مکانی مرتبط با انتقال من با سایر جوامع در استعاره اپیدمی است. به دنبال انقراض محلی ، من_i,t= 0 ، بنابراین این انتظار است

با فرض تصادفی دموگرافیک در انتقال به دلیل فرآیند مهم تولد و مرگ همه گیر ، تعداد تحقق یافته موارد در نسل بعدی [23] خواهد بود:

در نتیجه ، تعداد حساسیت ها در نسل بعدی جایی خواهد بود که b_i,tاستخدام حساسیت های محلی از طریق تولد در بازه تولید است."فاصله سریال" برای سرخک 10-14 روز است [29] ، بنابراین ما تجزیه و تحلیل های قبلی TSIR را در جمع کردن داده های هفتگی در افزایش 2 هفته دنبال می کنیم (هرچند [23] فواصل کوتاهتر را بررسی می کنیم). با استفاده از روشهای بازسازی مستعد [30] ، ما تمام پارامترهای محلی را با استفاده از روش Finkenstadt و همکاران تخمین می زنیم.[31]مکمل آنلاین حاوی مستندات کامل از این تجزیه و تحلیل ها و کد برای تکثیر دقیق کلیه نتایج ارائه شده در این مقاله است.

تهویه بر پارامترهای محلی و محدود کردن تجزیه و تحلیل در هر مکان به دو هفته که در آن شیوع سرخک صفر بود ، ما از معادلات استفاده می کنیم. 2 و 4 برای ایجاد یک احتمال دوتایی منفی برای برآورد تمام پارامترهای هر یک از مدلهای تعامل مکانی کاندیداها.

مدل های تعامل مکانی

در صورت شامل موارد خاص ، مانند انتشار خالص و انواع ، ما در مجموع 10 مدل تعامل مکانی را در نظر می گیریم (شکل 1). هر یک از این مبلغ مشخصات اصطلاح ι در معادلات. 1 و 2

مدل گرانشی

تحت مدل گرانش ، تعامل مکانی بین مکان های I و J شکل می گیرد ، جایی که θ ، τ₁، τ₂، و ρ پارامترهای غیر منفی هستند. این منجر به فرمولاسیون زیر برای تعامل مکانی مرتبط با بیماری می شود: جایی که این جمع در همه جوامع اهدا کننده بالقوه غیر خود است ، و من_j/N_jکسری از افراد آلوده در جامعه اهدا کننده j است. مدل گرانش دو مورد خاص مهم دارد: ρ = 0 ، τ₁= τ₂= 1 ، که یک مدل میدانی است و τ₁= τ₂= 0 ، که انتشار مکانی ساده است. پارامتر adtion نشان دهنده انتقال مکانی پس زمینه است که بر اساس فاصله و اندازه قابل پیش بینی نیست [24].

مدل شیا

در تجزیه و تحلیل اصلی دینامیک فضایی مکانی سرخک ، شیا و همکاران.[4] از فرمولاسیون ریشه در ادبیات مدفوع گرانش استفاده کرد اما با یک فرمول کمی متفاوت: که همان Eq است. 5 اگر τ₂= 1 ، اما در غیر این صورت نیست.

مدل مقصد رقابتی

Fotheringham [11] خاطرنشان كرد كه مدل های گرانشی ممكن است اشتباه شود زیرا آنها فقط تعامل زوج بین مکان ها را در نظر می گیرند. وی تصریح کرد که مقصد های اطراف یا مداخله در واقع ممکن است تعامل مکانی را کم و بیش به احتمال زیاد ایجاد کند. به عنوان مثال ، اگر افراد به طور نامتناسب تمایل به انجام تمام خریدهای خود در مناطق با بسیاری از مغازه ها داشته باشند ، اثر هم افزایی رخ می دهد. اثرات آنتاگونیستی ممکن است در جایی بوجود بیاید که سفر بین دو شهر ، بوستون و واشنگتن ، با حضور یک شهر مداخله مانند نیویورک کمتر شود زیرا افراد از بوستون یا واشنگتن می توانند با مراجعه به جدید ، نیازهای خارج از شهر را برآورده کنندیورک. در فرمول مقصد های رقابتی [11] Fotheringham ، شار بین I و J شکل می گیرد. همانطور که در مدل گرانش ، τ₁و τ₂کنترل چگونگی "اشتیاق به سفر" و مقیاس "جذابیت" شهر با اندازه جمعیت را کنترل کنید. و ρ اندازه گیری می کند که چگونه احتمال فروپاشی سفر با فاصله است. پارامتر δ چگونگی مقصد k ، از اندازه های مختلف ، در مسافت های d را تعیین می کند_jk from the donor j , modulate the spatial interaction between recipient i and and donor j . In particular, δ>0 نشان دهنده اثر هم افزایی است. δ<0, an antagonistic effect. The resultant formulation for disease-relevant spatial interactions between community i and everywhere else is: where ϕ again represents background, spatially unpredictable spread.

