Flexible空间扫描统计量在传染病聚集性探测的应用研究

目的探索空间扫描统计量在乙型脑炎聚集性探测及其早期预警中的应用。方法采用Flexible空间扫描统计量对2007年四川省乙脑发病进行空间聚集性分析。结果空间聚集性探测结果显示,在乙脑具有聚集性的时间段内其空间聚集区域存在明显差异。7月共探测到发生乙脑聚集的区县19个,8月共探测到发生乙脑聚集的区县14个。结论 Flexible空间扫描统计量与地理信息系统相结合可有效对乙脑的空间聚集性做出早期预警。     

甘肃省2012年手足口病空间聚集性研究

目的 探讨甘肃省2012年手足口病例的空间分布特征及空间聚集性.方法 采用空间自相关和空间扫描方法对2012年甘肃省手足口病监测的县(市、区)级层面数据进行空间统计分析. 结果 全局自相关发现2012年甘肃省手足口病发病呈显著的聚集性分布,局部自相关分析的发病“热点”区域为嘉峪关市、玉门市、敦煌市、金塔县、肃州区、城关区、安宁区、西固区和皋兰县;通过空间扫描统计得到4个有统计学意义的手足口病高发病率聚集区域. 结论 2012年甘肃省手足口病发病存在明显的空间聚集性,经空间自相关和空间扫描可较好分析出高发重点区域.     

基于MCS - P的四川省手足口病空间聚集性研究

目的 基于MCS - P (Most Clustering Set - Proportion)统计量探测2015年四川省手足口病空间聚集性,为四川省手足口病防控和MCS - P应用提供依据。方法 采用描述性流行病学方法描述手足口病三间分布,并基于MCS - P确定最大空间聚集性区域大小最优值,使用SaTScan 9.6 软件探测空间聚集性,利用MapInfo 15.0软件将结果可视化。结果 2015年四川省手足口病累计报告病例63 633例,年均报告发病率为79.19/10万,4 - 6月和11 - 12月为发病高峰,绝大多数区县有手足口病病例报告,男性发病率高于女性,5岁及以下儿童占报告发病人数97.08%,职业以散居儿童为主。最大空间聚集性区域大小为2%时,MCS - P取得最大值为0.981445;空间聚集性分析结果显示四川省存在手足口病聚集,聚集性区域包括41个县级行政区域,主要分布在西昌市和成都市及其附近。结论 2015年四川省手足口病存在空间聚集性,重点关注人群为散居儿童,应加强高峰期西昌市和成都市及其周围区县的手足口病防控。     

基于时空重排扫描统计量的深圳市流行性腮腺炎聚集性研究

目的探讨深圳市流行性腮腺炎时空聚集性特征和变化趋势。方法应用回顾性时空重排扫描统计量和空间自相关系数分析深圳市2009年1月1日～2011年12月31日流行性腮腺炎时空聚集性,利用地理信息系统（geographic information system,GIS）技术表达相应的聚集区域。结果回顾性时空扫描分析确定了23个可能的发病聚集区域,一类聚集区域发生在2011年11月27日～12月26日,聚集范围包括沙头角和海山街道（P〈1.0×10^-17）,二类聚集区域包括22个,2009年探测到6个,包括4个聚集区域和2个聚集点,2010年探测到7个,包括1个聚集区域和6个聚集点,2011年探测到9个聚集点。呈现大范围聚集区域减少,小范围的聚集点逐渐增多的趋势。23个聚集区主要出现在4～7月份和11～2月份,与深圳市和广东省腮腺炎疫情高峰出现时段相一致。局部自相关分析发现的高-高聚集区域为：2009年海山、沙头角、莲塘、南头和龙岗街道;2011年盐田、海山、平湖和福永街道,结果与时空扫描结果基本一致。结论时空重排扫描统计量结合地理信息系统,能够更加直观、全面地展示了发病聚集区域,为以后开展针对性的预防控制措施,提供了科学参考依据。     

回顾性时空重排扫描统计量在手足口病聚集性研究中的应用

目的 探索回顾性时空重排扫描统计量在手足口病聚集性探测中的应用.方法 应用回顾性时空重排扫描统计量(采用SaTScan 9.0软件)对北京市顺义区2010年手足口病疫情资料进行分析.结果 2010年3月13日～7月16日,回顾性时空聚集分析确定了6个可能的手足口病发病聚集区域.4月10日～5月7日期间,高丽营镇区域手足口病发病存在聚集性(P＜1×10-9);5月8日～21日期间,张镇区域手足口病发病存在聚集性(P=3.8×10-8);6月19日～7月16日期间,南彩地区和北小营镇区域手足口病发病存在聚集性(P=5.3×10-5);3月13日～4月9日期间,天竺地区和仁和镇区域手足口病发病存在聚集性(P=4.5×10-4);5月22日～6月4日期间,胜利街道和光明街道区域手足口病发病存在聚集性(P=2.5×10 3);5月22日～6月18日期间,牛山镇、赵全营镇、北石槽镇区域手足口病发病存在聚集性(P=7.6×10-3).结论 回顾性时空重排扫描统计量结合地理信息软件是评价手足口病时空聚集性的一种有效的方法,可为阐明手足口病时空聚集性特征及制定有效防控措施提供依据.     

