abstrak
Latar
Belakang: Teori menunjukkan bahwa dampak respon perilaku individu penyebaran
penyakit seperti flu, tapi ini
telah
sulit untuk secara empiris ciri. Jarak sosial merupakan komponen penting dari
respon perilaku,
meskipun
analisis telah dibatasi oleh kurangnya data perilaku. Tujuan kami adalah untuk
menggunakan data media untuk mengkarakterisasi
Perilaku
jarak sosial untuk menginformasikan secara empiris model epidemiologi jelas dan
prediktif.
Metode:
Kami menggunakan data pada variasi televisi rumah melihat sebagai proxy untuk
variasi dalam waktu yang dihabiskan di
rumah
dan, dengan perluasan, kontak. Proxy perilaku ini tidak sempurna tapi menarik
karena informasi pada kaya
dan
sampel yang representatif dikumpulkan menggunakan teknik yang konsisten
sepanjang waktu dan sebagian besar kota-kota besar. Kita
mempelajari
April-Mei 2009 wabah A / H1N1 di Meksiko Tengah dan memeriksa respon perilaku
dinamis dalam
agregat
dan kontras pola yang diamati dari berbagai sub-kelompok demografis. Kami
mengembangkan dan mengkalibrasi dinamis
model
perilaku penularan penyakit diinformasikan oleh data proxy pada variasi harian
dalam tingkat kontak dan membandingkannya
dengan
standar (non-adaptif) Model dan model efek tetap yang kasar menangkap perilaku.
Hasil:
Kami menemukan bahwa setelah respon perilaku awal dibuktikan (konsisten dengan
jarak sosial) pada awal
wabah,
ada pelemahan di respon sebelum kesimpulan dari intervensi kesehatan
masyarakat. Kami menemukan
perbedaan
substansial dalam respon perilaku seluruh subkelompok usia dan tingkat sosial
ekonomi. Kami juga menemukan bahwa
efek
perilaku dan tetap model transmisi dinamis yang lebih baik menjelaskan variasi
dalam kasus yang dikonfirmasi baru,
menghasilkan
perkiraan yang lebih stabil dari tingkat dasar transmisi dari waktu ke waktu
dan memprediksi jumlah kasus baru
selama
jangka pendek dengan substansial kurang error.
Kesimpulan:
Hasil menunjukkan bahwa A / H1N1 memiliki potensi transmisi bawaan lebih besar
daripada yang diperkirakan sebelumnya namun
ini
ditutupi oleh respon perilaku. Perbedaan yang diamati dalam respon perilaku
seluruh kelompok demografis
menunjukkan
potensi manfaat dari upaya penjangkauan menargetkan jarak sosial.
Kata
kunci: Model Epidemi, distancing Sosial, A / H1N1, Influenza, SIR
Latar
Belakang
Rangkaian
wabah flu selama dekade terakhir menggambarkan
kebutuhan
yang sedang berlangsung untuk penyempurnaan strategi untuk
mengontrol
dan mengurangi dampak penyakit menular,
termasuk
SARS pada tahun 2003 [1], 2009 A / H1N1 (babi)
pandemi
influenza [2,3] dan munculnya novel
Sebuah
virus / H7N9 (flu burung) influenza pada tahun 2013 [4]. Secara paralel
upaya
vaksinasi standar, intervensi nonpharmaceutical
(NPis)
merupakan bagian penting dari manajemen
toolkit
[5-7]. Secara khusus, NPis menjadi lebih relevan
dalam
konteks muncul penyakit menular saat
ketersediaan
vaksin mungkin tertunda cukup lama.
Kepala
di antara NPis strategi untuk meningkatkan sosial
menjauhkan,
apakah dimulai secara pribadi atau kebijakan-diarahkan
(Misalnya,
penutupan sekolah, bisnis dan acara-acara publik) [8].
Sementara
NPis perilaku muncul menjanjikan, penting untuk
mengevaluasi
secara empiris keberhasilan mereka karena mereka dapat mahal
[9] dan
bisa memiliki konsekuensi yang tidak diinginkan, seperti memimpin
peningkatan
bersih dalam jumlah jangka panjang kasus atau meningkat
total
biaya epidemi dan kebijakan respon
[10,11].
Potensi respon individu terhadap penyakit
risiko
dan kebijakan ini menjadi tantangan dalam pengukuran
dari
infektivitas patogen dan desain kebijakan
diarahkan
jarak sosial [12,13]. Ferguson [14] berpendapat
bahwa
meskipun perlunya pendekatan holistik, saat ini
*
Korespondensi: mspringborn@ucdavis.edu
1Jurusan
Environmental Science & Kebijakan, Universitas California, 2104
Wickson
Hall, Satu Shields Ave., Davis, CA 95616, USA
Daftar
lengkap informasi penulis tersedia di akhir artikel
© 2015
Springborn et al .; pemegang lisensi BioMed Central. Ini adalah sebuah artikel
Open Access didistribusikan di bawah ketentuan Creative
Atribusi
Commons License (http://creativecommons.org/licenses/by/4.0), yang memungkinkan
penggunaan tak terbatas, distribusi, dan
reproduksi
dalam media apapun, asalkan karya asli dikreditkan dengan benar. Creative
Commons Public Domain
Dedikasi
pengabaian (http://creativecommons.org/publicdomain/zero/1.0/) berlaku untuk
data yang disediakan dalam artikel ini,
kecuali
dinyatakan lain.
Springborn
et al. BMC Infectious Diseases (2015) 15:21
DOI
10,1186 / s12879-014-0691-0
model
dasarnya mengabaikan umpan balik antara epidemi
dan
perilaku.
Analisis
empiris dari pengaruh perilaku jarak sosial
dinamika
epidemiologi adalah kepentingan yang jelas,
tetapi
telah terbukti sulit untuk mendapatkan data yang representatif
pada
respon perilaku yang sebenarnya untuk epidemi. Investigasi empiris
pengaruh
perilaku transmisi seperti flu
Dinamika
sebagian besar telah terbatas pada proxy biner untuk
perilaku,
khususnya pra-dijadwalkan [6,15] dan epidemiologi
didorong
[16] penutupan dan pola hari kerja sekolah
dan
akhir pekan [17]. Meskipun intervensi kebijakan sering
kasar,
respon individu untuk kebijakan dan pribadi mereka sendiri
keputusan
tentang risiko cenderung lebih bernuansa [8].
Fenichel
et al. [18] menunjukkan bahwa pengurangan risiko pribadi mungkin
telah
berubah dalam cara yang halus selama 2009 / H1N1 epidemi.
Caley et
al. [19] memperkirakan perubahan menular
tingkat
kontak di Sydney, Australia dari 1918 influenza
pandemi
tetapi melakukannya secara tidak langsung dengan menyimpulkan perubahan kontak
berdasarkan
jumlah reproduksi perkiraan dan
proporsi
rentan bersyarat pada nilai yang diberikan untuk
nomor
reproduksi, R0.
Kami
menggunakan data baru pada variasi televisi rumah
perilaku
menonton sebagai proxy untuk perubahan tingkat
interaksi
sosial sehari-hari. Kami menemukan tampilan yang kuat
respon
perilaku di Meksiko Tengah terkait dengan
Virus
influenza / H1N1 pada bulan April dan Mei 2009.
Data
menunjukkan bahwa respon perilaku proksi yang terbesar
kalangan
anak-anak dan kelompok-kelompok sosial-ekonomi kaya.
Selain
itu, kami beberapa respon perilaku dengan
Model
epidemiologis, dan menunjukkan bahwa A / H1N1 influenza
Virus
ini cenderung lebih menular dari sebelumnya
diyakini
karena potensi penularan bertopeng
oleh
respon perilaku.
Untuk
memanfaatkan data kepemirsaan televisi untuk menjelajahi
peran
perilaku selama epidemi, kami memperpanjang
Proxy
biner untuk waktu yang bervariasi infektivitas di [20], di mana
perilaku
dapat berubah hanya pada satu titik waktu, untuk memungkinkan
untuk
variasi harian dalam perilaku. Berikut [17], kita membusuk
model
standar tingkat transmisi ke
dua
komponen tingkat kontak dan transmisi rata-rata
Tingkat
per kontak. Untuk menginformasikan perubahan dalam kontak
tingkat,
kita menggunakan proxy harian untuk perubahan waktu yang dihabiskan
oleh
individu dalam rumah, yaitu variasi dalam rumah
menonton
televisi. Sementara melihat adalah proxy yang tidak sempurna
untuk
perilaku jarak sosial, data ini memiliki beberapa menarik
atribut.
Data dikumpulkan secara konsisten
sebelum,
selama, dan setelah epidemi di semua media utama
pasar di
seluruh dunia. Sampel merupakan perwakilan dari
penduduk
setempat (by design) dan dapat dipisahkan
dalam
berbagai sub kelompok demografis. Biasanya
Data dikumpulkan
secara otomatis dan elektronik (seperti dalam
sampel
kami) dan tidak bergantung pada diri-pelaporan. Itu
Data
melihat dalam aplikasi kita yang diperoleh dari
Ibope
Internasional net-AGB Nielsen Media Research,
penelitian
dan penonton pengukuran swasta terbesar
Perusahaan
di Amerika Latin.
Kami
berkontribusi pada literatur dengan memeriksa variasi
dalam
respon perilaku di waktu dan demografis
subkelompok
dan dengan kalibrasi dan menganalisis perilaku dinamis
model
penularan penyakit. Pertama, kami mengukur
sifat
dinamis dari respon perilaku terhadap 2.009
A / H1N1
pandemi influenza dan intervensi publik di
Meksiko
Tengah. Kami menunjukkan bahwa respon agregat
tidak
konstan dan menjelaskan bagaimana bervariasi secara sistematis selama
waktu.
Selanjutnya, kita membongkar dinamika agregat menjadi demografi
sub
kelompok dan menunjukkan bagaimana kelompok usia tertentu dan /
atau
kelompok sosial ekonomi merespon lebih kuat daripada
lain.
Beralih ke model penularan penyakit
dinamika,
kami menilai apakah akuntansi untuk perubahan sehari-hari
dalam
kontak yang lebih baik menyumbang variasi dalam kasus baru.
Kami
kemudian mengeksplorasi potensi bias dalam standar
Model
dari mengabaikan perubahan yang mendasari perilaku. Sebelumnya
analisis
simulasi menunjukkan bahwa intervensi terfokus
pada
anak-anak sangat efektif dalam mengurangi
Tingkat
serangan influenza [21]. Kami memeriksa bagaimana akuntansi
heterogenitas
antara orang dewasa dan anak-anak mengubah kesimpulan.
Pada
bagian berikutnya kita pertama menunjukkan bagaimana dasar
model
transmisi dapat diperpanjang untuk menggabungkan dinamis
perilaku
dan kemudian menggambarkan data dan estimasi model
Pendekatan
secara rinci.
Metode
Model
epidemiologi standar
Kami
model 2009 / H1N1 epidemi di Meksiko Tengah
menggunakan
Seir Model epidemiologi [22-24]. Kami mendefinisikan
tiga
formulasi model yang berbeda: satu yang tidak memperhitungkan
untuk
setiap perubahan perilaku, yang mengasumsikan bahwa
perubahan
perilaku konstan sepanjang governmentimposed
intervensi
kesehatan, dan salah satu yang mengasumsikan bahwa
perubahan
perilaku dapat diperkirakan oleh televisi setiap hari
Data
melihat. Untuk masing-masing model, individu dalam populasi,
ukuran
N, diklasifikasikan berdasarkan status kesehatan individu
di dalam
empat negara bagian di setiap periode, t: rentan (St), terkena
(Terinfeksi
tetapi belum menular), (Et), infeksi
(It),
dan pulih (Rt). Dinamika transisi antara
negara
kesehatan dijelaskan oleh sistem perbedaan
persamaan:
Stþ1-St
¼ -βtSt Ini = N
Etþ1-Et
¼ βtSt Ini = N-κEt
Itþ1-It
¼ κEt-γIt
Rtþ1-Rt
¼ γIt;
ð1Þ
di mana
βt adalah tingkat transmisi, κ adalah tingkat di mana
inkubasi
individu kemajuan dari terkena
status
kesehatan infeksi (atau kebalikan dari laten
periode)
dan γ adalah tingkat pemulihan (atau kebalikan dari
periode
pemulihan).
Springborn
Dalam
standar (SD) Model βt yang menjadi konstan
skalar.
Ini mengacaukan efek gabungan dari kontak
dan
kemungkinan penularan dari kontak [12].
Dalam
model transmisi klasik, perilaku yang mengatur
kontak
diasumsikan tetap. Namun bagi banyak manusia
penyakit,
termasuk influenza, pergeseran perilaku dan NPI
mungkin
memainkan peran penting dalam proses transmisi.
Model
epidemiologi perilaku
Untuk
menggeneralisasi model klasik kita membusuk βt ke
kemungkinan
penularan tergantung pada kontak
(Ρ0) dan
rata-rata jumlah kontak yang dialami oleh
individu
DC? Þ:
βSD
t
¼ ρ0
? C: ð2Þ
Parameter
ρ0 dan? C tidak diidentifikasi secara unik
karena
mereka masuk ke model sebagai produk. Namun demikian, ρ0
dapat
diperkirakan sebagai berikut [17] dan menggunakan estimasi populasi
dari
literatur untuk? C.a
Meskipun
membedakan antara kemungkinan penularan
dari
kontak dan nomor kontak, βSD
t
diasumsikan
konstan. Kami mengeksplorasi dua alternatif
yang
mengendurkan asumsi tingkat transmisi konstan.
Perpanjangan
pertama untuk memfasilitasi transmisi waktu yang berbeda-beda
Tingkat
adalah untuk memungkinkan dua yang berbeda, tetapi sebaliknya konstan,
tingkatan
dalam βt dari waktu ke waktu. Berikut [20], kita model
respon
perilaku sebagai efek tetap (FE) (yaitu menggunakan
variabel
dummy) selama jangka waktu
diberikan
oleh τ, misalnya selama kesehatan masyarakat tertentu
campur
tangan,
βFE
t
¼ ρ0
þ
1τðtÞρ1
? ?
? C; ð3Þ
di mana
ρ0 adalah dasar tingkat transmisi marjinal (per
kontak),
ρ1 adalah pergeseran transmisi dasar marjinal
Tingkat
selama jendela τ, dan 1τ (t) adalah indikator
fungsi,
sama dengan satu ketika t ∈ τ, dan nol sebaliknya.
Kedua,
kami mengusulkan model respon yang fleksibel yang memungkinkan
untuk
variasi harian dalam perilaku. Mengingat ketersediaan
dari
proxy empiris untuk perubahan tingkat kontak, kita
rileks
asumsi tingkat kontak tetap. Biarkan At mewakili
deviasi
persentase dari rata-rata? CD Þ untuk
diberikan
periode t. Sebuah dinamis perilaku (DB) transmisi
fungsi
yang mirip dalam bentuk Persamaan (2) dan (3)
tapi
account untuk variasi dalam tingkat kontak adalah:
βDB
t
¼ ρ0
þ ρ1Δt
? ?
? C: ð4Þ
Sehubungan
dengan model SD di Persamaan (2), transmisi DB
Model
tingkat termasuk tambahan ρ1Δt jangka ð C? Þ
menangkap
efek aditif dari setiap respon perilaku.
Model SD
(2) bersarang dalam kedua model FE (3)
dan
model DB (4): βSD
t
¼ βFE
t ρ1
¼ 0 ð Þ
¼βDB
t ρ1
ð ¼-0.
Di bawah
ketiga model, subset dari populasi N di
masing-masing
kesehatan menyatakan perubahan dari waktu ke waktu. Satu-satunya
komponen
berpotensi dinamis lainnya adalah transmisi
βt
tingkat, yang baik tetap (model SD), mengambil salah satu dari dua
nilai
konstan dari waktu ke waktu (model FE), atau bervariasi setiap hari (DB
model).
Data
epidemiologis
Untuk
menguji implikasi dari jarak sosial kita fokus
pada
wabah awal A / H1N1 di Meksiko Tengah, di
musim
semi 2009.b Kami memperoleh laboratorium dikonfirmasi
pandemi
A kasus influenza / H1N1 dari 1 April Mei
20 di
Meksiko Tengah dari epidemiologi prospektif
sistem
surveilans yang didirikan dalam menanggapi
2009
pandemi influenza oleh Meksiko Institute
untuk
Jaminan Sosial (IMSS) [25]. Data ini disajikan
pada
Tabel 3 di Lampiran A. IMSS adalah tripartit Meksiko
sistem
kesehatan yang bergantung pada jaringan lebih dari 1.000
unit
perawatan kesehatan primer dan 259 rumah sakit nasional,
dan
mencakup ~ 40% dari populasi Meksiko. Yang penting,
tingkat
tes untuk novel A / H1N1 influenza
tetap
stabil pada ~ 33% [20]. Chowell et al. [20] acara
bahwa
distribusi umur penduduk berafiliasi
dengan
IMSS umumnya wakil dari umum
populasi
Meksiko, menolak hipotesis bahwa
distribusi
berbeda secara signifikan. Lebih Lanjut
mereka
mencatat bahwa rasio laki-perempuan di kalangan penduduk
berafiliasi
dengan IMSS (47:53) mirip dengan yang ada pada
populasi
umum (49:51).
Pada 15
April 2009, Departemen Kesehatan Mexico mulai
menerima
indikasi informal radang paru-paru yang parah
di
metropolitan Mexico City [3,26]. The influenza baru
Sebuah
virus / H1N1 telah dikonfirmasi oleh AS dan laboratorium Kanada
untuk
beberapa pasien Meksiko dari April 22-24. Pada Tanggal
Jumat,
24 April, pemerintah federal mengumumkan
penutupan
sekolah umum untuk metropolitan Mexico
Kota,
dan kesadaran masyarakat kampanye dimulai
oleh
Departemen Kesehatan. Selanjutnya "jarak sosial
langkah-langkah
"penutupan terlibat restoran dan hiburan
tempat
dan membatalkan acara-acara publik besar [26]. Setelah Mei
9,
tingkat infeksi menurun drastis dan publik yang besar
intervensi
kesehatan yang diangkat [20]. Siswa kembali
sekolah
pada hari Senin, 11 Mei Jendela τ = {April 24, ...,
10 Mei}
digunakan dalam model FE untuk periode sub
di mana
kita harapkan untuk mengamati efek karena
jarak
sosial. Kami juga dianggap tanggal alternatif
untuk
memulai jendela ini, dari 10 April sampai
23
April, tapi tidak ada yang secara statistik lebih disukai seperti yang
dijelaskan
lebih
lanjut dalam hasil. Sebuah waktu grafis
kegiatan
yang terkait dengan wabah disediakan oleh Chowell
et al.
[20] (Tabel 1).
Persetujuan
Komite Etik tidak diperlukan sesuai
peraturan
daerah. Semua data de-diidentifikasi.
Data
yang digunakan dalam penelitian ini secara rutin dikumpulkan untuk
keperluan
surveilans epidemiologi.
Data
perilaku
Kami
menggunakan data di televisi rumah melihat di metropolitan
Mexico
City sebagai ukuran proksi untuk perilaku dinamis
respon
di Meksiko Tengah selama wabah influenza.
Logika
dari pendekatan ini bergantung pada dua asumsi utama.
Pertama,
kita menganggap bahwa waktu yang dihabiskan menonton televisi meningkat
dalam
waktu yang dihabiskan di rumah, dan bahwa pendekatan linear
cukup
untuk menangkap behavior.c ini Dengan
menghormati
alokasi waktu setiap hari individu, karena kita
terutama
berkaitan dengan waktu yang dihabiskan di rumah atau tidak sama
rumah,
peningkatan mantan mengurangi dari yang kedua.
Kedua,
kita asumsikan bahwa jumlah kontak individu
membuat
sebanding dengan waktu yang dihabiskan di luar
rumah.
Data
pemirsa untuk Mexico City diperoleh dari
Ibope
Internasional net-AGB Nielsen Media Research,
penelitian
dan penonton pengukuran swasta terbesar
perusahaan
dalam bahasa Latin America.d Ukuran khusus yang digunakan adalah
individu
rata-rata waktu setiap hari dilihat (ATV), yang diberikan
dengan
jumlah agregat jam dilihat oleh semua orang di
sampel
dibagi dengan jumlah individu dalam
sampel
(termasuk mereka yang tidak melihat di diberikan
periode).
Data mencerminkan pengamatan agregat bagi individu
(Bukan
rumah tangga) dalam kelompok demografis tertentu.
Sampel
Ibope yang terdiri dari sebuah panel yang sedang berlangsung individu,
seimbang
di karakteristik demografi untuk
mewakili
populasi Mexico City. Sehari Hari
Data
diperoleh untuk bulan April dan Mei
pada
tahun 2009. Sehubungan dengan data kasus harian dikonfirmasi
influenza
dan rata-rata pemirsa TV, komite etik
review
itu tidak relevan karena semua data deidentified,
dikumpulkan
sebelum akuisisi dan dikumpulkan
dalam
kondisi yang ada (yaitu tidak ada eksperimen
perawatan).
Demikian pula, karena data dikumpulkan
melalui
mekanisme yang ada dan bukan untuk penelitian kami,
memperoleh
persetujuan tertulis dari peserta adalah
tidak
relevan.
Kami
menggunakan deviasi persentase rata-rata televisi
pemirsa
(dibandingkan dengan periode non-intervensi) sebagai
proxy
untuk deviasi persentase kontak. Kita memilih
Bentuk
sederhana ini untuk proxy sejak parameter
Model
kontak baku sebagai fungsi menonton televisi
tidak
tersedia. Biarkan AT? V merupakan baseline (non-intervensi
periode)
rata-rata ATVt lebih diperpanjang
horizon
waktu dari sebelum dan setelah publik
Menanggapi
wabah, tetapi tidak selama. Baseline
Periode
yang digunakan untuk menentukan AT? V adalah April 1-April 23
dan 10
Mei - 31 Mei, yang meliputi April dan Mei
2009,
tidak termasuk τ periode. AT? V untuk sampel kami adalah
1,7 jam
per hari (dengan minimum dan maksimum
ATVt
selama periode baseline (1,5, 1,9)). Timevarying The
penyimpangan
dari baseline berarti ATVt diberikan
oleh At
¼ ðATVt-AT? V = Þ AT? V.
Kami
dianggap baik populasi homogen tunggal
dan
populasi heterogen dibagi menjadi dua kelompok:
orang
dewasa (18 tahun ke atas, dilambangkan A) dan anak-anak (individu
di bawah
usia 18, dilambangkan K). Untuk heterogen
Model
populasi, pemirsa terpilah
Data
diperbolehkan untuk inferensi tentang bagaimana perilaku orang dewasa
dan
anak-anak bervariasi dari waktu ke waktu. Perpanjangan
homogen
model transmisi penduduk (1) ke
Pengaturan
subkelompok heterogen disajikan dalam Lampiran B.
Informasi
ini tidak tersedia untuk mengkarakterisasi bagaimana perubahan
dalam
kontak yang dibuat oleh satu kelompok (misalnya orang dewasa) mungkin berbeda
antara
kontak mereka membuat dalam kelompok yang sama
(Misalnya
kontak dengan orang dewasa-dewasa) dibandingkan kelompok lain (misalnya
adultchild
kontak).
Oleh karena itu, kita membuat asumsi penyederhanaan
bahwa
penyimpangan dalam tingkat kontak untuk anggota
kelompok
i seragam di seluruh kelompok yang berbeda mereka
mungkin
datang dalam kontak dengan; kami menggunakan time series tunggal
untuk
menginformasikan penyimpangan dalam kontak anak-anak dengan baik
orang
dewasa atau anak-anak (At, K → A = At, K → K = At, K) dan lain
tunggal
time series sama untuk orang dewasa (At, A → K = At, A → A =
Kami
model tingkat kontak usia tertentu untuk usia sekolah
anak-anak
dan orang dewasa untuk Meksiko tengah berdasarkan
data
kontak survei yang dikumpulkan dari beberapa Eropa
negara
[27]:
C ¼
? CK →
K? CK → A
? CA →
K? CA → A
? ?
¼ 8: 9
5: 5
1: 9 9:
3
? ?
: Ð5Þ
Tingkat
kontak rata-rata untuk pencampuran homogen
populasi,
C ¼ 6: 1, diberikan oleh penduduk tertimbang
rata-rata
C.
Estimasi
model
Kami
mengatur penduduk Meksiko Tengah ke N = 5,3 * 107
individu
[28] dan ikuti [17] dalam menetapkan mean
kemungkinan
infeksi yang dikonfirmasi laboratorium
A influenza
/ H1N1 di φ ¼ 0: 0015. Ini perkiraan yaitu
dibangun
sebagai produk dari tingkat gejala (65%
[29,30]),
tingkat rawat inap (0,45% [31]), dan
probabilitas
yang terinfeksi, dirawat di rumah sakit makhluk individu
diidentifikasi
memiliki A / H1N1 (50%). Kami mengontrol diamati
variasi
dalam tingkat yang dirawat di rumah sakit kasus yang
diuji
dengan skala probabilitas rata-rata konfirmasi
deviasi
diamati dari tingkat pengujian berarti:
φt
¼ φ?
ÐTRt = T? RTH. Data tingkat pengujian diperoleh dari
IMSS
(sumber yang sama seperti dijelaskan di atas untuk kasus
data).
Kami menetapkan fraksi awalnya terinfeksi pada hari 1 dari
jangka
waktu (1 April) di π = 1,9 × 10- 5, sehingga diberi
populasi
dan probabilitas konfirmasi, satu kasus
dikonfirmasi
pada hari pertama. Konsisten dengan [5,32,33],
tingkat
harian perkembangan dari laten kesehatan yang terinfeksi
status
dan tingkat pemulihan ditetapkan untuk κ = 0.67 dan γ = 0,5,
masing-masing.
Koefisien
utama yang menarik untuk estimasi adalah
parameter
fungsi tingkat transmisi untuk masing-masing
tiga
model. Biarkan ρ mewakili vektor marjinal
parameter
laju transmisi, yang diberikan oleh skalar [ρ0] untuk
model SD
dan vektor [ρ0, ρ1] untuk FE dan DB
model.
Parameter model diperkirakan oleh maksimum
kemungkinan.
Kami berasumsi bahwa jumlah diamati
dikonfirmasi
infeksi baru setiap hari, Ict
,
Mengikuti Poisson
Proses
dengan λt tingkat kedatangan rata-rata (ρ) yang diberikan oleh nomor
infeksi
diamati baru diprediksi oleh penyakit
Model,
φtκEt. Fungsi log-likelihood adalah:
L ¼
XT
t¼1
Ik
ln λt ρ
ð Þ ½? -λt ρ ð Þ-ln Ict
!
? ? ??
: Ð6Þ
Pengembangan
fungsi log-likelihood dijelaskan
lebih
lanjut dalam Lampiran C.
Karena
perkiraan kemungkinan maksimum dapat sensitif
dengan
pilihan nilai awal yang diberikan kepada numerik
algoritma
optimasi, kami menggunakan titik awal beberapa
solver
di Matlab (versi R2013a) dirancang untuk mengidentifikasi
optimum
global. Untuk masing-masing model, solver dijalankan untuk
masing-masing
vektor awal M berbeda secara acak untuk
parameter
yang tidak diketahui di ρ. Kami menetapkan M sebesar 50 untuk
model
standar (satu parameter) dan 100 untuk alternatif
Model
(dua parameter). Dari set lokal
maxima,
solusi dengan kemungkinan terbesar adalah
terpilih
sebagai perkiraan untuk maksimum global. Kita
Diperkirakan
interval kepercayaan 95% untuk parameter
menggunakan
metode rasio kemungkinan [34]. Untuk menguji secara statistik
perbedaan
yang signifikan dalam kinerja, ketika membandingkan
model SD
terhadap FE dan DB model kami
menggunakan
uji rasio kemungkinan, karena model SD bersarang
dalam
kedua alternatif (FE dan DB). Karena FE
dan
model DB tidak bersarang, rasio kemungkinan standar
Tes
tidak layak. Berikut [35], kami menggunakan Cox nonnested
Tes
dengan bootstrap parametrik (lihat Lampiran D
untuk
detail).
Hasil
dan Diskusi
Respon
perilaku dinamis
Dalam
Gambar 1 kami menyajikan respon perilaku dinamis
time
series untuk At (persentase deviasi dari rata-rata ATV)
di
Mexico City pada bulan April dan Mei 2009 secara agregat
(Gambar
1A) dan untuk berbagai sub kelompok demografis dan waktu
(Gambar
1B-D). Rentang dan berarti untuk variabel ini
selama
periode intervensi terbatas (τ) disajikan
pada
Tabel 1. penyimpangan positif (At> 0) menunjukkan bahwa
di atas
jumlah rata-rata waktu yang dihabiskan di TV rumah
melihat
dan, dengan kesimpulan, di rumah. Tingkat rata-rata
At
selama periode τ positif dan, seperti yang ditunjukkan oleh seorang onesample
t-test,
secara signifikan berbeda dari nol pada 1%
tingkat
bagi penduduk agregat dan masing-masing sub-kelompok yang dianggap
di sini
(lihat Tabel 1).
Jalur
dinamis At bagi penduduk agregat
disajikan
pada Gambar 1A. Di luar intervensi berbayang
window
(τ), ukuran ini memiliki rata-rata nol (oleh
konstruksi)
dan biasanya berada dalam kisaran +/-
5%.
Selama periode τ, At bergeser terbukti atas.
Respon
perilaku ini adalah terkuat di minggu pertama
(Sekitar
20%) sebelum secara bertahap membaik menjadi
mendekati
nol pada akhir periode intervensi. Ini
Pola
menunjukkan bahwa kapasitas penduduk untuk sosial
distancing
mungkin terbatas dalam durasi; sebelum publik
intervensi
kesehatan menyimpulkan, ada substansial
penurunan
respon relatif perilaku ke puncak di
minggu
pertama. (Atau, mungkin bahwa tingkat
melihat
per unit waktu yang dihabiskan di rumah jatuh sebagai individu
beralih
ke kegiatan-rumah lainnya.) Setelah
NPI
menyimpulkan ada periode menonton berkurang
Kegiatan
di rumah (At <0). Secara khusus, At mencapai nya
titik
paling negatif pada tanggal 10 Mei di -10,5%. Di luar
dip
pasca-intervensi, At turun di bawah -10% pada
hanya
satu hari. Sebagai bukti lebih lanjut bahwa dip itu
mungkin
bukan peristiwa acak coincident, kami menemukan bahwa ini
dip
bertahan di 5% di bawah periode non-NPI berarti untuk
empat
hari berturut-turut-ada ada kasus lain di
data
ketika At turun di bawah 95% dari rata-rata lebih
dari
satu hari. Sementara mekanisme kausal belakang
dinamika
ini tidak diketahui dengan pasti, satu kemungkinan
adalah
bahwa periode multi-hari ditekan aktivitas di rumah
kompensasi
untuk kegiatan sosial dan komersial yang hilang
dari
sebelumnya pada periode intervensi. Pengamatan
realokasi
kegiatan berisiko dalam waktu adalah umum di
literatur
kesehatan masyarakat. Setelah pengenalan antiretroviral
pengobatan
untuk HIV / AIDS [28,36] menemukan empiris
bukti
peningkatan pengambilan risiko seksual. Boyes dan Iman
[2]
menunjukkan bahwa ketika konsumsi alkohol dilarang di perguruan tinggi
pertandingan
sepak bola yang total konsumsi alkohol mungkin
naik
melalui efek substitusi dalam periode mengapit
permainan.
Akhirnya, Graff Zivin dan Neidell [37] menemukan bahwa
sementara
warga Southern California mengurangi aktivitas di luar ruangan
pada
hari-hari dengan kualitas udara yang buruk, jika episode berkepanjangan
respon
perilaku menghilang dengan cepat.
Kelas
umur rincian untuk At disajikan pada Gambar 1B
menunjukkan
perbedaan yang substansial dalam respon antara anak-anak
dan
subkelompok dewasa selama periode intervensi.
Mean (23,7%)
dan maksimum (46,2%) perilaku
Respon
anak-anak lebih dari dua kali lebih besar respon
diamati
untuk orang dewasa (lihat Tabel 1). Perbedaan
tanggapan
secara statistik signifikan pada tingkat 1% seperti yang ditunjukkan
oleh dua
sample t-test.
Data
dari Ibope dibedakan menjadi tiga sosial ekonomi
tingkat
(SELS) berdasarkan seperangkat karakteristik rumah tangga,
termasuk
ukuran dan fasilitas dari rumah,
kepemilikan
alat, kepemilikan mobil, dan tingkat
pendidikan
(Gambar 1C). Selama periode intervensi, pada
Rata-rata
kelompok SEL tinggi menunjukkan respon yang lebih
50%
lebih besar dari kelompok SEL rendah. Perbedaan ini
signifikan
pada tingkat 5%. Kelas menengah SEL
menampilkan
respon menengah (Tabel 1).
Akhirnya,
kami mempertimbangkan variasi respon saat
hari,
khususnya siang hari (06:00-6:00) dibandingkan malam hari
(18:00-6:00)
(Gambar 1D). Tanggapan siang hari rata-rata adalah
sekitar
dua kali lebih kuat sebagai respon malam hari
(Tabel
1). Hal ini tidak mengherankan mengingat waktu yang dihabiskan di
rumah
lebih rendah pada siang hari untuk memulai dan
sehingga
memberikan peluang yang lebih besar untuk penyesuaian.
Alur
waktu untuk masing-masing sub-kelompok yang dibahas
di atas
mengikuti jalan yang secara kualitatif mirip dengan
populasi
agregat, menunjukkan awal positif yang kuat
respon
yang sebagian besar atau seluruhnya meluruh sebelum akhir
intervensi.
Untuk setiap perbandingan subkelompok dianggap
di sini,
ada perbedaan yang signifikan dalam rata-rata
tingkat
respon perilaku.
Estimasi
model transmisi
Parameter
kemungkinan maksimum memperkirakan untuk setiap
Model
didasarkan pada T = 41 hari pengamatan, peregangan
dari 1
April hingga akhir periode intervensi
pada 11
Mei (Tabel 2). Angka yang menggambarkan log-kemungkinan
profil
untuk masing-masing model disajikan dalam Lampiran E.
jangka
waktu yang digunakan sesuai dengan periode waktu yang dianggap
di [20].
Setelah periode ini, kasus tambahan menipis
substansial
seperti yang ditunjukkan dalam seri waktu Ict
(Gambar
2).
Kami
fokus pada periode 41 hari awal karena kinerja
masing-masing
model (dalam hal nilai-nilai log-kemungkinan dan
residu)
menjadi semakin miskin karena lebih dari pasca-orang
periode
disertakan.
Tingkat
dimana akuntansi untuk perubahan kontak
account
yang lebih baik untuk variasi dalam kasus baru adalah salah satu
pertanyaan
penelitian inti kami. Hasil menunjukkan bahwa standar
Model
ini memang tidak lengkap-kita menolak model SD
mendukung
kedua model DB (p <0,01) dan Model FE
(P
<0,01). Namun, kami tidak menemukan bahwa model DB melebihi
model
FE. Bahkan kita menolak model DB di
mendukung
model FE (p <0,01). Untuk melihat mengapa hal itu mungkin
kasus
yang efek tetap sederhana lebih disukai dalam hal ini
dengan
dinamis, model perilaku data-driven, pertimbangkan
time
series untuk Ict
dan At
disajikan pada Gambar 2. Konsisten
dengan
harapan di bawah model DB, ketika
Proxy
jarak sosial At mulai melonjak pada 24 April
(Hari
24) jumlah kasus yang dikonfirmasi baru dataran tinggi.
Namun,
ketika At menurun pada awal Mei sementara infeksi
masih
umum, jumlah kasus baru dikonfirmasi
Ik
? ?
tidak
tumbuh secara berkelanjutan melainkan, setelah
sedikit
keterlambatan, mulai turun. Dengan demikian dinamika awal
dan
periode intervensi awal wabah konsisten
dengan
model DB tetapi periode intervensi akhir
tidak.
Mengingat
bahwa kedua FE dan DB model mengungguli
Model
SD, kami menjelajahi potensi perkiraan bias
parameter
transmisi dalam model SD sebagai
Kelemahan
potensial mengabaikan perubahan perilaku. Perkiraan
dari
tingkat transmisi dasar (ρ0) pada Tabel 2
menunjukkan
bahwa sementara DB dan FE model dalam penting
kesepakatan,
perkiraan SD adalah 12% lebih rendah. Untuk mengeksplorasi
apakah
perbedaan ini istimewa atau sistematis kami
memperkirakan
kembali masing-masing dari tiga model dimulai dengan hanya
M hari
pertama data untuk M∈ [15, 41]. Kami mengecualikan
Model FE
untuk M∈ [15, 24] karena model ini tidak
dibedakan
dari
model SD sampai intervensi dimulai
pada
tanggal 24 April. Pada Gambar 3 kami menyajikan perkiraan yang dihasilkan
dari ρ0.
Kami menemukan bahwa perkiraan variabel tetapi
Model di
sekitar konsisten melalui 24 April.
Hal ini
tidak mengherankan mengingat bahwa sebelum kesehatan masyarakat
intervensi
dimulai pada 24 April proxy kita menunjukkan bahwa
Perilaku
belum bergeser discernibly. Setelah titik ini, memperkirakan
dari ρ0
untuk DB dan FE model tetap sekitar
stabil
dekat 0,064 sedangkan koefisien transmisi dasar
untuk
model SD menurun monoton. Demikian
selama
periode intervensi ketika respon perilaku adalah
kuat,
estimasi SD ρ0 jatuh setiap hari ke account
untuk
faktor baru. Sebaliknya, model yang memungkinkan untuk
Hasil
pergeseran perilaku dalam perkiraan untuk transmisi dasar
yang
pada dasarnya tingkat dari waktu ke waktu.
Sebagai
masalah praktis, bias ini dalam model SD memiliki
implikasi
penting bagi kesehatan masyarakat dan perkiraan
error.
Pertama, model SD memberikan perkiraan ρ0
jauh
lebih rendah dibandingkan model dengan perilaku. Ini
menunjukkan
bahwa virus A / H1N1 lebih menular, tapi
menular
ini tertutup oleh pergeseran perilaku. Kedua,
hasil
model SD kesalahan perkiraan besar, a
Hasil
ditampilkan menggunakan simulasi di [13] muncul saat
perilaku
adaptif manusia adalah penting dalam epidemiologi
sistem.