مدل رتبه استوفر

نولاس و همکاران.[13] اخیراً پیشنهاد کرده است که الگوهای تحرک انسانی باید با استفاده از مدل [12] استوفر ("قانون فرصت های مداخله") مورد مطالعه قرار گیرد. استوفر در برابر فاصله مطلق به عنوان تأثیر مستقیم بر تعامل مکانی استدلال کرد. در عوض ، وی استدلال كرد كه كاهش اتصال با فاصله به دلیل تجمع فرصت های مداخله با افزایش فاصله بین دو مکان افزایش می یابد. برای استفاده از این مفهوم در زمینه استعاره سرخک ما ، ما از اندازه جمعیت به عنوان یک پروکسی برای "فرصت ها" استفاده می کنیم. بر این اساس ، ما اجازه می دهیم ω (i ، j) مجموعه ای از شهرهایی باشد که به شهر I نزدیکتر از شهر j: ω (i ، j) = k: 0 استبشرمدل استوفر برای فعل و انفعالات مکانی مرتبط با بیماری است.

Stouffer’s original model was framed in the context of continuous distribution of population across a landscape. In the present metapopulation context, we therefore have a choice as to whether the opportunities offered by location i itself should be counted among the intervening opportunities. In Eq. 6, it is excluded. If instead we allow the set Ω( i, j ) to include i that is, within-community opportunities reduce spatial coupling we arrive at what we shall term the ‘Stouffer variant’ model: Ω( i, j ) = k : 0 ≤ d ( i, k ) ≤ d ( i, j )>

مدل تابش گسترده

مدل تابش ارائه شده توسط سیمینی و همکاران.[14] به طور مستقل به دست آمد اما با روحیه مربوط به ایده های اصلی استوفر [12] است. نسخه استعاره ما از این مدل با توجه به فعل و انفعالات مکانی مرتبط با بیماری است

مانند مدل استوفر، مجموعه Ω(i, j) را در نظر می گیریم که یا ("تابش") را حذف کند یا ("نوع تابش") اندازه جامعه i را در فرمول بندی تعامل فضایی لحاظ کند. همانطور که در ابتدا فرموله شد [14]، این مدل ها فقط یک پارامتر آزاد برای مولفه با ساختار مکانی دارند، قدرت کلی برهمکنش فضایی، θ. برای تسهیل مقایسه با مدل های دیگر، و از آنجایی که جزء گسترش تصادفی مکانی در دینامیک فراجمعیت سرخک دخیل است [24]، ما همچنین نوع سوم مدل تابش ("تابش گسترده") را که شامل نرخ پس زمینه فضایی تصادفی می شود، ارائه می کنیم. ϕ):

از مدل های در نظر گرفته شده، انواع گرانش (شامل میدان میانگین و انتشار خالص) شامل برهمکنش های کاملاً زوجی هستند، در حالی که مدل های دیگر به طور صریح (مانند مدل مقصد رقیب) یا به طور ضمنی (مانند استوفر و تشعشع) برهمکنش های مرتبه بالاتر را امکان پذیر می کنند. مدل ها).

