MARC

 008260126s2025        us                              c    eng  d
■001000017357805
■00520260202103602
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798280719255
■035    ▼a(MiAaPQ)AAI32042566
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a574
■1001  ▼aGopaluni,  Anuraag.▼0(orcid)0000-0002-8968-2612
■24510▼aStatistical  Methods  for  Improving  Real-Time  Outbreak  Detection
■260    ▼a[Sl]▼bHarvard  University▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a214  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-12,  Section:  B.
■500    ▼aAdvisor:  Irizarry,  Rafael.
■5021  ▼aThesis  (Ph.D.)--Harvard  University,  2025.
■520    ▼aReal-time  outbreak  detection  in  resource-constrained  settings  requires  robust  statistical  methods  that  can  account  for  aberrations  in  historical  data,  reporting  delays  in  the  most  recent  observations,  and  dynamic  changes  in  transmission  trends.  This  dissertation  develops  and  evaluates  outbreak  detection  frameworks  that  address  these  practical  challenges  using  simulation-based  evaluation,  real-world  data  applications,  and  flexible  statistical  modeling.Chapter  1  investigates  the  impact  of  historical  anomalies-termed  ``aberrations''-on  the  performance  of  rolling  outbreak  detection  methods  applied  to  health  management  information  system  (HMIS)  data.  Motivated  by  five  years  of  acute  respiratory  infection  (ARI)  surveillance  data  from  Liberia,  we  simulate  outbreaks  under  seven  distinct  data-generating  mechanisms  varying  in  trend  and  seasonality.  We  assess  five  detection  algorithms:  EARS,  Farrington,  Holt-Winters,  and  two  Weinberger-Fulcher  (WF)  models  (negative  binomial  and  quasipoisson).  Detection  accuracy  is  measured  through  sensitivity,  specificity,  and  pseudo-ROC  curves,  under  varied  aberration  timing  and  outbreak  size.  We  find  that  the  presence  of  recent  aberrations  in  the  baseline  degrades  performance  across  models,  with  context-specific  tradeoffs:  EARS  and  WF  models  perform  well  in  the  absence  of  recent  anomalies;  WF  QP  and  Holt-Winters  maintain  better  balance  between  sensitivity  and  specificity  when  recent  aberrations  are  present;  and  Farrington  achieves  high  sensitivity  but  lower  specificity  in  these  settings.  These  results  offer  practical  guidance  for  selecting  rolling  detection  models  under  imperfect  baseline  conditions  common  in  low-  and  middle-income  countries  (LMICs).Chapter  2  develops  a  novel  frequentist  framework  for  real-time  nowcasting  of  all-cause  mortality  under  reporting  delays,  using  Massachusetts  death  registration  data  from  2017  to  2022.  Reporting  delays  are  modeled  via  a  discrete-time  survival  model  that  incorporates  covariates  such  as  day  of  the  week,  lag,  and  snapshot  date  to  flexibly  capture  evolving  delay  patterns.  Using  method-of-moments  estimation,  we  correct  underreported  death  counts,  propagate  delay  uncertainty  into  variance  estimates,  and  apply  LOESS  smoothing  to  stabilize  predictions  for  the  most  recent  days.  Variance  from  both  the  delay  model  and  smoothing  step  is  incorporated  into  predictive  intervals.  Compared  to  leading  Bayesian  and  spline-based  nowcasting  methods,  including  hierarchical  Bayesian  models,  NobBS,  EpiNowcast,  and  GAM  approaches,  our  method  achieves  superior  empirical  coverage,  lower  bias,  and  narrower  interval  widths,  particularly  during  the  early  pandemic  phase  when  reporting  delays  exhibited  sharp  day-of-week  effects.  Explicit  modeling  of  day-of-week  reporting  behavior  substantially  improved  accuracy  relative  to  approaches  that  omitted  temporal  covariates,  and  the  method  remained  robust  to  shifts  in  the  reporting  distribution  across  time.Chapter  3  extends  this  delay  correction  framework  by  integrating  nowcasting  with  slope-based  outbreak  detection  in  a  unified  two-stage  approach.  Using  molecular-confirmed  COVID-19  case  data  from  Puerto  Rico,  we  estimate  unreported  cases  via  a  discrete-time  hazard  model  and  then  fit  a  slope-based  detection  model  using  generalized  estimating  equations  (GEE),  incorporating  nowcast-derived  variances  as  observation-level  weights.  We  conduct  a  simulation  study  varying  epidemic  wave  intensity,  reporting  delay  speed,  and  baseline  structure---including  both  stable  and  declining  post-wave  baselines---to  evaluate  time  to  detection,  false  positive  rate,  and  calibration  across  models.  We  benchmark  against  the  Farrington  algorithm,  Rt-based  detection,  and  the  Weinberger-Fulcher  model.  Our  slope-based  GEE  approach  consistently  achieves  faster  and  more  reliable  detection,  particularly  under  low  and  medium  wave  scenarios  with  reporting  delays,  while  maintaining  strong  calibration  across  a  range  of  nominal  alpha  levels.  The  method  also  performs  well  when  applied  to  real-world  Puerto  Rico  data,  issuing  timely  signals  across  three  distinct  epidemic  waves.Together,  these  chapters  provide  a  comprehensive  statistical  toolkit  for  outbreak  detection  under  the  operational  constraints  of  incomplete,  delayed,  and  aberration-prone  surveillance  data.  The  approaches  developed  are  computationally  efficient,  modular,  and  applicable  across  diverse  epidemiological  contexts,  with  particular  relevance  for  LMICs  and  subnational  surveillance  systems.
■590    ▼aSchool  code:  0084.
■650  4▼aBiostatistics
■650  4▼aEpidemiology
■653    ▼aCOVID-19
■653    ▼aLow-  and  middle-income  countries
■653    ▼aNowcasting
■653    ▼aOutbreak  detection
■653    ▼aReal-time  monitoring
■653    ▼aSyndromic  surveillance
■690    ▼a0308
■690    ▼a0766
■690    ▼a0769
■71020▼aHarvard  University▼bBiostatistics.
■7730  ▼tDissertations  Abstracts  International▼g86-12B.
■790    ▼a0084
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17357805▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서