Peramalan
perbandingan error
Pada
Gambar 4 kami menyajikan kesalahan perkiraan selama empat hari
cakrawala
untuk seri waktu meningkatkan panjang dari M∈
[15,
41]. Latihan ini dimaksudkan untuk menangkap publik
Masalah
kesehatan resmi memperkirakan keadaan saat
wabah berdasarkan
kasus yang diamati sampai saat ini. Kami berasumsi
bahwa
ada empat hari lag antara tanggal
pengujian
dan pelaporan dari semua kasus dikonfirmasi, lag khas
untuk
melaporkan wabah penyakit menular. Dengan demikian diperkirakan
muncul
pada gambar untuk hari M error = 15 merupakan
kesalahan
yang dibuat pada hari 19 tergantung pada data kasus yang
menyelesaikan
melalui hari 15. Kita berasumsi bahwa perilaku
Data
(At) tersedia di empat hari ini lag. Dari
Kesalahan
perkiraan mentah pada Gambar 4A, jelas bahwa prediksi
kinerja
untuk model SD menjadi miskin relatif terhadap
alternatif
tak lama setelah intervensi pada hari 24.
Dari
titik ini, model SD menyebabkan sistematis
over-prediksi
jumlah kasus baru. Model DB
kinerja
memburuk selanjutnya menuju akhir
periode
intervensi. Akhirnya, pada saat intervensi
Tabel 2
maksimum estimasi parameter kemungkinan
Standard
(SD) efek Tetap
(FE)
Dyn.
Behav.
(DB)
Transmisi
parameter
ρ0
0,0565 0,0642 0,0647
(0,0561,
0,0568) (0,0640, 0,0644) (0,0644, 0,648)
ρ1
-0,0233 -0,1516
(-0,0257,
-0,0208) (-0,1519, -0,1513)
Pengamatan
41 41 41
Interval
kepercayaan 95% dalam kurung.
Menyimpulkan,
ketiga model sistematis selama-memprediksi baru
kasus.
Hal ini menunjukkan bahwa faktor absen dari model
dipertimbangkan
di sini adalah penting untuk menangkap pasca intervensi
Dinamika
(misalnya upaya perlindungan pribadi untuk mengurangi
risiko
per kontak).
Kami
memperkirakan hasil model transmisi di atas asumsi
populasi
homogen tunggal. Namun, perbedaan
dalam
respon perilaku (At) untuk anak-anak dibandingkan
orang
dewasa yang disajikan di atas eksplorasi memotivasi usia kelas
heterogenitas.
Ketika kita model anak-anak dan orang dewasa
populasi
terpisah (dengan time series terpisah untuk At di
model
perilaku), namun parameter transmisi dibatasi
harus
sama untuk kedua populasi, perkiraan
tidak
berubah secara signifikan. Kami selanjutnya diuji diperpanjang
model di
mana parameter transmisi (ρ0, ρ1)
bebas
untuk bervariasi antara kedua kelompok. Model ini adalah
statistik
tidak berbeda nyata baik untuk SD
(P =
0,31), Model DB (p = 0,41), atau model FE (p = 0,12) pada
level
10%. Untuk model FE ini, relatif terhadap homogen
(Baseline)
kasus, koefisien ρ0 dan ρ1 adalah
sekitar
50% lebih besar dalam besarnya untuk anak-anak dan 90%
kecil di
besarnya untuk orang dewasa. Bukti ini tidak konklusif,
tetapi
mengisyaratkan bahwa infeksi antara anak-anak dan
dari
anak-anak hingga orang dewasa mungkin sopir terkemuka
penyakit
dinamika-dan juga paling sensitif terhadap intervensi.
Namun,
efek ini terlalu kecil dan imprecisely diperkirakan
untuk
menegaskan dengan signifikansi statistik.
Sementara
kami gagal menemukan perbedaan yang signifikan dalam
koefisien
transmisi antara anak-anak dan orang dewasa,
ini
tidak berarti bahwa tidak ada perbedaan yang signifikan
dalam
populasi ini. Ingat bahwa kami mengontrol
perbedaan
antara anak-anak dan orang dewasa di baseline
Tingkat
kontak sebagaimana ditentukan dalam matriks C. Ketika ini
matriks
diganti dengan DC rata-rata? Þ signifikan
Perbedaan
muncul antara homogen dan
Koefisien
spesifikasi heterogen baik SD
(P
<0,01) dan DB model (p = 0,08) tetapi tidak untuk FE
Analisis
sensitivitas
Kami
memeriksa sensitivitas hasil model transmisi
beberapa
asumsi alternatif. Pertama, mengingat temporal
ketidaksesuaian
antara kasus dan waktu perilaku
seri
pada Gambar 2, kami meneliti apakah preferensi relatif
untuk
model FE terus memegang bawah ekstensi
pada
periode laten, yaitu jumlah hari orang
terinfeksi
tetapi tidak menular. Dalam model baseline
periode
laten ditetapkan untuk 1 / κ = 1.5. Kinerja
Model DB
relatif terhadap model FE adalah kuat untuk alternatif
asumsi
pada periode laten, termasuk 2, 3 atau
4 hari.
Kami juga mempertimbangkan apakah variasi istimewa
atau
"noise" dalam variabel ATV mungkin menghambat DB
Model.
Sebagai tes sederhana kita menetapkan batas +/- 5% untuk
At
ukuran-variasi yang tidak melebihi Band ini
ditetapkan
ke nol. Hal ini tidak mengubah hasil secara kualitatif.
Hasil kualitatif
juga tidak sensitif terhadap nonlinear sebuah
bentuk
kuadrat untuk model DB.
Konvergensi
dalam kinerja DB dan FE model
ditemukan
ketika jumlah hari termasuk dalam estimasi
terbatas.
Untuk semua time series yang termasuk
38 hari
atau kurang, kami gagal untuk menolak satu model yang mendukung
yang
lain. Namun, setelah waktu ini kerangka model FE
muncul
sebagai model yang disukai (misalnya p <0,01 pada 39 hari).
Untuk
model FE, kami juga mempertimbangkan tanggal alternatif
untuk
memulai jendela intervensi, dari 10 April
melalui
jendela dasar kami mulai tanggal 24 April.
Untuk
masing-masing spesifikasi ini alternatif kami menemukan bahwa
terkait
parameter ρ1 secara statistik signifikan
berbeda
dari nol. Namun, kami juga menemukan bahwa
log-kemungkinan
yang terbesar untuk jendela FE awal
pada 24
April (spesifikasi dasar kami) menggambarkan bahwa
tidak
ada tanggal awal alternatif statistik disukai.
Parameter
terakhir diperiksa dalam analisis sensitivitas kami
adalah
probabilitas rata-rata konfirmasi. Dasar kami
Tingkat
untuk? φ menyiratkan bahwa 1,2% penduduk terinfeksi
pada
akhir gelombang musim semi (tergantung pada
Jumlah
diamati kasus dan jumlah penduduk). Kami diperiksa
kepekaan
terhadap skenario alternatif di mana 10%
penduduk
kontrak penyakit, yang tersirat
berarti
probabilitas konfirmasi φ ¼ 8: 1? 10-5. Hasil
dari ini
probabilitas rendah alternatif konfirmasi
Skenario
tidak berbeda secara kualitatif.
Respon
perilaku kontrafaktual
Kami
mengeksplorasi dua skenario alternatif di mana perilaku
Menanggapi
epidemi ini baik tidak ada atau ditingkatkan.
Kami
menyajikan jalur kasus yang dikonfirmasi baru
di bawah
alternatif ini, bersama dengan kurva dipasang dari
Model
dasar dalam Gambar 5A. Di bawah alternatif pertama,
untuk
menghilangkan respon perilaku, kita kalikan ρ0 yang
Istilah
dengan nol (0ρ0, garis tipis). Berdasarkan alternatif kedua,
untuk
meningkatkan respon perilaku, kita kalikan
Istilah
ρ0 oleh dua (2ρ0, garis tebal). Kurva dipasang dari
Model
berubah dasar (1ρ0, garis menengah) dan Ict
adalah
disediakan
untuk perbandingan. Untuk model awal, fit
DB dan
FE model mirip sampai beberapa periode terakhir
dimana
DB fit menyimpang dari jalan yang diamati
Pentingnya
respon perilaku jelas.
Dengan
tidak ada respon perilaku, jalan proyeksi baru
kasus
meningkat tajam, lebih dari empat kali lipat (Gambar 5B)
untuk
kedua model hari 41. Atau, dengan dua kali lipat yang
respon,
redaman kasus baru terjadi sekitar
dua
minggu sebelumnya dan kasus kumulatif hari 41
yang
dipotong setengah.
Kesimpulan
Kami
menggunakan data baru pada variasi dalam menonton televisi di rumah
perilaku
sebagai proxy untuk perubahan tingkat sosial sehari-hari
Interaksi
di Meksiko Tengah selama 2009 /
Pandemi
influenza H1N1. Hasil dari kedua perilaku
Model
(FE dan DB) menyarankan bahwa jarak sosial adalah
faktor
kunci dalam menghambat gelombang awal A / H1N1 di
Meksiko
Tengah. Dengan tidak adanya respon perilaku,
estimasi
jalan kontrafaktual kasus baru meningkat
cepat
dalam beberapa pekan awal daripada menstabilkan dan akhirnya
jatuh
seperti yang diamati. Asumsi perilaku tetap
dalam
standar (SD) Model menyebabkan kekurangan dalam
estimasi
dan prediksi. Perkiraan tingkat dasar
penularan
sistematis bergeser dari waktu ke waktu. Jika
tingkat
dasar transmisi ditafsirkan sebagai ukuran
infektifitas
biologis dalam model standar, ini mungkin
mengarah
pada meremehkan parameter ini, seperti dalam kita
Pengaturan,
mengingat efek pengganggu respon perilaku.
Hal ini
menunjukkan bahwa A / H1N1 memiliki transmisi bawaan
potensi
yang jauh lebih besar daripada yang diperkirakan sebelumnya tapi ini
ditutupi
oleh respon perilaku. Hal ini memiliki implikasi
nasihat
manajemen termasuk alokasi
sumber
daya antara farmasi dan nonpharmaceutical
intervensi.
Selain itu, kesalahan dalam prediksi waktu dekat
kasus
baru melalui waktu juga secara substansial
lebih
besar di bawah model standar dibandingkan dengan perilaku
model.
Kesalahan ini juga sistematis-standar
Model
konsisten menyebabkan over-prediksi dalam jumlah
kasus
baru.
Membandingkan
model perilaku, kami menemukan bahwa
model
perilaku dinamis tidak disukai ke
Model
efek tetap sederhana. Satu penjelasan mungkin
Sifat
yang tidak sempurna dari variasi pemirsa sebagai proxy
untuk
perubahan tingkat kontak publik. Sebagai contoh, adalah mungkin
bahwa
selama intervensi kesehatan masyarakat yang diamati
peningkatan
ATVt disebabkan bagian yang lebih besar dari
waktu
rumah dialokasikan untuk menonton TV, daripada peningkatan
dalam
waktu yang dihabiskan di rumah. Atau bisa menjadi kasus yang
melihat
per unit waktu yang dihabiskan di rumah mungkin menurun
dalam
waktu yang dihabiskan di rumah. Penjelasan lain mungkin
ketidakmampuan
saat ini untuk secara empiris menangkap perubahan perilaku
di luar
rumah untuk mengurangi kontak atau transmisi
(Misalnya
mencuci tangan, memakai masker, dan
menghindari
batuk ke udara terbuka). Bell [5] mencatat bahwa
sementara
kebijakan mempromosikan jarak sosial mungkin efektif
terhadap
pandemi influenza, perilaku individu lain
Langkah-langkah
harus baik rutin (misalnya tangan dan pernafasan
kebersihan
dan desinfeksi rumah tangga yang terkontaminasi
permukaan)
atau dipertimbangkan untuk pengaturan tertentu dan tingkat risiko
(Misalnya
menggunakan masker).
Kami
menemukan bahwa respons rumah pemirsa lebih kuat
dalam
tinggi (versus rendah) tingkat sosial ekonomi (SEL)
subkelompok.
Temuan ini sugestif tetapi harus ditafsirkan
dengan
hati-hati. Di satu sisi, individu dalam tinggi
SEL
subkelompok yang bisa dibilang kurang dibatasi dalam menyesuaikan
kontak
daripada di SEL subkelompok rendah. Sebagai contoh,
Kumar et
al. [38] menyarankan bahwa kebijakan tempat kerja
dapat
menimpa pada menjauhkan tindakan dan kerja seperti
kebijakan
mungkin lebih mengikat SELS rendah. Jika hipotesis ini
diuji
dan diverifikasi, itu akan menunjukkan potensi
untuk
penargetan kebijakan jarak sosial untuk memfasilitasi
langkah-langkah
melindungi diri untuk SEL individu yang rendah. Di
sisi
lain, sangat mungkin bahwa perbedaan dalam respon adalah
artefak
dari proxy perilaku yang mungkin muncul, untuk
Sebagai
contoh, jika hubungan antara rumah pemirsa
dan
waktu yang dihabiskan di rumah berbeda sistematis antara
Subkelompok
SEL (misalnya, jika individu SEL tinggi merespon lebih
kuat
karena kepemilikan lebih televisi menyediakan
lebih
banyak kesempatan untuk melihat).
Selain
bervariasi tanggapan seluruh kelompok, kami juga
menemukan
perbedaan dari waktu ke waktu, yaitu pelemahan di
respon
perilaku sebelum kesimpulan publik
intervensi
kesehatan. Selain itu, kami menemukan bukti
efek
rebound di mana, setelah berkepanjangan tinggi
di-rumah
aktivitas tampaknya ada periode
ditekan
aktivitas. Hal ini konsisten dengan sejarah
analisis
Caley et al. [19] yang menemukan bahwa sebagai dirasakan
risiko
flu babi 1918 menurun di Australia,
publik
tampaknya kembali ke perilaku normal. Demikian pula,
Fenichel
et al. [18] menemukan adaptif bahwa udara wisatawan '
A / H1N1
hilang setelah respon awalnya kuat.
Penelitian
lebih lanjut dari pandemi influenza 2009 / H1N1
di
daerah lain dengan langkah-langkah intervensi yang sama
(Misalnya
Hong Kong, [39]) bisa membantu untuk mengkonfirmasi dan generalisasi
wawasan
yang diperoleh di sini.
Sedangkan
model perilaku dinamis berdasarkan
rumah
pemirsa Proxy tidak keluar-melakukan sederhana
Model
efek tetap, hasil merupakan kemajuan dalam mengidentifikasi
dan
membongkar driver balik fixed effect ini.
Ke
depan, data rinci lebih lanjut pada swasta dan publik
perilaku
selama wabah akan berfungsi untuk mengidentifikasi perilaku
efek pada
transmisi dengan lebih presisi.
Sebagai
contoh, kita tidak memodelkan efek antivirus
pengobatan.
Menangkap penyesuaian perilaku tambahan
dibuat
di luar rumah untuk mengurangi kontak efektif
mungkin
menjadi penting untuk pemodelan eksplisit perilaku
penularan
penyakit yang mendasarinya. Untuk tujuan ini, ada
nilai
dalam alokasi sumber daya selama wabah untuk secara konsisten
mengumpulkan
data tentang publik dan swasta pelindung
Springborn
et al. BMC Infectious Diseases (2015) 15:21 Halaman 10 dari 14
tindakan,
seperti penggunaan antivirus atau penggunaan masker wajah.
Meskipun
transisi dari analisis empiris berdasarkan
Tindakan
fixed effect perilaku tanggapan sepenuhnya dinamis
pada
waktu yang lebih baik skala akan memerlukan investasi tambahan
dalam
pengumpulan data, potensi keuntungan termasuk
janji
menginformasikan lebih peka dan lebih murah
intervensi
kesehatan masyarakat.
Usus
Buntu
Data A.
epidemiologi
B. Model
transmisi Beberapa kelas umur
Pada
Tabel 3 kami menyajikan jumlah laboratorium dikonfirmasi
pandemi
A / H1N1 influenza kasus untuk setiap hari
dalam
masa studi di Meksiko Tengah dari pengawasan yang
sistem
yang mapan dalam menanggapi 2009
pandemi
influenza oleh Meksiko Institut Sosial
Keamanan
(IMSS) [25].
Ketiga
model dasar (SD, FE dan DB) dapat digeneralisasi
untuk
memungkinkan struktur umur dalam populasi. Sosial
Interaksi
dapat bervariasi di seluruh kelompok demografis,
misalnya
anak bersekolah dibandingkan bekerja
orang
dewasa. Kami mengikuti [17] dalam generalisasi sistem diferensial
persamaan
untuk populasi homogen pencampuran
dalam
(1) untuk memungkinkan variasi dalam tingkat transmisi
antara
kelompok-kelompok demografis di set G. Dynamics untuk
setiap
sub-kelompok i ∈ G diberikan oleh:
Si
tþ1-Si, t ¼ -Si; t
XG
g
βt; i →
g Ig; t = N
Ei;
tþ1-Ei; t ¼ Si; t
XG
g
βt; i →
g Ig; t = N-κEi; t
Ii,
tþ1-Ii; t ¼ κEi; t-γIi; t
Ri;
tþ1-Ri, t ¼ γIi; t:
ð7Þ
Model di
(5) menangkap pencampuran heterogen dalam
model
populasi. Transmisi-kelompok tertentu
Fungsi
(βt, i → g) adalah sama seperti dalam kasus homogen,
kecuali?
C dan At digantikan oleh? Ci → g dan At, saya → g, masing-masing.
Parameter?
Ci → g mencerminkan jumlah rata-rata
kontak
yang anggota kelompok saya mengalami dengan anggota
kelompok
g, dan At, saya → g adalah deviasi persen dari
bahwa
rata-rata pada saat t.
C.
Penurunan fungsi log-likelihood
Kami
berasumsi bahwa jumlah diamati dikonfirmasi
infeksi
baru pada hari tertentu, Ict
,
Mengikuti Poisson
Proses
dengan λt tingkat kedatangan rata-rata (ρ):
PrðIct
jλtðρÞÞ
¼ λt ρ ð Þ
exp λt ρ
ð Þ ð ÞItt
!
: Ð8Þ
Fungsi
kemungkinan untuk semua pengamatan dari t = 1, ...,
T
diberikan oleh produk:
L ¼
YT
t¼1
λtðρÞ
exp λt ρ
ð Þ ð ÞItt
!
? ?
: Ð9Þ
Mengambil
log ekspresi ini menyediakan loglikelihood yang
Fungsi:
L ¼
XT
t¼1
Ik
ln λt ρ
ð Þ ½? -λt ρ ð Þ-ln Ict
!
? ? ??
ð10Þ
Akhirnya,
untuk menghubungkan model kemungkinan dengan Seir
Model
transmisi, kita mengasumsikan bahwa rata-rata Poisson
Tingkat
kedatangan kasus baru dikonfirmasi diberikan oleh nomor
infeksi
diamati baru diprediksi oleh penyakit
Model,
λt (ρ) = φtκEt.
D. Cox
tes non-bersarang dengan bootstrap parametrik
Berdasarkan
model nol tertentu (misalnya baik FE atau DB), masing-masing
sampel
bootstrap data (infeksi baru) adalah
dihasilkan
oleh adakan menarik dari proses Poisson
kedatangan
mengatur infeksi baru berdasarkan dipasang
perkiraan
tingkat kedatangan rata-rata untuk infeksi baru,
λt ∀
t = 1, ..., 50. Proses ini diulangi untuk membuat M =
500
sampel dinyalakan. Perkiraan kemungkinan dari
masing-masing
sampel bootstrapped digunakan untuk membangun
berikut
p-value [40] untuk uji alternatif yang diberikan
Model
(a) terhadap nol (0):
p-value
¼
mati
rasa L0 ^ θ0m; IOBs
m
?
-La ^
Θam; IOBs
m
?
≤L0a; ∀
m ¼ 1; ...; M
hi juga
þ 1
M þ 1
;
ð11Þ
di mana
IOBs
m adalah
data sampel bootstrap untuk setiap iterasi
m = 1,
..., M; ^ Θjm merupakan perkiraan ML untuk
Model j ∈
{FE, DB} diberikan sampel m; Lj adalah maksimum
log-kemungkinan
untuk model j; L0A ¼ L0 ^ θ0
?
-La ^ Θa
?
aku s
perbedaan
antara perkiraan log-likelihood maksimum
di bawah
H0 dan Ha diberikan data asli; dan
jumlah
kebas berapa kali kondisi benar
untuk
masing-masing M iterasi. Sebuah koreksi sampel kecil
diimplementasikan
dengan menambahkan 1 ke pembilang dan penyebut.
Karena
FE dan DB model nonnested,
pemilihan
model nol unik tidak layak.
Sebaliknya,
tes Cox dilakukan dua kali, dengan masing-masing
model
yang berfungsi sebagai nol pada gilirannya.
Profil
E. Kemungkinan
Dalam
Angka 6, 7, 8 kami menyajikan profil log-kemungkinan
mendasari
kemungkinan maksimum memperkirakan pada Tabel 2.
Dalam
setiap kasus nilai log-kemungkinan tidak termasuk aditif
Istilah
konstan yang bukan merupakan fungsi dari parameter
yang
akan diestimasi (yaitu istilah akhir dalam Persamaan (10)). Untuk
masing-masing
profil perkiraan kemungkinan maksimum dari
Tabel 2
ditandai dengan segitiga.
Catatan
akhir
aTowers
dan Chowell [17] memungkinkan jumlah kontak
berpengalaman
pada akhir pekan dan hari kerja berbeda tetapi ini
0,055
0,0555 0,056 0,0565 0,057 0,0575 0,058
580
585
590
595
600
log-kemungkinan
*
ρ0
Gambar
profil 6 Log-kemungkinan untuk standar (SD) sebagai model
fungsi
dari tingkat transmisi marjinal (per kontak) ρ0.
Segitiga
tersebut merupakan estimasi kemungkinan maksimum dari
Tabel 2.
Bintang di log-kemungkinan menunjukkan bahwa konstanta
Istilah
dari log-kemungkinan telah dikecualikan.
0.064
0,0642
0,0644
-0,026
-0,0235
-0,021
654
656
658
660
662
664
ρ0
ρ1
log-kemungkinan
*
655
656
657
658
659
660
661
662
663
Gambar
profil 7 Log-kemungkinan untuk efek tetap (FE) Model
sebagai
fungsi dari tingkat transmisi marjinal (per kontak) ρ0,
dan
pergeseran tingkat transmisi dasar marjinal selama
jendela
intervensi, ρ1. Segitiga mewakili maksimum
kemungkinan
memperkirakan dari Tabel 2. Bintang di log-kemungkinan
menunjukkan
bahwa istilah konstan dari log-kemungkinan memiliki
dikecualikan.
0,0646
0,0647
0,0648
0,0648
-0,1525
-0,152
-0,1515
-0,151
645
646
647
648
649
ρ0
ρ1
log-kemungkinan
*
645,5
646
646,5
647
647,5
648
648,5
Gambar
profil 8 Log-kemungkinan untuk perilaku dinamis (DB)
Model
sebagai fungsi dari tingkat transmisi marjinal (per kontak)
ρ0, dan
respon perilaku, ρ1. Segitiga tersebut merupakan
kemungkinan
maksimum memperkirakan dari Tabel 2. Bintang di log-kemungkinan
menunjukkan
bahwa istilah konstan dari log-kemungkinan telah dikecualikan.
Springborn
et al. BMC Infectious Diseases (2015) 15:21 Halaman 12 dari 14
Tingkat
diambil dari literatur dan sebaliknya konstan.
Mereka
juga memungkinkan tingkat transmisi bervariasi lebih
waktu
sesuai dengan proses harmonik urutan pertama untuk menangkap
musiman
selama sebagian besar tahun. Kami melakukan
tidak
mengeksplorasi struktur ini sejak masa kami menarik adalah
dua
bulan yang panjang.
bCentral
Mexico termasuk Distrik Federal (Meksiko
Kota)
dan negara bagian Guerrero, Hidalgo, Jalisco, Meksiko (termasuk
lebih
besar Mexico City), Puebla, San Luis Potosi,
dan
Tlaxcala.
Asumsi
cThis sulit untuk menguji Meksiko. Akan Tetapi,
Data
dari American Waktu Gunakan Survey (http: //
www.bls.gov/tus/)
menunjukkan bahwa orang Amerika menonton lebih
televisi
mereka menghabiskan lebih banyak waktu di rumah, meskipun
Hubungan
mungkin nonlinier [37].
Data
dthe dikumpulkan dan disimpan oleh daerah
Divisi
Ibope AGP Mexico (http://www.agbnielsen.net/
whereweare
/ whereweare.asp).
Bersaing
kepentingan
Para penulis
menyatakan bahwa mereka tidak memiliki kepentingan bersaing.
Penulis
Kontribusi
MS, EF,
dan GC berkontribusi konsep, desain, dan pengembangan model. NONA
dan MM
menganalisis data. Semua penulis berkontribusi, membaca dan disetujui
naskah
akhir.
Ucapan
Terima Kasih
Publikasi
ini dimungkinkan oleh jumlah hibah 1R01GM100471-01
dari
Institut Nasional Ilmu Kedokteran Umum (NIGMS) di
National
Institutes of Health. Isinya adalah tanggung jawab dari
penulis
dan tidak selalu mewakili pandangan resmi NIGMS.
Rincian
Penulis
1Jurusan
Environmental Science & Kebijakan, Universitas California, 2104
Wickson
Hall, Satu Shields Ave., Davis, CA 95616, USA. 2School Umum
Kesehatan,
Georgia State University, P.O. Box 3965, Atlanta, GA 30302-3965, USA.
3Division
dari International Epidemiology dan Kependudukan Studi, Fogarty
Pusat
Internasional, National Institutes of Health, 31 Pusat Dr, MSC 2220,
Bethesda,
MD 20892-2220, USA. 4Mathematical, Komputasi & Modeling
Pusat
Ilmu, Sekolah Evolusi Manusia dan Perubahan Sosial, Arizona
State
University, 900 S. Cady Mall, Tempe, AZ 85287-2402, USA. 5 Departemen
Pertanian
& Sumber Daya Ekonomi, Universitas California, 2116 Sosial
Ilmu
& Humaniora, Satu Shields Ave., Davis, CA 95616, USA. 6Yale Sekolah
Studi
Kehutanan dan Lingkungan, 195 Prospect St., New Haven, CT
06.511,
USA.
Diterima:
16 Juni 2014 Diterima: 9 Desember 2014
Referensi
1.
Ksiazek TG, Erdman D, Goldsmith CS, Zaki SR, Peret T, Emery S, Tong S,
Urbani
C, Comer JA, Lim W, Rollin PE, Dowell S, Ling AE, Humphrey C,
Shieh
WJ, Guarner J, Paddock CD, Rota P, Fields B, DeRisi J, Yang JY,
Cox N,
Hughes J, LeDuc JW, Bellini W, Anderson LJ, dan SARS Kerja
Group.
Sebuah coronavirus baru yang berhubungan dengan pernapasan akut parah
sindrom.
N Engl J Med. 2003; 348 (20): 1953-1966.
2. Boyes
WJ, Faith RL. Peraturan temporal dan substitusi antarwaktu:
efek
melarang alkohol di pertandingan sepak bola perguruan tinggi. Pilihan publik.
1993; 77
(3): 595-609.
3.
Chowell G, Bertozzi SM, Colchero MA, Lopez-Gatell H, Alpuche-Aranda C,
Hernandez
M, Miller MA. Parah bersamaan penyakit pernapasan dengan
sirkulasi
H1N1 influenza. N Engl J Med. 2009; 361 (7): 674-79.
4. Zhu
H, Wang D, Kelvin DJ, Li L, Zheng Z, Yoon SW, Wong SS, Farooqui A,
Wang J,
Banner D, Chen R, Zheng R, Zhou J, Zhang Y, W Hong, Dong W,
Cai Q,
Roehrl MHA, Huang SSH, Kelvin AA, Yao T, Zhou B, Chen X,
Leung
GM, Poon LLM, Webster RG, Webby RJ, Peiris JSM, Guan Y, Shu Y.
Infektivitas,
transmisi, dan patologi manusia terisolasi H7N9
virus
influenza dalam musang dan babi. Ilmu Pengetahuan. 2013; 341 (6142): 183-86.
5. Bell
D, Nicoll A, Fukuda K, Horby P, Monto A, Hayden F, Wylks C, Sanders L,
Intervensi
Van Tam J. Non-farmasi untuk pandemi influenza,
langkah-langkah
internasional. Emerg Menginfeksi Dis. 2006; 12 (1): 81-7.
6.
Cauchemez S, Valleron AJ, Boelle PY, Flahault A, Ferguson NM. Memperkirakan
dampak
penutupan sekolah pada transmisi influenza dari Sentinel
Data.
Nature. 2008; 452 (7188): 750-54.
7. Stern
A, Markel H. Apa mexico mengajarkan dunia tentang pandemi
kesiapan
influenza dan mitigasi masyarakat strategi.
JAMA.
2009; 302 (11): 1221-1222.
8.
Aiello AE, Coulborn RM, Aragon TJ, Baker MG, Burrus BB, Cowling BJ,
Duncan
A, Enanoria W, Fabian MP, Ferng YH, Larson EL, Leung GM, Markel
H,
Milton DK, Monto AS, Morse SS, Navarro JA, Taman SY, Imam P, S Stebbins,
Stern
AM, Uddin M, Wetterhall SF, Vukotich CJ. Temuan penelitian dari
studi
intervensi nonpharmaceutical untuk influenza pandemi dan
kesenjangan
saat ini dalam penelitian. Am J Menginfeksi Control. 2010; 38 (4): 251-58.
9. Smith
RD, Keogh-Brown MR, Barnett T, Tait J. Dampak ekonomi yang luas
pandemi
influenza di Inggris: keseimbangan umum dihitung
pemodelan
percobaan. BMJ (penelitian klinis ed). 2009; 339: b4571.
10.
Maharaj S, Kleczkowski A. epidemi Mengontrol disebarkan oleh sosial
menjauhkan:
Lakukan dengan baik atau tidak sama sekali. BMC Public Health. 2012; 12 (1):
679.
11.
Fenichel EP. Pertimbangan ekonomi untuk jarak sosial dan
kebijakan
berbasis perilaku selama epidemi. J Kesehatan Econ. 2013;
32 (2):
440-51.
12.
Fenichel EP, Castillo-Chavez C, Ceddia MG, Chowell G, Parra PAG, Hickling
GJ,
Holloway G, R Horan, Morin B, C Perrings, Springborn M, L Velazquez,
Perilaku
manusia Villalobos C. Adaptive dalam model epidemiologi. Proc
Natl
Acad Sci. 2011; 108 (15): 6306-11.
13.
Fenichel E, Wang X. Mekanisme dan fenomena manusia adaptif
perilaku
selama epidemi dan peran informasi. Dalam: Manfredi P,
D'Onofrio
A, editor. Pemodelan Interplay Antara Perilaku Manusia dan
Penyebaran
Penyakit Menular. New York: Springer; 2013: p. 153-68.
14.
Ferguson N. Menangkap perilaku manusia. Nature. 2007; 446 (7137): 733.
15. Hens
N, Ayele G, Goeyvaerts N, Aerts M, Mossong J, J Edmunds, Beutels P.
Memperkirakan
dampak penutupan sekolah terhadap perilaku pencampuran sosial dan
penularan
infeksi kontak dekat di delapan negara Eropa.
BMC
Menginfeksi Dis. 2009; 9 (1): 187.
16.
Copeland DL, Basurto-Davila R, Chung W, A Kurian, Fishbein DB,
Szymanowski
P, Zipprich J, Lipman H, Cetron MS, Meltzer MI, Averhoff F.
Efektivitas
penutupan distrik sekolah untuk pandemi influenza a
(H1N1)
pada penyakit pernapasan akut di masyarakat: alami
eksperimen.
Clin Menginfeksi Dis. 2013; 56 (4): 509-16.
17. Menara
S, Chowell G. Dampak pola kontak sosial pada hari kerja pada
pemodelan
transmisi influenza, dan penentuan influenza
periode
laten. J theor Biol. 2012; 312: 87-95.
18.
Fenichel EP, Kuminoff NV, Chowell G. Lewati perjalanan: Air Travellers
'perilaku
tanggapan
terhadap pandemi influenza. PLoS One. 2013; 8 (3): e58249.
19.
Caley P, Philp DJ, McCracken K. Mengukur jarak sosial yang timbul dari
pandemi
influenza. J R Soc Interface. 2008; 5 (23): 631-39.
20.
Chowell G, Echevarría-Zuno S, Viboud C, Simonsen L, Tamerius J, Miller MA,
Borja-Aburto
VH. Karakteristik epidemiologi 2009 influenza
A / H1N1
pandemi di Meksiko. PLoS Med. 2011; 8 (5): e1000436.
21. Kaca
RJ, Kaca LM, Beyeler KAMI, Min HJ. Target desain jarak sosial
untuk
pandemi influenza. Emerg Menginfeksi Dis. 2006; 12 (11): 1671-1681.
22.
Hethcote HW. Analisis kualitatif model penyakit menular.
Matematika
Biosci. 1976; 28 (3-4): 335-56.
23.
Diekmann O, Heesterbeek. Matematika Epidemiologi Penyakit Infeksi:
Bangunan
Model, Analisis dan Interpretasi. New York: Wiley \ & Sons; 2000.
24.
Anderson RM, RM Mei. Penyakit menular Manusia: Dinamika dan Kontrol.
Oxford:
Oxford University Press; 1991.
25.
Echevarria-Zuno S, Mejia-Arangure JM, Mar-Obeso AJ, Grajales-Muniz C,
Robles-Perez
E, Gonzalez-Leon M, Ortega-Alvarez MC, Gonzalez-Bonilla C,
Rascon-Pacheco
RA, Borja-Aburto VH. Infeksi dan kematian dari
Virus
influenza A H1N1 di Meksiko: analisis retrospektif. Lancet. 2009;
374
(9707): 2072-79.
26.
Córdova J, M Hernández, López-Gatell H, Bojorquez I, Palacios E, G Rodríguez,
Rosa B,
Ocampo R, Alpuche C, Flores R. Update: influenza baru A (H1N1)
infeksi
virus-Meksiko, Maret-Mei 2009. MORB Mortal wkly Rep 2009.;
58 (21):
585-89.
Springborn
et al. BMC Infectious Diseases (2015) 15:21 Halaman 13 dari 14
27.
Mossong J, Hens N, Jit M, Beutels P, K Auranen, Mikolajczyk R, Massari M,
Salmaso
S, Tomba GS, Wallinga J, Heijne J, Sadkowska-Todys M, Rosinská M,
Edmunds
WJ. Kontak sosial dan pola pencampuran relevan dengan penyebaran
penyakit
menular. PLoS Med. 2008; 5 (3): e74.
28.
Lakdawalla D, Sood N, terobosan Goldman D. HIV dan berisiko seksual
tingkah
laku. Q J Econ. 2006; 121 (3): 1063-102.
29.
Elder AG, O'Donnell B, McCruden EAB, Symington IS, Carman WF. Insidensi
dan
mengingat influenza dalam kohort Glasgow petugas kesehatan
selama
1993-4 epidemi: Hasil pengujian serum dan kuesioner.
BMJ.
1996; 313 (7067): 1241-42.
30. Raja
JC, Haugh CJ, Dupont WD, Thompson JM, Wright PF, Edwards KM.
Laboratorium
dan epidemiologi penilaian baru-baru influenza B
wabah. J
Med Virol. 1988; 25 (3): 361-68.
31. Reed
C, Angulo FJ, Swerdlow DL, Lipsitch M, Meltzer MI, Jernigan D, Finelli L.
Perkiraan
prevalensi pandemi (H1N1) 2009, Amerika Serikat,
April-Juli
2009. Emerg Menginfeksi Dis. 2009; 15 (12): 2004-07.
32.
Cowling BJ, Chan KH, Fang VJ, Lau LL, Jadi HC, Fung RO, Ma ES, Kwong AS,
Chan
C-W, Tsui WW. Epidemiologi Perbandingan pandemi dan
musiman
influenza A di rumah tangga. N Engl J Med. 2010; 362 (23): 2175-84.
33.
Cauchemez S, Donnelly CA, Reed C, Ghani AC, Fraser C, Kent CK, Finelli L,
Ferguson
NM. Transmisi Rumah Tangga tahun 2009 pandemi influenza A
Virus
(H1N1) di Amerika Serikat. N Engl J Med. 2009; 361 (27): 2619-27.
34.
Davidson R, MacKinnon JG. Ekonometrik Teori dan Metode, Volume 21.
New
York: Oxford University Press; 2004.
35.
Dameus A, Richter FGC, Brorsen BW, Sukhdial KP. AIDS versus Rotterdam
sistem
permintaan: tes Cox abstrak
Latar
Belakang: Teori menunjukkan bahwa dampak respon perilaku individu penyebaran
penyakit seperti flu, tapi ini
telah
sulit untuk secara empiris ciri. Jarak sosial merupakan komponen penting dari
respon perilaku,
meskipun
analisis telah dibatasi oleh kurangnya data perilaku. Tujuan kami adalah untuk
menggunakan data media untuk mengkarakterisasi
Perilaku
jarak sosial untuk menginformasikan secara empiris model epidemiologi jelas dan
prediktif.
Metode:
Kami menggunakan data pada variasi televisi rumah melihat sebagai proxy untuk
variasi dalam waktu yang dihabiskan di
rumah
dan, dengan perluasan, kontak. Proxy perilaku ini tidak sempurna tapi menarik
karena informasi pada kaya
dan
sampel yang representatif dikumpulkan menggunakan teknik yang konsisten
sepanjang waktu dan sebagian besar kota-kota besar. Kita
mempelajari
April-Mei 2009 wabah A / H1N1 di Meksiko Tengah dan memeriksa respon perilaku
dinamis dalam
agregat
dan kontras pola yang diamati dari berbagai sub-kelompok demografis. Kami
mengembangkan dan mengkalibrasi dinamis
model
perilaku penularan penyakit diinformasikan oleh data proxy pada variasi harian
dalam tingkat kontak dan membandingkannya
dengan
standar (non-adaptif) Model dan model efek tetap yang kasar menangkap perilaku.