استنباط آماری

ما از حداکثر احتمال برای تخمین پارامترهای هر مدل تعامل فضایی و احتمالات نمایه برای مطالعه همبستگی بین پارامترها و مسائل احتمالی شناسایی استفاده می کنیم [27]. برای مقایسه مدل، ما از شبه احتمال [32] برای تطبیق با پراکندگی بیش از حد استفاده می کنیم؛ و مدل ها را بر اساس امتیازات شبه معیار اطلاعات آکایک (QAIC) آنها رتبه بندی می کنیم [33]. ما واریانس شبه احتمال-عامل تورم (ĉ در جدول 1) را بر اساس توصیه های مک کولاگ و نلدر [32] از آماره خوب بودن برازش پیرسون محاسبه می کنیم.

• مشاهده درون خطی
• مشاهده پنجره بازشو
• دانلود پاورپوینت

جدول 1. برآورد MLE.

مدل ها: SV نوع Stouffer، XR تشعشع گسترده، CD مقاصد رقابتی، S Stouffer، G گرانش، X Xia، RV نوع تابش، R تشعشع، MF میدان میانگین، D انتشار. در اینجا، ℓ نشان دهنده احتمال ورود به سیستم است، c ضریب تورم واریانس محاسبه شده، ΔQAIC QAIC نسبت به مدل مناسب تر است، و سایر پارامترها مانند معادلات مدل هستند.

طبق توصیه برنهام و اندرسون [33]، ما از c بهترین مدل برای تنظیم QAIC ها استفاده می کنیم. تجزیه و تحلیل بر اساس 274943 نقطه داده است که مربوط به احتمال خطر است، یعنی همه دو هفته بلافاصله پس از یک دو هفته عدم وجود بیماری محلی [18]) همه محاسبات در مکمل آنلاین مستند شده است، که شامل کد برای تکرار دقیق همه است. نتایج.

نتایج

جدول 1 پارامترهای تخمین زده شده و احتمال برای هر یک از مدلهای تعامل مکانی را نشان می دهد. نتیجه واضح ترین نتیجه ، رتبه بندی مدل ها از نظر قدرت توضیحی است. دو نوع مدل گرانش در وسط بسته قرار می گیرند. هر دو به طور قابل توجهی نسبت به نوع استوفر ، مدل های تشعشع گسترده و مقصد های رقابتی پایین هستند ، همانطور که توسط QAICS قضاوت می شود. بنابراین ، شواهد به شدت نشان می دهد که فعل و انفعالات مرتبه بالاتر بر گسترش مکانی سرخک در دوران پیشگیری تأثیر می گذارد. پارامتر δ مدل مقصد رقیب به طور قابل توجهی منفی است که نشان می دهد شبکه حمل و نقل بیماری توسط اثرات مکانی آنتاگونیستی حاکم است. انتشار (τ₁= τ₂= 0) و میانگین میدان (ρ = 0) موارد خاص از چندین مدل هستند و اینها به وضوح در حسابداری برای داده ها بسیار پایین هستند. انواع اصلی مدل تابش تک پارامتر نسبتاً ضعیف انجام شده است. با این حال ، هنگامی که با یک پارامتر اضافی افزوده می شود تا بتواند بذر پس زمینه رو به رویه فضایی ("تابش طولانی") را بین مدل رتبه استوفر و مدل مقصد رقیب Fotheringham قرار دهد. این ممکن است خیلی تعجب آور نباشد زیرا ممکن است مدل تابش با روح به عنوان تناسخ استدلال اصلی استوفر تلقی شود.

