Selasa, 31 Maret 2015

Akuntansi untuk respon perilaku selama flu epidemi menggunakan menonton televisi di rumah

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