Hasil:
Kami menemukan bahwa setelah respon perilaku awal dibuktikan (konsisten dengan
jarak sosial) pada awal
wabah,
ada pelemahan di respon sebelum kesimpulan dari intervensi kesehatan
masyarakat. Kami menemukan
perbedaan
substansial dalam respon perilaku seluruh subkelompok usia dan tingkat sosial
ekonomi. Kami juga menemukan bahwa
efek
perilaku dan tetap model transmisi dinamis yang lebih baik menjelaskan variasi
dalam kasus yang dikonfirmasi baru,
menghasilkan
perkiraan yang lebih stabil dari tingkat dasar transmisi dari waktu ke waktu
dan memprediksi jumlah kasus baru
selama
jangka pendek dengan substansial kurang error.
Kesimpulan:
Hasil menunjukkan bahwa A / H1N1 memiliki potensi transmisi bawaan lebih besar
daripada yang diperkirakan sebelumnya namun
ini
ditutupi oleh respon perilaku. Perbedaan yang diamati dalam respon perilaku
seluruh kelompok demografis
menunjukkan
potensi manfaat dari upaya penjangkauan menargetkan jarak sosial.
Kata
kunci: Model Epidemi, distancing Sosial, A / H1N1, Influenza, SIR
Latar
Belakang
Rangkaian
wabah flu selama dekade terakhir menggambarkan
kebutuhan
yang sedang berlangsung untuk penyempurnaan strategi untuk
mengontrol
dan mengurangi dampak penyakit menular,
termasuk
SARS pada tahun 2003 [1], 2009 A / H1N1 (babi)
pandemi
influenza [2,3] dan munculnya novel
Sebuah
virus / H7N9 (flu burung) influenza pada tahun 2013 [4]. Secara paralel
upaya
vaksinasi standar, intervensi nonpharmaceutical
(NPis)
merupakan bagian penting dari manajemen
toolkit
[5-7]. Secara khusus, NPis menjadi lebih relevan
dalam
konteks muncul penyakit menular saat
ketersediaan
vaksin mungkin tertunda cukup lama.
Kepala
di antara NPis strategi untuk meningkatkan sosial
menjauhkan,
apakah dimulai secara pribadi atau kebijakan-diarahkan
(Misalnya,
penutupan sekolah, bisnis dan acara-acara publik) [8].
Sementara
NPis perilaku muncul menjanjikan, penting untuk
mengevaluasi
secara empiris keberhasilan mereka karena mereka dapat mahal
[9] dan
bisa memiliki konsekuensi yang tidak diinginkan, seperti memimpin
peningkatan
bersih dalam jumlah jangka panjang kasus atau meningkat
total
biaya epidemi dan kebijakan respon
[10,11].
Potensi respon individu terhadap penyakit
risiko
dan kebijakan ini menjadi tantangan dalam pengukuran
dari
infektivitas patogen dan desain kebijakan
diarahkan
jarak sosial [12,13]. Ferguson [14] berpendapat
bahwa
meskipun perlunya pendekatan holistik, saat ini
*
Korespondensi: mspringborn@ucdavis.edu
1Jurusan
Environmental Science & Kebijakan, Universitas California, 2104
Wickson
Hall, Satu Shields Ave., Davis, CA 95616, USA
Daftar
lengkap informasi penulis tersedia di akhir artikel
© 2015
Springborn et al .; pemegang lisensi BioMed Central. Ini adalah sebuah artikel
Open Access didistribusikan di bawah ketentuan Creative
Atribusi
Commons License (http://creativecommons.org/licenses/by/4.0), yang memungkinkan
penggunaan tak terbatas, distribusi, dan
reproduksi
dalam media apapun, asalkan karya asli dikreditkan dengan benar. Creative
Commons Public Domain
Dedikasi
pengabaian (http://creativecommons.org/publicdomain/zero/1.0/) berlaku untuk
data yang disediakan dalam artikel ini,
kecuali
dinyatakan lain.
Springborn
et al. BMC Infectious Diseases (2015) 15:21
DOI
10,1186 / s12879-014-0691-0
model
dasarnya mengabaikan umpan balik antara epidemi
dan
perilaku.
Analisis
empiris dari pengaruh perilaku jarak sosial
dinamika
epidemiologi adalah kepentingan yang jelas,
tetapi
telah terbukti sulit untuk mendapatkan data yang representatif
pada
respon perilaku yang sebenarnya untuk epidemi. Investigasi empiris
pengaruh
perilaku transmisi seperti flu
Dinamika
sebagian besar telah terbatas pada proxy biner untuk
perilaku,
khususnya pra-dijadwalkan [6,15] dan epidemiologi
didorong
[16] penutupan dan pola hari kerja sekolah
dan
akhir pekan [17]. Meskipun intervensi kebijakan sering
kasar,
respon individu untuk kebijakan dan pribadi mereka sendiri
keputusan
tentang risiko cenderung lebih bernuansa [8].
Fenichel
et al. [18] menunjukkan bahwa pengurangan risiko pribadi mungkin
telah
berubah dalam cara yang halus selama 2009 / H1N1 epidemi.
Caley et
al. [19] memperkirakan perubahan menular
tingkat
kontak di Sydney, Australia dari 1918 influenza
pandemi
tetapi melakukannya secara tidak langsung dengan menyimpulkan perubahan kontak
berdasarkan
jumlah reproduksi perkiraan dan
proporsi
rentan bersyarat pada nilai yang diberikan untuk
nomor
reproduksi, R0.
Kami
menggunakan data baru pada variasi televisi rumah
perilaku
menonton sebagai proxy untuk perubahan tingkat
interaksi
sosial sehari-hari. Kami menemukan tampilan yang kuat
respon
perilaku di Meksiko Tengah terkait dengan
Virus
influenza / H1N1 pada bulan April dan Mei 2009.
Data
menunjukkan bahwa respon perilaku proksi yang terbesar
kalangan
anak-anak dan kelompok-kelompok sosial-ekonomi kaya.
Selain
itu, kami beberapa respon perilaku dengan
Model
epidemiologis, dan menunjukkan bahwa A / H1N1 influenza
Virus
ini cenderung lebih menular dari sebelumnya
diyakini
karena potensi penularan bertopeng
oleh
respon perilaku.
Untuk
memanfaatkan data kepemirsaan televisi untuk menjelajahi
peran
perilaku selama epidemi, kami memperpanjang
Proxy
biner untuk waktu yang bervariasi infektivitas di [20], di mana
perilaku
dapat berubah hanya pada satu titik waktu, untuk memungkinkan
untuk
variasi harian dalam perilaku. Berikut [17], kita membusuk
model
standar tingkat transmisi ke
dua
komponen tingkat kontak dan transmisi rata-rata
Tingkat
per kontak. Untuk menginformasikan perubahan dalam kontak
tingkat,
kita menggunakan proxy harian untuk perubahan waktu yang dihabiskan
oleh
individu dalam rumah, yaitu variasi dalam rumah
menonton
televisi. Sementara melihat adalah proxy yang tidak sempurna
untuk
perilaku jarak sosial, data ini memiliki beberapa menarik
atribut.
Data dikumpulkan secara konsisten
sebelum,
selama, dan setelah epidemi di semua media utama
pasar di
seluruh dunia. Sampel merupakan perwakilan dari
penduduk
setempat (by design) dan dapat dipisahkan
dalam
berbagai sub kelompok demografis. Biasanya
Data dikumpulkan
secara otomatis dan elektronik (seperti dalam
sampel
kami) dan tidak bergantung pada diri-pelaporan. Itu
Data
melihat dalam aplikasi kita yang diperoleh dari
Ibope
Internasional net-AGB Nielsen Media Research,
penelitian
dan penonton pengukuran swasta terbesar
Perusahaan
di Amerika Latin.
Kami
berkontribusi pada literatur dengan memeriksa variasi
dalam
respon perilaku di waktu dan demografis
subkelompok
dan dengan kalibrasi dan menganalisis perilaku dinamis
model
penularan penyakit. Pertama, kami mengukur
sifat
dinamis dari respon perilaku terhadap 2.009
A / H1N1
pandemi influenza dan intervensi publik di
Meksiko
Tengah. Kami menunjukkan bahwa respon agregat
tidak
konstan dan menjelaskan bagaimana bervariasi secara sistematis selama
waktu.
Selanjutnya, kita membongkar dinamika agregat menjadi demografi
sub
kelompok dan menunjukkan bagaimana kelompok usia tertentu dan /
atau
kelompok sosial ekonomi merespon lebih kuat daripada
lain.
Beralih ke model penularan penyakit
dinamika,
kami menilai apakah akuntansi untuk perubahan sehari-hari
dalam
kontak yang lebih baik menyumbang variasi dalam kasus baru.
Kami
kemudian mengeksplorasi potensi bias dalam standar
Model
dari mengabaikan perubahan yang mendasari perilaku. Sebelumnya
analisis
simulasi menunjukkan bahwa intervensi terfokus
pada
anak-anak sangat efektif dalam mengurangi
Tingkat
serangan influenza [21]. Kami memeriksa bagaimana akuntansi
heterogenitas
antara orang dewasa dan anak-anak mengubah kesimpulan.
Pada
bagian berikutnya kita pertama menunjukkan bagaimana dasar
model
transmisi dapat diperpanjang untuk menggabungkan dinamis
perilaku
dan kemudian menggambarkan data dan estimasi model
Pendekatan
secara rinci.
Metode
Model
epidemiologi standar
Kami
model 2009 / H1N1 epidemi di Meksiko Tengah
menggunakan
Seir Model epidemiologi [22-24]. Kami mendefinisikan
tiga
formulasi model yang berbeda: satu yang tidak memperhitungkan
untuk
setiap perubahan perilaku, yang mengasumsikan bahwa
perubahan
perilaku konstan sepanjang governmentimposed
intervensi
kesehatan, dan salah satu yang mengasumsikan bahwa
perubahan
perilaku dapat diperkirakan oleh televisi setiap hari
Data
melihat. Untuk masing-masing model, individu dalam populasi,
ukuran
N, diklasifikasikan berdasarkan status kesehatan individu
di dalam
empat negara bagian di setiap periode, t: rentan (St), terkena
(Terinfeksi
tetapi belum menular), (Et), infeksi
(It),
dan pulih (Rt). Dinamika transisi antara
negara
kesehatan dijelaskan oleh sistem perbedaan
persamaan:
Stþ1-St
¼ -βtSt Ini = N
Etþ1-Et
¼ βtSt Ini = N-κEt
Itþ1-It
¼ κEt-γIt
Rtþ1-Rt
¼ γIt;
ð1Þ
di mana
βt adalah tingkat transmisi, κ adalah tingkat di mana
inkubasi
individu kemajuan dari terkena
status
kesehatan infeksi (atau kebalikan dari laten
periode)
dan γ adalah tingkat pemulihan (atau kebalikan dari
periode
pemulihan).
Springborn
Dalam
standar (SD) Model βt yang menjadi konstan
skalar.
Ini mengacaukan efek gabungan dari kontak
dan
kemungkinan penularan dari kontak [12].
Dalam
model transmisi klasik, perilaku yang mengatur
kontak
diasumsikan tetap. Namun bagi banyak manusia
penyakit,
termasuk influenza, pergeseran perilaku dan NPI
mungkin
memainkan peran penting dalam proses transmisi.
Model
epidemiologi perilaku
Untuk
menggeneralisasi model klasik kita membusuk βt ke
kemungkinan
penularan tergantung pada kontak
(Ρ0) dan
rata-rata jumlah kontak yang dialami oleh
individu
DC? Þ:
βSD
t
¼ ρ0
? C: ð2Þ
Parameter
ρ0 dan? C tidak diidentifikasi secara unik
karena
mereka masuk ke model sebagai produk. Namun demikian, ρ0
dapat
diperkirakan sebagai berikut [17] dan menggunakan estimasi populasi
dari
literatur untuk? C.a
Meskipun
membedakan antara kemungkinan penularan
dari
kontak dan nomor kontak, βSD
t
diasumsikan
konstan. Kami mengeksplorasi dua alternatif
yang
mengendurkan asumsi tingkat transmisi konstan.
Perpanjangan
pertama untuk memfasilitasi transmisi waktu yang berbeda-beda
Tingkat
adalah untuk memungkinkan dua yang berbeda, tetapi sebaliknya konstan,
tingkatan
dalam βt dari waktu ke waktu. Berikut [20], kita model
respon
perilaku sebagai efek tetap (FE) (yaitu menggunakan
variabel
dummy) selama jangka waktu
diberikan
oleh τ, misalnya selama kesehatan masyarakat tertentu
campur
tangan,
βFE
t
¼ ρ0
þ
1τðtÞρ1
? ?
? C; ð3Þ
di mana
ρ0 adalah dasar tingkat transmisi marjinal (per
kontak),
ρ1 adalah pergeseran transmisi dasar marjinal
Tingkat
selama jendela τ, dan 1τ (t) adalah indikator
fungsi,
sama dengan satu ketika t ∈ τ, dan nol sebaliknya.
Kedua,
kami mengusulkan model respon yang fleksibel yang memungkinkan
untuk
variasi harian dalam perilaku. Mengingat ketersediaan
dari
proxy empiris untuk perubahan tingkat kontak, kita
rileks
asumsi tingkat kontak tetap. Biarkan At mewakili
deviasi
persentase dari rata-rata? CD Þ untuk
diberikan
periode t. Sebuah dinamis perilaku (DB) transmisi
fungsi
yang mirip dalam bentuk Persamaan (2) dan (3)
tapi
account untuk variasi dalam tingkat kontak adalah:
βDB
t
¼ ρ0
þ ρ1Δt
? ?
? C: ð4Þ
Sehubungan
dengan model SD di Persamaan (2), transmisi DB
Model
tingkat termasuk tambahan ρ1Δt jangka ð C? Þ
menangkap
efek aditif dari setiap respon perilaku.
Model SD
(2) bersarang dalam kedua model FE (3)
dan
model DB (4): βSD
t
¼ βFE
t ρ1
¼ 0 ð Þ
¼βDB
t ρ1
ð ¼-0.
Di bawah
ketiga model, subset dari populasi N di
masing-masing
kesehatan menyatakan perubahan dari waktu ke waktu. Satu-satunya
komponen
berpotensi dinamis lainnya adalah transmisi
βt
tingkat, yang baik tetap (model SD), mengambil salah satu dari dua
nilai
konstan dari waktu ke waktu (model FE), atau bervariasi setiap hari (DB
model).
Data
epidemiologis
Untuk
menguji implikasi dari jarak sosial kita fokus
pada
wabah awal A / H1N1 di Meksiko Tengah, di
musim
semi 2009.b Kami memperoleh laboratorium dikonfirmasi
pandemi
A kasus influenza / H1N1 dari 1 April Mei
20 di
Meksiko Tengah dari epidemiologi prospektif
sistem
surveilans yang didirikan dalam menanggapi
2009
pandemi influenza oleh Meksiko Institute
untuk
Jaminan Sosial (IMSS) [25]. Data ini disajikan
pada
Tabel 3 di Lampiran A. IMSS adalah tripartit Meksiko
sistem
kesehatan yang bergantung pada jaringan lebih dari 1.000
unit
perawatan kesehatan primer dan 259 rumah sakit nasional,
dan
mencakup ~ 40% dari populasi Meksiko. Yang penting,
tingkat
tes untuk novel A / H1N1 influenza
tetap
stabil pada ~ 33% [20]. Chowell et al. [20] acara
bahwa
distribusi umur penduduk berafiliasi
dengan
IMSS umumnya wakil dari umum
populasi
Meksiko, menolak hipotesis bahwa
distribusi
berbeda secara signifikan. Lebih Lanjut
mereka
mencatat bahwa rasio laki-perempuan di kalangan penduduk
berafiliasi
dengan IMSS (47:53) mirip dengan yang ada pada
populasi
umum (49:51).
Pada 15
April 2009, Departemen Kesehatan Mexico mulai
menerima
indikasi informal radang paru-paru yang parah
di
metropolitan Mexico City [3,26]. The influenza baru
Sebuah
virus / H1N1 telah dikonfirmasi oleh AS dan laboratorium Kanada
untuk
beberapa pasien Meksiko dari April 22-24. Pada Tanggal
Jumat,
24 April, pemerintah federal mengumumkan
penutupan
sekolah umum untuk metropolitan Mexico
Kota,
dan kesadaran masyarakat kampanye dimulai
oleh
Departemen Kesehatan. Selanjutnya "jarak sosial
langkah-langkah
"penutupan terlibat restoran dan hiburan
tempat
dan membatalkan acara-acara publik besar [26]. Setelah Mei
9,
tingkat infeksi menurun drastis dan publik yang besar
intervensi
kesehatan yang diangkat [20]. Siswa kembali
sekolah
pada hari Senin, 11 Mei Jendela τ = {April 24, ...,
10 Mei}
digunakan dalam model FE untuk periode sub
di mana
kita harapkan untuk mengamati efek karena
jarak
sosial. Kami juga dianggap tanggal alternatif
untuk
memulai jendela ini, dari 10 April sampai
23
April, tapi tidak ada yang secara statistik lebih disukai seperti yang
dijelaskan
lebih
lanjut dalam hasil. Sebuah waktu grafis
kegiatan
yang terkait dengan wabah disediakan oleh Chowell
et al.
[20] (Tabel 1).
Persetujuan
Komite Etik tidak diperlukan sesuai
peraturan
daerah. Semua data de-diidentifikasi.
Data
yang digunakan dalam penelitian ini secara rutin dikumpulkan untuk
keperluan
surveilans epidemiologi.
Data
perilaku
Kami
menggunakan data di televisi rumah melihat di metropolitan
Mexico
City sebagai ukuran proksi untuk perilaku dinamis
respon
di Meksiko Tengah selama wabah influenza.
Logika
dari pendekatan ini bergantung pada dua asumsi utama.
Pertama,
kita menganggap bahwa waktu yang dihabiskan menonton televisi meningkat
dalam
waktu yang dihabiskan di rumah, dan bahwa pendekatan linear
cukup
untuk menangkap behavior.c ini Dengan
menghormati
alokasi waktu setiap hari individu, karena kita
terutama
berkaitan dengan waktu yang dihabiskan di rumah atau tidak sama
rumah,
peningkatan mantan mengurangi dari yang kedua.
Kedua,
kita asumsikan bahwa jumlah kontak individu
membuat
sebanding dengan waktu yang dihabiskan di luar
rumah.
Data
pemirsa untuk Mexico City diperoleh dari
Ibope
Internasional net-AGB Nielsen Media Research,
penelitian
dan penonton pengukuran swasta terbesar
perusahaan
dalam bahasa Latin America.d Ukuran khusus yang digunakan adalah
individu
rata-rata waktu setiap hari dilihat (ATV), yang diberikan
dengan
jumlah agregat jam dilihat oleh semua orang di
sampel
dibagi dengan jumlah individu dalam
sampel
(termasuk mereka yang tidak melihat di diberikan
periode).
Data mencerminkan pengamatan agregat bagi individu
(Bukan
rumah tangga) dalam kelompok demografis tertentu.
Sampel
Ibope yang terdiri dari sebuah panel yang sedang berlangsung individu,
seimbang
di karakteristik demografi untuk
mewakili
populasi Mexico City. Sehari Hari
Data
diperoleh untuk bulan April dan Mei
pada
tahun 2009. Sehubungan dengan data kasus harian dikonfirmasi
influenza
dan rata-rata pemirsa TV, komite etik
review
itu tidak relevan karena semua data deidentified,
dikumpulkan
sebelum akuisisi dan dikumpulkan
dalam
kondisi yang ada (yaitu tidak ada eksperimen
perawatan).
Demikian pula, karena data dikumpulkan
melalui
mekanisme yang ada dan bukan untuk penelitian kami,
memperoleh
persetujuan tertulis dari peserta adalah
tidak
relevan.
Kami
menggunakan deviasi persentase rata-rata televisi
pemirsa
(dibandingkan dengan periode non-intervensi) sebagai
proxy
untuk deviasi persentase kontak. Kita memilih
Bentuk
sederhana ini untuk proxy sejak parameter
Model
kontak baku sebagai fungsi menonton televisi
tidak
tersedia. Biarkan AT? V merupakan baseline (non-intervensi
periode)
rata-rata ATVt lebih diperpanjang
horizon
waktu dari sebelum dan setelah publik
Menanggapi
wabah, tetapi tidak selama. Baseline
Periode
yang digunakan untuk menentukan AT? V adalah April 1-April 23
dan 10
Mei - 31 Mei, yang meliputi April dan Mei
2009,
tidak termasuk τ periode. AT? V untuk sampel kami adalah
1,7 jam
per hari (dengan minimum dan maksimum
ATVt
selama periode baseline (1,5, 1,9)). Timevarying The
penyimpangan
dari baseline berarti ATVt diberikan
oleh At
¼ ðATVt-AT? V = Þ AT? V.
Kami
dianggap baik populasi homogen tunggal
dan
populasi heterogen dibagi menjadi dua kelompok:
orang
dewasa (18 tahun ke atas, dilambangkan A) dan anak-anak (individu
di bawah
usia 18, dilambangkan K). Untuk heterogen
Model
populasi, pemirsa terpilah
Data
diperbolehkan untuk inferensi tentang bagaimana perilaku orang dewasa
dan
anak-anak bervariasi dari waktu ke waktu. Perpanjangan
homogen
model transmisi penduduk (1) ke
Pengaturan
subkelompok heterogen disajikan dalam Lampiran B.
Informasi
ini tidak tersedia untuk mengkarakterisasi bagaimana perubahan
dalam
kontak yang dibuat oleh satu kelompok (misalnya orang dewasa) mungkin berbeda
antara
kontak mereka membuat dalam kelompok yang sama
(Misalnya
kontak dengan orang dewasa-dewasa) dibandingkan kelompok lain (misalnya
adultchild
kontak).
Oleh karena itu, kita membuat asumsi penyederhanaan
bahwa
penyimpangan dalam tingkat kontak untuk anggota
kelompok
i seragam di seluruh kelompok yang berbeda mereka
mungkin
datang dalam kontak dengan; kami menggunakan time series tunggal
untuk
menginformasikan penyimpangan dalam kontak anak-anak dengan baik
orang
dewasa atau anak-anak (At, K → A = At, K → K = At, K) dan lain
tunggal
time series sama untuk orang dewasa (At, A → K = At, A → A =
Kami
model tingkat kontak usia tertentu untuk usia sekolah
anak-anak
dan orang dewasa untuk Meksiko tengah berdasarkan
data
kontak survei yang dikumpulkan dari beberapa Eropa
negara
[27]:
C ¼
? CK →
K? CK → A
? CA →
K? CA → A
? ?
¼ 8: 9
5: 5
1: 9 9:
3
? ?
: Ð5Þ
Tingkat
kontak rata-rata untuk pencampuran homogen
populasi,
C ¼ 6: 1, diberikan oleh penduduk tertimbang
rata-rata
C.
Estimasi
model
Kami
mengatur penduduk Meksiko Tengah ke N = 5,3 * 107
individu
[28] dan ikuti [17] dalam menetapkan mean
kemungkinan
infeksi yang dikonfirmasi laboratorium
A influenza
/ H1N1 di φ ¼ 0: 0015. Ini perkiraan yaitu
dibangun
sebagai produk dari tingkat gejala (65%
[29,30]),
tingkat rawat inap (0,45% [31]), dan
probabilitas
yang terinfeksi, dirawat di rumah sakit makhluk individu
diidentifikasi
memiliki A / H1N1 (50%). Kami mengontrol diamati
variasi
dalam tingkat yang dirawat di rumah sakit kasus yang
diuji
dengan skala probabilitas rata-rata konfirmasi
deviasi
diamati dari tingkat pengujian berarti:
φt
¼ φ?
ÐTRt = T? RTH. Data tingkat pengujian diperoleh dari
IMSS
(sumber yang sama seperti dijelaskan di atas untuk kasus
data).
Kami menetapkan fraksi awalnya terinfeksi pada hari 1 dari
jangka
waktu (1 April) di π = 1,9 × 10- 5, sehingga diberi
populasi
dan probabilitas konfirmasi, satu kasus
dikonfirmasi
pada hari pertama. Konsisten dengan [5,32,33],
tingkat
harian perkembangan dari laten kesehatan yang terinfeksi
status
dan tingkat pemulihan ditetapkan untuk κ = 0.67 dan γ = 0,5,
masing-masing.
Koefisien
utama yang menarik untuk estimasi adalah
parameter
fungsi tingkat transmisi untuk masing-masing
tiga
model. Biarkan ρ mewakili vektor marjinal
parameter
laju transmisi, yang diberikan oleh skalar [ρ0] untuk
model SD
dan vektor [ρ0, ρ1] untuk FE dan DB
model.
Parameter model diperkirakan oleh maksimum
kemungkinan.
Kami berasumsi bahwa jumlah diamati
dikonfirmasi
infeksi baru setiap hari, Ict
,
Mengikuti Poisson
Proses
dengan λt tingkat kedatangan rata-rata (ρ) yang diberikan oleh nomor
infeksi
diamati baru diprediksi oleh penyakit
Model,
φtκEt. Fungsi log-likelihood adalah:
L ¼
XT
t¼1
Ik
ln λt ρ
ð Þ ½? -λt ρ ð Þ-ln Ict
!
? ? ??
: Ð6Þ
Pengembangan
fungsi log-likelihood dijelaskan
lebih
lanjut dalam Lampiran C.
Karena
perkiraan kemungkinan maksimum dapat sensitif
dengan
pilihan nilai awal yang diberikan kepada numerik
algoritma
optimasi, kami menggunakan titik awal beberapa
solver
di Matlab (versi R2013a) dirancang untuk mengidentifikasi
optimum
global. Untuk masing-masing model, solver dijalankan untuk
masing-masing
vektor awal M berbeda secara acak untuk
parameter
yang tidak diketahui di ρ. Kami menetapkan M sebesar 50 untuk
model
standar (satu parameter) dan 100 untuk alternatif
Model
(dua parameter). Dari set lokal
maxima,
solusi dengan kemungkinan terbesar adalah
terpilih
sebagai perkiraan untuk maksimum global. Kita
Diperkirakan
interval kepercayaan 95% untuk parameter
menggunakan
metode rasio kemungkinan [34]. Untuk menguji secara statistik
perbedaan
yang signifikan dalam kinerja, ketika membandingkan
model SD
terhadap FE dan DB model kami
menggunakan
uji rasio kemungkinan, karena model SD bersarang
dalam
kedua alternatif (FE dan DB). Karena FE
dan
model DB tidak bersarang, rasio kemungkinan standar
Tes
tidak layak. Berikut [35], kami menggunakan Cox nonnested
Tes
dengan bootstrap parametrik (lihat Lampiran D
untuk
detail).
Hasil
dan Diskusi
Respon
perilaku dinamis
Dalam
Gambar 1 kami menyajikan respon perilaku dinamis
time
series untuk At (persentase deviasi dari rata-rata ATV)
di
Mexico City pada bulan April dan Mei 2009 secara agregat
(Gambar
1A) dan untuk berbagai sub kelompok demografis dan waktu
(Gambar
1B-D). Rentang dan berarti untuk variabel ini
selama
periode intervensi terbatas (τ) disajikan
pada
Tabel 1. penyimpangan positif (At> 0) menunjukkan bahwa
di atas
jumlah rata-rata waktu yang dihabiskan di TV rumah
melihat
dan, dengan kesimpulan, di rumah. Tingkat rata-rata
At
selama periode τ positif dan, seperti yang ditunjukkan oleh seorang onesample
t-test,
secara signifikan berbeda dari nol pada 1%
tingkat
bagi penduduk agregat dan masing-masing sub-kelompok yang dianggap
di sini
(lihat Tabel 1).
Jalur
dinamis At bagi penduduk agregat
disajikan
pada Gambar 1A. Di luar intervensi berbayang
window
(τ), ukuran ini memiliki rata-rata nol (oleh
konstruksi)
dan biasanya berada dalam kisaran +/-
5%.
Selama periode τ, At bergeser terbukti atas.
Respon
perilaku ini adalah terkuat di minggu pertama
(Sekitar
20%) sebelum secara bertahap membaik menjadi
mendekati
nol pada akhir periode intervensi. Ini
Pola
menunjukkan bahwa kapasitas penduduk untuk sosial
distancing
mungkin terbatas dalam durasi; sebelum publik
intervensi
kesehatan menyimpulkan, ada substansial
penurunan
respon relatif perilaku ke puncak di
minggu
pertama. (Atau, mungkin bahwa tingkat
melihat
per unit waktu yang dihabiskan di rumah jatuh sebagai individu
beralih
ke kegiatan-rumah lainnya.) Setelah
NPI
menyimpulkan ada periode menonton berkurang
Kegiatan
di rumah (At <0). Secara khusus, At mencapai nya
titik
paling negatif pada tanggal 10 Mei di -10,5%. Di luar
dip
pasca-intervensi, At turun di bawah -10% pada
hanya
satu hari. Sebagai bukti lebih lanjut bahwa dip itu
mungkin
bukan peristiwa acak coincident, kami menemukan bahwa ini
dip
bertahan di 5% di bawah periode non-NPI berarti untuk
empat
hari berturut-turut-ada ada kasus lain di
data
ketika At turun di bawah 95% dari rata-rata lebih
dari
satu hari. Sementara mekanisme kausal belakang
dinamika
ini tidak diketahui dengan pasti, satu kemungkinan
adalah
bahwa periode multi-hari ditekan aktivitas di rumah
kompensasi
untuk kegiatan sosial dan komersial yang hilang
dari
sebelumnya pada periode intervensi. Pengamatan
realokasi
kegiatan berisiko dalam waktu adalah umum di
literatur
kesehatan masyarakat. Setelah pengenalan antiretroviral
pengobatan
untuk HIV / AIDS [28,36] menemukan empiris
bukti
peningkatan pengambilan risiko seksual. Boyes dan Iman
[2]
menunjukkan bahwa ketika konsumsi alkohol dilarang di perguruan tinggi
pertandingan
sepak bola yang total konsumsi alkohol mungkin
naik
melalui efek substitusi dalam periode mengapit
permainan.
Akhirnya, Graff Zivin dan Neidell [37] menemukan bahwa
sementara
warga Southern California mengurangi aktivitas di luar ruangan
pada
hari-hari dengan kualitas udara yang buruk, jika episode berkepanjangan
respon
perilaku menghilang dengan cepat.
Kelas
umur rincian untuk At disajikan pada Gambar 1B
menunjukkan
perbedaan yang substansial dalam respon antara anak-anak
dan
subkelompok dewasa selama periode intervensi.
Mean (23,7%)
dan maksimum (46,2%) perilaku
Respon
anak-anak lebih dari dua kali lebih besar respon
diamati
untuk orang dewasa (lihat Tabel 1). Perbedaan
tanggapan
secara statistik signifikan pada tingkat 1% seperti yang ditunjukkan
oleh dua
sample t-test.
Data
dari Ibope dibedakan menjadi tiga sosial ekonomi
tingkat
(SELS) berdasarkan seperangkat karakteristik rumah tangga,
termasuk
ukuran dan fasilitas dari rumah,
kepemilikan
alat, kepemilikan mobil, dan tingkat
pendidikan
(Gambar 1C). Selama periode intervensi, pada
Rata-rata
kelompok SEL tinggi menunjukkan respon yang lebih
50%
lebih besar dari kelompok SEL rendah. Perbedaan ini
signifikan
pada tingkat 5%. Kelas menengah SEL
menampilkan
respon menengah (Tabel 1).
Akhirnya,
kami mempertimbangkan variasi respon saat
hari,
khususnya siang hari (06:00-6:00) dibandingkan malam hari
(18:00-6:00)
(Gambar 1D). Tanggapan siang hari rata-rata adalah
sekitar
dua kali lebih kuat sebagai respon malam hari
(Tabel
1). Hal ini tidak mengherankan mengingat waktu yang dihabiskan di
rumah
lebih rendah pada siang hari untuk memulai dan
sehingga
memberikan peluang yang lebih besar untuk penyesuaian.
Alur
waktu untuk masing-masing sub-kelompok yang dibahas
di atas
mengikuti jalan yang secara kualitatif mirip dengan
populasi
agregat, menunjukkan awal positif yang kuat
respon
yang sebagian besar atau seluruhnya meluruh sebelum akhir
intervensi.
Untuk setiap perbandingan subkelompok dianggap
di sini,
ada perbedaan yang signifikan dalam rata-rata
tingkat
respon perilaku.
Estimasi
model transmisi
Parameter
kemungkinan maksimum memperkirakan untuk setiap
Model
didasarkan pada T = 41 hari pengamatan, peregangan
dari 1
April hingga akhir periode intervensi
pada 11
Mei (Tabel 2). Angka yang menggambarkan log-kemungkinan
profil
untuk masing-masing model disajikan dalam Lampiran E.
jangka
waktu yang digunakan sesuai dengan periode waktu yang dianggap
di [20].
Setelah periode ini, kasus tambahan menipis
substansial
seperti yang ditunjukkan dalam seri waktu Ict
(Gambar
2).
Kami
fokus pada periode 41 hari awal karena kinerja
masing-masing
model (dalam hal nilai-nilai log-kemungkinan dan
residu)
menjadi semakin miskin karena lebih dari pasca-orang
periode
disertakan.
Tingkat
dimana akuntansi untuk perubahan kontak
account
yang lebih baik untuk variasi dalam kasus baru adalah salah satu
pertanyaan
penelitian inti kami. Hasil menunjukkan bahwa standar
Model
ini memang tidak lengkap-kita menolak model SD
mendukung
kedua model DB (p <0,01) dan Model FE
(P
<0,01). Namun, kami tidak menemukan bahwa model DB melebihi
model
FE. Bahkan kita menolak model DB di
mendukung
model FE (p <0,01). Untuk melihat mengapa hal itu mungkin
kasus
yang efek tetap sederhana lebih disukai dalam hal ini
dengan
dinamis, model perilaku data-driven, pertimbangkan
time
series untuk Ict
dan At
disajikan pada Gambar 2. Konsisten
dengan
harapan di bawah model DB, ketika
Proxy
jarak sosial At mulai melonjak pada 24 April
(Hari
24) jumlah kasus yang dikonfirmasi baru dataran tinggi.
Namun,
ketika At menurun pada awal Mei sementara infeksi
masih
umum, jumlah kasus baru dikonfirmasi
Ik
? ?
tidak
tumbuh secara berkelanjutan melainkan, setelah
sedikit
keterlambatan, mulai turun. Dengan demikian dinamika awal
dan
periode intervensi awal wabah konsisten
dengan
model DB tetapi periode intervensi akhir
tidak.
Mengingat
bahwa kedua FE dan DB model mengungguli
Model
SD, kami menjelajahi potensi perkiraan bias
parameter
transmisi dalam model SD sebagai
Kelemahan
potensial mengabaikan perubahan perilaku. Perkiraan
dari
tingkat transmisi dasar (ρ0) pada Tabel 2
menunjukkan
bahwa sementara DB dan FE model dalam penting
kesepakatan,
perkiraan SD adalah 12% lebih rendah. Untuk mengeksplorasi
apakah
perbedaan ini istimewa atau sistematis kami
memperkirakan
kembali masing-masing dari tiga model dimulai dengan hanya
M hari
pertama data untuk M∈ [15, 41]. Kami mengecualikan
Model FE
untuk M∈ [15, 24] karena model ini tidak
dibedakan
dari
model SD sampai intervensi dimulai
pada
tanggal 24 April. Pada Gambar 3 kami menyajikan perkiraan yang dihasilkan
dari ρ0.
Kami menemukan bahwa perkiraan variabel tetapi
Model di
sekitar konsisten melalui 24 April.
Hal ini
tidak mengherankan mengingat bahwa sebelum kesehatan masyarakat
intervensi
dimulai pada 24 April proxy kita menunjukkan bahwa
Perilaku
belum bergeser discernibly. Setelah titik ini, memperkirakan
dari ρ0
untuk DB dan FE model tetap sekitar
stabil
dekat 0,064 sedangkan koefisien transmisi dasar
untuk
model SD menurun monoton. Demikian
selama
periode intervensi ketika respon perilaku adalah
kuat,
estimasi SD ρ0 jatuh setiap hari ke account
untuk
faktor baru. Sebaliknya, model yang memungkinkan untuk
Hasil
pergeseran perilaku dalam perkiraan untuk transmisi dasar
yang
pada dasarnya tingkat dari waktu ke waktu.
Sebagai
masalah praktis, bias ini dalam model SD memiliki
implikasi
penting bagi kesehatan masyarakat dan perkiraan
error.
Pertama, model SD memberikan perkiraan ρ0
jauh
lebih rendah dibandingkan model dengan perilaku. Ini
menunjukkan
bahwa virus A / H1N1 lebih menular, tapi
menular
ini tertutup oleh pergeseran perilaku. Kedua,
hasil
model SD kesalahan perkiraan besar, a
Hasil
ditampilkan menggunakan simulasi di [13] muncul saat
perilaku
adaptif manusia adalah penting dalam epidemiologi
sistem.
Peramalan
perbandingan error
Pada
Gambar 4 kami menyajikan kesalahan perkiraan selama empat hari
cakrawala
untuk seri waktu meningkatkan panjang dari M∈
[15,
41]. Latihan ini dimaksudkan untuk menangkap publik
Masalah
kesehatan resmi memperkirakan keadaan saat
wabah berdasarkan
kasus yang diamati sampai saat ini. Kami berasumsi
bahwa
ada empat hari lag antara tanggal
pengujian
dan pelaporan dari semua kasus dikonfirmasi, lag khas
untuk
melaporkan wabah penyakit menular. Dengan demikian diperkirakan
muncul
pada gambar untuk hari M error = 15 merupakan
kesalahan
yang dibuat pada hari 19 tergantung pada data kasus yang
menyelesaikan
melalui hari 15. Kita berasumsi bahwa perilaku
Data
(At) tersedia di empat hari ini lag. Dari
Kesalahan
perkiraan mentah pada Gambar 4A, jelas bahwa prediksi
kinerja
untuk model SD menjadi miskin relatif terhadap
alternatif
tak lama setelah intervensi pada hari 24.