همانطور که توسط جانداروف و همکاران بحث شده است.[27] ، مسائل مربوط به شناسایی مرتبط با پارامتر کردن مدلهای مختلف تعامل مکانی برای گسترش عفونت وجود دارد. این در سطح پشته ها در سطوح احتمال بیش از فضاهای پارامتر مدل است (به مکمل مراجعه کنید). از آنجا که هر مدل به یک پارامتر از ماتریس تعامل 954 954 × 954 تعامل بین شهرها و شهرهای انگلیس و ولز می رسد ، احتمال پشته های احتمال این بدان معنی است که ترکیبات پارامتر مختلف ممکن است به شبکه های تعامل مکانی مشابه نقشه برداری کنند. برای کشف محرکها در بین تفاوت های مدل در تناسب ، بنابراین ما پیش بینی مدل کنتراست میزان واردات و صادرات بیماری را داریم. شکل 2 میانگین نرخ صادرات و واردات پیش بینی شده در مقابل اندازه جمعیت را برای هر یک از مدل ها نشان می دهد. وابستگی میانگین نرخ صادرات به اندازه جمعیت تضاد تا حدودی در بین مدل ها دارد (شکل 2A) ، اما نرخ واردات از الگوهای مشابه پیروی می کند (شکل 2B). علیرغم تفاوت آنها در معادلات اساسی ریاضی ، باید تفاوتهای ظریف تری بین مدلهایی وجود داشته باشد که به تناسب نسبی و عدم مناسب بودن آنها کمک می کنند. این سؤال را ایجاد می کند: "این تفاوت ها چیست و آیا از نظر بیولوژیکی معنی دار یا از نظر مکانی تصادفی هستند؟"

• شکل دانلود
• در برگه جدیدی باز کن

شکل 2

میانگین نرخ واردات و صادرات در مقابل اندازه جامعه. مدل ها: SV - Stouffer Variant ، XR - تابش گسترده ، CD - مقصد رقیب ، G - گرانش.

یک بررسی دقیق از ادبیات اخیر نشان می دهد که مدل گرانش برجسته ترین در زمینه بیماری عفونی است و به دنبال آن مدل تابش است. مدل استوفر و مدل مقصد رقیب به ندرت در این زمینه اعمال شده است. بنابراین استفاده از مدل گرانش به عنوان یک پایه و بررسی چگونگی واگرایی مدل های بهتر از این پایه مفید است. مقایسه ماتریس با نیم میلیون مدخل بسیار دشوار است ، بنابراین ما یک روش جدید "کنتراست احتمال فضایی" (SLIC) را که با استفاده از آن می توان به بررسی شایستگی نسبی مدلهای مختلف تعامل مکانی می پردازیم ، می پردازیم. ایده این است که از احتمال خطر کلی در شهرهای فردی جدا شود تا بررسی کند که چگونه جوامع خاص در بهبود یا کاهش تناسب نسبی هر مدل نقش دارند. برای انجام این کار ، ما سهم هر مکان را در احتمال کلی با تعداد نقاط داده ، هر یک از نقاط داده ، هر یک از محاصره به احتمال (کشش های انباشته غیبت سرخک) کمک می کند و سپس تفاوت های مدل مدل را بر روی چشم انداز (شکل 3) نقشه می کنیم. بازرسی از شکل 3 نشان می دهد که تناسب فقیرتر مدل گرانش در مقابل مدل های مقصد استوفر یا رقیب در درجه اول در شمال غربی شهری است. این مکمل مجموعه کاملی از تضادهای برش زوج را در بین همه مدل ها فراهم می کند. برای آزمایش اینکه آیا الگوهای ظاهری از نظر آماری معنی دار است ، ما شاخص های محلی ارتباط مکانی (LISA ؛ [34]) را برای کلیه مراکز جمعیتی با کمتر از 50 کیلو ساکنان محاسبه می کنیم (شکل 3A ، B). شکست اصلی مدل گرانش در پیش بینی جفت شدن در بین شهرها و شهرهای منچستر لیورپول-لیدز در شمال غربی انگلیس است که در آن تعامل های متضاد مرتبه بالاتر آشکارا تأثیر مهمی دارند. مقایسه نرخ صادرات پیش بینی شده (شکل 3C) و واردات (شکل 3D) از مدل استوفر در مقابل گرانش نشان می دهد که آمار SLIC قابل توجه توسط پیش بینی بیش از حد مدل گرانش از میزان صادرات عفونت در آن منطقه هدایت می شود.

