Modelo matemático para predecir la epidemia de gripe

Abstract

Introducció: L'epidèmia de grip estacional suposa un repte degut al gran nombre de casos i la sobrecàrrega sobre el sistema sanitari. Per aquest motiu, és necessari disposar de sistemes de vigilància per a controlar la incidència de grip en la població, ja sigui basada en diagnòstics o en casos confirmats. Actualment, no es disposa de cap sistema que permeti predir quan començarà l'epidèmia de grip i permeti preparar el sistema sanitari. Per tant, l'objectiu d'aquesta tesi doctoral és construir un model matemàtic capaç de predir l'inici de l'epidèmia de grip amb almenys una setmana d'antelació usant dades de diagnòstics de malalties respiratoris i dades meteorològiques. Mètodes: Es va estudiar la concordança i el desfasament temporal entre les taxes de diagnòstics de grip i les taxes de casos confirmats de grip a Catalunya. Posteriorment, es van ajustar models de regressió logística, Support Vector Machine i Random Forest, aplicant Anàlisi de Components Principals. Per a avaluar els models es van utilitzar l'índex Kappa, exactitut i l'àrea sota la corba ROC. Resultats: Les taxes de diagnòstic de grip concorden i no tenen desfasament respecte a les taxes de casos confirmats totals. No obstant això, les taxes de diagnòstic s'avancen una setmana respecte al sistema sentinella. Es va seleccionar el model de regressió logística amb components principals per obtenir la millor estimació puntual en 2 de les 3 mètriques, encara que no es van trobar diferències significatives en el rendiment dels altres models. Conclusió: És possible predir l'epidèmia de grip estacional a Catalunya amb una setmana d'antelació usant dades de diagnòstics de malalties respiratòries i meteorològics.

Introducción: La epidemia de gripe estacional supone un reto debido al gran número de casos y la sobrecarga sobre el sistema sanitario. Por este motivo, es necesario disponer de sistemas de vigilancia para controlar la incidencia de gripe en la población, ya sea basada en diagnósticos o en casos confirmados. Actualmente, no se dispone de ningún sistema que permita predecir cuándo comenzará la epidemia de gripe y permita preparar el sistema sanitario. Por tanto, el objetivo de esta tesis doctoral es construir un modelo matemático capaz de predecir el inicio de la epidemia de gripe con al menos una semana de antelación usando datos de diagnósticos de enfermedades respiratorias y datos meteorológicos. Métodos: Se estudió la concordancia y el desfase temporal entre las tasas de diagnósticos de gripe y las tasas de casos confirmados de gripe en Cataluña. Posteriormente, se ajustaron modelos de regresión logística, Support Vector Machine y Random Forest, aplicando Análisis de Componentes Principales. Para evaluar los modelos se utilizaron el índice Kappa, exactitud y el área bajo la curva ROC. Resultados: Las tasas de diagnóstico de gripe concuerdan y no tienen desfase respecto a las tasas de casos confirmados totales. Sin embargo, las tasas de diagnóstico se adelantan una semana respecto al sistema centinela. Se seleccionó el modelo de regresión logística con componentes principales por obtener la mejor estimación puntual en 2 de las 3 métricas, aunque no se encontraron diferencias significativas en el rendimiento de los otros modelos. Conclusión: Es posible predecir la epidemia de gripe estacional en Cataluña con una semana de antelación usando datos de diagnósticos de enfermedades respiratorias y meteorológicos.

Introduction: Seasonal influenza epidemics are challenging because of the large number of cases and the burden they place on the healthcare system. Therefore, surveillance systems are needed to monitor the incidence of influenza in the population, whether based on diagnoses or confirmed cases. Currently, there is no system that can predict the onset of an influenza epidemic in order to prepare the healthcare system. Therefore, the aim of this thesis is to develop a mathematical model capable of predicting the onset of an influenza epidemic at least one week in advance, using data from respiratory disease diagnoses and meteorological data. Methods: The agreement and temporal lag between flu diagnosis rates and confirmed flu case rates in Catalonia were studied. Then, logistic regression models, Support Vector Machine, and Random Forest were fitted, applying Principal Component Analysis. To evaluate the models, the Kappa index, accuracy, and the area under the ROC curve were used. Results: Influenza diagnosis rates are concordant and do not lag behind total confirmed case rates. However, diagnosis rates either lead or lag by one week compared to the sentinel surveillance system. The logistic regression model with principal components was selected because it provided the best point estimate for 2 out of 3 measures, although no significant differences were found in the performance of the other models. Conclusion: It is possible to predict the seasonal influenza epidemic in Catalonia one week in advance using data from respiratory disease diagnoses and meteorological data.