Dari
titik ini, model SD menyebabkan sistematis
over-prediksi
jumlah kasus baru. Model DB
kinerja
memburuk selanjutnya menuju akhir
periode
intervensi. Akhirnya, pada saat intervensi
Tabel 2
maksimum estimasi parameter kemungkinan
Standard
(SD) efek Tetap
(FE)
Dyn.
Behav.
(DB)
Transmisi
parameter
ρ0
0,0565 0,0642 0,0647
(0,0561,
0,0568) (0,0640, 0,0644) (0,0644, 0,648)
ρ1
-0,0233 -0,1516
(-0,0257,
-0,0208) (-0,1519, -0,1513)
Pengamatan
41 41 41
Interval
kepercayaan 95% dalam kurung.
Menyimpulkan,
ketiga model sistematis selama-memprediksi baru
kasus.
Hal ini menunjukkan bahwa faktor absen dari model
dipertimbangkan
di sini adalah penting untuk menangkap pasca intervensi
Dinamika
(misalnya upaya perlindungan pribadi untuk mengurangi
risiko
per kontak).
Kami
memperkirakan hasil model transmisi di atas asumsi
populasi
homogen tunggal. Namun, perbedaan
dalam
respon perilaku (At) untuk anak-anak dibandingkan
orang
dewasa yang disajikan di atas eksplorasi memotivasi usia kelas
heterogenitas.
Ketika kita model anak-anak dan orang dewasa
populasi
terpisah (dengan time series terpisah untuk At di
model
perilaku), namun parameter transmisi dibatasi
harus
sama untuk kedua populasi, perkiraan
tidak
berubah secara signifikan. Kami selanjutnya diuji diperpanjang
model di
mana parameter transmisi (ρ0, ρ1)
bebas
untuk bervariasi antara kedua kelompok. Model ini adalah
statistik
tidak berbeda nyata baik untuk SD
(P =
0,31), Model DB (p = 0,41), atau model FE (p = 0,12) pada
level
10%. Untuk model FE ini, relatif terhadap homogen
(Baseline)
kasus, koefisien ρ0 dan ρ1 adalah
sekitar
50% lebih besar dalam besarnya untuk anak-anak dan 90%
kecil di
besarnya untuk orang dewasa. Bukti ini tidak konklusif,
tetapi
mengisyaratkan bahwa infeksi antara anak-anak dan
dari
anak-anak hingga orang dewasa mungkin sopir terkemuka
penyakit
dinamika-dan juga paling sensitif terhadap intervensi.
Namun,
efek ini terlalu kecil dan imprecisely diperkirakan
untuk
menegaskan dengan signifikansi statistik.
Sementara
kami gagal menemukan perbedaan yang signifikan dalam
koefisien
transmisi antara anak-anak dan orang dewasa,
ini
tidak berarti bahwa tidak ada perbedaan yang signifikan
dalam
populasi ini. Ingat bahwa kami mengontrol
perbedaan
antara anak-anak dan orang dewasa di baseline
Tingkat
kontak sebagaimana ditentukan dalam matriks C. Ketika ini
matriks
diganti dengan DC rata-rata? Þ signifikan
Perbedaan
muncul antara homogen dan
Koefisien
spesifikasi heterogen baik SD
(P
<0,01) dan DB model (p = 0,08) tetapi tidak untuk FE
Analisis
sensitivitas
Kami
memeriksa sensitivitas hasil model transmisi
beberapa
asumsi alternatif. Pertama, mengingat temporal
ketidaksesuaian
antara kasus dan waktu perilaku
seri
pada Gambar 2, kami meneliti apakah preferensi relatif
untuk
model FE terus memegang bawah ekstensi
pada
periode laten, yaitu jumlah hari orang
terinfeksi
tetapi tidak menular. Dalam model baseline
periode
laten ditetapkan untuk 1 / κ = 1.5. Kinerja
Model DB
relatif terhadap model FE adalah kuat untuk alternatif
asumsi
pada periode laten, termasuk 2, 3 atau
4 hari.
Kami juga mempertimbangkan apakah variasi istimewa
atau
"noise" dalam variabel ATV mungkin menghambat DB
Model.
Sebagai tes sederhana kita menetapkan batas +/- 5% untuk
At
ukuran-variasi yang tidak melebihi Band ini
ditetapkan
ke nol. Hal ini tidak mengubah hasil secara kualitatif.
Hasil kualitatif
juga tidak sensitif terhadap nonlinear sebuah
bentuk
kuadrat untuk model DB.
Konvergensi
dalam kinerja DB dan FE model
ditemukan
ketika jumlah hari termasuk dalam estimasi
terbatas.
Untuk semua time series yang termasuk
38 hari
atau kurang, kami gagal untuk menolak satu model yang mendukung
yang
lain. Namun, setelah waktu ini kerangka model FE
muncul
sebagai model yang disukai (misalnya p <0,01 pada 39 hari).
Untuk
model FE, kami juga mempertimbangkan tanggal alternatif
untuk
memulai jendela intervensi, dari 10 April
melalui
jendela dasar kami mulai tanggal 24 April.
Untuk
masing-masing spesifikasi ini alternatif kami menemukan bahwa
terkait
parameter ρ1 secara statistik signifikan
berbeda
dari nol. Namun, kami juga menemukan bahwa
log-kemungkinan
yang terbesar untuk jendela FE awal
pada 24
April (spesifikasi dasar kami) menggambarkan bahwa
tidak
ada tanggal awal alternatif statistik disukai.
Parameter
terakhir diperiksa dalam analisis sensitivitas kami
adalah
probabilitas rata-rata konfirmasi. Dasar kami
Tingkat
untuk? φ menyiratkan bahwa 1,2% penduduk terinfeksi
pada
akhir gelombang musim semi (tergantung pada
Jumlah
diamati kasus dan jumlah penduduk). Kami diperiksa
kepekaan
terhadap skenario alternatif di mana 10%
penduduk
kontrak penyakit, yang tersirat
berarti
probabilitas konfirmasi φ ¼ 8: 1? 10-5. Hasil
dari ini
probabilitas rendah alternatif konfirmasi
Skenario
tidak berbeda secara kualitatif.
Respon
perilaku kontrafaktual
Kami
mengeksplorasi dua skenario alternatif di mana perilaku
Menanggapi
epidemi ini baik tidak ada atau ditingkatkan.
Kami
menyajikan jalur kasus yang dikonfirmasi baru
di bawah
alternatif ini, bersama dengan kurva dipasang dari
Model
dasar dalam Gambar 5A. Di bawah alternatif pertama,
untuk
menghilangkan respon perilaku, kita kalikan ρ0 yang
Istilah
dengan nol (0ρ0, garis tipis). Berdasarkan alternatif kedua,
untuk
meningkatkan respon perilaku, kita kalikan
Istilah
ρ0 oleh dua (2ρ0, garis tebal). Kurva dipasang dari
Model
berubah dasar (1ρ0, garis menengah) dan Ict
adalah
disediakan
untuk perbandingan. Untuk model awal, fit
DB dan
FE model mirip sampai beberapa periode terakhir
dimana
DB fit menyimpang dari jalan yang diamati
Pentingnya
respon perilaku jelas.
Dengan
tidak ada respon perilaku, jalan proyeksi baru
kasus
meningkat tajam, lebih dari empat kali lipat (Gambar 5B)
untuk
kedua model hari 41. Atau, dengan dua kali lipat yang
respon,
redaman kasus baru terjadi sekitar
dua
minggu sebelumnya dan kasus kumulatif hari 41
yang
dipotong setengah.
Kesimpulan
Kami
menggunakan data baru pada variasi dalam menonton televisi di rumah
perilaku
sebagai proxy untuk perubahan tingkat sosial sehari-hari
Interaksi
di Meksiko Tengah selama 2009 /
Pandemi
influenza H1N1. Hasil dari kedua perilaku
Model
(FE dan DB) menyarankan bahwa jarak sosial adalah
faktor
kunci dalam menghambat gelombang awal A / H1N1 di
Meksiko
Tengah. Dengan tidak adanya respon perilaku,
estimasi
jalan kontrafaktual kasus baru meningkat
cepat
dalam beberapa pekan awal daripada menstabilkan dan akhirnya
jatuh
seperti yang diamati. Asumsi perilaku tetap
dalam
standar (SD) Model menyebabkan kekurangan dalam
estimasi
dan prediksi. Perkiraan tingkat dasar
penularan
sistematis bergeser dari waktu ke waktu. Jika
tingkat
dasar transmisi ditafsirkan sebagai ukuran
infektifitas
biologis dalam model standar, ini mungkin
mengarah
pada meremehkan parameter ini, seperti dalam kita
Pengaturan,
mengingat efek pengganggu respon perilaku.
Hal ini
menunjukkan bahwa A / H1N1 memiliki transmisi bawaan
potensi
yang jauh lebih besar daripada yang diperkirakan sebelumnya tapi ini
ditutupi
oleh respon perilaku. Hal ini memiliki implikasi
nasihat
manajemen termasuk alokasi
sumber
daya antara farmasi dan nonpharmaceutical
intervensi.
Selain itu, kesalahan dalam prediksi waktu dekat
kasus
baru melalui waktu juga secara substansial
lebih
besar di bawah model standar dibandingkan dengan perilaku
model.
Kesalahan ini juga sistematis-standar
Model
konsisten menyebabkan over-prediksi dalam jumlah
kasus
baru.
Membandingkan
model perilaku, kami menemukan bahwa
model
perilaku dinamis tidak disukai ke
Model
efek tetap sederhana. Satu penjelasan mungkin
Sifat
yang tidak sempurna dari variasi pemirsa sebagai proxy
untuk
perubahan tingkat kontak publik. Sebagai contoh, adalah mungkin
bahwa
selama intervensi kesehatan masyarakat yang diamati
peningkatan
ATVt disebabkan bagian yang lebih besar dari
waktu
rumah dialokasikan untuk menonton TV, daripada peningkatan
dalam
waktu yang dihabiskan di rumah. Atau bisa menjadi kasus yang
melihat
per unit waktu yang dihabiskan di rumah mungkin menurun
dalam
waktu yang dihabiskan di rumah. Penjelasan lain mungkin
ketidakmampuan
saat ini untuk secara empiris menangkap perubahan perilaku
di luar
rumah untuk mengurangi kontak atau transmisi
(Misalnya
mencuci tangan, memakai masker, dan
menghindari
batuk ke udara terbuka). Bell [5] mencatat bahwa
sementara
kebijakan mempromosikan jarak sosial mungkin efektif
terhadap
pandemi influenza, perilaku individu lain
Langkah-langkah
harus baik rutin (misalnya tangan dan pernafasan
kebersihan
dan desinfeksi rumah tangga yang terkontaminasi
permukaan)
atau dipertimbangkan untuk pengaturan tertentu dan tingkat risiko
(Misalnya
menggunakan masker).
Kami
menemukan bahwa respons rumah pemirsa lebih kuat
dalam
tinggi (versus rendah) tingkat sosial ekonomi (SEL)
subkelompok.
Temuan ini sugestif tetapi harus ditafsirkan
dengan
hati-hati. Di satu sisi, individu dalam tinggi
SEL
subkelompok yang bisa dibilang kurang dibatasi dalam menyesuaikan
kontak
daripada di SEL subkelompok rendah. Sebagai contoh,
Kumar et
al. [38] menyarankan bahwa kebijakan tempat kerja
dapat
menimpa pada menjauhkan tindakan dan kerja seperti
kebijakan
mungkin lebih mengikat SELS rendah. Jika hipotesis ini
diuji
dan diverifikasi, itu akan menunjukkan potensi
untuk
penargetan kebijakan jarak sosial untuk memfasilitasi
langkah-langkah
melindungi diri untuk SEL individu yang rendah. Di
sisi
lain, sangat mungkin bahwa perbedaan dalam respon adalah
artefak
dari proxy perilaku yang mungkin muncul, untuk
Sebagai
contoh, jika hubungan antara rumah pemirsa
dan
waktu yang dihabiskan di rumah berbeda sistematis antara
Subkelompok
SEL (misalnya, jika individu SEL tinggi merespon lebih
kuat
karena kepemilikan lebih televisi menyediakan
lebih
banyak kesempatan untuk melihat).
Selain
bervariasi tanggapan seluruh kelompok, kami juga
menemukan
perbedaan dari waktu ke waktu, yaitu pelemahan di
respon
perilaku sebelum kesimpulan publik
intervensi
kesehatan. Selain itu, kami menemukan bukti
efek
rebound di mana, setelah berkepanjangan tinggi
di-rumah
aktivitas tampaknya ada periode
ditekan
aktivitas. Hal ini konsisten dengan sejarah
analisis
Caley et al. [19] yang menemukan bahwa sebagai dirasakan
risiko
flu babi 1918 menurun di Australia,
publik
tampaknya kembali ke perilaku normal. Demikian pula,
Fenichel
et al. [18] menemukan adaptif bahwa udara wisatawan '
A / H1N1
hilang setelah respon awalnya kuat.
Penelitian
lebih lanjut dari pandemi influenza 2009 / H1N1
di
daerah lain dengan langkah-langkah intervensi yang sama
(Misalnya
Hong Kong, [39]) bisa membantu untuk mengkonfirmasi dan generalisasi
wawasan
yang diperoleh di sini.
Sedangkan
model perilaku dinamis berdasarkan
rumah
pemirsa Proxy tidak keluar-melakukan sederhana
Model
efek tetap, hasil merupakan kemajuan dalam mengidentifikasi
dan
membongkar driver balik fixed effect ini.
Ke
depan, data rinci lebih lanjut pada swasta dan publik
perilaku
selama wabah akan berfungsi untuk mengidentifikasi perilaku
efek pada
transmisi dengan lebih presisi.
Sebagai
contoh, kita tidak memodelkan efek antivirus
pengobatan.
Menangkap penyesuaian perilaku tambahan
dibuat
di luar rumah untuk mengurangi kontak efektif
mungkin
menjadi penting untuk pemodelan eksplisit perilaku
penularan
penyakit yang mendasarinya. Untuk tujuan ini, ada
nilai
dalam alokasi sumber daya selama wabah untuk secara konsisten
mengumpulkan
data tentang publik dan swasta pelindung
Springborn
et al. BMC Infectious Diseases (2015) 15:21 Halaman 10 dari 14
tindakan,
seperti penggunaan antivirus atau penggunaan masker wajah.
Meskipun
transisi dari analisis empiris berdasarkan
Tindakan
fixed effect perilaku tanggapan sepenuhnya dinamis
pada
waktu yang lebih baik skala akan memerlukan investasi tambahan
dalam
pengumpulan data, potensi keuntungan termasuk
janji
menginformasikan lebih peka dan lebih murah
intervensi
kesehatan masyarakat.
Usus
Buntu
Data A.
epidemiologi
B. Model
transmisi Beberapa kelas umur
Pada
Tabel 3 kami menyajikan jumlah laboratorium dikonfirmasi
pandemi
A / H1N1 influenza kasus untuk setiap hari
dalam
masa studi di Meksiko Tengah dari pengawasan yang
sistem
yang mapan dalam menanggapi 2009
pandemi
influenza oleh Meksiko Institut Sosial
Keamanan
(IMSS) [25].
Ketiga
model dasar (SD, FE dan DB) dapat digeneralisasi
untuk
memungkinkan struktur umur dalam populasi. Sosial
Interaksi
dapat bervariasi di seluruh kelompok demografis,
misalnya
anak bersekolah dibandingkan bekerja
orang
dewasa. Kami mengikuti [17] dalam generalisasi sistem diferensial
persamaan
untuk populasi homogen pencampuran
dalam
(1) untuk memungkinkan variasi dalam tingkat transmisi
antara
kelompok-kelompok demografis di set G. Dynamics untuk
setiap
sub-kelompok i ∈ G diberikan oleh:
Si
tþ1-Si, t ¼ -Si; t
XG
g
βt; i →
g Ig; t = N
Ei;
tþ1-Ei; t ¼ Si; t
XG
g
βt; i →
g Ig; t = N-κEi; t
Ii,
tþ1-Ii; t ¼ κEi; t-γIi; t
Ri;
tþ1-Ri, t ¼ γIi; t:
ð7Þ
Model di
(5) menangkap pencampuran heterogen dalam
model
populasi. Transmisi-kelompok tertentu
Fungsi
(βt, i → g) adalah sama seperti dalam kasus homogen,
kecuali?
C dan At digantikan oleh? Ci → g dan At, saya → g, masing-masing.
Parameter?
Ci → g mencerminkan jumlah rata-rata
kontak
yang anggota kelompok saya mengalami dengan anggota
kelompok
g, dan At, saya → g adalah deviasi persen dari
bahwa
rata-rata pada saat t.
C.
Penurunan fungsi log-likelihood
Kami
berasumsi bahwa jumlah diamati dikonfirmasi
infeksi
baru pada hari tertentu, Ict
,
Mengikuti Poisson
Proses
dengan λt tingkat kedatangan rata-rata (ρ):
PrðIct
jλtðρÞÞ
¼ λt ρ ð Þ
exp λt ρ
ð Þ ð ÞItt
!
: Ð8Þ
Fungsi
kemungkinan untuk semua pengamatan dari t = 1, ...,
T
diberikan oleh produk:
L ¼
YT
t¼1
λtðρÞ
exp λt ρ
ð Þ ð ÞItt
!
? ?
: Ð9Þ
Mengambil
log ekspresi ini menyediakan loglikelihood yang
Fungsi:
L ¼
XT
t¼1
Ik
ln λt ρ
ð Þ ½? -λt ρ ð Þ-ln Ict
!
? ? ??
ð10Þ
Akhirnya,
untuk menghubungkan model kemungkinan dengan Seir
Model
transmisi, kita mengasumsikan bahwa rata-rata Poisson
Tingkat
kedatangan kasus baru dikonfirmasi diberikan oleh nomor
infeksi
diamati baru diprediksi oleh penyakit
Model,
λt (ρ) = φtκEt.
D. Cox
tes non-bersarang dengan bootstrap parametrik
Berdasarkan
model nol tertentu (misalnya baik FE atau DB), masing-masing
sampel
bootstrap data (infeksi baru) adalah
dihasilkan
oleh adakan menarik dari proses Poisson
kedatangan
mengatur infeksi baru berdasarkan dipasang
perkiraan
tingkat kedatangan rata-rata untuk infeksi baru,
λt ∀
t = 1, ..., 50. Proses ini diulangi untuk membuat M =
500
sampel dinyalakan. Perkiraan kemungkinan dari
masing-masing
sampel bootstrapped digunakan untuk membangun
berikut
p-value [40] untuk uji alternatif yang diberikan
Model
(a) terhadap nol (0):
p-value
¼
mati
rasa L0 ^ θ0m; IOBs
m
?
-La ^
Θam; IOBs
m
?
≤L0a; ∀
m ¼ 1; ...; M
hi juga
þ 1
M þ 1
;
ð11Þ
di mana
IOBs
m adalah
data sampel bootstrap untuk setiap iterasi
m = 1,
..., M; ^ Θjm merupakan perkiraan ML untuk
Model j ∈
{FE, DB} diberikan sampel m; Lj adalah maksimum
log-kemungkinan
untuk model j; L0A ¼ L0 ^ θ0
?
-La ^ Θa
?
aku s
perbedaan
antara perkiraan log-likelihood maksimum
di bawah
H0 dan Ha diberikan data asli; dan
jumlah
kebas berapa kali kondisi benar
untuk
masing-masing M iterasi. Sebuah koreksi sampel kecil
diimplementasikan
dengan menambahkan 1 ke pembilang dan penyebut.
Karena
FE dan DB model nonnested,
pemilihan
model nol unik tidak layak.
Sebaliknya,
tes Cox dilakukan dua kali, dengan masing-masing
model
yang berfungsi sebagai nol pada gilirannya.
Profil
E. Kemungkinan
Dalam
Angka 6, 7, 8 kami menyajikan profil log-kemungkinan
mendasari
kemungkinan maksimum memperkirakan pada Tabel 2.
Dalam
setiap kasus nilai log-kemungkinan tidak termasuk aditif
Istilah
konstan yang bukan merupakan fungsi dari parameter
yang
akan diestimasi (yaitu istilah akhir dalam Persamaan (10)). Untuk
masing-masing
profil perkiraan kemungkinan maksimum dari
Tabel 2
ditandai dengan segitiga.
Catatan
akhir
aTowers
dan Chowell [17] memungkinkan jumlah kontak
berpengalaman
pada akhir pekan dan hari kerja berbeda tetapi ini
0,055
0,0555 0,056 0,0565 0,057 0,0575 0,058
580
585
590
595
600
log-kemungkinan
*
ρ0
Gambar
profil 6 Log-kemungkinan untuk standar (SD) sebagai model
fungsi
dari tingkat transmisi marjinal (per kontak) ρ0.
Segitiga
tersebut merupakan estimasi kemungkinan maksimum dari
Tabel 2.
Bintang di log-kemungkinan menunjukkan bahwa konstanta
Istilah
dari log-kemungkinan telah dikecualikan.
0.064
0,0642
0,0644
-0,026
-0,0235
-0,021
654
656
658
660
662
664
ρ0
ρ1
log-kemungkinan
*
655
656
657
658
659
660
661
662
663
Gambar
profil 7 Log-kemungkinan untuk efek tetap (FE) Model
sebagai
fungsi dari tingkat transmisi marjinal (per kontak) ρ0,
dan
pergeseran tingkat transmisi dasar marjinal selama
jendela
intervensi, ρ1. Segitiga mewakili maksimum
kemungkinan
memperkirakan dari Tabel 2. Bintang di log-kemungkinan
menunjukkan
bahwa istilah konstan dari log-kemungkinan memiliki
dikecualikan.
0,0646
0,0647
0,0648
0,0648
-0,1525
-0,152
-0,1515
-0,151
645
646
647
648
649
ρ0
ρ1
log-kemungkinan
*
645,5
646
646,5
647
647,5
648
648,5
Gambar
profil 8 Log-kemungkinan untuk perilaku dinamis (DB)
Model
sebagai fungsi dari tingkat transmisi marjinal (per kontak)
ρ0, dan
respon perilaku, ρ1. Segitiga tersebut merupakan
kemungkinan
maksimum memperkirakan dari Tabel 2. Bintang di log-kemungkinan
menunjukkan
bahwa istilah konstan dari log-kemungkinan telah dikecualikan.
Springborn
et al. BMC Infectious Diseases (2015) 15:21 Halaman 12 dari 14
Tingkat
diambil dari literatur dan sebaliknya konstan.
Mereka
juga memungkinkan tingkat transmisi bervariasi lebih
waktu
sesuai dengan proses harmonik urutan pertama untuk menangkap
musiman
selama sebagian besar tahun. Kami melakukan
tidak
mengeksplorasi struktur ini sejak masa kami menarik adalah
dua
bulan yang panjang.
bCentral
Mexico termasuk Distrik Federal (Meksiko
Kota)
dan negara bagian Guerrero, Hidalgo, Jalisco, Meksiko (termasuk
lebih
besar Mexico City), Puebla, San Luis Potosi,
dan
Tlaxcala.
Asumsi
cThis sulit untuk menguji Meksiko. Akan Tetapi,
Data
dari American Waktu Gunakan Survey (http: //
www.bls.gov/tus/)
menunjukkan bahwa orang Amerika menonton lebih
televisi
mereka menghabiskan lebih banyak waktu di rumah, meskipun
Hubungan
mungkin nonlinier [37].
Data
dthe dikumpulkan dan disimpan oleh daerah
Divisi
Ibope AGP Mexico (http://www.agbnielsen.net/
whereweare
/ whereweare.asp).
Bersaing
kepentingan
Para penulis
menyatakan bahwa mereka tidak memiliki kepentingan bersaing.
Penulis
Kontribusi
MS, EF,
dan GC berkontribusi konsep, desain, dan pengembangan model. NONA
dan MM
menganalisis data. Semua penulis berkontribusi, membaca dan disetujui
naskah
akhir.
Ucapan
Terima Kasih
Publikasi
ini dimungkinkan oleh jumlah hibah 1R01GM100471-01
dari
Institut Nasional Ilmu Kedokteran Umum (NIGMS) di
National
Institutes of Health. Isinya adalah tanggung jawab dari
penulis
dan tidak selalu mewakili pandangan resmi NIGMS.
Rincian
Penulis
1Jurusan
Environmental Science & Kebijakan, Universitas California, 2104
Wickson
Hall, Satu Shields Ave., Davis, CA 95616, USA. 2School Umum
Kesehatan,
Georgia State University, P.O. Box 3965, Atlanta, GA 30302-3965, USA.
3Division
dari International Epidemiology dan Kependudukan Studi, Fogarty
Pusat
Internasional, National Institutes of Health, 31 Pusat Dr, MSC 2220,
Bethesda,
MD 20892-2220, USA. 4Mathematical, Komputasi & Modeling
Pusat
Ilmu, Sekolah Evolusi Manusia dan Perubahan Sosial, Arizona
State
University, 900 S. Cady Mall, Tempe, AZ 85287-2402, USA. 5 Departemen
Pertanian
& Sumber Daya Ekonomi, Universitas California, 2116 Sosial
Ilmu
& Humaniora, Satu Shields Ave., Davis, CA 95616, USA. 6Yale Sekolah
Studi
Kehutanan dan Lingkungan, 195 Prospect St., New Haven, CT
06.511,
USA.
Diterima:
16 Juni 2014 Diterima: 9 Desember 2014
Referensi
1.
Ksiazek TG, Erdman D, Goldsmith CS, Zaki SR, Peret T, Emery S, Tong S,
Urbani
C, Comer JA, Lim W, Rollin PE, Dowell S, Ling AE, Humphrey C,
Shieh
WJ, Guarner J, Paddock CD, Rota P, Fields B, DeRisi J, Yang JY,
Cox N,
Hughes J, LeDuc JW, Bellini W, Anderson LJ, dan SARS Kerja
Group.
Sebuah coronavirus baru yang berhubungan dengan pernapasan akut parah
sindrom.
N Engl J Med. 2003; 348 (20): 1953-1966.
2. Boyes
WJ, Faith RL. Peraturan temporal dan substitusi antarwaktu:
efek
melarang alkohol di pertandingan sepak bola perguruan tinggi. Pilihan publik.
1993; 77
(3): 595-609.
3.
Chowell G, Bertozzi SM, Colchero MA, Lopez-Gatell H, Alpuche-Aranda C,
Hernandez
M, Miller MA. Parah bersamaan penyakit pernapasan dengan
sirkulasi
H1N1 influenza. N Engl J Med. 2009; 361 (7): 674-79.
4. Zhu
H, Wang D, Kelvin DJ, Li L, Zheng Z, Yoon SW, Wong SS, Farooqui A,
Wang J,
Banner D, Chen R, Zheng R, Zhou J, Zhang Y, W Hong, Dong W,
Cai Q,
Roehrl MHA, Huang SSH, Kelvin AA, Yao T, Zhou B, Chen X,
Leung
GM, Poon LLM, Webster RG, Webby RJ, Peiris JSM, Guan Y, Shu Y.
Infektivitas,
transmisi, dan patologi manusia terisolasi H7N9
virus
influenza dalam musang dan babi. Ilmu Pengetahuan. 2013; 341 (6142): 183-86.
5. Bell
D, Nicoll A, Fukuda K, Horby P, Monto A, Hayden F, Wylks C, Sanders L,
Intervensi
Van Tam J. Non-farmasi untuk pandemi influenza,
langkah-langkah
internasional. Emerg Menginfeksi Dis. 2006; 12 (1): 81-7.
6.
Cauchemez S, Valleron AJ, Boelle PY, Flahault A, Ferguson NM. Memperkirakan
dampak
penutupan sekolah pada transmisi influenza dari Sentinel
Data.
Nature. 2008; 452 (7188): 750-54.
7. Stern
A, Markel H. Apa mexico mengajarkan dunia tentang pandemi
kesiapan
influenza dan mitigasi masyarakat strategi.
JAMA.
2009; 302 (11): 1221-1222.
8.
Aiello AE, Coulborn RM, Aragon TJ, Baker MG, Burrus BB, Cowling BJ,
Duncan
A, Enanoria W, Fabian MP, Ferng YH, Larson EL, Leung GM, Markel
H,
Milton DK, Monto AS, Morse SS, Navarro JA, Taman SY, Imam P, S Stebbins,
Stern
AM, Uddin M, Wetterhall SF, Vukotich CJ. Temuan penelitian dari
studi
intervensi nonpharmaceutical untuk influenza pandemi dan
kesenjangan
saat ini dalam penelitian. Am J Menginfeksi Control. 2010; 38 (4): 251-58.
9. Smith
RD, Keogh-Brown MR, Barnett T, Tait J. Dampak ekonomi yang luas
pandemi
influenza di Inggris: keseimbangan umum dihitung
pemodelan
percobaan. BMJ (penelitian klinis ed). 2009; 339: b4571.
10.
Maharaj S, Kleczkowski A. epidemi Mengontrol disebarkan oleh sosial
menjauhkan:
Lakukan dengan baik atau tidak sama sekali. BMC Public Health. 2012; 12 (1):
679.
11.
Fenichel EP. Pertimbangan ekonomi untuk jarak sosial dan
kebijakan
berbasis perilaku selama epidemi. J Kesehatan Econ. 2013;
32 (2):
440-51.
12.
Fenichel EP, Castillo-Chavez C, Ceddia MG, Chowell G, Parra PAG, Hickling
GJ,
Holloway G, R Horan, Morin B, C Perrings, Springborn M, L Velazquez,
Perilaku
manusia Villalobos C. Adaptive dalam model epidemiologi. Proc
Natl
Acad Sci. 2011; 108 (15): 6306-11.
13.
Fenichel E, Wang X. Mekanisme dan fenomena manusia adaptif
perilaku
selama epidemi dan peran informasi. Dalam: Manfredi P,
D'Onofrio
A, editor. Pemodelan Interplay Antara Perilaku Manusia dan
Penyebaran
Penyakit Menular. New York: Springer; 2013: p. 153-68.
14.
Ferguson N. Menangkap perilaku manusia. Nature. 2007; 446 (7137): 733.
15. Hens
N, Ayele G, Goeyvaerts N, Aerts M, Mossong J, J Edmunds, Beutels P.
Memperkirakan
dampak penutupan sekolah terhadap perilaku pencampuran sosial dan
penularan
infeksi kontak dekat di delapan negara Eropa.
BMC
Menginfeksi Dis. 2009; 9 (1): 187.
16.
Copeland DL, Basurto-Davila R, Chung W, A Kurian, Fishbein DB,
Szymanowski
P, Zipprich J, Lipman H, Cetron MS, Meltzer MI, Averhoff F.
Efektivitas
penutupan distrik sekolah untuk pandemi influenza a
(H1N1)
pada penyakit pernapasan akut di masyarakat: alami
eksperimen.
Clin Menginfeksi Dis. 2013; 56 (4): 509-16.
17. Menara
S, Chowell G. Dampak pola kontak sosial pada hari kerja pada
pemodelan
transmisi influenza, dan penentuan influenza
periode
laten. J theor Biol. 2012; 312: 87-95.
18.
Fenichel EP, Kuminoff NV, Chowell G. Lewati perjalanan: Air Travellers
'perilaku
tanggapan
terhadap pandemi influenza. PLoS One. 2013; 8 (3): e58249.
19.
Caley P, Philp DJ, McCracken K. Mengukur jarak sosial yang timbul dari
pandemi
influenza. J R Soc Interface. 2008; 5 (23): 631-39.
20.
Chowell G, Echevarría-Zuno S, Viboud C, Simonsen L, Tamerius J, Miller MA,
Borja-Aburto
VH. Karakteristik epidemiologi 2009 influenza
A / H1N1
pandemi di Meksiko. PLoS Med. 2011; 8 (5): e1000436.
21. Kaca
RJ, Kaca LM, Beyeler KAMI, Min HJ. Target desain jarak sosial
untuk
pandemi influenza. Emerg Menginfeksi Dis. 2006; 12 (11): 1671-1681.
22.
Hethcote HW. Analisis kualitatif model penyakit menular.
Matematika
Biosci. 1976; 28 (3-4): 335-56.
23.
Diekmann O, Heesterbeek. Matematika Epidemiologi Penyakit Infeksi:
Bangunan
Model, Analisis dan Interpretasi. New York: Wiley \ & Sons; 2000.
24.
Anderson RM, RM Mei. Penyakit menular Manusia: Dinamika dan Kontrol.
Oxford:
Oxford University Press; 1991.
25.
Echevarria-Zuno S, Mejia-Arangure JM, Mar-Obeso AJ, Grajales-Muniz C,
Robles-Perez
E, Gonzalez-Leon M, Ortega-Alvarez MC, Gonzalez-Bonilla C,
Rascon-Pacheco
RA, Borja-Aburto VH. Infeksi dan kematian dari
Virus
influenza A H1N1 di Meksiko: analisis retrospektif. Lancet. 2009;
374
(9707): 2072-79.
26.
Córdova J, M Hernández, López-Gatell H, Bojorquez I, Palacios E, G Rodríguez,
Rosa B,
Ocampo R, Alpuche C, Flores R. Update: influenza baru A (H1N1)
infeksi
virus-Meksiko, Maret-Mei 2009. MORB Mortal wkly Rep 2009.;
58 (21):
585-89.
Springborn
et al. BMC Infectious Diseases (2015) 15:21 Halaman 13 dari 14
27.
Mossong J, Hens N, Jit M, Beutels P, K Auranen, Mikolajczyk R, Massari M,
Salmaso
S, Tomba GS, Wallinga J, Heijne J, Sadkowska-Todys M, Rosinská M,
Edmunds
WJ. Kontak sosial dan pola pencampuran relevan dengan penyebaran
penyakit
menular. PLoS Med. 2008; 5 (3): e74.
28.
Lakdawalla D, Sood N, terobosan Goldman D. HIV dan berisiko seksual
tingkah
laku. Q J Econ. 2006; 121 (3): 1063-102.
29.
Elder AG, O'Donnell B, McCruden EAB, Symington IS, Carman WF. Insidensi
dan
mengingat influenza dalam kohort Glasgow petugas kesehatan
selama
1993-4 epidemi: Hasil pengujian serum dan kuesioner.
BMJ.
1996; 313 (7067): 1241-42.
30. Raja
JC, Haugh CJ, Dupont WD, Thompson JM, Wright PF, Edwards KM.
Laboratorium
dan epidemiologi penilaian baru-baru influenza B
wabah. J
Med Virol. 1988; 25 (3): 361-68.
31. Reed
C, Angulo FJ, Swerdlow DL, Lipsitch M, Meltzer MI, Jernigan D, Finelli L.
Perkiraan
prevalensi pandemi (H1N1) 2009, Amerika Serikat,
April-Juli
2009. Emerg Menginfeksi Dis. 2009; 15 (12): 2004-07.
32.
Cowling BJ, Chan KH, Fang VJ, Lau LL, Jadi HC, Fung RO, Ma ES, Kwong AS,
Chan
C-W, Tsui WW. Epidemiologi Perbandingan pandemi dan
musiman
influenza A di rumah tangga. N Engl J Med. 2010; 362 (23): 2175-84.
33.
Cauchemez S, Donnelly CA, Reed C, Ghani AC, Fraser C, Kent CK, Finelli L,
Ferguson
NM. Transmisi Rumah Tangga tahun 2009 pandemi influenza A
Virus
(H1N1) di Amerika Serikat. N Engl J Med. 2009; 361 (27): 2619-27.
34.
Davidson R, MacKinnon JG. Ekonometrik Teori dan Metode, Volume 21.
New
York: Oxford University Press; 2004.
35.
Dameus A, Richter FGC, Brorsen BW, Sukhdial KP. AIDS versus Rotterdam
sistem
permintaan: tes Cox dengan bootstrap parametrik. J Agric resour Econ.
2002; 27
(2): 335-47.
36.
Mechoulan S. perilaku seksual berisiko, pengujian, dan perawatan HIV. Dalam:
Forum
Ekonomi
Kesehatan & Kebijakan: 2007. 2007.
37.
Zivin JSG, Neidell MJ. Dampak polusi terhadap produktivitas pekerja.
Dalam:
National Bureau of Economic Research. 2011.
38.
Kumar S, Quinn SC, Kim KH, Daniel LH, Freimuth VS. Dampak dari kerja
kebijakan
dan faktor-faktor sosial lainnya pada penyakit influenza seperti dilaporkan
sendiri
kejadian
selama 2009 H1N1 pandemi. Am J Kesehatan Masyarakat. 2011;
102 (1):
134-40.
39. Wu
JT, Cowling BJ, Lau EHY, Ip DKM, Ho LM, Tsang T, Chuang SK, Leung
PY, Lo
SV, Liu SH, penutupan Riley S. Sekolah dan mitigasi pandemi
(H1N1)
2009, Hong Kong. Emerg Menginfeksi Dis. 2010; 16 (3): 538-41.
40.
Coulibaly N, Wade Brorsen B. Monte carlo pendekatan sampling untuk pengujian
abstrak
Latar
Belakang: Teori menunjukkan bahwa dampak respon perilaku individu penyebaran
penyakit seperti flu, tapi ini
telah
sulit untuk secara empiris ciri. Jarak sosial merupakan komponen penting dari
respon perilaku,
meskipun
analisis telah dibatasi oleh kurangnya data perilaku. Tujuan kami adalah untuk
menggunakan data media untuk mengkarakterisasi
Perilaku
jarak sosial untuk menginformasikan secara empiris model epidemiologi jelas dan
prediktif.
Metode:
Kami menggunakan data pada variasi televisi rumah melihat sebagai proxy untuk
variasi dalam waktu yang dihabiskan di
rumah
dan, dengan perluasan, kontak. Proxy perilaku ini tidak sempurna tapi menarik
karena informasi pada kaya
dan
sampel yang representatif dikumpulkan menggunakan teknik yang konsisten
sepanjang waktu dan sebagian besar kota-kota besar. Kita
mempelajari
April-Mei 2009 wabah A / H1N1 di Meksiko Tengah dan memeriksa respon perilaku
dinamis dalam
agregat
dan kontras pola yang diamati dari berbagai sub-kelompok demografis. Kami
mengembangkan dan mengkalibrasi dinamis
model
perilaku penularan penyakit diinformasikan oleh data proxy pada variasi harian
dalam tingkat kontak dan membandingkannya
dengan
standar (non-adaptif) Model dan model efek tetap yang kasar menangkap perilaku.