• شکل دانلود
• در برگه جدیدی باز کن

شکل 3

مکانهایی که به طور متوسط ، مدل (الف) مدل نوع استوفر و (ب) مدل مقصد رقابتی از مدل گرانش با توجه به آمار لیزا که در تضادهای مکانی در همه شهرهای اندازه اعمال شده است ، بهتر است

بحث

تهاجم و حمله مجدد به ایمن سازی عفونتهای انسانی اغلب به دلیل تجمع میزبان انسان به مراکز جمعیت کم و بیش گسسته ، در یک زمینه استعاره اتفاق می افتد. تهدید همه گیر و عفونت های نوظهور ، نیاز به درک و پیش بینی الگوهای شیوع مکانی عفونت ها را در این مراکز ایجاد کرده است. چندین مدل نامزد برای پیش بینی چنین پیش بینی هایی پیشنهاد شده است. در سیستم های حیات وحش - که یک نمونه کلاسیک است - مدل های انتشار بسیار ساده در توصیف سرعت گسترش مکانی عملکرد خوبی داشته اند (به عنوان مثال [35 ، 36]). در مورد اپیدمی که در یک مرکز جمعیت بازی می کنند ، مدل های نزدیک به مدل میانگین میدانی (یعنی با اتصال یکنواخت) اغلب به طرز چشمگیری به خوبی انجام می دهند (برای دیدگاه شبکه اجتماعی در این باره به [37] مراجعه کنید). با این حال ، چنین مدلهایی به طور کلی به دلیل الگوهای پیچیده جنبش انسانی ، گسترش منطقه ای عفونت های انسانی را ضبط نمی کنند (موج سوم همه گیر آنفلوانزا در سال 2009 در سراسر ایالات متحده ، شاید ، یک نمونه غیرمعمول پراکنده باشد [7]). برای روشن شدن این الگوهای ، بسیاری از مطالعات تجربی انجام شده و انواع انتزاع ارائه شده است. وظیفه انتخاب در بین این انتزاعات برای کمک به پیش بینی گسترش بیماری عفونی با این واقعیت پیچیده است که (i) فرمولاسیون مدل ممکن است با توجه به اینکه چگونه آنها در واقع الگوهای تحرک کل تولید می کنند متفاوت باشد ، و (ii) مدل ممکن است شکل بگیردبا روشی که تحرک با انتقال و رفتار فیلتر می شود.

برای پیشبرد بحث در مورد این موضوعات ، ما مجموعه ای از مدل های کاندیدای تعامل مکانی را در نظر گرفتیم و آنها را با استفاده از رویکرد خطرات فضایی با داده های سرخک قبل از واکسیناسیون از انگلیس و ولز قرار داد [18]. ما چهار کلاس اصلی مدل ، از جمله گرانش ، مقصد رقیب ، رتبه استوفر و مدل های تابش را در نظر گرفتیم ، علاوه بر انتشار خالص و مدل های میدانی که موارد ویژه ای جالب هستند. مدل گرانش - که در مدل سازی بیماری های عفونی برجسته شده است - از جمله اینکه شار مهاجرت بین جفت شهرها بستگی به اندازه آنها و فاصله جدا کننده دارد ، اما از حضور سایر مراکز بی تأثیر است. سه مدل دیگر همگی اجازه می دهند تعامل مکانی تحت تأثیر اندازه و نزدیکی جوامع دیگر قرار بگیرد. با به چالش کشیدن این مدلها برای تقلید از الگوهای در داده های مکانی منحصر به فرد فضایی در مورد بروز سرخک در شهرهای انگلیسی و ولزی بین سالهای 1944 و 1965 ، بینش های جدید و جذاب را بدست می آوریم. اگرچه مدل گرانش می تواند بسیاری از الگوهای فضایی وسیعی گسترده را ضبط کند [4] ، در میان فرمولاسیون های جایگزین ، هر دو مدل رتبه [12] استوفر و مدل مقصد [10] Fotheringham و یک نوع پس زمینه و پس زمینه از سیمینی و همکاران [14] مدل تابش از عملکرد خارج شده است. آی تی. مدل تابش اصلی [14] در شهادت به پیچیدگی تحرک انسان در حاکم بر گسترش بیماری های عفونی کودک ، کمتر از گرانش و مدل های ساده میدان و پراکندگی بدتر شد.