Hasil:
Kami menemukan bahwa setelah respon perilaku awal dibuktikan (konsisten dengan
jarak sosial) pada awal
wabah,
ada pelemahan di respon sebelum kesimpulan dari intervensi kesehatan
masyarakat. Kami menemukan
perbedaan
substansial dalam respon perilaku seluruh subkelompok usia dan tingkat sosial
ekonomi. Kami juga menemukan bahwa
efek
perilaku dan tetap model transmisi dinamis yang lebih baik menjelaskan variasi
dalam kasus yang dikonfirmasi baru,
menghasilkan
perkiraan yang lebih stabil dari tingkat dasar transmisi dari waktu ke waktu
dan memprediksi jumlah kasus baru
selama
jangka pendek dengan substansial kurang error.
Kesimpulan:
Hasil menunjukkan bahwa A / H1N1 memiliki potensi transmisi bawaan lebih besar
daripada yang diperkirakan sebelumnya namun
ini
ditutupi oleh respon perilaku. Perbedaan yang diamati dalam respon perilaku
seluruh kelompok demografis
menunjukkan
potensi manfaat dari upaya penjangkauan menargetkan jarak sosial.
Kata
kunci: Model Epidemi, distancing Sosial, A / H1N1, Influenza, SIR
Latar
Belakang
Rangkaian
wabah flu selama dekade terakhir menggambarkan
kebutuhan
yang sedang berlangsung untuk penyempurnaan strategi untuk
mengontrol
dan mengurangi dampak penyakit menular,
termasuk
SARS pada tahun 2003 [1], 2009 A / H1N1 (babi)
pandemi
influenza [2,3] dan munculnya novel
Sebuah
virus / H7N9 (flu burung) influenza pada tahun 2013 [4]. Secara paralel
upaya
vaksinasi standar, intervensi nonpharmaceutical
(NPis)
merupakan bagian penting dari manajemen
toolkit
[5-7]. Secara khusus, NPis menjadi lebih relevan
dalam
konteks muncul penyakit menular saat
ketersediaan
vaksin mungkin tertunda cukup lama.
Kepala
di antara NPis strategi untuk meningkatkan sosial
menjauhkan,
apakah dimulai secara pribadi atau kebijakan-diarahkan
(Misalnya,
penutupan sekolah, bisnis dan acara-acara publik) [8].
Sementara
NPis perilaku muncul menjanjikan, penting untuk
mengevaluasi
secara empiris keberhasilan mereka karena mereka dapat mahal
[9] dan
bisa memiliki konsekuensi yang tidak diinginkan, seperti memimpin
peningkatan
bersih dalam jumlah jangka panjang kasus atau meningkat
total
biaya epidemi dan kebijakan respon
[10,11].
Potensi respon individu terhadap penyakit
risiko
dan kebijakan ini menjadi tantangan dalam pengukuran
dari
infektivitas patogen dan desain kebijakan
diarahkan
jarak sosial [12,13]. Ferguson [14] berpendapat
bahwa
meskipun perlunya pendekatan holistik, saat ini
*
Korespondensi: mspringborn@ucdavis.edu
1Jurusan
Environmental Science & Kebijakan, Universitas California, 2104
Wickson
Hall, Satu Shields Ave., Davis, CA 95616, USA
Daftar
lengkap informasi penulis tersedia di akhir artikel
© 2015
Springborn et al .; pemegang lisensi BioMed Central. Ini adalah sebuah artikel
Open Access didistribusikan di bawah ketentuan Creative
Atribusi
Commons License (http://creativecommons.org/licenses/by/4.0), yang memungkinkan
penggunaan tak terbatas, distribusi, dan
reproduksi
dalam media apapun, asalkan karya asli dikreditkan dengan benar. Creative
Commons Public Domain
Dedikasi
pengabaian (http://creativecommons.org/publicdomain/zero/1.0/) berlaku untuk
data yang disediakan dalam artikel ini,
kecuali
dinyatakan lain.
Springborn
et al. BMC Infectious Diseases (2015) 15:21
DOI
10,1186 / s12879-014-0691-0
model
dasarnya mengabaikan umpan balik antara epidemi
dan
perilaku.
Analisis
empiris dari pengaruh perilaku jarak sosial
dinamika
epidemiologi adalah kepentingan yang jelas,
tetapi
telah terbukti sulit untuk mendapatkan data yang representatif
pada
respon perilaku yang sebenarnya untuk epidemi. Investigasi empiris
pengaruh
perilaku transmisi seperti flu
Dinamika
sebagian besar telah terbatas pada proxy biner untuk
perilaku,
khususnya pra-dijadwalkan [6,15] dan epidemiologi
didorong
[16] penutupan dan pola hari kerja sekolah
dan
akhir pekan [17]. Meskipun intervensi kebijakan sering
kasar,
respon individu untuk kebijakan dan pribadi mereka sendiri
keputusan
tentang risiko cenderung lebih bernuansa [8].
Fenichel
et al. [18] menunjukkan bahwa pengurangan risiko pribadi mungkin
telah
berubah dalam cara yang halus selama 2009 / H1N1 epidemi.
Caley et
al. [19] memperkirakan perubahan menular
tingkat
kontak di Sydney, Australia dari 1918 influenza
pandemi
tetapi melakukannya secara tidak langsung dengan menyimpulkan perubahan kontak
berdasarkan
jumlah reproduksi perkiraan dan
proporsi
rentan bersyarat pada nilai yang diberikan untuk
nomor
reproduksi, R0.
Kami
menggunakan data baru pada variasi televisi rumah
perilaku
menonton sebagai proxy untuk perubahan tingkat
interaksi
sosial sehari-hari. Kami menemukan tampilan yang kuat
respon
perilaku di Meksiko Tengah terkait dengan
Virus
influenza / H1N1 pada bulan April dan Mei 2009.
Data
menunjukkan bahwa respon perilaku proksi yang terbesar
kalangan
anak-anak dan kelompok-kelompok sosial-ekonomi kaya.
Selain
itu, kami beberapa respon perilaku dengan
Model
epidemiologis, dan menunjukkan bahwa A / H1N1 influenza
Virus
ini cenderung lebih menular dari sebelumnya
diyakini
karena potensi penularan bertopeng
oleh
respon perilaku.
Untuk
memanfaatkan data kepemirsaan televisi untuk menjelajahi
peran
perilaku selama epidemi, kami memperpanjang
Proxy
biner untuk waktu yang bervariasi infektivitas di [20], di mana
perilaku
dapat berubah hanya pada satu titik waktu, untuk memungkinkan
untuk
variasi harian dalam perilaku. Berikut [17], kita membusuk
model
standar tingkat transmisi ke
dua
komponen tingkat kontak dan transmisi rata-rata
Tingkat
per kontak. Untuk menginformasikan perubahan dalam kontak
tingkat,
kita menggunakan proxy harian untuk perubahan waktu yang dihabiskan
oleh
individu dalam rumah, yaitu variasi dalam rumah
menonton
televisi. Sementara melihat adalah proxy yang tidak sempurna
untuk
perilaku jarak sosial, data ini memiliki beberapa menarik
atribut.
Data dikumpulkan secara konsisten
sebelum,
selama, dan setelah epidemi di semua media utama
pasar di
seluruh dunia. Sampel merupakan perwakilan dari
penduduk
setempat (by design) dan dapat dipisahkan
dalam
berbagai sub kelompok demografis. Biasanya
Data dikumpulkan
secara otomatis dan elektronik (seperti dalam
sampel
kami) dan tidak bergantung pada diri-pelaporan. Itu
Data
melihat dalam aplikasi kita yang diperoleh dari
Ibope
Internasional net-AGB Nielsen Media Research,
penelitian
dan penonton pengukuran swasta terbesar
Perusahaan
di Amerika Latin.
Kami
berkontribusi pada literatur dengan memeriksa variasi
dalam
respon perilaku di waktu dan demografis
subkelompok
dan dengan kalibrasi dan menganalisis perilaku dinamis
model
penularan penyakit. Pertama, kami mengukur
sifat
dinamis dari respon perilaku terhadap 2.009
A / H1N1
pandemi influenza dan intervensi publik di
Meksiko
Tengah. Kami menunjukkan bahwa respon agregat
tidak
konstan dan menjelaskan bagaimana bervariasi secara sistematis selama
waktu.
Selanjutnya, kita membongkar dinamika agregat menjadi demografi
sub
kelompok dan menunjukkan bagaimana kelompok usia tertentu dan /
atau
kelompok sosial ekonomi merespon lebih kuat daripada
lain.
Beralih ke model penularan penyakit
dinamika,
kami menilai apakah akuntansi untuk perubahan sehari-hari
dalam
kontak yang lebih baik menyumbang variasi dalam kasus baru.
Kami
kemudian mengeksplorasi potensi bias dalam standar
Model
dari mengabaikan perubahan yang mendasari perilaku. Sebelumnya
analisis
simulasi menunjukkan bahwa intervensi terfokus
pada
anak-anak sangat efektif dalam mengurangi
Tingkat
serangan influenza [21]. Kami memeriksa bagaimana akuntansi
heterogenitas
antara orang dewasa dan anak-anak mengubah kesimpulan.
Pada
bagian berikutnya kita pertama menunjukkan bagaimana dasar
model
transmisi dapat diperpanjang untuk menggabungkan dinamis
perilaku
dan kemudian menggambarkan data dan estimasi model
Pendekatan
secara rinci.
Metode
Model
epidemiologi standar
Kami
model 2009 / H1N1 epidemi di Meksiko Tengah
menggunakan
Seir Model epidemiologi [22-24]. Kami mendefinisikan
tiga
formulasi model yang berbeda: satu yang tidak memperhitungkan
untuk
setiap perubahan perilaku, yang mengasumsikan bahwa
perubahan
perilaku konstan sepanjang governmentimposed
intervensi
kesehatan, dan salah satu yang mengasumsikan bahwa
perubahan
perilaku dapat diperkirakan oleh televisi setiap hari
Data
melihat. Untuk masing-masing model, individu dalam populasi,
ukuran
N, diklasifikasikan berdasarkan status kesehatan individu
di dalam
empat negara bagian di setiap periode, t: rentan (St), terkena
(Terinfeksi
tetapi belum menular), (Et), infeksi
(It),
dan pulih (Rt). Dinamika transisi antara
negara
kesehatan dijelaskan oleh sistem perbedaan
persamaan:
Stþ1-St
¼ -βtSt Ini = N
Etþ1-Et
¼ βtSt Ini = N-κEt
Itþ1-It
¼ κEt-γIt
Rtþ1-Rt
¼ γIt;
ð1Þ
di mana
βt adalah tingkat transmisi, κ adalah tingkat di mana
inkubasi
individu kemajuan dari terkena
status
kesehatan infeksi (atau kebalikan dari laten
periode)
dan γ adalah tingkat pemulihan (atau kebalikan dari
periode
pemulihan).
Springborn
Dalam
standar (SD) Model βt yang menjadi konstan
skalar.
Ini mengacaukan efek gabungan dari kontak
dan
kemungkinan penularan dari kontak [12].
Dalam
model transmisi klasik, perilaku yang mengatur
kontak
diasumsikan tetap. Namun bagi banyak manusia
penyakit,
termasuk influenza, pergeseran perilaku dan NPI
mungkin
memainkan peran penting dalam proses transmisi.
Model
epidemiologi perilaku
Untuk
menggeneralisasi model klasik kita membusuk βt ke
kemungkinan
penularan tergantung pada kontak
(Ρ0) dan
rata-rata jumlah kontak yang dialami oleh
individu
DC? Þ:
βSD
t
¼ ρ0
? C: ð2Þ
Parameter
ρ0 dan? C tidak diidentifikasi secara unik
karena
mereka masuk ke model sebagai produk. Namun demikian, ρ0
dapat
diperkirakan sebagai berikut [17] dan menggunakan estimasi populasi
dari
literatur untuk? C.a
Meskipun
membedakan antara kemungkinan penularan
dari
kontak dan nomor kontak, βSD
t
diasumsikan
konstan. Kami mengeksplorasi dua alternatif
yang
mengendurkan asumsi tingkat transmisi konstan.
Perpanjangan
pertama untuk memfasilitasi transmisi waktu yang berbeda-beda
Tingkat
adalah untuk memungkinkan dua yang berbeda, tetapi sebaliknya konstan,
tingkatan
dalam βt dari waktu ke waktu. Berikut [20], kita model
respon
perilaku sebagai efek tetap (FE) (yaitu menggunakan
variabel
dummy) selama jangka waktu
diberikan
oleh τ, misalnya selama kesehatan masyarakat tertentu
campur
tangan,
βFE
t
¼ ρ0
þ
1τðtÞρ1
? ?
? C; ð3Þ
di mana
ρ0 adalah dasar tingkat transmisi marjinal (per
kontak),
ρ1 adalah pergeseran transmisi dasar marjinal
Tingkat
selama jendela τ, dan 1τ (t) adalah indikator
fungsi,
sama dengan satu ketika t ∈ τ, dan nol sebaliknya.
Kedua,
kami mengusulkan model respon yang fleksibel yang memungkinkan
untuk
variasi harian dalam perilaku. Mengingat ketersediaan
dari
proxy empiris untuk perubahan tingkat kontak, kita
rileks
asumsi tingkat kontak tetap. Biarkan At mewakili
deviasi
persentase dari rata-rata? CD Þ untuk
diberikan
periode t. Sebuah dinamis perilaku (DB) transmisi
fungsi
yang mirip dalam bentuk Persamaan (2) dan (3)
tapi
account untuk variasi dalam tingkat kontak adalah:
βDB
t
¼ ρ0
þ ρ1Δt
? ?
? C: ð4Þ
Sehubungan
dengan model SD di Persamaan (2), transmisi DB
Model
tingkat termasuk tambahan ρ1Δt jangka ð C? Þ
menangkap
efek aditif dari setiap respon perilaku.
Model SD
(2) bersarang dalam kedua model FE (3)
dan
model DB (4): βSD
t
¼ βFE
t ρ1
¼ 0 ð Þ
¼βDB
t ρ1
ð ¼-0.
Di bawah
ketiga model, subset dari populasi N di
masing-masing
kesehatan menyatakan perubahan dari waktu ke waktu. Satu-satunya
komponen
berpotensi dinamis lainnya adalah transmisi
βt
tingkat, yang baik tetap (model SD), mengambil salah satu dari dua
nilai
konstan dari waktu ke waktu (model FE), atau bervariasi setiap hari (DB
model).
Data
epidemiologis
Untuk
menguji implikasi dari jarak sosial kita fokus
pada
wabah awal A / H1N1 di Meksiko Tengah, di
musim
semi 2009.b Kami memperoleh laboratorium dikonfirmasi
pandemi
A kasus influenza / H1N1 dari 1 April Mei
20 di
Meksiko Tengah dari epidemiologi prospektif
sistem
surveilans yang didirikan dalam menanggapi
2009
pandemi influenza oleh Meksiko Institute
untuk
Jaminan Sosial (IMSS) [25]. Data ini disajikan
pada
Tabel 3 di Lampiran A. IMSS adalah tripartit Meksiko
sistem
kesehatan yang bergantung pada jaringan lebih dari 1.000
unit
perawatan kesehatan primer dan 259 rumah sakit nasional,
dan
mencakup ~ 40% dari populasi Meksiko. Yang penting,
tingkat
tes untuk novel A / H1N1 influenza
tetap
stabil pada ~ 33% [20]. Chowell et al. [20] acara
bahwa
distribusi umur penduduk berafiliasi
dengan
IMSS umumnya wakil dari umum
populasi
Meksiko, menolak hipotesis bahwa
distribusi
berbeda secara signifikan. Lebih Lanjut
mereka
mencatat bahwa rasio laki-perempuan di kalangan penduduk
berafiliasi
dengan IMSS (47:53) mirip dengan yang ada pada
populasi
umum (49:51).
Pada 15
April 2009, Departemen Kesehatan Mexico mulai
menerima
indikasi informal radang paru-paru yang parah
di
metropolitan Mexico City [3,26]. The influenza baru
Sebuah
virus / H1N1 telah dikonfirmasi oleh AS dan laboratorium Kanada
untuk
beberapa pasien Meksiko dari April 22-24. Pada Tanggal
Jumat,
24 April, pemerintah federal mengumumkan
penutupan
sekolah umum untuk metropolitan Mexico
Kota,
dan kesadaran masyarakat kampanye dimulai
oleh
Departemen Kesehatan. Selanjutnya "jarak sosial
langkah-langkah
"penutupan terlibat restoran dan hiburan
tempat
dan membatalkan acara-acara publik besar [26]. Setelah Mei
9,
tingkat infeksi menurun drastis dan publik yang besar
intervensi
kesehatan yang diangkat [20]. Siswa kembali
sekolah
pada hari Senin, 11 Mei Jendela τ = {April 24, ...,
10 Mei}
digunakan dalam model FE untuk periode sub
di mana
kita harapkan untuk mengamati efek karena
jarak
sosial. Kami juga dianggap tanggal alternatif
untuk
memulai jendela ini, dari 10 April sampai
23
April, tapi tidak ada yang secara statistik lebih disukai seperti yang
dijelaskan
lebih
lanjut dalam hasil. Sebuah waktu grafis
kegiatan
yang terkait dengan wabah disediakan oleh Chowell
et al.
[20] (Tabel 1).
Persetujuan
Komite Etik tidak diperlukan sesuai
peraturan
daerah. Semua data de-diidentifikasi.
Data
yang digunakan dalam penelitian ini secara rutin dikumpulkan untuk
keperluan
surveilans epidemiologi.
Data
perilaku
Kami
menggunakan data di televisi rumah melihat di metropolitan
Mexico
City sebagai ukuran proksi untuk perilaku dinamis
respon
di Meksiko Tengah selama wabah influenza.
Logika
dari pendekatan ini bergantung pada dua asumsi utama.
Pertama,
kita menganggap bahwa waktu yang dihabiskan menonton televisi meningkat
dalam
waktu yang dihabiskan di rumah, dan bahwa pendekatan linear
cukup
untuk menangkap behavior.c ini Dengan
menghormati
alokasi waktu setiap hari individu, karena kita
terutama
berkaitan dengan waktu yang dihabiskan di rumah atau tidak sama
rumah,
peningkatan mantan mengurangi dari yang kedua.
Kedua,
kita asumsikan bahwa jumlah kontak individu
membuat
sebanding dengan waktu yang dihabiskan di luar
rumah.
Data
pemirsa untuk Mexico City diperoleh dari
Ibope
Internasional net-AGB Nielsen Media Research,
penelitian
dan penonton pengukuran swasta terbesar
perusahaan
dalam bahasa Latin America.d Ukuran khusus yang digunakan adalah
individu
rata-rata waktu setiap hari dilihat (ATV), yang diberikan
dengan
jumlah agregat jam dilihat oleh semua orang di
sampel
dibagi dengan jumlah individu dalam
sampel
(termasuk mereka yang tidak melihat di diberikan
periode).
Data mencerminkan pengamatan agregat bagi individu
(Bukan
rumah tangga) dalam kelompok demografis tertentu.
Sampel
Ibope yang terdiri dari sebuah panel yang sedang berlangsung individu,
seimbang
di karakteristik demografi untuk
mewakili
populasi Mexico City. Sehari Hari
Data
diperoleh untuk bulan April dan Mei
pada
tahun 2009. Sehubungan dengan data kasus harian dikonfirmasi
influenza
dan rata-rata pemirsa TV, komite etik
review
itu tidak relevan karena semua data deidentified,
dikumpulkan
sebelum akuisisi dan dikumpulkan
dalam
kondisi yang ada (yaitu tidak ada eksperimen
perawatan).
Demikian pula, karena data dikumpulkan
melalui
mekanisme yang ada dan bukan untuk penelitian kami,
memperoleh
persetujuan tertulis dari peserta adalah
tidak
relevan.
Kami
menggunakan deviasi persentase rata-rata televisi
pemirsa
(dibandingkan dengan periode non-intervensi) sebagai
proxy
untuk deviasi persentase kontak. Kita memilih
Bentuk
sederhana ini untuk proxy sejak parameter
Model
kontak baku sebagai fungsi menonton televisi
tidak
tersedia. Biarkan AT? V merupakan baseline (non-intervensi
periode)
rata-rata ATVt lebih diperpanjang
horizon
waktu dari sebelum dan setelah publik
Menanggapi
wabah, tetapi tidak selama. Baseline
Periode
yang digunakan untuk menentukan AT? V adalah April 1-April 23
dan 10
Mei - 31 Mei, yang meliputi April dan Mei
2009,
tidak termasuk τ periode. AT? V untuk sampel kami adalah
1,7 jam
per hari (dengan minimum dan maksimum
ATVt
selama periode baseline (1,5, 1,9)). Timevarying The
penyimpangan
dari baseline berarti ATVt diberikan
oleh At
¼ ðATVt-AT? V = Þ AT? V.
Kami
dianggap baik populasi homogen tunggal
dan
populasi heterogen dibagi menjadi dua kelompok:
orang
dewasa (18 tahun ke atas, dilambangkan A) dan anak-anak (individu
di bawah
usia 18, dilambangkan K). Untuk heterogen
Model
populasi, pemirsa terpilah
Data
diperbolehkan untuk inferensi tentang bagaimana perilaku orang dewasa
dan
anak-anak bervariasi dari waktu ke waktu. Perpanjangan
homogen
model transmisi penduduk (1) ke
Pengaturan
subkelompok heterogen disajikan dalam Lampiran B.
Informasi
ini tidak tersedia untuk mengkarakterisasi bagaimana perubahan
dalam
kontak yang dibuat oleh satu kelompok (misalnya orang dewasa) mungkin berbeda
antara
kontak mereka membuat dalam kelompok yang sama
(Misalnya
kontak dengan orang dewasa-dewasa) dibandingkan kelompok lain (misalnya
adultchild
kontak).
Oleh karena itu, kita membuat asumsi penyederhanaan
bahwa
penyimpangan dalam tingkat kontak untuk anggota
kelompok
i seragam di seluruh kelompok yang berbeda mereka
mungkin
datang dalam kontak dengan; kami menggunakan time series tunggal
untuk
menginformasikan penyimpangan dalam kontak anak-anak dengan baik
orang
dewasa atau anak-anak (At, K → A = At, K → K = At, K) dan lain
tunggal
time series sama untuk orang dewasa (At, A → K = At, A → A =
Kami
model tingkat kontak usia tertentu untuk usia sekolah
anak-anak
dan orang dewasa untuk Meksiko tengah berdasarkan
data
kontak survei yang dikumpulkan dari beberapa Eropa
negara
[27]:
C ¼
? CK →
K? CK → A
? CA →
K? CA → A
? ?
¼ 8: 9
5: 5
1: 9 9:
3
? ?
: Ð5Þ
Tingkat
kontak rata-rata untuk pencampuran homogen
populasi,
C ¼ 6: 1, diberikan oleh penduduk tertimbang
rata-rata
C.
Estimasi
model
Kami
mengatur penduduk Meksiko Tengah ke N = 5,3 * 107
individu
[28] dan ikuti [17] dalam menetapkan mean
kemungkinan
infeksi yang dikonfirmasi laboratorium
A influenza
/ H1N1 di φ ¼ 0: 0015. Ini perkiraan yaitu
dibangun
sebagai produk dari tingkat gejala (65%
[29,30]),
tingkat rawat inap (0,45% [31]), dan
probabilitas
yang terinfeksi, dirawat di rumah sakit makhluk individu
diidentifikasi
memiliki A / H1N1 (50%). Kami mengontrol diamati
variasi
dalam tingkat yang dirawat di rumah sakit kasus yang
diuji
dengan skala probabilitas rata-rata konfirmasi
deviasi
diamati dari tingkat pengujian berarti:
φt
¼ φ?
ÐTRt = T? RTH. Data tingkat pengujian diperoleh dari
IMSS
(sumber yang sama seperti dijelaskan di atas untuk kasus
data).
Kami menetapkan fraksi awalnya terinfeksi pada hari 1 dari
jangka
waktu (1 April) di π = 1,9 × 10- 5, sehingga diberi
populasi
dan probabilitas konfirmasi, satu kasus
dikonfirmasi
pada hari pertama. Konsisten dengan [5,32,33],
tingkat
harian perkembangan dari laten kesehatan yang terinfeksi
status
dan tingkat pemulihan ditetapkan untuk κ = 0.67 dan γ = 0,5,
masing-masing.
Koefisien
utama yang menarik untuk estimasi adalah
parameter
fungsi tingkat transmisi untuk masing-masing
tiga
model. Biarkan ρ mewakili vektor marjinal
parameter
laju transmisi, yang diberikan oleh skalar [ρ0] untuk
model SD
dan vektor [ρ0, ρ1] untuk FE dan DB
model.
Parameter model diperkirakan oleh maksimum
kemungkinan.
Kami berasumsi bahwa jumlah diamati
dikonfirmasi
infeksi baru setiap hari, Ict
,
Mengikuti Poisson
Proses
dengan λt tingkat kedatangan rata-rata (ρ) yang diberikan oleh nomor
infeksi
diamati baru diprediksi oleh penyakit
Model,
φtκEt. Fungsi log-likelihood adalah:
L ¼
XT
t¼1
Ik
ln λt ρ
ð Þ ½? -λt ρ ð Þ-ln Ict
!
? ? ??
: Ð6Þ
Pengembangan
fungsi log-likelihood dijelaskan
lebih
lanjut dalam Lampiran C.
Karena
perkiraan kemungkinan maksimum dapat sensitif
dengan
pilihan nilai awal yang diberikan kepada numerik
algoritma
optimasi, kami menggunakan titik awal beberapa
solver
di Matlab (versi R2013a) dirancang untuk mengidentifikasi
optimum
global. Untuk masing-masing model, solver dijalankan untuk
masing-masing
vektor awal M berbeda secara acak untuk
parameter
yang tidak diketahui di ρ. Kami menetapkan M sebesar 50 untuk
model
standar (satu parameter) dan 100 untuk alternatif
Model
(dua parameter). Dari set lokal
maxima,
solusi dengan kemungkinan terbesar adalah
terpilih
sebagai perkiraan untuk maksimum global. Kita
Diperkirakan
interval kepercayaan 95% untuk parameter
menggunakan
metode rasio kemungkinan [34]. Untuk menguji secara statistik
perbedaan
yang signifikan dalam kinerja, ketika membandingkan
model SD
terhadap FE dan DB model kami
menggunakan
uji rasio kemungkinan, karena model SD bersarang
dalam
kedua alternatif (FE dan DB). Karena FE
dan
model DB tidak bersarang, rasio kemungkinan standar
Tes
tidak layak. Berikut [35], kami menggunakan Cox nonnested
Tes
dengan bootstrap parametrik (lihat Lampiran D
untuk
detail).
Hasil
dan Diskusi
Respon
perilaku dinamis
Dalam
Gambar 1 kami menyajikan respon perilaku dinamis
time
series untuk At (persentase deviasi dari rata-rata ATV)
di
Mexico City pada bulan April dan Mei 2009 secara agregat
(Gambar
1A) dan untuk berbagai sub kelompok demografis dan waktu
(Gambar
1B-D). Rentang dan berarti untuk variabel ini
selama
periode intervensi terbatas (τ) disajikan
pada
Tabel 1. penyimpangan positif (At> 0) menunjukkan bahwa
di atas
jumlah rata-rata waktu yang dihabiskan di TV rumah
melihat
dan, dengan kesimpulan, di rumah. Tingkat rata-rata
At
selama periode τ positif dan, seperti yang ditunjukkan oleh seorang onesample
t-test,
secara signifikan berbeda dari nol pada 1%
tingkat
bagi penduduk agregat dan masing-masing sub-kelompok yang dianggap
di sini
(lihat Tabel 1).
Jalur
dinamis At bagi penduduk agregat
disajikan
pada Gambar 1A. Di luar intervensi berbayang
window
(τ), ukuran ini memiliki rata-rata nol (oleh
konstruksi)
dan biasanya berada dalam kisaran +/-
5%.
Selama periode τ, At bergeser terbukti atas.
Respon
perilaku ini adalah terkuat di minggu pertama
(Sekitar
20%) sebelum secara bertahap membaik menjadi
mendekati
nol pada akhir periode intervensi. Ini
Pola
menunjukkan bahwa kapasitas penduduk untuk sosial
distancing
mungkin terbatas dalam durasi; sebelum publik
intervensi
kesehatan menyimpulkan, ada substansial
penurunan
respon relatif perilaku ke puncak di
minggu
pertama. (Atau, mungkin bahwa tingkat
melihat
per unit waktu yang dihabiskan di rumah jatuh sebagai individu
beralih
ke kegiatan-rumah lainnya.) Setelah
NPI
menyimpulkan ada periode menonton berkurang
Kegiatan
di rumah (At <0). Secara khusus, At mencapai nya
titik
paling negatif pada tanggal 10 Mei di -10,5%. Di luar
dip
pasca-intervensi, At turun di bawah -10% pada
hanya
satu hari. Sebagai bukti lebih lanjut bahwa dip itu
mungkin
bukan peristiwa acak coincident, kami menemukan bahwa ini
dip
bertahan di 5% di bawah periode non-NPI berarti untuk
empat
hari berturut-turut-ada ada kasus lain di
data
ketika At turun di bawah 95% dari rata-rata lebih
dari
satu hari. Sementara mekanisme kausal belakang
dinamika
ini tidak diketahui dengan pasti, satu kemungkinan
adalah
bahwa periode multi-hari ditekan aktivitas di rumah
kompensasi
untuk kegiatan sosial dan komersial yang hilang
dari
sebelumnya pada periode intervensi. Pengamatan
realokasi
kegiatan berisiko dalam waktu adalah umum di
literatur
kesehatan masyarakat. Setelah pengenalan antiretroviral
pengobatan
untuk HIV / AIDS [28,36] menemukan empiris
bukti
peningkatan pengambilan risiko seksual. Boyes dan Iman
[2]
menunjukkan bahwa ketika konsumsi alkohol dilarang di perguruan tinggi
pertandingan
sepak bola yang total konsumsi alkohol mungkin
naik
melalui efek substitusi dalam periode mengapit
permainan.
Akhirnya, Graff Zivin dan Neidell [37] menemukan bahwa
sementara
warga Southern California mengurangi aktivitas di luar ruangan
pada
hari-hari dengan kualitas udara yang buruk, jika episode berkepanjangan
respon
perilaku menghilang dengan cepat.
Kelas
umur rincian untuk At disajikan pada Gambar 1B
menunjukkan
perbedaan yang substansial dalam respon antara anak-anak
dan
subkelompok dewasa selama periode intervensi.
Mean (23,7%)
dan maksimum (46,2%) perilaku
Respon
anak-anak lebih dari dua kali lebih besar respon
diamati
untuk orang dewasa (lihat Tabel 1). Perbedaan
tanggapan
secara statistik signifikan pada tingkat 1% seperti yang ditunjukkan
oleh dua
sample t-test.
Data
dari Ibope dibedakan menjadi tiga sosial ekonomi
tingkat
(SELS) berdasarkan seperangkat karakteristik rumah tangga,
termasuk
ukuran dan fasilitas dari rumah,
kepemilikan
alat, kepemilikan mobil, dan tingkat
pendidikan
(Gambar 1C). Selama periode intervensi, pada
Rata-rata
kelompok SEL tinggi menunjukkan respon yang lebih
50%
lebih besar dari kelompok SEL rendah. Perbedaan ini
signifikan
pada tingkat 5%. Kelas menengah SEL
menampilkan
respon menengah (Tabel 1).
Akhirnya,
kami mempertimbangkan variasi respon saat
hari,
khususnya siang hari (06:00-6:00) dibandingkan malam hari
(18:00-6:00)
(Gambar 1D). Tanggapan siang hari rata-rata adalah
sekitar
dua kali lebih kuat sebagai respon malam hari
(Tabel
1). Hal ini tidak mengherankan mengingat waktu yang dihabiskan di
rumah
lebih rendah pada siang hari untuk memulai dan
sehingga
memberikan peluang yang lebih besar untuk penyesuaian.
Alur
waktu untuk masing-masing sub-kelompok yang dibahas
di atas
mengikuti jalan yang secara kualitatif mirip dengan
populasi
agregat, menunjukkan awal positif yang kuat
respon
yang sebagian besar atau seluruhnya meluruh sebelum akhir
intervensi.
Untuk setiap perbandingan subkelompok dianggap
di sini,
ada perbedaan yang signifikan dalam rata-rata
tingkat
respon perilaku.
Estimasi
model transmisi
Parameter
kemungkinan maksimum memperkirakan untuk setiap
Model
didasarkan pada T = 41 hari pengamatan, peregangan
dari 1
April hingga akhir periode intervensi
pada 11
Mei (Tabel 2). Angka yang menggambarkan log-kemungkinan
profil
untuk masing-masing model disajikan dalam Lampiran E.
jangka
waktu yang digunakan sesuai dengan periode waktu yang dianggap
di [20].
Setelah periode ini, kasus tambahan menipis
substansial
seperti yang ditunjukkan dalam seri waktu Ict
(Gambar
2).
Kami
fokus pada periode 41 hari awal karena kinerja
masing-masing
model (dalam hal nilai-nilai log-kemungkinan dan
residu)
menjadi semakin miskin karena lebih dari pasca-orang
periode
disertakan.
Tingkat
dimana akuntansi untuk perubahan kontak
account
yang lebih baik untuk variasi dalam kasus baru adalah salah satu
pertanyaan
penelitian inti kami. Hasil menunjukkan bahwa standar
Model
ini memang tidak lengkap-kita menolak model SD
mendukung
kedua model DB (p <0,01) dan Model FE
(P
<0,01). Namun, kami tidak menemukan bahwa model DB melebihi
model
FE. Bahkan kita menolak model DB di
mendukung
model FE (p <0,01). Untuk melihat mengapa hal itu mungkin
kasus
yang efek tetap sederhana lebih disukai dalam hal ini
dengan
dinamis, model perilaku data-driven, pertimbangkan
time
series untuk Ict
dan At
disajikan pada Gambar 2. Konsisten
dengan
harapan di bawah model DB, ketika
Proxy
jarak sosial At mulai melonjak pada 24 April
(Hari
24) jumlah kasus yang dikonfirmasi baru dataran tinggi.
Namun,
ketika At menurun pada awal Mei sementara infeksi
masih
umum, jumlah kasus baru dikonfirmasi
Ik
? ?
tidak
tumbuh secara berkelanjutan melainkan, setelah
sedikit
keterlambatan, mulai turun. Dengan demikian dinamika awal
dan
periode intervensi awal wabah konsisten
dengan
model DB tetapi periode intervensi akhir
tidak.
Mengingat
bahwa kedua FE dan DB model mengungguli
Model
SD, kami menjelajahi potensi perkiraan bias
parameter
transmisi dalam model SD sebagai
Kelemahan
potensial mengabaikan perubahan perilaku. Perkiraan
dari
tingkat transmisi dasar (ρ0) pada Tabel 2
menunjukkan
bahwa sementara DB dan FE model dalam penting
kesepakatan,
perkiraan SD adalah 12% lebih rendah. Untuk mengeksplorasi
apakah
perbedaan ini istimewa atau sistematis kami
memperkirakan
kembali masing-masing dari tiga model dimulai dengan hanya
M hari
pertama data untuk M∈ [15, 41]. Kami mengecualikan
Model FE
untuk M∈ [15, 24] karena model ini tidak
dibedakan
dari
model SD sampai intervensi dimulai
pada
tanggal 24 April. Pada Gambar 3 kami menyajikan perkiraan yang dihasilkan
dari ρ0.
Kami menemukan bahwa perkiraan variabel tetapi
Model di
sekitar konsisten melalui 24 April.
Hal ini
tidak mengherankan mengingat bahwa sebelum kesehatan masyarakat
intervensi
dimulai pada 24 April proxy kita menunjukkan bahwa
Perilaku
belum bergeser discernibly. Setelah titik ini, memperkirakan
dari ρ0
untuk DB dan FE model tetap sekitar
stabil
dekat 0,064 sedangkan koefisien transmisi dasar
untuk
model SD menurun monoton. Demikian
selama
periode intervensi ketika respon perilaku adalah
kuat,
estimasi SD ρ0 jatuh setiap hari ke account
untuk
faktor baru. Sebaliknya, model yang memungkinkan untuk
Hasil
pergeseran perilaku dalam perkiraan untuk transmisi dasar
yang
pada dasarnya tingkat dari waktu ke waktu.
Sebagai
masalah praktis, bias ini dalam model SD memiliki
implikasi
penting bagi kesehatan masyarakat dan perkiraan
error.
Pertama, model SD memberikan perkiraan ρ0
jauh
lebih rendah dibandingkan model dengan perilaku. Ini
menunjukkan
bahwa virus A / H1N1 lebih menular, tapi
menular
ini tertutup oleh pergeseran perilaku. Kedua,
hasil
model SD kesalahan perkiraan besar, a
Hasil
ditampilkan menggunakan simulasi di [13] muncul saat
perilaku
adaptif manusia adalah penting dalam epidemiologi
sistem.
Peramalan
perbandingan error
Pada
Gambar 4 kami menyajikan kesalahan perkiraan selama empat hari
cakrawala
untuk seri waktu meningkatkan panjang dari M∈
[15,
41]. Latihan ini dimaksudkan untuk menangkap publik
Masalah
kesehatan resmi memperkirakan keadaan saat
wabah berdasarkan
kasus yang diamati sampai saat ini. Kami berasumsi
bahwa
ada empat hari lag antara tanggal
pengujian
dan pelaporan dari semua kasus dikonfirmasi, lag khas
untuk
melaporkan wabah penyakit menular. Dengan demikian diperkirakan
muncul
pada gambar untuk hari M error = 15 merupakan
kesalahan
yang dibuat pada hari 19 tergantung pada data kasus yang
menyelesaikan
melalui hari 15. Kita berasumsi bahwa perilaku
Data
(At) tersedia di empat hari ini lag. Dari
Kesalahan
perkiraan mentah pada Gambar 4A, jelas bahwa prediksi
kinerja
untuk model SD menjadi miskin relatif terhadap
alternatif
tak lama setelah intervensi pada hari 24.
Dari
titik ini, model SD menyebabkan sistematis
over-prediksi
jumlah kasus baru. Model DB
kinerja
memburuk selanjutnya menuju akhir
periode
intervensi. Akhirnya, pada saat intervensi
Tabel 2
maksimum estimasi parameter kemungkinan
Standard
(SD) efek Tetap
(FE)
Dyn.
Behav.
(DB)
Transmisi
parameter
ρ0
0,0565 0,0642 0,0647
(0,0561,
0,0568) (0,0640, 0,0644) (0,0644, 0,648)
ρ1
-0,0233 -0,1516
(-0,0257,
-0,0208) (-0,1519, -0,1513)
Pengamatan
41 41 41
Interval
kepercayaan 95% dalam kurung.
Menyimpulkan,
ketiga model sistematis selama-memprediksi baru
kasus.
Hal ini menunjukkan bahwa faktor absen dari model
dipertimbangkan
di sini adalah penting untuk menangkap pasca intervensi
Dinamika
(misalnya upaya perlindungan pribadi untuk mengurangi
risiko
per kontak).
Kami
memperkirakan hasil model transmisi di atas asumsi
populasi
homogen tunggal. Namun, perbedaan
dalam
respon perilaku (At) untuk anak-anak dibandingkan
orang
dewasa yang disajikan di atas eksplorasi memotivasi usia kelas
heterogenitas.
Ketika kita model anak-anak dan orang dewasa
populasi
terpisah (dengan time series terpisah untuk At di
model
perilaku), namun parameter transmisi dibatasi
harus
sama untuk kedua populasi, perkiraan
tidak
berubah secara signifikan. Kami selanjutnya diuji diperpanjang
model di
mana parameter transmisi (ρ0, ρ1)
bebas
untuk bervariasi antara kedua kelompok. Model ini adalah
statistik
tidak berbeda nyata baik untuk SD
(P =
0,31), Model DB (p = 0,41), atau model FE (p = 0,12) pada
level
10%. Untuk model FE ini, relatif terhadap homogen
(Baseline)
kasus, koefisien ρ0 dan ρ1 adalah
sekitar
50% lebih besar dalam besarnya untuk anak-anak dan 90%
kecil di
besarnya untuk orang dewasa. Bukti ini tidak konklusif,
tetapi
mengisyaratkan bahwa infeksi antara anak-anak dan
dari
anak-anak hingga orang dewasa mungkin sopir terkemuka
penyakit
dinamika-dan juga paling sensitif terhadap intervensi.
Namun,
efek ini terlalu kecil dan imprecisely diperkirakan
untuk
menegaskan dengan signifikansi statistik.
Sementara
kami gagal menemukan perbedaan yang signifikan dalam
koefisien
transmisi antara anak-anak dan orang dewasa,
ini
tidak berarti bahwa tidak ada perbedaan yang signifikan
dalam
populasi ini. Ingat bahwa kami mengontrol
perbedaan
antara anak-anak dan orang dewasa di baseline
Tingkat
kontak sebagaimana ditentukan dalam matriks C. Ketika ini
matriks
diganti dengan DC rata-rata? Þ signifikan
Perbedaan
muncul antara homogen dan
Koefisien
spesifikasi heterogen baik SD
(P
<0,01) dan DB model (p = 0,08) tetapi tidak untuk FE
Analisis
sensitivitas
Kami
memeriksa sensitivitas hasil model transmisi
beberapa
asumsi alternatif. Pertama, mengingat temporal
ketidaksesuaian
antara kasus dan waktu perilaku
seri
pada Gambar 2, kami meneliti apakah preferensi relatif
untuk
model FE terus memegang bawah ekstensi
pada
periode laten, yaitu jumlah hari orang
terinfeksi
tetapi tidak menular. Dalam model baseline
periode
laten ditetapkan untuk 1 / κ = 1.5. Kinerja
Model DB
relatif terhadap model FE adalah kuat untuk alternatif
asumsi
pada periode laten, termasuk 2, 3 atau
4 hari.
Kami juga mempertimbangkan apakah variasi istimewa
atau
"noise" dalam variabel ATV mungkin menghambat DB
Model.
Sebagai tes sederhana kita menetapkan batas +/- 5% untuk
At
ukuran-variasi yang tidak melebihi Band ini
ditetapkan
ke nol. Hal ini tidak mengubah hasil secara kualitatif.
Hasil kualitatif
juga tidak sensitif terhadap nonlinear sebuah
bentuk
kuadrat untuk model DB.
Konvergensi
dalam kinerja DB dan FE model
ditemukan
ketika jumlah hari termasuk dalam estimasi
terbatas.
Untuk semua time series yang termasuk
38 hari
atau kurang, kami gagal untuk menolak satu model yang mendukung
yang
lain. Namun, setelah waktu ini kerangka model FE
muncul
sebagai model yang disukai (misalnya p <0,01 pada 39 hari).
Untuk
model FE, kami juga mempertimbangkan tanggal alternatif
untuk
memulai jendela intervensi, dari 10 April
melalui
jendela dasar kami mulai tanggal 24 April.
Untuk
masing-masing spesifikasi ini alternatif kami menemukan bahwa
terkait
parameter ρ1 secara statistik signifikan
berbeda
dari nol. Namun, kami juga menemukan bahwa
log-kemungkinan
yang terbesar untuk jendela FE awal
pada 24
April (spesifikasi dasar kami) menggambarkan bahwa
tidak
ada tanggal awal alternatif statistik disukai.
Parameter
terakhir diperiksa dalam analisis sensitivitas kami
adalah
probabilitas rata-rata konfirmasi. Dasar kami
Tingkat
untuk? φ menyiratkan bahwa 1,2% penduduk terinfeksi
pada
akhir gelombang musim semi (tergantung pada
Jumlah
diamati kasus dan jumlah penduduk). Kami diperiksa
kepekaan
terhadap skenario alternatif di mana 10%
penduduk
kontrak penyakit, yang tersirat
berarti
probabilitas konfirmasi φ ¼ 8: 1? 10-5. Hasil
dari ini
probabilitas rendah alternatif konfirmasi
Skenario
tidak berbeda secara kualitatif.
Respon
perilaku kontrafaktual
Kami
mengeksplorasi dua skenario alternatif di mana perilaku
Menanggapi
epidemi ini baik tidak ada atau ditingkatkan.
Kami
menyajikan jalur kasus yang dikonfirmasi baru
di bawah
alternatif ini, bersama dengan kurva dipasang dari
Model
dasar dalam Gambar 5A. Di bawah alternatif pertama,
untuk
menghilangkan respon perilaku, kita kalikan ρ0 yang
Istilah
dengan nol (0ρ0, garis tipis). Berdasarkan alternatif kedua,
untuk
meningkatkan respon perilaku, kita kalikan
Istilah
ρ0 oleh dua (2ρ0, garis tebal). Kurva dipasang dari
Model
berubah dasar (1ρ0, garis menengah) dan Ict
adalah
disediakan
untuk perbandingan. Untuk model awal, fit
DB dan
FE model mirip sampai beberapa periode terakhir
dimana
DB fit menyimpang dari jalan yang diamati
Pentingnya
respon perilaku jelas.
Dengan
tidak ada respon perilaku, jalan proyeksi baru
kasus
meningkat tajam, lebih dari empat kali lipat (Gambar 5B)
untuk
kedua model hari 41. Atau, dengan dua kali lipat yang
respon,
redaman kasus baru terjadi sekitar
dua
minggu sebelumnya dan kasus kumulatif hari 41
yang
dipotong setengah.
Kesimpulan
Kami
menggunakan data baru pada variasi dalam menonton televisi di rumah
perilaku
sebagai proxy untuk perubahan tingkat sosial sehari-hari
Interaksi
di Meksiko Tengah selama 2009 /
Pandemi
influenza H1N1. Hasil dari kedua perilaku
Model
(FE dan DB) menyarankan bahwa jarak sosial adalah
faktor
kunci dalam menghambat gelombang awal A / H1N1 di
Meksiko
Tengah. Dengan tidak adanya respon perilaku,
estimasi
jalan kontrafaktual kasus baru meningkat
cepat
dalam beberapa pekan awal daripada menstabilkan dan akhirnya
jatuh
seperti yang diamati. Asumsi perilaku tetap
dalam
standar (SD) Model menyebabkan kekurangan dalam
estimasi
dan prediksi. Perkiraan tingkat dasar
penularan
sistematis bergeser dari waktu ke waktu. Jika
tingkat
dasar transmisi ditafsirkan sebagai ukuran
infektifitas
biologis dalam model standar, ini mungkin
mengarah
pada meremehkan parameter ini, seperti dalam kita
Pengaturan,
mengingat efek pengganggu respon perilaku.
Hal ini
menunjukkan bahwa A / H1N1 memiliki transmisi bawaan
potensi
yang jauh lebih besar daripada yang diperkirakan sebelumnya tapi ini
ditutupi
oleh respon perilaku. Hal ini memiliki implikasi
nasihat
manajemen termasuk alokasi
sumber
daya antara farmasi dan nonpharmaceutical
intervensi.
Selain itu, kesalahan dalam prediksi waktu dekat
kasus
baru melalui waktu juga secara substansial
lebih
besar di bawah model standar dibandingkan dengan perilaku
model.
Kesalahan ini juga sistematis-standar
Model
konsisten menyebabkan over-prediksi dalam jumlah
kasus
baru.
Membandingkan
model perilaku, kami menemukan bahwa
model
perilaku dinamis tidak disukai ke
Model
efek tetap sederhana. Satu penjelasan mungkin
Sifat
yang tidak sempurna dari variasi pemirsa sebagai proxy
untuk
perubahan tingkat kontak publik. Sebagai contoh, adalah mungkin
bahwa
selama intervensi kesehatan masyarakat yang diamati
peningkatan
ATVt disebabkan bagian yang lebih besar dari
waktu
rumah dialokasikan untuk menonton TV, daripada peningkatan
dalam
waktu yang dihabiskan di rumah. Atau bisa menjadi kasus yang
melihat
per unit waktu yang dihabiskan di rumah mungkin menurun
dalam
waktu yang dihabiskan di rumah. Penjelasan lain mungkin
ketidakmampuan
saat ini untuk secara empiris menangkap perubahan perilaku
di luar
rumah untuk mengurangi kontak atau transmisi
(Misalnya
mencuci tangan, memakai masker, dan
menghindari
batuk ke udara terbuka). Bell [5] mencatat bahwa
sementara
kebijakan mempromosikan jarak sosial mungkin efektif
terhadap
pandemi influenza, perilaku individu lain
Langkah-langkah
harus baik rutin (misalnya tangan dan pernafasan
kebersihan
dan desinfeksi rumah tangga yang terkontaminasi
permukaan)
atau dipertimbangkan untuk pengaturan tertentu dan tingkat risiko
(Misalnya
menggunakan masker).
Kami
menemukan bahwa respons rumah pemirsa lebih kuat
dalam
tinggi (versus rendah) tingkat sosial ekonomi (SEL)
subkelompok.
Temuan ini sugestif tetapi harus ditafsirkan
dengan
hati-hati. Di satu sisi, individu dalam tinggi
SEL
subkelompok yang bisa dibilang kurang dibatasi dalam menyesuaikan
kontak
daripada di SEL subkelompok rendah. Sebagai contoh,
Kumar et
al. [38] menyarankan bahwa kebijakan tempat kerja
dapat
menimpa pada menjauhkan tindakan dan kerja seperti
kebijakan
mungkin lebih mengikat SELS rendah. Jika hipotesis ini
diuji
dan diverifikasi, itu akan menunjukkan potensi
untuk
penargetan kebijakan jarak sosial untuk memfasilitasi
langkah-langkah
melindungi diri untuk SEL individu yang rendah. Di
sisi
lain, sangat mungkin bahwa perbedaan dalam respon adalah
artefak
dari proxy perilaku yang mungkin muncul, untuk
Sebagai
contoh, jika hubungan antara rumah pemirsa
dan
waktu yang dihabiskan di rumah berbeda sistematis antara
Subkelompok
SEL (misalnya, jika individu SEL tinggi merespon lebih
kuat
karena kepemilikan lebih televisi menyediakan
lebih
banyak kesempatan untuk melihat).
Selain
bervariasi tanggapan seluruh kelompok, kami juga
menemukan
perbedaan dari waktu ke waktu, yaitu pelemahan di
respon
perilaku sebelum kesimpulan publik
intervensi
kesehatan. Selain itu, kami menemukan bukti
efek
rebound di mana, setelah berkepanjangan tinggi
di-rumah
aktivitas tampaknya ada periode
ditekan
aktivitas. Hal ini konsisten dengan sejarah
analisis
Caley et al. [19] yang menemukan bahwa sebagai dirasakan
risiko
flu babi 1918 menurun di Australia,
publik
tampaknya kembali ke perilaku normal. Demikian pula,
Fenichel
et al. [18] menemukan adaptif bahwa udara wisatawan '
A / H1N1
hilang setelah respon awalnya kuat.
Penelitian
lebih lanjut dari pandemi influenza 2009 / H1N1
di
daerah lain dengan langkah-langkah intervensi yang sama
(Misalnya
Hong Kong, [39]) bisa membantu untuk mengkonfirmasi dan generalisasi
wawasan
yang diperoleh di sini.
Sedangkan
model perilaku dinamis berdasarkan
rumah
pemirsa Proxy tidak keluar-melakukan sederhana
Model
efek tetap, hasil merupakan kemajuan dalam mengidentifikasi
dan
membongkar driver balik fixed effect ini.
Ke
depan, data rinci lebih lanjut pada swasta dan publik
perilaku
selama wabah akan berfungsi untuk mengidentifikasi perilaku
efek pada
transmisi dengan lebih presisi.
Sebagai
contoh, kita tidak memodelkan efek antivirus
pengobatan.
Menangkap penyesuaian perilaku tambahan
dibuat
di luar rumah untuk mengurangi kontak efektif
mungkin
menjadi penting untuk pemodelan eksplisit perilaku
penularan
penyakit yang mendasarinya. Untuk tujuan ini, ada
nilai
dalam alokasi sumber daya selama wabah untuk secara konsisten
mengumpulkan
data tentang publik dan swasta pelindung
Springborn
et al. BMC Infectious Diseases (2015) 15:21 Halaman 10 dari 14
tindakan,
seperti penggunaan antivirus atau penggunaan masker wajah.
Meskipun
transisi dari analisis empiris berdasarkan
Tindakan
fixed effect perilaku tanggapan sepenuhnya dinamis
pada
waktu yang lebih baik skala akan memerlukan investasi tambahan
dalam
pengumpulan data, potensi keuntungan termasuk
janji
menginformasikan lebih peka dan lebih murah
intervensi
kesehatan masyarakat.
Usus
Buntu
Data A.
epidemiologi
B. Model
transmisi Beberapa kelas umur
Pada
Tabel 3 kami menyajikan jumlah laboratorium dikonfirmasi
pandemi
A / H1N1 influenza kasus untuk setiap hari
dalam
masa studi di Meksiko Tengah dari pengawasan yang
sistem
yang mapan dalam menanggapi 2009
pandemi
influenza oleh Meksiko Institut Sosial
Keamanan
(IMSS) [25].
Ketiga
model dasar (SD, FE dan DB) dapat digeneralisasi
untuk
memungkinkan struktur umur dalam populasi. Sosial
Interaksi
dapat bervariasi di seluruh kelompok demografis,
misalnya
anak bersekolah dibandingkan bekerja
orang
dewasa. Kami mengikuti [17] dalam generalisasi sistem diferensial
persamaan
untuk populasi homogen pencampuran
dalam
(1) untuk memungkinkan variasi dalam tingkat transmisi
antara
kelompok-kelompok demografis di set G. Dynamics untuk
setiap
sub-kelompok i ∈ G diberikan oleh:
Si
tþ1-Si, t ¼ -Si; t
XG
g
βt; i →
g Ig; t = N
Ei;
tþ1-Ei; t ¼ Si; t
XG
g
βt; i →
g Ig; t = N-κEi; t
Ii,
tþ1-Ii; t ¼ κEi; t-γIi; t
Ri;
tþ1-Ri, t ¼ γIi; t:
ð7Þ
Model di
(5) menangkap pencampuran heterogen dalam
model
populasi. Transmisi-kelompok tertentu
Fungsi
(βt, i → g) adalah sama seperti dalam kasus homogen,
kecuali?
C dan At digantikan oleh? Ci → g dan At, saya → g, masing-masing.
Parameter?
Ci → g mencerminkan jumlah rata-rata
kontak
yang anggota kelompok saya mengalami dengan anggota
kelompok
g, dan At, saya → g adalah deviasi persen dari
bahwa
rata-rata pada saat t.
C.
Penurunan fungsi log-likelihood
Kami
berasumsi bahwa jumlah diamati dikonfirmasi
infeksi
baru pada hari tertentu, Ict
,
Mengikuti Poisson
Proses
dengan λt tingkat kedatangan rata-rata (ρ):
PrðIct
jλtðρÞÞ
¼ λt ρ ð Þ
exp λt ρ
ð Þ ð ÞItt
!
: Ð8Þ
Fungsi
kemungkinan untuk semua pengamatan dari t = 1, ...,
T
diberikan oleh produk:
L ¼
YT
t¼1
λtðρÞ
exp λt ρ
ð Þ ð ÞItt
!
? ?
: Ð9Þ
Mengambil
log ekspresi ini menyediakan loglikelihood yang
Fungsi:
L ¼
XT
t¼1
Ik
ln λt ρ
ð Þ ½? -λt ρ ð Þ-ln Ict
!
? ? ??
ð10Þ
Akhirnya,
untuk menghubungkan model kemungkinan dengan Seir
Model
transmisi, kita mengasumsikan bahwa rata-rata Poisson
Tingkat
kedatangan kasus baru dikonfirmasi diberikan oleh nomor
infeksi
diamati baru diprediksi oleh penyakit
Model,
λt (ρ) = φtκEt.
D. Cox
tes non-bersarang dengan bootstrap parametrik
Berdasarkan
model nol tertentu (misalnya baik FE atau DB), masing-masing
sampel
bootstrap data (infeksi baru) adalah
dihasilkan
oleh adakan menarik dari proses Poisson
kedatangan
mengatur infeksi baru berdasarkan dipasang
perkiraan
tingkat kedatangan rata-rata untuk infeksi baru,
λt ∀
t = 1, ..., 50. Proses ini diulangi untuk membuat M =
500
sampel dinyalakan. Perkiraan kemungkinan dari
masing-masing
sampel bootstrapped digunakan untuk membangun
berikut
p-value [40] untuk uji alternatif yang diberikan
Model
(a) terhadap nol (0):
p-value
¼
mati
rasa L0 ^ θ0m; IOBs
m
?
-La ^
Θam; IOBs
m
?
≤L0a; ∀
m ¼ 1; ...; M
hi juga
þ 1
M þ 1
;
ð11Þ
di mana
IOBs
m adalah
data sampel bootstrap untuk setiap iterasi
m = 1,
..., M; ^ Θjm merupakan perkiraan ML untuk
Model j ∈
{FE, DB} diberikan sampel m; Lj adalah maksimum
log-kemungkinan
untuk model j; L0A ¼ L0 ^ θ0
?
-La ^ Θa
?
aku s
perbedaan
antara perkiraan log-likelihood maksimum
di bawah
H0 dan Ha diberikan data asli; dan
jumlah
kebas berapa kali kondisi benar
untuk
masing-masing M iterasi. Sebuah koreksi sampel kecil
diimplementasikan
dengan menambahkan 1 ke pembilang dan penyebut.
Karena
FE dan DB model nonnested,
pemilihan
model nol unik tidak layak.
Sebaliknya,
tes Cox dilakukan dua kali, dengan masing-masing
model
yang berfungsi sebagai nol pada gilirannya.
Profil
E. Kemungkinan
Dalam
Angka 6, 7, 8 kami menyajikan profil log-kemungkinan
mendasari
kemungkinan maksimum memperkirakan pada Tabel 2.
Dalam
setiap kasus nilai log-kemungkinan tidak termasuk aditif
Istilah
konstan yang bukan merupakan fungsi dari parameter
yang
akan diestimasi (yaitu istilah akhir dalam Persamaan (10)). Untuk
masing-masing
profil perkiraan kemungkinan maksimum dari
Tabel 2
ditandai dengan segitiga.
Catatan
akhir
aTowers
dan Chowell [17] memungkinkan jumlah kontak
berpengalaman
pada akhir pekan dan hari kerja berbeda tetapi ini
0,055
0,0555 0,056 0,0565 0,057 0,0575 0,058
580
585
590
595
600
log-kemungkinan
*
ρ0
Gambar
profil 6 Log-kemungkinan untuk standar (SD) sebagai model
fungsi
dari tingkat transmisi marjinal (per kontak) ρ0.
Segitiga
tersebut merupakan estimasi kemungkinan maksimum dari
Tabel 2.
Bintang di log-kemungkinan menunjukkan bahwa konstanta
Istilah
dari log-kemungkinan telah dikecualikan.
0.064
0,0642
0,0644
-0,026
-0,0235
-0,021
654
656
658
660
662
664
ρ0
ρ1
log-kemungkinan
*
655
656
657
658
659
660
661
662
663
Gambar
profil 7 Log-kemungkinan untuk efek tetap (FE) Model
sebagai
fungsi dari tingkat transmisi marjinal (per kontak) ρ0,
dan
pergeseran tingkat transmisi dasar marjinal selama
jendela
intervensi, ρ1. Segitiga mewakili maksimum
kemungkinan
memperkirakan dari Tabel 2. Bintang di log-kemungkinan
menunjukkan
bahwa istilah konstan dari log-kemungkinan memiliki
dikecualikan.
0,0646
0,0647
0,0648
0,0648
-0,1525
-0,152
-0,1515
-0,151
645
646
647
648
649
ρ0
ρ1
log-kemungkinan
*
645,5
646
646,5
647
647,5
648
648,5
Gambar
profil 8 Log-kemungkinan untuk perilaku dinamis (DB)
Model
sebagai fungsi dari tingkat transmisi marjinal (per kontak)
ρ0, dan
respon perilaku, ρ1. Segitiga tersebut merupakan
kemungkinan
maksimum memperkirakan dari Tabel 2. Bintang di log-kemungkinan
menunjukkan
bahwa istilah konstan dari log-kemungkinan telah dikecualikan.
Springborn
et al. BMC Infectious Diseases (2015) 15:21 Halaman 12 dari 14
Tingkat
diambil dari literatur dan sebaliknya konstan.
Mereka
juga memungkinkan tingkat transmisi bervariasi lebih
waktu
sesuai dengan proses harmonik urutan pertama untuk menangkap
musiman
selama sebagian besar tahun. Kami melakukan
tidak
mengeksplorasi struktur ini sejak masa kami menarik adalah
dua
bulan yang panjang.
bCentral
Mexico termasuk Distrik Federal (Meksiko
Kota)
dan negara bagian Guerrero, Hidalgo, Jalisco, Meksiko (termasuk
lebih
besar Mexico City), Puebla, San Luis Potosi,
dan
Tlaxcala.
Asumsi
cThis sulit untuk menguji Meksiko. Akan Tetapi,
Data
dari American Waktu Gunakan Survey (http: //
www.bls.gov/tus/)
menunjukkan bahwa orang Amerika menonton lebih
televisi
mereka menghabiskan lebih banyak waktu di rumah, meskipun
Hubungan
mungkin nonlinier [37].
Data
dthe dikumpulkan dan disimpan oleh daerah
Divisi
Ibope AGP Mexico (http://www.agbnielsen.net/
whereweare
/ whereweare.asp).
Bersaing
kepentingan
Para penulis
menyatakan bahwa mereka tidak memiliki kepentingan bersaing.
Penulis
Kontribusi
MS, EF,
dan GC berkontribusi konsep, desain, dan pengembangan model. NONA
dan MM
menganalisis data. Semua penulis berkontribusi, membaca dan disetujui
naskah
akhir.
Ucapan
Terima Kasih
Publikasi
ini dimungkinkan oleh jumlah hibah 1R01GM100471-01
dari
Institut Nasional Ilmu Kedokteran Umum (NIGMS) di
National
Institutes of Health. Isinya adalah tanggung jawab dari
penulis
dan tidak selalu mewakili pandangan resmi NIGMS.
Rincian
Penulis
1Jurusan
Environmental Science & Kebijakan, Universitas California, 2104
Wickson
Hall, Satu Shields Ave., Davis, CA 95616, USA. 2School Umum
Kesehatan,
Georgia State University, P.O. Box 3965, Atlanta, GA 30302-3965, USA.
3Division
dari International Epidemiology dan Kependudukan Studi, Fogarty
Pusat
Internasional, National Institutes of Health, 31 Pusat Dr, MSC 2220,
Bethesda,
MD 20892-2220, USA. 4Mathematical, Komputasi & Modeling
Pusat
Ilmu, Sekolah Evolusi Manusia dan Perubahan Sosial, Arizona
State
University, 900 S. Cady Mall, Tempe, AZ 85287-2402, USA. 5 Departemen
Pertanian
& Sumber Daya Ekonomi, Universitas California, 2116 Sosial
Ilmu
& Humaniora, Satu Shields Ave., Davis, CA 95616, USA. 6Yale Sekolah
Studi
Kehutanan dan Lingkungan, 195 Prospect St., New Haven, CT
06.511,
USA.
Diterima:
16 Juni 2014 Diterima: 9 Desember 2014
Referensi
1.
Ksiazek TG, Erdman D, Goldsmith CS, Zaki SR, Peret T, Emery S, Tong S,
Urbani
C, Comer JA, Lim W, Rollin PE, Dowell S, Ling AE, Humphrey C,
Shieh
WJ, Guarner J, Paddock CD, Rota P, Fields B, DeRisi J, Yang JY,
Cox N,
Hughes J, LeDuc JW, Bellini W, Anderson LJ, dan SARS Kerja
Group.
Sebuah coronavirus baru yang berhubungan dengan pernapasan akut parah
sindrom.
N Engl J Med. 2003; 348 (20): 1953-1966.
2. Boyes
WJ, Faith RL. Peraturan temporal dan substitusi antarwaktu:
efek
melarang alkohol di pertandingan sepak bola perguruan tinggi. Pilihan publik.
1993; 77
(3): 595-609.
3.
Chowell G, Bertozzi SM, Colchero MA, Lopez-Gatell H, Alpuche-Aranda C,
Hernandez
M, Miller MA. Parah bersamaan penyakit pernapasan dengan
sirkulasi
H1N1 influenza. N Engl J Med. 2009; 361 (7): 674-79.
4. Zhu
H, Wang D, Kelvin DJ, Li L, Zheng Z, Yoon SW, Wong SS, Farooqui A,
Wang J,
Banner D, Chen R, Zheng R, Zhou J, Zhang Y, W Hong, Dong W,
Cai Q,
Roehrl MHA, Huang SSH, Kelvin AA, Yao T, Zhou B, Chen X,
Leung
GM, Poon LLM, Webster RG, Webby RJ, Peiris JSM, Guan Y, Shu Y.
Infektivitas,
transmisi, dan patologi manusia terisolasi H7N9
virus
influenza dalam musang dan babi. Ilmu Pengetahuan. 2013; 341 (6142): 183-86.
5. Bell
D, Nicoll A, Fukuda K, Horby P, Monto A, Hayden F, Wylks C, Sanders L,
Intervensi
Van Tam J. Non-farmasi untuk pandemi influenza,
langkah-langkah
internasional. Emerg Menginfeksi Dis. 2006; 12 (1): 81-7.
6.
Cauchemez S, Valleron AJ, Boelle PY, Flahault A, Ferguson NM. Memperkirakan
dampak
penutupan sekolah pada transmisi influenza dari Sentinel
Data.
Nature. 2008; 452 (7188): 750-54.
7. Stern
A, Markel H. Apa mexico mengajarkan dunia tentang pandemi
kesiapan
influenza dan mitigasi masyarakat strategi.
JAMA.
2009; 302 (11): 1221-1222.
8.
Aiello AE, Coulborn RM, Aragon TJ, Baker MG, Burrus BB, Cowling BJ,
Duncan
A, Enanoria W, Fabian MP, Ferng YH, Larson EL, Leung GM, Markel
H,
Milton DK, Monto AS, Morse SS, Navarro JA, Taman SY, Imam P, S Stebbins,
Stern
AM, Uddin M, Wetterhall SF, Vukotich CJ. Temuan penelitian dari
studi
intervensi nonpharmaceutical untuk influenza pandemi dan
kesenjangan
saat ini dalam penelitian. Am J Menginfeksi Control. 2010; 38 (4): 251-58.
9. Smith
RD, Keogh-Brown MR, Barnett T, Tait J. Dampak ekonomi yang luas
pandemi
influenza di Inggris: keseimbangan umum dihitung
pemodelan
percobaan. BMJ (penelitian klinis ed). 2009; 339: b4571.
10.
Maharaj S, Kleczkowski A. epidemi Mengontrol disebarkan oleh sosial
menjauhkan:
Lakukan dengan baik atau tidak sama sekali. BMC Public Health. 2012; 12 (1):
679.
11.
Fenichel EP. Pertimbangan ekonomi untuk jarak sosial dan
kebijakan
berbasis perilaku selama epidemi. J Kesehatan Econ. 2013;
32 (2):
440-51.
12.
Fenichel EP, Castillo-Chavez C, Ceddia MG, Chowell G, Parra PAG, Hickling
GJ,
Holloway G, R Horan, Morin B, C Perrings, Springborn M, L Velazquez,
Perilaku
manusia Villalobos C. Adaptive dalam model epidemiologi. Proc
Natl
Acad Sci. 2011; 108 (15): 6306-11.
13.
Fenichel E, Wang X. Mekanisme dan fenomena manusia adaptif
perilaku
selama epidemi dan peran informasi. Dalam: Manfredi P,
D'Onofrio
A, editor. Pemodelan Interplay Antara Perilaku Manusia dan
Penyebaran
Penyakit Menular. New York: Springer; 2013: p. 153-68.
14.
Ferguson N. Menangkap perilaku manusia. Nature. 2007; 446 (7137): 733.
15. Hens
N, Ayele G, Goeyvaerts N, Aerts M, Mossong J, J Edmunds, Beutels P.
Memperkirakan
dampak penutupan sekolah terhadap perilaku pencampuran sosial dan
penularan
infeksi kontak dekat di delapan negara Eropa.
BMC
Menginfeksi Dis. 2009; 9 (1): 187.
16.
Copeland DL, Basurto-Davila R, Chung W, A Kurian, Fishbein DB,
Szymanowski
P, Zipprich J, Lipman H, Cetron MS, Meltzer MI, Averhoff F.
Efektivitas
penutupan distrik sekolah untuk pandemi influenza a
(H1N1)
pada penyakit pernapasan akut di masyarakat: alami
eksperimen.
Clin Menginfeksi Dis. 2013; 56 (4): 509-16.
17. Menara
S, Chowell G. Dampak pola kontak sosial pada hari kerja pada
pemodelan
transmisi influenza, dan penentuan influenza
periode
laten. J theor Biol. 2012; 312: 87-95.
18.
Fenichel EP, Kuminoff NV, Chowell G. Lewati perjalanan: Air Travellers
'perilaku
tanggapan
terhadap pandemi influenza. PLoS One. 2013; 8 (3): e58249.
19.
Caley P, Philp DJ, McCracken K. Mengukur jarak sosial yang timbul dari
pandemi
influenza. J R Soc Interface. 2008; 5 (23): 631-39.
20.
Chowell G, Echevarría-Zuno S, Viboud C, Simonsen L, Tamerius J, Miller MA,
Borja-Aburto
VH. Karakteristik epidemiologi 2009 influenza
A / H1N1
pandemi di Meksiko. PLoS Med. 2011; 8 (5): e1000436.
21. Kaca
RJ, Kaca LM, Beyeler KAMI, Min HJ. Target desain jarak sosial
untuk
pandemi influenza. Emerg Menginfeksi Dis. 2006; 12 (11): 1671-1681.
22.
Hethcote HW. Analisis kualitatif model penyakit menular.
Matematika
Biosci. 1976; 28 (3-4): 335-56.
23.
Diekmann O, Heesterbeek. Matematika Epidemiologi Penyakit Infeksi:
Bangunan
Model, Analisis dan Interpretasi. New York: Wiley \ & Sons; 2000.
24.
Anderson RM, RM Mei. Penyakit menular Manusia: Dinamika dan Kontrol.
Oxford:
Oxford University Press; 1991.
25.
Echevarria-Zuno S, Mejia-Arangure JM, Mar-Obeso AJ, Grajales-Muniz C,
Robles-Perez
E, Gonzalez-Leon M, Ortega-Alvarez MC, Gonzalez-Bonilla C,
Rascon-Pacheco
RA, Borja-Aburto VH. Infeksi dan kematian dari
Virus
influenza A H1N1 di Meksiko: analisis retrospektif. Lancet. 2009;
374
(9707): 2072-79.
26.
Córdova J, M Hernández, López-Gatell H, Bojorquez I, Palacios E, G Rodríguez,
Rosa B,
Ocampo R, Alpuche C, Flores R. Update: influenza baru A (H1N1)
infeksi
virus-Meksiko, Maret-Mei 2009. MORB Mortal wkly Rep 2009.;
58 (21):
585-89.
Springborn
et al. BMC Infectious Diseases (2015) 15:21 Halaman 13 dari 14
27.
Mossong J, Hens N, Jit M, Beutels P, K Auranen, Mikolajczyk R, Massari M,
Salmaso
S, Tomba GS, Wallinga J, Heijne J, Sadkowska-Todys M, Rosinská M,
Edmunds
WJ. Kontak sosial dan pola pencampuran relevan dengan penyebaran
penyakit
menular. PLoS Med. 2008; 5 (3): e74.
28.
Lakdawalla D, Sood N, terobosan Goldman D. HIV dan berisiko seksual
tingkah
laku. Q J Econ. 2006; 121 (3): 1063-102.
29.
Elder AG, O'Donnell B, McCruden EAB, Symington IS, Carman WF. Insidensi
dan
mengingat influenza dalam kohort Glasgow petugas kesehatan
selama
1993-4 epidemi: Hasil pengujian serum dan kuesioner.
BMJ.
1996; 313 (7067): 1241-42.
30. Raja
JC, Haugh CJ, Dupont WD, Thompson JM, Wright PF, Edwards KM.
Laboratorium
dan epidemiologi penilaian baru-baru influenza B
wabah. J
Med Virol. 1988; 25 (3): 361-68.
31. Reed
C, Angulo FJ, Swerdlow DL, Lipsitch M, Meltzer MI, Jernigan D, Finelli L.
Perkiraan
prevalensi pandemi (H1N1) 2009, Amerika Serikat,
April-Juli
2009. Emerg Menginfeksi Dis. 2009; 15 (12): 2004-07.
32.
Cowling BJ, Chan KH, Fang VJ, Lau LL, Jadi HC, Fung RO, Ma ES, Kwong AS,
Chan
C-W, Tsui WW. Epidemiologi Perbandingan pandemi dan
musiman
influenza A di rumah tangga. N Engl J Med. 2010; 362 (23): 2175-84.
33.
Cauchemez S, Donnelly CA, Reed C, Ghani AC, Fraser C, Kent CK, Finelli L,
Ferguson
NM. Transmisi Rumah Tangga tahun 2009 pandemi influenza A
Virus
(H1N1) di Amerika Serikat. N Engl J Med. 2009; 361 (27): 2619-27.
34.
Davidson R, MacKinnon JG. Ekonometrik Teori dan Metode, Volume 21.
New
York: Oxford University Press; 2004.
35.
Dameus A, Richter FGC, Brorsen BW, Sukhdial KP. AIDS versus Rotterdam
sistem
permintaan: tes Cox dengan bootstrap parametrik. J Agric resour Econ.
2002; 27
(2): 335-47.
36.
Mechoulan S. perilaku seksual abstrak
Latar
Belakang: Teori menunjukkan bahwa dampak respon perilaku individu penyebaran
penyakit seperti flu, tapi ini
telah
sulit untuk secara empiris ciri. Jarak sosial merupakan komponen penting dari
respon perilaku,
meskipun
analisis telah dibatasi oleh kurangnya data perilaku. Tujuan kami adalah untuk
menggunakan data media untuk mengkarakterisasi
Perilaku
jarak sosial untuk menginformasikan secara empiris model epidemiologi jelas dan
prediktif.
Metode:
Kami menggunakan data pada variasi televisi rumah melihat sebagai proxy untuk
variasi dalam waktu yang dihabiskan di
rumah
dan, dengan perluasan, kontak. Proxy perilaku ini tidak sempurna tapi menarik
karena informasi pada kaya
dan
sampel yang representatif dikumpulkan menggunakan teknik yang konsisten
sepanjang waktu dan sebagian besar kota-kota besar. Kita
mempelajari
April-Mei 2009 wabah A / H1N1 di Meksiko Tengah dan memeriksa respon perilaku
dinamis dalam
agregat
dan kontras pola yang diamati dari berbagai sub-kelompok demografis. Kami
mengembangkan dan mengkalibrasi dinamis
model
perilaku penularan penyakit diinformasikan oleh data proxy pada variasi harian
dalam tingkat kontak dan membandingkannya
dengan
standar (non-adaptif) Model dan model efek tetap yang kasar menangkap perilaku.
Hasil:
Kami menemukan bahwa setelah respon perilaku awal dibuktikan (konsisten dengan
jarak sosial) pada awal
wabah,
ada pelemahan di respon sebelum kesimpulan dari intervensi kesehatan
masyarakat. Kami menemukan
perbedaan
substansial dalam respon perilaku seluruh subkelompok usia dan tingkat sosial
ekonomi. Kami juga menemukan bahwa
efek
perilaku dan tetap model transmisi dinamis yang lebih baik menjelaskan variasi
dalam kasus yang dikonfirmasi baru,
menghasilkan
perkiraan yang lebih stabil dari tingkat dasar transmisi dari waktu ke waktu
dan memprediksi jumlah kasus baru
selama
jangka pendek dengan substansial kurang error.