از آنجا که مدل گرانش در طی دهه گذشته اتخاذ بسیار سریع در اپیدمیولوژی بیماری های مکانی (هرچند نولاس و همکاران [13] اهمیت در نظر گرفتن گزینه های دیگر را ذکر کرده اند) ، ما از این به عنوان یک پایه استفاده کردیم. علیرغم استفاده متداول ، نسبت به چندین مدل دیگر به طور قابل توجهی تحت عمل قرار می گیرد. با ترکیب آمار Slic و Lisa دریافتیم که بیشترین تنش بین مدل گرانش و گزینه های ترجیحی در منچستر لیورپول-لیدز در شمال غربی انگلیس است ، جایی که بسیاری از شهرها و روستاها در بین چندین شهر مهم حرکت می کنند. در حالی که رتبه پایین تر از مدل استوفر ، مدل مقصد رقیب Fotheringham دو الگوی جالب را نشان می دهد. اول ، δ ≈ −1 یک رقابت در بین شهرهای مجاور برای مسافران است. دوم ، برآوردهای عددی τ₁و τ₂در این مدل به نظر می رسد که یافته های Lau و همکاران را تکرار می کند.[24] (که از فرمولاسیون گرانش مرتبط استفاده کرده است) که تعامل مکانی ، پس از تداخل مرتبه بالاتر ، تقریباً متناسب با میانگین هندسی اندازه جامعه است. این پیشنهاد کنجکاو تحقیقات آینده را ضمانت می کند.

در این مطالعه ما از داده های بروز بیماری واقعی ، بر خلاف اندازه گیری خام حرکت انسان ، استفاده کرده ایم تا درک خود را از اصول حاکم بر چگونگی گسترش میزبان انسان در یک منظره پرجمعیت گسترش دهیم. ما هر دو شواهد قوی از تعامل مرتبه بالاتر در مراکز جمعیت را پیدا کرده ایم ، و مدل های نامزد در توانایی آنها در گرفتن الگوهای تجربی تفاوت معنی داری دارند. ما امیدواریم که یافته های ما به تحریک یک بحث سیستماتیک و داده محور در مورد شایستگی نسبی مدلهای پیش بینی کننده جایگزین برای مسیر احتمالی برای گسترش مکانی بیماری عفونی کمک کند. واضح است که چشم انداز برای اصلاحات بیشتر و پارامترهای بهبود یافته مناسب است.

سلب مسئولیت

CV: این مقاله لزوماً نمایانگر نظرات NIH یا دولت ایالات متحده نیست.

حمایت از افسانه های اطلاعاتی

اطلاعات پشتیبان یک RMarkdown HTML کامپایل شده برای تولید مثل تمام محاسبات موجود در نسخه خطی است.

تصدیق

این مطالعه از حمایت مالی بنیاد ملی علوم ، مؤسسات ملی بهداشت ، بنیاد لایحه و ملیندا گیتس و برنامه بین المللی مرکز بین المللی فوگارتی در زمینه تحقیق و سیاست برای پویایی بیماری های عفونی (RAPIDD) بهره مند شده است. AAK توسط کمک هزینه #R01AI101155 از موسسه ملی ایالات متحده از 376 بیماری های آلرژی و عفونی و توسط کمک هزینه #U54GM111274 از موسسه ملی علوم پزشکی 377 ایالات متحده پشتیبانی شد.

منابع

Erlander S ، Stewart NF. مدل گرانش در تحلیل حمل و نقل: تئوری و پسوند. جلد3VSP ؛1990

Haynes Ke ، Fotheringham AS ، et al. مدلهای جاذبه و تعامل مکانی. جلد2Sage Beverly Hills ، CA ؛1984.

موری G ، صخره تبلیغ. یک مدل تصادفی برای اپیدمی سرخک در یک محیط چند منطقه. معاملات موسسه جغرافیدان انگلیس. 1977 ؛پ. 158 - 174.

Xia Y ، Bjøstad ON ، Grenfell Bt. دینامیک استعاره سرخک: یک مدل گرانش برای اتصال و پویایی اپیدمیولوژیک. طبیعت گرای آمریکایی. 2004 ؛164 (2): 267 - 281.