Kesimpulan:
Hasil menunjukkan bahwa A / H1N1 memiliki potensi transmisi bawaan lebih besar
daripada yang diperkirakan sebelumnya namun
ini
ditutupi oleh respon perilaku. Perbedaan yang diamati dalam respon perilaku
seluruh kelompok demografis
menunjukkan
potensi manfaat dari upaya penjangkauan menargetkan jarak sosial.
Kata
kunci: Model Epidemi, distancing Sosial, A / H1N1, Influenza, SIR
Latar
Belakang
Rangkaian
wabah flu selama dekade terakhir menggambarkan
kebutuhan
yang sedang berlangsung untuk penyempurnaan strategi untuk
mengontrol
dan mengurangi dampak penyakit menular,
termasuk
SARS pada tahun 2003 [1], 2009 A / H1N1 (babi)
pandemi
influenza [2,3] dan munculnya novel
Sebuah
virus / H7N9 (flu burung) influenza pada tahun 2013 [4]. Secara paralel
upaya
vaksinasi standar, intervensi nonpharmaceutical
(NPis)
merupakan bagian penting dari manajemen
toolkit
[5-7]. Secara khusus, NPis menjadi lebih relevan
dalam
konteks muncul penyakit menular saat
ketersediaan
vaksin mungkin tertunda cukup lama.
Kepala
di antara NPis strategi untuk meningkatkan sosial
menjauhkan,
apakah dimulai secara pribadi atau kebijakan-diarahkan
(Misalnya,
penutupan sekolah, bisnis dan acara-acara publik) [8].
Sementara
NPis perilaku muncul menjanjikan, penting untuk
mengevaluasi
secara empiris keberhasilan mereka karena mereka dapat mahal
[9] dan
bisa memiliki konsekuensi yang tidak diinginkan, seperti memimpin
peningkatan
bersih dalam jumlah jangka panjang kasus atau meningkat
total
biaya epidemi dan kebijakan respon
[10,11].
Potensi respon individu terhadap penyakit
risiko
dan kebijakan ini menjadi tantangan dalam pengukuran
dari
infektivitas patogen dan desain kebijakan
diarahkan
jarak sosial [12,13]. Ferguson [14] berpendapat
bahwa
meskipun perlunya pendekatan holistik, saat ini
*
Korespondensi: mspringborn@ucdavis.edu
1Jurusan
Environmental Science & Kebijakan, Universitas California, 2104
Wickson
Hall, Satu Shields Ave., Davis, CA 95616, USA
Daftar
lengkap informasi penulis tersedia di akhir artikel
© 2015
Springborn et al .; pemegang lisensi BioMed Central. Ini adalah sebuah artikel
Open Access didistribusikan di bawah ketentuan Creative
Atribusi
Commons License (http://creativecommons.org/licenses/by/4.0), yang memungkinkan
penggunaan tak terbatas, distribusi, dan
reproduksi
dalam media apapun, asalkan karya asli dikreditkan dengan benar. Creative
Commons Public Domain
Dedikasi
pengabaian (http://creativecommons.org/publicdomain/zero/1.0/) berlaku untuk
data yang disediakan dalam artikel ini,
kecuali
dinyatakan lain.
Springborn
et al. BMC Infectious Diseases (2015) 15:21
DOI
10,1186 / s12879-014-0691-0
model
dasarnya mengabaikan umpan balik antara epidemi
dan
perilaku.
Analisis
empiris dari pengaruh perilaku jarak sosial
dinamika
epidemiologi adalah kepentingan yang jelas,
tetapi
telah terbukti sulit untuk mendapatkan data yang representatif
pada
respon perilaku yang sebenarnya untuk epidemi. Investigasi empiris
pengaruh
perilaku transmisi seperti flu
Dinamika
sebagian besar telah terbatas pada proxy biner untuk
perilaku,
khususnya pra-dijadwalkan [6,15] dan epidemiologi
didorong
[16] penutupan dan pola hari kerja sekolah
dan
akhir pekan [17]. Meskipun intervensi kebijakan sering
kasar,
respon individu untuk kebijakan dan pribadi mereka sendiri
keputusan
tentang risiko cenderung lebih bernuansa [8].
Fenichel
et al. [18] menunjukkan bahwa pengurangan risiko pribadi mungkin
telah
berubah dalam cara yang halus selama 2009 / H1N1 epidemi.
Caley et
al. [19] memperkirakan perubahan menular
tingkat
kontak di Sydney, Australia dari 1918 influenza
pandemi
tetapi melakukannya secara tidak langsung dengan menyimpulkan perubahan kontak
berdasarkan
jumlah reproduksi perkiraan dan
proporsi
rentan bersyarat pada nilai yang diberikan untuk
nomor
reproduksi, R0.
Kami
menggunakan data baru pada variasi televisi rumah
perilaku
menonton sebagai proxy untuk perubahan tingkat
interaksi
sosial sehari-hari. Kami menemukan tampilan yang kuat
respon
perilaku di Meksiko Tengah terkait dengan
Virus
influenza / H1N1 pada bulan April dan Mei 2009.
Data
menunjukkan bahwa respon perilaku proksi yang terbesar
kalangan
anak-anak dan kelompok-kelompok sosial-ekonomi kaya.
Selain
itu, kami beberapa respon perilaku dengan
Model
epidemiologis, dan menunjukkan bahwa A / H1N1 influenza
Virus
ini cenderung lebih menular dari sebelumnya
diyakini
karena potensi penularan bertopeng
oleh
respon perilaku.
Untuk
memanfaatkan data kepemirsaan televisi untuk menjelajahi
peran
perilaku selama epidemi, kami memperpanjang
Proxy
biner untuk waktu yang bervariasi infektivitas di [20], di mana
perilaku
dapat berubah hanya pada satu titik waktu, untuk memungkinkan
untuk
variasi harian dalam perilaku. Berikut [17], kita membusuk
model
standar tingkat transmisi ke
dua
komponen tingkat kontak dan transmisi rata-rata
Tingkat
per kontak. Untuk menginformasikan perubahan dalam kontak
tingkat,
kita menggunakan proxy harian untuk perubahan waktu yang dihabiskan
oleh
individu dalam rumah, yaitu variasi dalam rumah
menonton
televisi. Sementara melihat adalah proxy yang tidak sempurna
untuk
perilaku jarak sosial, data ini memiliki beberapa menarik
atribut.
Data dikumpulkan secara konsisten
sebelum,
selama, dan setelah epidemi di semua media utama
pasar di
seluruh dunia. Sampel merupakan perwakilan dari
penduduk
setempat (by design) dan dapat dipisahkan
dalam
berbagai sub kelompok demografis. Biasanya
Data dikumpulkan
secara otomatis dan elektronik (seperti dalam
sampel
kami) dan tidak bergantung pada diri-pelaporan. Itu
Data
melihat dalam aplikasi kita yang diperoleh dari
Ibope
Internasional net-AGB Nielsen Media Research,
penelitian
dan penonton pengukuran swasta terbesar
Perusahaan
di Amerika Latin.
Kami
berkontribusi pada literatur dengan memeriksa variasi
dalam
respon perilaku di waktu dan demografis
subkelompok
dan dengan kalibrasi dan menganalisis perilaku dinamis
model
penularan penyakit. Pertama, kami mengukur
sifat
dinamis dari respon perilaku terhadap 2.009
A / H1N1
pandemi influenza dan intervensi publik di
Meksiko
Tengah. Kami menunjukkan bahwa respon agregat
tidak
konstan dan menjelaskan bagaimana bervariasi secara sistematis selama
waktu.
Selanjutnya, kita membongkar dinamika agregat menjadi demografi
sub
kelompok dan menunjukkan bagaimana kelompok usia tertentu dan /
atau
kelompok sosial ekonomi merespon lebih kuat daripada
lain.
Beralih ke model penularan penyakit
dinamika,
kami menilai apakah akuntansi untuk perubahan sehari-hari
dalam
kontak yang lebih baik menyumbang variasi dalam kasus baru.
Kami
kemudian mengeksplorasi potensi bias dalam standar
Model
dari mengabaikan perubahan yang mendasari perilaku. Sebelumnya
analisis
simulasi menunjukkan bahwa intervensi terfokus
pada
anak-anak sangat efektif dalam mengurangi
Tingkat
serangan influenza [21]. Kami memeriksa bagaimana akuntansi
heterogenitas
antara orang dewasa dan anak-anak mengubah kesimpulan.
Pada
bagian berikutnya kita pertama menunjukkan bagaimana dasar
model
transmisi dapat diperpanjang untuk menggabungkan dinamis
perilaku
dan kemudian menggambarkan data dan estimasi model
Pendekatan
secara rinci.
Metode
Model
epidemiologi standar
Kami
model 2009 / H1N1 epidemi di Meksiko Tengah
menggunakan
Seir Model epidemiologi [22-24]. Kami mendefinisikan
tiga
formulasi model yang berbeda: satu yang tidak memperhitungkan
untuk
setiap perubahan perilaku, yang mengasumsikan bahwa
perubahan
perilaku konstan sepanjang governmentimposed
intervensi
kesehatan, dan salah satu yang mengasumsikan bahwa
perubahan
perilaku dapat diperkirakan oleh televisi setiap hari
Data
melihat. Untuk masing-masing model, individu dalam populasi,
ukuran
N, diklasifikasikan berdasarkan status kesehatan individu
di dalam
empat negara bagian di setiap periode, t: rentan (St), terkena
(Terinfeksi
tetapi belum menular), (Et), infeksi
(It),
dan pulih (Rt). Dinamika transisi antara
negara
kesehatan dijelaskan oleh sistem perbedaan
persamaan:
Stþ1-St
¼ -βtSt Ini = N
Etþ1-Et
¼ βtSt Ini = N-κEt
Itþ1-It
¼ κEt-γIt
Rtþ1-Rt
¼ γIt;
ð1Þ
di mana
βt adalah tingkat transmisi, κ adalah tingkat di mana
inkubasi
individu kemajuan dari terkena
status
kesehatan infeksi (atau kebalikan dari laten
periode)
dan γ adalah tingkat pemulihan (atau kebalikan dari
periode
pemulihan).
Springborn
Dalam
standar (SD) Model βt yang menjadi konstan
skalar.
Ini mengacaukan efek gabungan dari kontak
dan
kemungkinan penularan dari kontak [12].
Dalam
model transmisi klasik, perilaku yang mengatur
kontak
diasumsikan tetap. Namun bagi banyak manusia
penyakit,
termasuk influenza, pergeseran perilaku dan NPI
mungkin
memainkan peran penting dalam proses transmisi.
Model
epidemiologi perilaku
Untuk
menggeneralisasi model klasik kita membusuk βt ke
kemungkinan
penularan tergantung pada kontak
(Ρ0) dan
rata-rata jumlah kontak yang dialami oleh
individu
DC? Þ:
βSD
t
¼ ρ0
? C: ð2Þ
Parameter
ρ0 dan? C tidak diidentifikasi secara unik
karena
mereka masuk ke model sebagai produk. Namun demikian, ρ0
dapat
diperkirakan sebagai berikut [17] dan menggunakan estimasi populasi
dari
literatur untuk? C.a
Meskipun
membedakan antara kemungkinan penularan
dari
kontak dan nomor kontak, βSD
t
diasumsikan
konstan. Kami mengeksplorasi dua alternatif
yang
mengendurkan asumsi tingkat transmisi konstan.
Perpanjangan
pertama untuk memfasilitasi transmisi waktu yang berbeda-beda
Tingkat
adalah untuk memungkinkan dua yang berbeda, tetapi sebaliknya konstan,
tingkatan
dalam βt dari waktu ke waktu. Berikut [20], kita model
respon
perilaku sebagai efek tetap (FE) (yaitu menggunakan
variabel
dummy) selama jangka waktu
diberikan
oleh τ, misalnya selama kesehatan masyarakat tertentu
campur
tangan,
βFE
t
¼ ρ0
þ
1τðtÞρ1
? ?
? C; ð3Þ
di mana
ρ0 adalah dasar tingkat transmisi marjinal (per
kontak),
ρ1 adalah pergeseran transmisi dasar marjinal
Tingkat
selama jendela τ, dan 1τ (t) adalah indikator
fungsi,
sama dengan satu ketika t ∈ τ, dan nol sebaliknya.
Kedua,
kami mengusulkan model respon yang fleksibel yang memungkinkan
untuk
variasi harian dalam perilaku. Mengingat ketersediaan
dari
proxy empiris untuk perubahan tingkat kontak, kita
rileks
asumsi tingkat kontak tetap. Biarkan At mewakili
deviasi
persentase dari rata-rata? CD Þ untuk
diberikan
periode t. Sebuah dinamis perilaku (DB) transmisi
fungsi
yang mirip dalam bentuk Persamaan (2) dan (3)
tapi
account untuk variasi dalam tingkat kontak adalah:
βDB
t
¼ ρ0
þ ρ1Δt
? ?
? C: ð4Þ
Sehubungan
dengan model SD di Persamaan (2), transmisi DB
Model
tingkat termasuk tambahan ρ1Δt jangka ð C? Þ
menangkap
efek aditif dari setiap respon perilaku.
Model SD
(2) bersarang dalam kedua model FE (3)
dan
model DB (4): βSD
t
¼ βFE
t ρ1
¼ 0 ð Þ
¼βDB
t ρ1
ð ¼-0.
Di bawah
ketiga model, subset dari populasi N di
masing-masing
kesehatan menyatakan perubahan dari waktu ke waktu. Satu-satunya
komponen
berpotensi dinamis lainnya adalah transmisi
βt
tingkat, yang baik tetap (model SD), mengambil salah satu dari dua
nilai
konstan dari waktu ke waktu (model FE), atau bervariasi setiap hari (DB
model).
Data
epidemiologis
Untuk
menguji implikasi dari jarak sosial kita fokus
pada
wabah awal A / H1N1 di Meksiko Tengah, di
musim
semi 2009.b Kami memperoleh laboratorium dikonfirmasi
pandemi
A kasus influenza / H1N1 dari 1 April Mei
20 di
Meksiko Tengah dari epidemiologi prospektif
sistem
surveilans yang didirikan dalam menanggapi
2009
pandemi influenza oleh Meksiko Institute
untuk
Jaminan Sosial (IMSS) [25]. Data ini disajikan
pada
Tabel 3 di Lampiran A. IMSS adalah tripartit Meksiko
sistem
kesehatan yang bergantung pada jaringan lebih dari 1.000
unit
perawatan kesehatan primer dan 259 rumah sakit nasional,
dan
mencakup ~ 40% dari populasi Meksiko. Yang penting,
tingkat
tes untuk novel A / H1N1 influenza
tetap
stabil pada ~ 33% [20]. Chowell et al. [20] acara
bahwa
distribusi umur penduduk berafiliasi
dengan
IMSS umumnya wakil dari umum
populasi
Meksiko, menolak hipotesis bahwa
distribusi
berbeda secara signifikan. Lebih Lanjut
mereka
mencatat bahwa rasio laki-perempuan di kalangan penduduk
berafiliasi
dengan IMSS (47:53) mirip dengan yang ada pada
populasi
umum (49:51).
Pada 15
April 2009, Departemen Kesehatan Mexico mulai
menerima
indikasi informal radang paru-paru yang parah
di
metropolitan Mexico City [3,26]. The influenza baru
Sebuah
virus / H1N1 telah dikonfirmasi oleh AS dan laboratorium Kanada
untuk
beberapa pasien Meksiko dari April 22-24. Pada Tanggal
Jumat,
24 April, pemerintah federal mengumumkan
penutupan
sekolah umum untuk metropolitan Mexico
Kota,
dan kesadaran masyarakat kampanye dimulai
oleh
Departemen Kesehatan. Selanjutnya "jarak sosial
langkah-langkah
"penutupan terlibat restoran dan hiburan
tempat
dan membatalkan acara-acara publik besar [26]. Setelah Mei
9,
tingkat infeksi menurun drastis dan publik yang besar
intervensi
kesehatan yang diangkat [20]. Siswa kembali
sekolah
pada hari Senin, 11 Mei Jendela τ = {April 24, ...,
10 Mei}
digunakan dalam model FE untuk periode sub
di mana
kita harapkan untuk mengamati efek karena
jarak
sosial. Kami juga dianggap tanggal alternatif
untuk
memulai jendela ini, dari 10 April sampai
23
April, tapi tidak ada yang secara statistik lebih disukai seperti yang
dijelaskan
lebih
lanjut dalam hasil. Sebuah waktu grafis
kegiatan
yang terkait dengan wabah disediakan oleh Chowell
et al.
[20] (Tabel 1).
Persetujuan
Komite Etik tidak diperlukan sesuai
peraturan
daerah. Semua data de-diidentifikasi.
Data
yang digunakan dalam penelitian ini secara rutin dikumpulkan untuk
keperluan
surveilans epidemiologi.
Data
perilaku
Kami
menggunakan data di televisi rumah melihat di metropolitan
Mexico
City sebagai ukuran proksi untuk perilaku dinamis
respon
di Meksiko Tengah selama wabah influenza.
Logika
dari pendekatan ini bergantung pada dua asumsi utama.
Pertama,
kita menganggap bahwa waktu yang dihabiskan menonton televisi meningkat
dalam
waktu yang dihabiskan di rumah, dan bahwa pendekatan linear
cukup
untuk menangkap behavior.c ini Dengan
menghormati
alokasi waktu setiap hari individu, karena kita
terutama
berkaitan dengan waktu yang dihabiskan di rumah atau tidak sama
rumah,
peningkatan mantan mengurangi dari yang kedua.
Kedua,
kita asumsikan bahwa jumlah kontak individu
membuat
sebanding dengan waktu yang dihabiskan di luar
rumah.
Data
pemirsa untuk Mexico City diperoleh dari
Ibope
Internasional net-AGB Nielsen Media Research,
penelitian
dan penonton pengukuran swasta terbesar
perusahaan
dalam bahasa Latin America.d Ukuran khusus yang digunakan adalah
individu
rata-rata waktu setiap hari dilihat (ATV), yang diberikan
dengan
jumlah agregat jam dilihat oleh semua orang di
sampel
dibagi dengan jumlah individu dalam
sampel
(termasuk mereka yang tidak melihat di diberikan
periode).
Data mencerminkan pengamatan agregat bagi individu
(Bukan
rumah tangga) dalam kelompok demografis tertentu.
Sampel
Ibope yang terdiri dari sebuah panel yang sedang berlangsung individu,
seimbang
di karakteristik demografi untuk
mewakili
populasi Mexico City. Sehari Hari
Data
diperoleh untuk bulan April dan Mei
pada
tahun 2009. Sehubungan dengan data kasus harian dikonfirmasi
influenza
dan rata-rata pemirsa TV, komite etik
review
itu tidak relevan karena semua data deidentified,
dikumpulkan
sebelum akuisisi dan dikumpulkan
dalam
kondisi yang ada (yaitu tidak ada eksperimen
perawatan).
Demikian pula, karena data dikumpulkan
melalui
mekanisme yang ada dan bukan untuk penelitian kami,
memperoleh
persetujuan tertulis dari peserta adalah
tidak
relevan.
Kami
menggunakan deviasi persentase rata-rata televisi
pemirsa
(dibandingkan dengan periode non-intervensi) sebagai
proxy
untuk deviasi persentase kontak. Kita memilih
Bentuk
sederhana ini untuk proxy sejak parameter
Model
kontak baku sebagai fungsi menonton televisi
tidak
tersedia. Biarkan AT? V merupakan baseline (non-intervensi
periode)
rata-rata ATVt lebih diperpanjang
horizon
waktu dari sebelum dan setelah publik
Menanggapi
wabah, tetapi tidak selama. Baseline
Periode
yang digunakan untuk menentukan AT? V adalah April 1-April 23
dan 10
Mei - 31 Mei, yang meliputi April dan Mei
2009,
tidak termasuk τ periode. AT? V untuk sampel kami adalah
1,7 jam
per hari (dengan minimum dan maksimum
ATVt
selama periode baseline (1,5, 1,9)). Timevarying The
penyimpangan
dari baseline berarti ATVt diberikan
oleh At
¼ ðATVt-AT? V = Þ AT? V.
Kami
dianggap baik populasi homogen tunggal
dan
populasi heterogen dibagi menjadi dua kelompok:
orang
dewasa (18 tahun ke atas, dilambangkan A) dan anak-anak (individu
di bawah
usia 18, dilambangkan K). Untuk heterogen
Model
populasi, pemirsa terpilah
Data
diperbolehkan untuk inferensi tentang bagaimana perilaku orang dewasa
dan
anak-anak bervariasi dari waktu ke waktu. Perpanjangan
homogen
model transmisi penduduk (1) ke
Pengaturan
subkelompok heterogen disajikan dalam Lampiran B.
Informasi
ini tidak tersedia untuk mengkarakterisasi bagaimana perubahan
dalam
kontak yang dibuat oleh satu kelompok (misalnya orang dewasa) mungkin berbeda
antara
kontak mereka membuat dalam kelompok yang sama
(Misalnya
kontak dengan orang dewasa-dewasa) dibandingkan kelompok lain (misalnya
adultchild
kontak).
Oleh karena itu, kita membuat asumsi penyederhanaan
bahwa
penyimpangan dalam tingkat kontak untuk anggota
kelompok
i seragam di seluruh kelompok yang berbeda mereka
mungkin
datang dalam kontak dengan; kami menggunakan time series tunggal
untuk
menginformasikan penyimpangan dalam kontak anak-anak dengan baik
orang
dewasa atau anak-anak (At, K → A = At, K → K = At, K) dan lain
tunggal
time series sama untuk orang dewasa (At, A → K = At, A → A =
Kami
model tingkat kontak usia tertentu untuk usia sekolah
anak-anak
dan orang dewasa untuk Meksiko tengah berdasarkan
data
kontak survei yang dikumpulkan dari beberapa Eropa
negara
[27]:
C ¼
? CK →
K? CK → A
? CA →
K? CA → A
? ?
¼ 8: 9
5: 5
1: 9 9:
3
? ?
: Ð5Þ
Tingkat
kontak rata-rata untuk pencampuran homogen
populasi,
C ¼ 6: 1, diberikan oleh penduduk tertimbang
rata-rata
C.
Estimasi
model
Kami
mengatur penduduk Meksiko Tengah ke N = 5,3 * 107
individu
[28] dan ikuti [17] dalam menetapkan mean
kemungkinan
infeksi yang dikonfirmasi laboratorium
A influenza
/ H1N1 di φ ¼ 0: 0015. Ini perkiraan yaitu
dibangun
sebagai produk dari tingkat gejala (65%
[29,30]),
tingkat rawat inap (0,45% [31]), dan
probabilitas
yang terinfeksi, dirawat di rumah sakit makhluk individu
diidentifikasi
memiliki A / H1N1 (50%). Kami mengontrol diamati
variasi
dalam tingkat yang dirawat di rumah sakit kasus yang
diuji
dengan skala probabilitas rata-rata konfirmasi
deviasi
diamati dari tingkat pengujian berarti:
φt
¼ φ?
ÐTRt = T? RTH. Data tingkat pengujian diperoleh dari
IMSS
(sumber yang sama seperti dijelaskan di atas untuk kasus
data).
Kami menetapkan fraksi awalnya terinfeksi pada hari 1 dari
jangka
waktu (1 April) di π = 1,9 × 10- 5, sehingga diberi
populasi
dan probabilitas konfirmasi, satu kasus
dikonfirmasi
pada hari pertama. Konsisten dengan [5,32,33],
tingkat
harian perkembangan dari laten kesehatan yang terinfeksi
status
dan tingkat pemulihan ditetapkan untuk κ = 0.67 dan γ = 0,5,
masing-masing.
Koefisien
utama yang menarik untuk estimasi adalah
parameter
fungsi tingkat transmisi untuk masing-masing
tiga
model. Biarkan ρ mewakili vektor marjinal
parameter
laju transmisi, yang diberikan oleh skalar [ρ0] untuk
model SD
dan vektor [ρ0, ρ1] untuk FE dan DB
model.
Parameter model diperkirakan oleh maksimum
kemungkinan.
Kami berasumsi bahwa jumlah diamati
dikonfirmasi
infeksi baru setiap hari, Ict
,
Mengikuti Poisson
Proses
dengan λt tingkat kedatangan rata-rata (ρ) yang diberikan oleh nomor
infeksi
diamati baru diprediksi oleh penyakit
Model,
φtκEt. Fungsi log-likelihood adalah:
L ¼
XT
t¼1
Ik
ln λt ρ
ð Þ ½? -λt ρ ð Þ-ln Ict
!
? ? ??
: Ð6Þ
Pengembangan
fungsi log-likelihood dijelaskan
lebih
lanjut dalam Lampiran C.
Karena
perkiraan kemungkinan maksimum dapat sensitif
dengan
pilihan nilai awal yang diberikan kepada numerik
algoritma
optimasi, kami menggunakan titik awal beberapa
solver
di Matlab (versi R2013a) dirancang untuk mengidentifikasi
optimum
global. Untuk masing-masing model, solver dijalankan untuk
masing-masing
vektor awal M berbeda secara acak untuk
parameter
yang tidak diketahui di ρ. Kami menetapkan M sebesar 50 untuk
model
standar (satu parameter) dan 100 untuk alternatif
Model
(dua parameter). Dari set lokal
maxima,
solusi dengan kemungkinan terbesar adalah
terpilih
sebagai perkiraan untuk maksimum global. Kita
Diperkirakan
interval kepercayaan 95% untuk parameter
menggunakan
metode rasio kemungkinan [34]. Untuk menguji secara statistik
perbedaan
yang signifikan dalam kinerja, ketika membandingkan
model SD
terhadap FE dan DB model kami
menggunakan
uji rasio kemungkinan, karena model SD bersarang
dalam
kedua alternatif (FE dan DB). Karena FE
dan
model DB tidak bersarang, rasio kemungkinan standar
Tes
tidak layak. Berikut [35], kami menggunakan Cox nonnested
Tes
dengan bootstrap parametrik (lihat Lampiran D
untuk
detail).
Hasil
dan Diskusi
Respon
perilaku dinamis
Dalam
Gambar 1 kami menyajikan respon perilaku dinamis
time
series untuk At (persentase deviasi dari rata-rata ATV)
di
Mexico City pada bulan April dan Mei 2009 secara agregat
(Gambar
1A) dan untuk berbagai sub kelompok demografis dan waktu
(Gambar
1B-D). Rentang dan berarti untuk variabel ini
selama
periode intervensi terbatas (τ) disajikan
pada
Tabel 1. penyimpangan positif (At> 0) menunjukkan bahwa
di atas
jumlah rata-rata waktu yang dihabiskan di TV rumah
melihat
dan, dengan kesimpulan, di rumah. Tingkat rata-rata
At
selama periode τ positif dan, seperti yang ditunjukkan oleh seorang onesample
t-test,
secara signifikan berbeda dari nol pada 1%
tingkat
bagi penduduk agregat dan masing-masing sub-kelompok yang dianggap
di sini
(lihat Tabel 1).
Jalur
dinamis At bagi penduduk agregat
disajikan
pada Gambar 1A. Di luar intervensi berbayang
window
(τ), ukuran ini memiliki rata-rata nol (oleh
konstruksi)
dan biasanya berada dalam kisaran +/-
5%.
Selama periode τ, At bergeser terbukti atas.
Respon
perilaku ini adalah terkuat di minggu pertama
(Sekitar
20%) sebelum secara bertahap membaik menjadi
mendekati
nol pada akhir periode intervensi. Ini
Pola
menunjukkan bahwa kapasitas penduduk untuk sosial
distancing
mungkin terbatas dalam durasi; sebelum publik
intervensi
kesehatan menyimpulkan, ada substansial
penurunan
respon relatif perilaku ke puncak di
minggu
pertama. (Atau, mungkin bahwa tingkat
melihat
per unit waktu yang dihabiskan di rumah jatuh sebagai individu
beralih
ke kegiatan-rumah lainnya.) Setelah
NPI
menyimpulkan ada periode menonton berkurang
Kegiatan
di rumah (At <0). Secara khusus, At mencapai nya
titik
paling negatif pada tanggal 10 Mei di -10,5%. Di luar
dip
pasca-intervensi, At turun di bawah -10% pada
hanya
satu hari. Sebagai bukti lebih lanjut bahwa dip itu
mungkin
bukan peristiwa acak coincident, kami menemukan bahwa ini
dip
bertahan di 5% di bawah periode non-NPI berarti untuk
empat
hari berturut-turut-ada ada kasus lain di
data
ketika At turun di bawah 95% dari rata-rata lebih
dari
satu hari. Sementara mekanisme kausal belakang
dinamika
ini tidak diketahui dengan pasti, satu kemungkinan
adalah
bahwa periode multi-hari ditekan aktivitas di rumah
kompensasi
untuk kegiatan sosial dan komersial yang hilang
dari
sebelumnya pada periode intervensi. Pengamatan
realokasi
kegiatan berisiko dalam waktu adalah umum di
literatur
kesehatan masyarakat. Setelah pengenalan antiretroviral
pengobatan
untuk HIV / AIDS [28,36] menemukan empiris
bukti
peningkatan pengambilan risiko seksual. Boyes dan Iman
[2]
menunjukkan bahwa ketika konsumsi alkohol dilarang di perguruan tinggi
pertandingan
sepak bola yang total konsumsi alkohol mungkin
naik
melalui efek substitusi dalam periode mengapit
permainan.
Akhirnya, Graff Zivin dan Neidell [37] menemukan bahwa
sementara
warga Southern California mengurangi aktivitas di luar ruangan
pada
hari-hari dengan kualitas udara yang buruk, jika episode berkepanjangan
respon
perilaku menghilang dengan cepat.
Kelas
umur rincian untuk At disajikan pada Gambar 1B
menunjukkan
perbedaan yang substansial dalam respon antara anak-anak
dan
subkelompok dewasa selama periode intervensi.
Mean (23,7%)
dan maksimum (46,2%) perilaku
Respon
anak-anak lebih dari dua kali lebih besar respon
diamati
untuk orang dewasa (lihat Tabel 1). Perbedaan
tanggapan
secara statistik signifikan pada tingkat 1% seperti yang ditunjukkan
oleh dua
sample t-test.
Data
dari Ibope dibedakan menjadi tiga sosial ekonomi
tingkat
(SELS) berdasarkan seperangkat karakteristik rumah tangga,
termasuk
ukuran dan fasilitas dari rumah,
kepemilikan
alat, kepemilikan mobil, dan tingkat
pendidikan
(Gambar 1C). Selama periode intervensi, pada
Rata-rata
kelompok SEL tinggi menunjukkan respon yang lebih
50%
lebih besar dari kelompok SEL rendah. Perbedaan ini
signifikan
pada tingkat 5%. Kelas menengah SEL
menampilkan
respon menengah (Tabel 1).
Akhirnya,
kami mempertimbangkan variasi respon saat
hari,
khususnya siang hari (06:00-6:00) dibandingkan malam hari
(18:00-6:00)
(Gambar 1D). Tanggapan siang hari rata-rata adalah
sekitar
dua kali lebih kuat sebagai respon malam hari
(Tabel
1). Hal ini tidak mengherankan mengingat waktu yang dihabiskan di
rumah
lebih rendah pada siang hari untuk memulai dan
sehingga
memberikan peluang yang lebih besar untuk penyesuaian.
Alur
waktu untuk masing-masing sub-kelompok yang dibahas
di atas
mengikuti jalan yang secara kualitatif mirip dengan
populasi
agregat, menunjukkan awal positif yang kuat
respon
yang sebagian besar atau seluruhnya meluruh sebelum akhir
intervensi.
Untuk setiap perbandingan subkelompok dianggap
di sini,
ada perbedaan yang signifikan dalam rata-rata
tingkat
respon perilaku.
Estimasi
model transmisi
Parameter
kemungkinan maksimum memperkirakan untuk setiap
Model
didasarkan pada T = 41 hari pengamatan, peregangan
dari 1
April hingga akhir periode intervensi
pada 11
Mei (Tabel 2). Angka yang menggambarkan log-kemungkinan
profil
untuk masing-masing model disajikan dalam Lampiran E.
jangka
waktu yang digunakan sesuai dengan periode waktu yang dianggap
di [20].
Setelah periode ini, kasus tambahan menipis
substansial
seperti yang ditunjukkan dalam seri waktu Ict
(Gambar
2).
Kami
fokus pada periode 41 hari awal karena kinerja
masing-masing
model (dalam hal nilai-nilai log-kemungkinan dan
residu)
menjadi semakin miskin karena lebih dari pasca-orang
periode
disertakan.
Tingkat
dimana akuntansi untuk perubahan kontak
account
yang lebih baik untuk variasi dalam kasus baru adalah salah satu
pertanyaan
penelitian inti kami. Hasil menunjukkan bahwa standar
Model
ini memang tidak lengkap-kita menolak model SD
mendukung
kedua model DB (p <0,01) dan Model FE
(P
<0,01). Namun, kami tidak menemukan bahwa model DB melebihi
model
FE. Bahkan kita menolak model DB di
mendukung
model FE (p <0,01). Untuk melihat mengapa hal itu mungkin
kasus
yang efek tetap sederhana lebih disukai dalam hal ini
dengan
dinamis, model perilaku data-driven, pertimbangkan
time
series untuk Ict
dan At
disajikan pada Gambar 2. Konsisten
dengan
harapan di bawah model DB, ketika
Proxy
jarak sosial At mulai melonjak pada 24 April
(Hari
24) jumlah kasus yang dikonfirmasi baru dataran tinggi.
Namun,
ketika At menurun pada awal Mei sementara infeksi
masih
umum, jumlah kasus baru dikonfirmasi
Ik
? ?
tidak
tumbuh secara berkelanjutan melainkan, setelah
sedikit
keterlambatan, mulai turun. Dengan demikian dinamika awal
dan
periode intervensi awal wabah konsisten
dengan
model DB tetapi periode intervensi akhir
tidak.
Mengingat
bahwa kedua FE dan DB model mengungguli
Model
SD, kami menjelajahi potensi perkiraan bias
parameter
transmisi dalam model SD sebagai
Kelemahan
potensial mengabaikan perubahan perilaku. Perkiraan
dari
tingkat transmisi dasar (ρ0) pada Tabel 2
menunjukkan
bahwa sementara DB dan FE model dalam penting
kesepakatan,
perkiraan SD adalah 12% lebih rendah. Untuk mengeksplorasi
apakah
perbedaan ini istimewa atau sistematis kami
memperkirakan
kembali masing-masing dari tiga model dimulai dengan hanya
M hari
pertama data untuk M∈ [15, 41]. Kami mengecualikan
Model FE
untuk M∈ [15, 24] karena model ini tidak
dibedakan
dari
model SD sampai intervensi dimulai
pada
tanggal 24 April. Pada Gambar 3 kami menyajikan perkiraan yang dihasilkan
dari ρ0.
Kami menemukan bahwa perkiraan variabel tetapi
Model di
sekitar konsisten melalui 24 April.
Hal ini
tidak mengherankan mengingat bahwa sebelum kesehatan masyarakat
intervensi
dimulai pada 24 April proxy kita menunjukkan bahwa
Perilaku
belum bergeser discernibly. Setelah titik ini, memperkirakan
dari ρ0
untuk DB dan FE model tetap sekitar
stabil
dekat 0,064 sedangkan koefisien transmisi dasar
untuk
model SD menurun monoton. Demikian
selama
periode intervensi ketika respon perilaku adalah
kuat,
estimasi SD ρ0 jatuh setiap hari ke account
untuk
faktor baru. Sebaliknya, model yang memungkinkan untuk
Hasil
pergeseran perilaku dalam perkiraan untuk transmisi dasar
yang
pada dasarnya tingkat dari waktu ke waktu.
Sebagai
masalah praktis, bias ini dalam model SD memiliki
implikasi
penting bagi kesehatan masyarakat dan perkiraan
error.
Pertama, model SD memberikan perkiraan ρ0
jauh
lebih rendah dibandingkan model dengan perilaku. Ini
menunjukkan
bahwa virus A / H1N1 lebih menular, tapi
menular
ini tertutup oleh pergeseran perilaku. Kedua,
hasil
model SD kesalahan perkiraan besar, a
Hasil
ditampilkan menggunakan simulasi di [13] muncul saat
perilaku
adaptif manusia adalah penting dalam epidemiologi
sistem.
Peramalan
perbandingan error
Pada
Gambar 4 kami menyajikan kesalahan perkiraan selama empat hari
cakrawala
untuk seri waktu meningkatkan panjang dari M∈
[15,
41]. Latihan ini dimaksudkan untuk menangkap publik
Masalah
kesehatan resmi memperkirakan keadaan saat
wabah berdasarkan
kasus yang diamati sampai saat ini. Kami berasumsi
bahwa
ada empat hari lag antara tanggal
pengujian
dan pelaporan dari semua kasus dikonfirmasi, lag khas
untuk
melaporkan wabah penyakit menular. Dengan demikian diperkirakan
muncul
pada gambar untuk hari M error = 15 merupakan
kesalahan
yang dibuat pada hari 19 tergantung pada data kasus yang
menyelesaikan
melalui hari 15. Kita berasumsi bahwa perilaku
Data
(At) tersedia di empat hari ini lag. Dari
Kesalahan
perkiraan mentah pada Gambar 4A, jelas bahwa prediksi
kinerja
untuk model SD menjadi miskin relatif terhadap
alternatif
tak lama setelah intervensi pada hari 24.
Dari
titik ini, model SD menyebabkan sistematis
over-prediksi
jumlah kasus baru. Model DB
kinerja
memburuk selanjutnya menuju akhir
periode
intervensi. Akhirnya, pada saat intervensi
Tabel 2
maksimum estimasi parameter kemungkinan
Standard
(SD) efek Tetap
(FE)
Dyn.
Behav.
(DB)
Transmisi
parameter
ρ0
0,0565 0,0642 0,0647
(0,0561,
0,0568) (0,0640, 0,0644) (0,0644, 0,648)
ρ1
-0,0233 -0,1516
(-0,0257,
-0,0208) (-0,1519, -0,1513)
Pengamatan
41 41 41
Interval
kepercayaan 95% dalam kurung.
Menyimpulkan,
ketiga model sistematis selama-memprediksi baru
kasus.
Hal ini menunjukkan bahwa faktor absen dari model
dipertimbangkan
di sini adalah penting untuk menangkap pasca intervensi
Dinamika
(misalnya upaya perlindungan pribadi untuk mengurangi
risiko
per kontak).
Kami
memperkirakan hasil model transmisi di atas asumsi
populasi
homogen tunggal. Namun, perbedaan
dalam
respon perilaku (At) untuk anak-anak dibandingkan
orang
dewasa yang disajikan di atas eksplorasi memotivasi usia kelas
heterogenitas.
Ketika kita model anak-anak dan orang dewasa
populasi
terpisah (dengan time series terpisah untuk At di
model
perilaku), namun parameter transmisi dibatasi
harus
sama untuk kedua populasi, perkiraan
tidak
berubah secara signifikan. Kami selanjutnya diuji diperpanjang
model di
mana parameter transmisi (ρ0, ρ1)
bebas
untuk bervariasi antara kedua kelompok. Model ini adalah
statistik
tidak berbeda nyata baik untuk SD
(P =
0,31), Model DB (p = 0,41), atau model FE (p = 0,12) pada
level
10%. Untuk model FE ini, relatif terhadap homogen
(Baseline)
kasus, koefisien ρ0 dan ρ1 adalah
sekitar
50% lebih besar dalam besarnya untuk anak-anak dan 90%
kecil di
besarnya untuk orang dewasa. Bukti ini tidak konklusif,
tetapi
mengisyaratkan bahwa infeksi antara anak-anak dan
dari
anak-anak hingga orang dewasa mungkin sopir terkemuka
penyakit
dinamika-dan juga paling sensitif terhadap intervensi.
Namun,
efek ini terlalu kecil dan imprecisely diperkirakan
untuk
menegaskan dengan signifikansi statistik.
Sementara
kami gagal menemukan perbedaan yang signifikan dalam
koefisien
transmisi antara anak-anak dan orang dewasa,
ini
tidak berarti bahwa tidak ada perbedaan yang signifikan
dalam
populasi ini. Ingat bahwa kami mengontrol
perbedaan
antara anak-anak dan orang dewasa di baseline
Tingkat
kontak sebagaimana ditentukan dalam matriks C. Ketika ini
matriks
diganti dengan DC rata-rata? Þ signifikan
Perbedaan
muncul antara homogen dan
Koefisien
spesifikasi heterogen baik SD
(P
<0,01) dan DB model (p = 0,08) tetapi tidak untuk FE
Analisis
sensitivitas
Kami
memeriksa sensitivitas hasil model transmisi
beberapa
asumsi alternatif. Pertama, mengingat temporal
ketidaksesuaian
antara kasus dan waktu perilaku
seri
pada Gambar 2, kami meneliti apakah preferensi relatif
untuk
model FE terus memegang bawah ekstensi
pada
periode laten, yaitu jumlah hari orang
terinfeksi
tetapi tidak menular. Dalam model baseline
periode
laten ditetapkan untuk 1 / κ = 1.5. Kinerja
Model DB
relatif terhadap model FE adalah kuat untuk alternatif
asumsi
pada periode laten, termasuk 2, 3 atau
4 hari.
Kami juga mempertimbangkan apakah variasi istimewa
atau
"noise" dalam variabel ATV mungkin menghambat DB
Model.
Sebagai tes sederhana kita menetapkan batas +/- 5% untuk
At
ukuran-variasi yang tidak melebihi Band ini
ditetapkan
ke nol. Hal ini tidak mengubah hasil secara kualitatif.
Hasil kualitatif
juga tidak sensitif terhadap nonlinear sebuah
bentuk
kuadrat untuk model DB.
Konvergensi
dalam kinerja DB dan FE model
ditemukan
ketika jumlah hari termasuk dalam estimasi
terbatas.
Untuk semua time series yang termasuk
38 hari
atau kurang, kami gagal untuk menolak satu model yang mendukung
yang
lain. Namun, setelah waktu ini kerangka model FE
muncul
sebagai model yang disukai (misalnya p <0,01 pada 39 hari).
Untuk
model FE, kami juga mempertimbangkan tanggal alternatif
untuk
memulai jendela intervensi, dari 10 April
melalui
jendela dasar kami mulai tanggal 24 April.
Untuk
masing-masing spesifikasi ini alternatif kami menemukan bahwa
terkait
parameter ρ1 secara statistik signifikan
berbeda
dari nol. Namun, kami juga menemukan bahwa
log-kemungkinan
yang terbesar untuk jendela FE awal
pada 24
April (spesifikasi dasar kami) menggambarkan bahwa
tidak
ada tanggal awal alternatif statistik disukai.
Parameter
terakhir diperiksa dalam analisis sensitivitas kami
adalah
probabilitas rata-rata konfirmasi. Dasar kami
Tingkat
untuk? φ menyiratkan bahwa 1,2% penduduk terinfeksi
pada
akhir gelombang musim semi (tergantung pada
Jumlah
diamati kasus dan jumlah penduduk). Kami diperiksa
kepekaan
terhadap skenario alternatif di mana 10%
penduduk
kontrak penyakit, yang tersirat
berarti
probabilitas konfirmasi φ ¼ 8: 1? 10-5. Hasil
dari ini
probabilitas rendah alternatif konfirmasi
Skenario
tidak berbeda secara kualitatif.
Respon
perilaku kontrafaktual
Kami
mengeksplorasi dua skenario alternatif di mana perilaku
Menanggapi
epidemi ini baik tidak ada atau ditingkatkan.
Kami
menyajikan jalur kasus yang dikonfirmasi baru
di bawah
alternatif ini, bersama dengan kurva dipasang dari
Model
dasar dalam Gambar 5A. Di bawah alternatif pertama,
untuk
menghilangkan respon perilaku, kita kalikan ρ0 yang
Istilah
dengan nol (0ρ0, garis tipis). Berdasarkan alternatif kedua,
untuk
meningkatkan respon perilaku, kita kalikan
Istilah
ρ0 oleh dua (2ρ0, garis tebal). Kurva dipasang dari
Model
berubah dasar (1ρ0, garis menengah) dan Ict
adalah
disediakan
untuk perbandingan. Untuk model awal, fit
DB dan
FE model mirip sampai beberapa periode terakhir
dimana
DB fit menyimpang dari jalan yang diamati
Pentingnya
respon perilaku jelas.
Dengan
tidak ada respon perilaku, jalan proyeksi baru
kasus
meningkat tajam, lebih dari empat kali lipat (Gambar 5B)
untuk
kedua model hari 41. Atau, dengan dua kali lipat yang
respon,
redaman kasus baru terjadi sekitar
dua
minggu sebelumnya dan kasus kumulatif hari 41
yang
dipotong setengah.
Kesimpulan
Kami
menggunakan data baru pada variasi dalam menonton televisi di rumah
perilaku
sebagai proxy untuk perubahan tingkat sosial sehari-hari
Interaksi
di Meksiko Tengah selama 2009 /
Pandemi
influenza H1N1. Hasil dari kedua perilaku
Model
(FE dan DB) menyarankan bahwa jarak sosial adalah
faktor
kunci dalam menghambat gelombang awal A / H1N1 di
Meksiko
Tengah. Dengan tidak adanya respon perilaku,
estimasi
jalan kontrafaktual kasus baru meningkat
cepat
dalam beberapa pekan awal daripada menstabilkan dan akhirnya
jatuh
seperti yang diamati. Asumsi perilaku tetap
dalam
standar (SD) Model menyebabkan kekurangan dalam
estimasi
dan prediksi. Perkiraan tingkat dasar
penularan
sistematis bergeser dari waktu ke waktu. Jika
tingkat
dasar transmisi ditafsirkan sebagai ukuran
infektifitas
biologis dalam model standar, ini mungkin
mengarah
pada meremehkan parameter ini, seperti dalam kita
Pengaturan,
mengingat efek pengganggu respon perilaku.
Hal ini
menunjukkan bahwa A / H1N1 memiliki transmisi bawaan
potensi
yang jauh lebih besar daripada yang diperkirakan sebelumnya tapi ini
ditutupi
oleh respon perilaku. Hal ini memiliki implikasi
nasihat
manajemen termasuk alokasi
sumber
daya antara farmasi dan nonpharmaceutical
intervensi.
Selain itu, kesalahan dalam prediksi waktu dekat
kasus
baru melalui waktu juga secara substansial
lebih
besar di bawah model standar dibandingkan dengan perilaku
model.
Kesalahan ini juga sistematis-standar
Model
konsisten menyebabkan over-prediksi dalam jumlah
kasus
baru.
Membandingkan
model perilaku, kami menemukan bahwa
model
perilaku dinamis tidak disukai ke
Model
efek tetap sederhana. Satu penjelasan mungkin
Sifat
yang tidak sempurna dari variasi pemirsa sebagai proxy
untuk
perubahan tingkat kontak publik. Sebagai contoh, adalah mungkin
bahwa
selama intervensi kesehatan masyarakat yang diamati
peningkatan
ATVt disebabkan bagian yang lebih besar dari
waktu
rumah dialokasikan untuk menonton TV, daripada peningkatan
dalam
waktu yang dihabiskan di rumah. Atau bisa menjadi kasus yang
melihat
per unit waktu yang dihabiskan di rumah mungkin menurun
dalam
waktu yang dihabiskan di rumah. Penjelasan lain mungkin
ketidakmampuan
saat ini untuk secara empiris menangkap perubahan perilaku
di luar
rumah untuk mengurangi kontak atau transmisi
(Misalnya
mencuci tangan, memakai masker, dan
menghindari
batuk ke udara terbuka). Bell [5] mencatat bahwa
sementara
kebijakan mempromosikan jarak sosial mungkin efektif
terhadap
pandemi influenza, perilaku individu lain
Langkah-langkah
harus baik rutin (misalnya tangan dan pernafasan
kebersihan
dan desinfeksi rumah tangga yang terkontaminasi
permukaan)
atau dipertimbangkan untuk pengaturan tertentu dan tingkat risiko
(Misalnya
menggunakan masker).
Kami
menemukan bahwa respons rumah pemirsa lebih kuat
dalam
tinggi (versus rendah) tingkat sosial ekonomi (SEL)
subkelompok.
Temuan ini sugestif tetapi harus ditafsirkan
dengan
hati-hati. Di satu sisi, individu dalam tinggi
SEL
subkelompok yang bisa dibilang kurang dibatasi dalam menyesuaikan
kontak
daripada di SEL subkelompok rendah. Sebagai contoh,
Kumar et
al. [38] menyarankan bahwa kebijakan tempat kerja
dapat
menimpa pada menjauhkan tindakan dan kerja seperti
kebijakan
mungkin lebih mengikat SELS rendah. Jika hipotesis ini
diuji
dan diverifikasi, itu akan menunjukkan potensi
untuk
penargetan kebijakan jarak sosial untuk memfasilitasi
langkah-langkah
melindungi diri untuk SEL individu yang rendah. Di
sisi
lain, sangat mungkin bahwa perbedaan dalam respon adalah
artefak
dari proxy perilaku yang mungkin muncul, untuk
Sebagai
contoh, jika hubungan antara rumah pemirsa
dan
waktu yang dihabiskan di rumah berbeda sistematis antara
Subkelompok
SEL (misalnya, jika individu SEL tinggi merespon lebih
kuat
karena kepemilikan lebih televisi menyediakan
lebih
banyak kesempatan untuk melihat).
Selain
bervariasi tanggapan seluruh kelompok, kami juga
menemukan
perbedaan dari waktu ke waktu, yaitu pelemahan di
respon
perilaku sebelum kesimpulan publik
intervensi
kesehatan. Selain itu, kami menemukan bukti
efek
rebound di mana, setelah berkepanjangan tinggi
di-rumah
aktivitas tampaknya ada periode
ditekan
aktivitas. Hal ini konsisten dengan sejarah
analisis
Caley et al. [19] yang menemukan bahwa sebagai dirasakan
risiko
flu babi 1918 menurun di Australia,
publik
tampaknya kembali ke perilaku normal. Demikian pula,
Fenichel
et al. [18] menemukan adaptif bahwa udara wisatawan '
A / H1N1
hilang setelah respon awalnya kuat.
Penelitian
lebih lanjut dari pandemi influenza 2009 / H1N1
di
daerah lain dengan langkah-langkah intervensi yang sama
(Misalnya
Hong Kong, [39]) bisa membantu untuk mengkonfirmasi dan generalisasi
wawasan
yang diperoleh di sini.
Sedangkan
model perilaku dinamis berdasarkan
rumah
pemirsa Proxy tidak keluar-melakukan sederhana
Model
efek tetap, hasil merupakan kemajuan dalam mengidentifikasi
dan
membongkar driver balik fixed effect ini.
Ke
depan, data rinci lebih lanjut pada swasta dan publik
perilaku
selama wabah akan berfungsi untuk mengidentifikasi perilaku
efek pada
transmisi dengan lebih presisi.
Sebagai
contoh, kita tidak memodelkan efek antivirus
pengobatan.
Menangkap penyesuaian perilaku tambahan
dibuat
di luar rumah untuk mengurangi kontak efektif
mungkin
menjadi penting untuk pemodelan eksplisit perilaku
penularan
penyakit yang mendasarinya. Untuk tujuan ini, ada
nilai
dalam alokasi sumber daya selama wabah untuk secara konsisten
mengumpulkan
data tentang publik dan swasta pelindung
Springborn
et al. BMC Infectious Diseases (2015) 15:21 Halaman 10 dari 14
tindakan,
seperti penggunaan antivirus atau penggunaan masker wajah.
Meskipun
transisi dari analisis empiris berdasarkan
Tindakan
fixed effect perilaku tanggapan sepenuhnya dinamis
pada
waktu yang lebih baik skala akan memerlukan investasi tambahan
dalam
pengumpulan data, potensi keuntungan termasuk
janji
menginformasikan lebih peka dan lebih murah
intervensi
kesehatan masyarakat.
Usus
Buntu
Data A.
epidemiologi
B. Model
transmisi Beberapa kelas umur
Pada
Tabel 3 kami menyajikan jumlah laboratorium dikonfirmasi
pandemi
A / H1N1 influenza kasus untuk setiap hari
dalam
masa studi di Meksiko Tengah dari pengawasan yang
sistem
yang mapan dalam menanggapi 2009
pandemi
influenza oleh Meksiko Institut Sosial
Keamanan
(IMSS) [25].
Ketiga
model dasar (SD, FE dan DB) dapat digeneralisasi
untuk
memungkinkan struktur umur dalam populasi. Sosial
Interaksi
dapat bervariasi di seluruh kelompok demografis,
misalnya
anak bersekolah dibandingkan bekerja
orang
dewasa. Kami mengikuti [17] dalam generalisasi sistem diferensial
persamaan
untuk populasi homogen pencampuran
dalam
(1) untuk memungkinkan variasi dalam tingkat transmisi
antara
kelompok-kelompok demografis di set G. Dynamics untuk
setiap
sub-kelompok i ∈ G diberikan oleh:
Si
tþ1-Si, t ¼ -Si; t
XG
g
βt; i →
g Ig; t = N
Ei;
tþ1-Ei; t ¼ Si; t
XG
g
βt; i →
g Ig; t = N-κEi; t
Ii,
tþ1-Ii; t ¼ κEi; t-γIi; t
Ri;
tþ1-Ri, t ¼ γIi; t:
ð7Þ
Model di
(5) menangkap pencampuran heterogen dalam
model
populasi. Transmisi-kelompok tertentu
Fungsi
(βt, i → g) adalah sama seperti dalam kasus homogen,
kecuali?
C dan At digantikan oleh? Ci → g dan At, saya → g, masing-masing.
Parameter?
Ci → g mencerminkan jumlah rata-rata
kontak
yang anggota kelompok saya mengalami dengan anggota
kelompok
g, dan At, saya → g adalah deviasi persen dari
bahwa
rata-rata pada saat t.
C.
Penurunan fungsi log-likelihood
Kami
berasumsi bahwa jumlah diamati dikonfirmasi
infeksi
baru pada hari tertentu, Ict
,
Mengikuti Poisson
Proses
dengan λt tingkat kedatangan rata-rata (ρ):
PrðIct
jλtðρÞÞ
¼ λt ρ ð Þ
exp λt ρ
ð Þ ð ÞItt
!
: Ð8Þ
Fungsi
kemungkinan untuk semua pengamatan dari t = 1, ...,
T
diberikan oleh produk:
L ¼
YT
t¼1
λtðρÞ
exp λt ρ
ð Þ ð ÞItt
!
? ?
: Ð9Þ
Mengambil
log ekspresi ini menyediakan loglikelihood yang
Fungsi:
L ¼
XT
t¼1
Ik
ln λt ρ
ð Þ ½? -λt ρ ð Þ-ln Ict
!
? ? ??
ð10Þ
Akhirnya,
untuk menghubungkan model kemungkinan dengan Seir
Model
transmisi, kita mengasumsikan bahwa rata-rata Poisson
Tingkat
kedatangan kasus baru dikonfirmasi diberikan oleh nomor
infeksi
diamati baru diprediksi oleh penyakit
Model,
λt (ρ) = φtκEt.
D. Cox
tes non-bersarang dengan bootstrap parametrik
Berdasarkan
model nol tertentu (misalnya baik FE atau DB), masing-masing
sampel
bootstrap data (infeksi baru) adalah
dihasilkan
oleh adakan menarik dari proses Poisson
kedatangan
mengatur infeksi baru berdasarkan dipasang
perkiraan
tingkat kedatangan rata-rata untuk infeksi baru,
λt ∀
t = 1, ..., 50. Proses ini diulangi untuk membuat M =
500
sampel dinyalakan. Perkiraan kemungkinan dari
masing-masing
sampel bootstrapped digunakan untuk membangun
berikut
p-value [40] untuk uji alternatif yang diberikan
Model
(a) terhadap nol (0):
p-value
¼
mati
rasa L0 ^ θ0m; IOBs
m
?
-La ^
Θam; IOBs
m
?
≤L0a; ∀
m ¼ 1; ...; M
hi juga
þ 1
M þ 1
;
ð11Þ
di mana
IOBs
m adalah
data sampel bootstrap untuk setiap iterasi
m = 1,
..., M; ^ Θjm merupakan perkiraan ML untuk
Model j ∈
{FE, DB} diberikan sampel m; Lj adalah maksimum
log-kemungkinan
untuk model j; L0A ¼ L0 ^ θ0
?
-La ^ Θa
?
aku s
perbedaan
antara perkiraan log-likelihood maksimum
di bawah
H0 dan Ha diberikan data asli; dan
jumlah
kebas berapa kali kondisi benar
untuk
masing-masing M iterasi. Sebuah koreksi sampel kecil
diimplementasikan
dengan menambahkan 1 ke pembilang dan penyebut.
Karena
FE dan DB model nonnested,
pemilihan
model nol unik tidak layak.
Sebaliknya,
tes Cox dilakukan dua kali, dengan masing-masing
model
yang berfungsi sebagai nol pada gilirannya.
Profil
E. Kemungkinan
Dalam
Angka 6, 7, 8 kami menyajikan profil log-kemungkinan
mendasari
kemungkinan maksimum memperkirakan pada Tabel 2.
Dalam
setiap kasus nilai log-kemungkinan tidak termasuk aditif
Istilah
konstan yang bukan merupakan fungsi dari parameter
yang
akan diestimasi (yaitu istilah akhir dalam Persamaan (10)). Untuk
masing-masing
profil perkiraan kemungkinan maksimum dari
Tabel 2
ditandai dengan segitiga.
Catatan
akhir
aTowers
dan Chowell [17] memungkinkan jumlah kontak
berpengalaman
pada akhir pekan dan hari kerja berbeda tetapi ini
0,055
0,0555 0,056 0,0565 0,057 0,0575 0,058
580
585
590
595
600
log-kemungkinan
*
ρ0
Gambar
profil 6 Log-kemungkinan untuk standar (SD) sebagai model
fungsi
dari tingkat transmisi marjinal (per kontak) ρ0.
Segitiga
tersebut merupakan estimasi kemungkinan maksimum dari
Tabel 2.
Bintang di log-kemungkinan menunjukkan bahwa konstanta
Istilah
dari log-kemungkinan telah dikecualikan.
0.064
0,0642
0,0644
-0,026
-0,0235
-0,021
654
656
658
660
662
664
ρ0
ρ1
log-kemungkinan
*
655
656
657
658
659
660
661
662
663
Gambar
profil 7 Log-kemungkinan untuk efek tetap (FE) Model
sebagai
fungsi dari tingkat transmisi marjinal (per kontak) ρ0,
dan
pergeseran tingkat transmisi dasar marjinal selama
jendela
intervensi, ρ1. Segitiga mewakili maksimum
kemungkinan
memperkirakan dari Tabel 2. Bintang di log-kemungkinan
menunjukkan
bahwa istilah konstan dari log-kemungkinan memiliki
dikecualikan.
0,0646
0,0647
0,0648
0,0648
-0,1525
-0,152
-0,1515
-0,151
645
646
647
648
649
ρ0
ρ1
log-kemungkinan
*
645,5
646
646,5
647
647,5
648
648,5
Gambar
profil 8 Log-kemungkinan untuk perilaku dinamis (DB)
Model
sebagai fungsi dari tingkat transmisi marjinal (per kontak)
ρ0, dan
respon perilaku, ρ1. Segitiga tersebut merupakan
kemungkinan
maksimum memperkirakan dari Tabel 2. Bintang di log-kemungkinan
menunjukkan
bahwa istilah konstan dari log-kemungkinan telah dikecualikan.
Springborn
et al. BMC Infectious Diseases (2015) 15:21 Halaman 12 dari 14
Tingkat
diambil dari literatur dan sebaliknya konstan.
Mereka
juga memungkinkan tingkat transmisi bervariasi lebih
waktu
sesuai dengan proses harmonik urutan pertama untuk menangkap
musiman
selama sebagian besar tahun. Kami melakukan
tidak
mengeksplorasi struktur ini sejak masa kami menarik adalah
dua
bulan yang panjang.
bCentral
Mexico termasuk Distrik Federal (Meksiko
Kota)
dan negara bagian Guerrero, Hidalgo, Jalisco, Meksiko (termasuk
lebih
besar Mexico City), Puebla, San Luis Potosi,
dan
Tlaxcala.
Asumsi
cThis sulit untuk menguji Meksiko. Akan Tetapi,
Data
dari American Waktu Gunakan Survey (http: //
www.bls.gov/tus/)
menunjukkan bahwa orang Amerika menonton lebih
televisi
mereka menghabiskan lebih banyak waktu di rumah, meskipun
Hubungan
mungkin nonlinier [37].
Data
dthe dikumpulkan dan disimpan oleh daerah
Divisi
Ibope AGP Mexico (http://www.agbnielsen.net/
whereweare
/ whereweare.asp).
Bersaing
kepentingan
Para penulis
menyatakan bahwa mereka tidak memiliki kepentingan bersaing.
Penulis
Kontribusi
MS, EF,
dan GC berkontribusi konsep, desain, dan pengembangan model. NONA
dan MM
menganalisis data. Semua penulis berkontribusi, membaca dan disetujui
naskah
akhir.
Ucapan
Terima Kasih
Publikasi
ini dimungkinkan oleh jumlah hibah 1R01GM100471-01
dari
Institut Nasional Ilmu Kedokteran Umum (NIGMS) di
National
Institutes of Health. Isinya adalah tanggung jawab dari
penulis
dan tidak selalu mewakili pandangan resmi NIGMS.
Rincian
Penulis
1Jurusan
Environmental Science & Kebijakan, Universitas California, 2104
Wickson
Hall, Satu Shields Ave., Davis, CA 95616, USA. 2School Umum
Kesehatan,
Georgia State University, P.O. Box 3965, Atlanta, GA 30302-3965, USA.
3Division
dari International Epidemiology dan Kependudukan Studi, Fogarty
Pusat
Internasional, National Institutes of Health, 31 Pusat Dr, MSC 2220,
Bethesda,
MD 20892-2220, USA. 4Mathematical, Komputasi & Modeling
Pusat
Ilmu, Sekolah Evolusi Manusia dan Perubahan Sosial, Arizona
State
University, 900 S. Cady Mall, Tempe, AZ 85287-2402, USA. 5 Departemen
Pertanian
& Sumber Daya Ekonomi, Universitas California, 2116 Sosial
Ilmu
& Humaniora, Satu Shields Ave., Davis, CA 95616, USA. 6Yale Sekolah
Studi
Kehutanan dan Lingkungan, 195 Prospect St., New Haven, CT
06.511,
USA.
Diterima:
16 Juni 2014 Diterima: 9 Desember 2014
Referensi
1.
Ksiazek TG, Erdman D, Goldsmith CS, Zaki SR, Peret T, Emery S, Tong S,
Urbani
C, Comer JA, Lim W, Rollin PE, Dowell S, Ling AE, Humphrey C,
Shieh
WJ, Guarner J, Paddock CD, Rota P, Fields B, DeRisi J, Yang JY,
Cox N,
Hughes J, LeDuc JW, Bellini W, Anderson LJ, dan SARS Kerja
Group.
Sebuah coronavirus baru yang berhubungan dengan pernapasan akut parah
sindrom.
N Engl J Med. 2003; 348 (20): 1953-1966.
2. Boyes
WJ, Faith RL. Peraturan temporal dan substitusi antarwaktu:
efek
melarang alkohol di pertandingan sepak bola perguruan tinggi. Pilihan publik.
1993; 77
(3): 595-609.
3.
Chowell G, Bertozzi SM, Colchero MA, Lopez-Gatell H, Alpuche-Aranda C,
Hernandez
M, Miller MA. Parah bersamaan penyakit pernapasan dengan
sirkulasi
H1N1 influenza. N Engl J Med. 2009; 361 (7): 674-79.
4. Zhu
H, Wang D, Kelvin DJ, Li L, Zheng Z, Yoon SW, Wong SS, Farooqui A,
Wang J,
Banner D, Chen R, Zheng R, Zhou J, Zhang Y, W Hong, Dong W,
Cai Q,
Roehrl MHA, Huang SSH, Kelvin AA, Yao T, Zhou B, Chen X,
Leung
GM, Poon LLM, Webster RG, Webby RJ, Peiris JSM, Guan Y, Shu Y.
Infektivitas,
transmisi, dan patologi manusia terisolasi H7N9
virus
influenza dalam musang dan babi. Ilmu Pengetahuan. 2013; 341 (6142): 183-86.
5. Bell
D, Nicoll A, Fukuda K, Horby P, Monto A, Hayden F, Wylks C, Sanders L,
Intervensi
Van Tam J. Non-farmasi untuk pandemi influenza,
langkah-langkah
internasional. Emerg Menginfeksi Dis. 2006; 12 (1): 81-7.
6.
Cauchemez S, Valleron AJ, Boelle PY, Flahault A, Ferguson NM. Memperkirakan
dampak
penutupan sekolah pada transmisi influenza dari Sentinel
Data.
Nature. 2008; 452 (7188): 750-54.
7. Stern
A, Markel H. Apa mexico mengajarkan dunia tentang pandemi
kesiapan
influenza dan mitigasi masyarakat strategi.
JAMA.
2009; 302 (11): 1221-1222.
8.
Aiello AE, Coulborn RM, Aragon TJ, Baker MG, Burrus BB, Cowling BJ,
Duncan
A, Enanoria W, Fabian MP, Ferng YH, Larson EL, Leung GM, Markel
H,
Milton DK, Monto AS, Morse SS, Navarro JA, Taman SY, Imam P, S Stebbins,
Stern
AM, Uddin M, Wetterhall SF, Vukotich CJ. Temuan penelitian dari
studi
intervensi nonpharmaceutical untuk influenza pandemi dan
kesenjangan
saat ini dalam penelitian. Am J Menginfeksi Control. 2010; 38 (4): 251-58.
9. Smith
RD, Keogh-Brown MR, Barnett T, Tait J. Dampak ekonomi yang luas
pandemi
influenza di Inggris: keseimbangan umum dihitung
pemodelan
percobaan. BMJ (penelitian klinis ed). 2009; 339: b4571.
10.
Maharaj S, Kleczkowski A. epidemi Mengontrol disebarkan oleh sosial
menjauhkan:
Lakukan dengan baik atau tidak sama sekali. BMC Public Health. 2012; 12 (1):
679.
11.
Fenichel EP. Pertimbangan ekonomi untuk jarak sosial dan
kebijakan
berbasis perilaku selama epidemi. J Kesehatan Econ. 2013;
32 (2):
440-51.
12.
Fenichel EP, Castillo-Chavez C, Ceddia MG, Chowell G, Parra PAG, Hickling
GJ,
Holloway G, R Horan, Morin B, C Perrings, Springborn M, L Velazquez,
Perilaku
manusia Villalobos C. Adaptive dalam model epidemiologi. Proc
Natl
Acad Sci. 2011; 108 (15): 6306-11.
13.
Fenichel E, Wang X. Mekanisme dan fenomena manusia adaptif
perilaku
selama epidemi dan peran informasi. Dalam: Manfredi P,
D'Onofrio
A, editor. Pemodelan Interplay Antara Perilaku Manusia dan
Penyebaran
Penyakit Menular. New York: Springer; 2013: p. 153-68.
14.
Ferguson N. Menangkap perilaku manusia. Nature. 2007; 446 (7137): 733.
15. Hens
N, Ayele G, Goeyvaerts N, Aerts M, Mossong J, J Edmunds, Beutels P.
Memperkirakan
dampak penutupan sekolah terhadap perilaku pencampuran sosial dan
penularan
infeksi kontak dekat di delapan negara Eropa.
BMC
Menginfeksi Dis. 2009; 9 (1): 187.
16.
Copeland DL, Basurto-Davila R, Chung W, A Kurian, Fishbein DB,
Szymanowski
P, Zipprich J, Lipman H, Cetron MS, Meltzer MI, Averhoff F.
Efektivitas
penutupan distrik sekolah untuk pandemi influenza a
(H1N1)
pada penyakit pernapasan akut di masyarakat: alami
eksperimen.
Clin Menginfeksi Dis. 2013; 56 (4): 509-16.
17. Menara
S, Chowell G. Dampak pola kontak sosial pada hari kerja pada
pemodelan
transmisi influenza, dan penentuan influenza
periode
laten. J theor Biol. 2012; 312: 87-95.
18.
Fenichel EP, Kuminoff NV, Chowell G. Lewati perjalanan: Air Travellers
'perilaku
tanggapan
terhadap pandemi influenza. PLoS One. 2013; 8 (3): e58249.
19.
Caley P, Philp DJ, McCracken K. Mengukur jarak sosial yang timbul dari
pandemi
influenza. J R Soc Interface. 2008; 5 (23): 631-39.
20.
Chowell G, Echevarría-Zuno S, Viboud C, Simonsen L, Tamerius J, Miller MA,
Borja-Aburto
VH. Karakteristik epidemiologi 2009 influenza
A / H1N1
pandemi di Meksiko. PLoS Med. 2011; 8 (5): e1000436.
21. Kaca
RJ, Kaca LM, Beyeler KAMI, Min HJ. Target desain jarak sosial
untuk
pandemi influenza. Emerg Menginfeksi Dis. 2006; 12 (11): 1671-1681.
22.
Hethcote HW. Analisis kualitatif model penyakit menular.
Matematika
Biosci. 1976; 28 (3-4): 335-56.
23.
Diekmann O, Heesterbeek. Matematika Epidemiologi Penyakit Infeksi:
Bangunan
Model, Analisis dan Interpretasi. New York: Wiley \ & Sons; 2000.
24.
Anderson RM, RM Mei. Penyakit menular Manusia: Dinamika dan Kontrol.
Oxford:
Oxford University Press; 1991.
25.
Echevarria-Zuno S, Mejia-Arangure JM, Mar-Obeso AJ, Grajales-Muniz C,
Robles-Perez
E, Gonzalez-Leon M, Ortega-Alvarez MC, Gonzalez-Bonilla C,
Rascon-Pacheco
RA, Borja-Aburto VH. Infeksi dan kematian dari
Virus
influenza A H1N1 di Meksiko: analisis retrospektif. Lancet. 2009;
374
(9707): 2072-79.
26.
Córdova J, M Hernández, López-Gatell H, Bojorquez I, Palacios E, G Rodríguez,
Rosa B,
Ocampo R, Alpuche C, Flores R. Update: influenza baru A (H1N1)
infeksi
virus-Meksiko, Maret-Mei 2009. MORB Mortal wkly Rep 2009.;
58 (21):
585-89.
Springborn
et al. BMC Infectious Diseases (2015) 15:21 Halaman 13 dari 14
27.
Mossong J, Hens N, Jit M, Beutels P, K Auranen, Mikolajczyk R, Massari M,
Salmaso
S, Tomba GS, Wallinga J, Heijne J, Sadkowska-Todys M, Rosinská M,
Edmunds
WJ. Kontak sosial dan pola pencampuran relevan dengan penyebaran
penyakit
menular. PLoS Med. 2008; 5 (3): e74.
28.
Lakdawalla D, Sood N, terobosan Goldman D. HIV dan berisiko seksual
tingkah
laku. Q J Econ. 2006; 121 (3): 1063-102.
29.
Elder AG, O'Donnell B, McCruden EAB, Symington IS, Carman WF. Insidensi
dan
mengingat influenza dalam kohort Glasgow petugas kesehatan
selama
1993-4 epidemi: Hasil pengujian serum dan kuesioner.
BMJ.
1996; 313 (7067): 1241-42.
30. Raja
JC, Haugh CJ, Dupont WD, Thompson JM, Wright PF, Edwards KM.
Laboratorium
dan epidemiologi penilaian baru-baru influenza B
wabah. J
Med Virol. 1988; 25 (3): 361-68.
31. Reed
C, Angulo FJ, Swerdlow DL, Lipsitch M, Meltzer MI, Jernigan D, Finelli L.
Perkiraan
prevalensi pandemi (H1N1) 2009, Amerika Serikat,
April-Juli
2009. Emerg Menginfeksi Dis. 2009; 15 (12): 2004-07.
32.
Cowling BJ, Chan KH, Fang VJ, Lau LL, Jadi HC, Fung RO, Ma ES, Kwong AS,
Chan
C-W, Tsui WW. Epidemiologi Perbandingan pandemi dan
musiman
influenza A di rumah tangga. N Engl J Med. 2010; 362 (23): 2175-84.
33.
Cauchemez S, Donnelly CA, Reed C, Ghani AC, Fraser C, Kent CK, Finelli L,
Ferguson
NM. Transmisi Rumah Tangga tahun 2009 pandemi influenza A
Virus
(H1N1) di Amerika Serikat. N Engl J Med. 2009; 361 (27): 2619-27.
34.
Davidson R, MacKinnon JG. Ekonometrik Teori dan Metode, Volume 21.
New
York: Oxford University Press; 2004.
35.
Dameus A, Richter FGC, Brorsen BW, Sukhdial KP. AIDS versus Rotterdam
sistem
permintaan: tes Cox dengan bootstrap parametrik. J Agric resour Econ.
2002; 27
(2): 335-47.
36.
Mechoulan S. perilaku seksual berisiko, pengujian, dan perawatan HIV. Dalam:
Forum
Ekonomi
Kesehatan & Kebijakan: 2007. 2007.
37.
Zivin JSG, Neidell MJ. Dampak polusi terhadap produktivitas pekerja.
Dalam:
National Bureau of Economic Research. 2011.
38.
Kumar S, Quinn SC, Kim KH, Daniel LH, Freimuth VS. Dampak dari kerja
kebijakan
dan faktor-faktor sosial lainnya pada penyakit influenza seperti dilaporkan
sendiri
kejadian
selama 2009 H1N1 pandemi. Am J Kesehatan Masyarakat. 2011;
102 (1):
134-40.
39. Wu
JT, Cowling BJ, Lau EHY, Ip DKM, Ho LM, Tsang T, Chuang SK, Leung
PY, Lo
SV, Liu SH, penutupan Riley S. Sekolah dan mitigasi pandemi
(H1N1)
2009, Hong Kong. Emerg Menginfeksi Dis. 2010; 16 (3): 538-41.
40.
Coulibaly N, Wade Brorsen B. Monte carlo pendekatan sampling untuk pengujian
, pengujian, dan perawatan HIV. Dalam:
Forum
Ekonomi
Kesehatan & Kebijakan: 2007. 2007.
37.
Zivin JSG, Neidell MJ. Dampak polusi terhadap produktivitas pekerja.
Dalam:
National Bureau of Economic Research. 2011.
38.
Kumar S, Quinn SC, Kim KH, Daniel LH, Freimuth VS. Dampak dari kerja
kebijakan
dan faktor-faktor sosial lainnya pada penyakit influenza seperti dilaporkan
sendiri
kejadian
selama 2009 H1N1 pandemi. Am J Kesehatan Masyarakat. 2011;
102 (1):
134-40.
39. Wu
JT, Cowling BJ, Lau EHY, Ip DKM, Ho LM, Tsang T, Chuang SK, Leung
PY, Lo
SV, Liu SH, penutupan Riley S. Sekolah dan mitigasi pandemi
(H1N1)
2009, Hong Kong. Emerg Menginfeksi Dis. 2010; 16 (3): 538-41.
40.
Coulibaly N, Wade Brorsen B. Monte carlo pendekatan sampling untuk pengujian
dengan bootstrap parametrik. J Agric resour Econ.
2002; 27
(2): 335-47.
36.
Mechoulan S. perilaku seksual berisiko, pengujian, dan perawatan HIV. Dalam:
Forum
Ekonomi
Kesehatan & Kebijakan: 2007. 2007.
37.
Zivin JSG, Neidell MJ. Dampak polusi terhadap produktivitas pekerja.
Dalam:
National Bureau of Economic Research. 2011.
38.
Kumar S, Quinn SC, Kim KH, Daniel LH, Freimuth VS. Dampak dari kerja
kebijakan
dan faktor-faktor sosial lainnya pada penyakit influenza seperti dilaporkan
sendiri
kejadian
selama 2009 H1N1 pandemi. Am J Kesehatan Masyarakat. 2011;
102 (1):
134-40.
39. Wu
JT, Cowling BJ, Lau EHY, Ip DKM, Ho LM, Tsang T, Chuang SK, Leung
PY, Lo
SV, Liu SH, penutupan Riley S. Sekolah dan mitigasi pandemi
(H1N1)
2009, Hong Kong. Emerg Menginfeksi Dis. 2010; 16 (3): 538-41.
40.
Coulibaly N, Wade Brorsen B. Monte carlo pendekatan sampling untuk pengujian