Viboud C ، Bjøstad ON ، Smith DL ، Simonsen L ، Miller MA ، Grenfell BT. همگام سازی ، امواج و سلسله مراتب مکانی در گسترش آنفولانزا. علوم پایه . 2006 ؛312 (5772): 447 - 451.

Merler S ، Ajelli M. نقش ناهمگونی جمعیت و تحرک انسان در گسترش آنفولانزای همه گیر. مجموعه مقالات انجمن سلطنتی لندن ب: علوم بیولوژیکی. 2010 ؛277 (1681): 557 - 565.

Gog Jr ، Ballesteros S ، Viboud C ، Simonsen L ، Bjostad ON ، Shaman J ، et al. انتقال مکانی آنفولانزای همه گیر در سال 2009 در ایالات متحده. PLOS Comput Biol. 2014 ؛10 (6): E1003635.

Tuite AR ، Tien J ، Eisenberg M ، Ea DJ ، Ma J ، Fisman DN. اپیدمی وبا در هائیتی ، 2010: با استفاده از یک مدل انتقال برای توضیح گسترش مکانی بیماری و شناسایی مداخلات کنترل بهینه. سالنامه پزشکی داخلی. 2011 ؛154 (9): 593 - 601.

Kraemer MU ، Faria NR ، Reiner RC ، Golding N ، Nikolay B ، Stasse S ، et al. شیوع شیوع ویروس تب زرد در آنگولا و جمهوری دموکراتیک کنگو 2015-16: یک مطالعه مدل سازی. بیماری های عفونی لانست. 2017 ؛17 (3): 330 - 338.

Fotheringham AS. مجموعه جدیدی از مدل های تعامل فضایی. در: محیط و برنامه ریزی a. جلد15 ؛1983. پ. 15 - 36.

Fotheringham AS. جریان های مکانی و الگوهای مکانی. محیط و برنامه ریزی1984 ؛16 (4): 529 - 543.

Stouffer SA. فرصت های مداخله: نظریه ای در رابطه با تحرک و فاصله. بررسی جامعه شناسی آمریکایی. 1940 ؛5 (6): 845 - 867.

Noulas A ، Scellato S ، Lambiotte R ، Pontil M ، Mascolo C. داستان بسیاری از شهرها: الگوهای جهانی در تحرک شهری انسان. PLOS یکی. 2012 ؛7 (5): E37027.

Simini F ، González MC ، Maritan A ، Barabási AL. یک مدل جهانی برای الگوهای تحرک و مهاجرت. طبیعت2012 ؛484 (7392): 96 - 100.

Charu V ، Zeger S ، Gog J ، Bjøstad ON ، Kissler S ، Simonsen L ، et al. تحرک انسانی و انتقال مکانی آنفولانزا در ایالات متحده. زیست شناسی محاسباتی PLOS. 2017 ؛13 (2): E1005382.

Tizzoni M ، Bajardi P ، Decuyper A ، King GKK ، Schneider CM ، Blondel V ، et al. در مورد استفاده از پروکسی های تحرک انسانی برای مدل سازی اپیدمی. PLOS Comput Biol. 2014 ؛10 (7): E1003716.

Truscott J ، Ferguson NM. ارزیابی کفایت مدلهای گرانش به عنوان توصیف تحرک انسان برای مدل سازی اپیدمی. PLOS Comput Biol. 2012 ؛8 (10): E1002699.

Bjøstad on ، Grenfell Bt. خطرات ، انتقال مکانی و زمان شیوع در استعاره های اپیدمی. آمار محیطی و زیست محیطی. 2008 ؛15 (3): 265 - 277.

گرنفل B ، Bjøstad O ، Kappey J. امواج مسافرتی و سلسله مراتب فضایی در اپیدمی سرخک. طبیعت2001 ؛414 (6865): 716 - 723.

بارتلت م. مدل های قطعی و تصادفی برای اپیدمی مکرر. در: مجموعه مقالات سمپوزیوم سوم برکلی در مورد آمار ریاضی و احتمال. جلد4 ؛1956. پ. 109

Bartlett MS. تناوبی سرخک و اندازه جامعه. مجله انجمن آماری سلطنتی سری A (عمومی). 1957 ؛120 (1): 48 - 70.

Clarkson J ، Fine PE. کارآیی سرخک و اطلاع رسانی به سیاه پوست در انگلیس و ولز. مجله بین المللی اپیدمیولوژی. 1985 ؛14 (1): 153 - 168.

Bjøstad ON ، Finkenstädt BF ، Grenfell Bt. دینامیک اپیدمی سرخک: تخمین مقیاس گذاری نرخ انتقال با استفاده از یک مدل SIR سری زمانی. مونوگرافی های زیست محیطی. 2002 ؛72 (2): 169 - 184.

Lau MS ، Becker AD ، Caudron Q ، Shaw DJ ، Metcalf CJE ، Bjøstad ON ، et al. پویایی محلی ، اتصال منطقه ای و تداوم سرخک در انگلیس و ولز: از اندمیسم تا حذف محلی با واکسیناسیون. 2019 ؛پ. در بررسی.

گرنفل ب ، هاروود ج.(متا) پویایی جمعیت بیماریهای عفونی. روند بوم شناسی و تکامل. 1997 ؛12 (10): 395 - 399.

1. هانسکی اول ،
2. گاگیوتی ای

Jandarov R ، Haran M ، Bjøstad O ، Grenfell b. تقلید از یک مدل گرانش برای استنباط پویایی مکانی یک بیماری عفونی. مجله انجمن آماری سلطنتی: سری C (آمار کاربردی). 2014 ؛63 (3): 423 - 444.

شیشه K ، Xia Y ، Grenfell b. تفسیر تجزیه و تحلیل سری زمانی برای مدلهای بیولوژیکی زمان مداوم-اندازه گیری ها به عنوان یک مطالعه موردی. مجله زیست شناسی نظری. 2003 ؛223 (1): 19 - 25.

Hope-Simpson دوباره. عفونت بیماریهای واگیر در خانواده. لانست1952 ؛II: 549 - 554.

Bobashev GV ، Ellner SP ، Nychka DW ، Grenfell Bt. بازسازی دینامیک مستعد و استخدام از داده های همه گیر سرخک. مطالعات جمعیت ریاضی. 2000 ؛8 (1): 1 - 29.

Finkenstädt Bf ، Bjøstad ON ، Grenfell Bt. یک مدل تصادفی برای انقراض و عود بیماری همه گیر: تخمین و استنباط برای شیوع سرخک. آمار زیستی . 2002 ؛3 (4): 493 - 510.

McCullagh P ، Nelder JA. مدلهای خطی تعمیم یافته. جلد37 مونوگرافی در مورد آمار و احتمال کاربردی. چاپ دوم. لندن: چاپمن و هال ؛1989.

Buham KP ، Anderson DR. انتخاب مدل و استنباط مولتییمودل: یک رویکرد عملی نظری اطلاعات. رسانه های علمی و تجاری Springer ؛2003

آنسلین لشاخص های محلی ارتباط فضایی - لیزا. تجزیه و تحلیل جغرافیایی. 1995 ؛27 (2): 93 - 115.

موری جی دی ، استنلی E ، براون د. در گسترش مکانی هاری در میان روباه ها. مجموعه مقالات انجمن سلطنتی لندن سری B علوم بیولوژیکی. 1986 ؛229 (1255): 111 - 150.

Smith DL ، Lucey B ، Waller LA ، Childs JE ، LA Real. پیش بینی پویایی فضایی اپیدمی هاری در مناظر ناهمگن. مجموعه مقالات آکادمی ملی علوم. 2002 ؛99 (6): 3668 - 3672.

Bansal S ، Grenfell BT ، Meyers LA. هنگامی که رفتار فردی اهمیت دارد: مدل های همگن و شبکه در اپیدمیولوژی. مجله رابط جامعه سلطنتی. 2007 ؛4 (16): 879 - 891.