基于数据驱动思想的空间扫描统计量核心参数组合选择研究-以四川省手足口病为例

目的研究基于数据驱动思想的空间准确性评价指标(MCS-P)能否对空间扫描统计量核心参数组合进行选择,为扫描统计量的应用以及传染病的空间聚集性探测分析提供方法学参考和应用依据。方法利用2013-2015年四川省手足口病的传染病监测数据,以MCS-P对扫描统计量的核心参数进行选择,对探测的空间聚集性区域空间分布模式进行差异性比较。结果以2014年为例,不规则形状窗口下MCS-P最大,为0.9568。差异性比较提示MCS-P选择核心参数组合得到的空间聚集性区域与真实空间模式最接近。结论 MCS-P能在实际应用场景中优选出最佳窗口形态及最优窗口大小,取得最接近真实数据的空间模式。     

云南省2009—2019年手足口病流行特征及时空聚集性分析

目的分析云南省2009—2019年手足口病的流行特征及时空聚集性变化趋势。方法首先对手足口病流行病学特征进行描述性分析,然后利用SaTScan 9.5软件完成时空聚集性扫描分析。结果 2009—2019年云南省手足口病共报告752 209例,年均发病率为145.93/10万,多发于5岁散居儿童,发病高峰在4—7月。2009年发病率高的地区主要集中在云南省中部,自2010年开始,随着发病率逐年上升,发病率高的地区由中部地区逐渐向四周分散。SaTScan时空扫描分析显示,手足口病发病存在明显时空聚集性,多为每年的4—7月,2009年和2010年手足口病的聚集地区均分布在昆明市、玉溪市、红河州3个地区,而2011—2018年在上述3个地区基础上新增曲靖市、文山州、楚雄州成为新的聚集区域,到2019年一类聚集区扩大到8个地区。结论 2009—2019年云南省手足口病呈现时空聚集性,一类聚集区域由云南中部地区逐渐向东南部移动,针对这些重点地区应采取有效措施进行干预,有效遏制疫情扩散。     

2009 - 2015年淮安市食管癌发病时空聚集性分析

目的 探讨淮安市食管癌发病时空分布特征,为食管癌的规范化防治提供新思路。方法 收集2009 - 2015年淮安市食管癌发病数据,计算发病率及空间自相关性,采用时空扫描统计进行空间聚集性分析。结果 2009 - 2015年淮安市食管癌发病率呈波动变化,平均发病率为66.07/10万。纯空间扫描统计发现2个食管癌发病聚集区,分别是洪泽区和淮安区;时空扫描探测到的一类聚集区为洪泽区,聚集时间为2012年,二类聚集区为淮安区,聚集时间为2010 - 2011年。男女性的扫描结果与总体食管癌发病时空扫描结果相似,男性聚集区范围大于女性,聚集时间多为2009 - 2012年。结论 淮安市食管癌发病存在明显的时空聚集性,探索出的高发区域能够为进一步研究相关风险因素与食管癌发病的关联提供基础,对淮安市食管癌区域性防治具有一定的指导意义。     

SaTScan和FleXScan在甘肃省传染病空间聚集性探测中的应用研究

<正>疾病的空间聚集性（spatial clustering）是指疾病的发生在空间上表现出的聚集倾向或趋势及疾病的空间分布特点和规律[1]。近年来,在流行病学研究领域,空间信息技术已逐步应用于疾病的空间聚集性研究。其中,Sa TScan,即圆形扫描法在传染病研究中应用多于其他软件[2]。2008年,Takahashi等[3]提出了适宜于监测不规则区域疾病暴发的时空扫描统计方法,即Fle XScan。手足口病是由肠道     

巢湖市2009-2015年手足口病时空流行特征分析

目的 探讨巢湖市2009-2015年手足口病（hand,foot and mouth disease,HFMD）发病的时空分布特点。方法 收集巢湖市2009-2015年HFMD疫情监测资料,建立地理信息系统（geographic information systems,GIS）数据库。应用空间统计分析软件GeoDa 1.6对建立的GIS数据库进行全局和局部空间自相关分析;用时间-空间扫描统计软件SaTScan 9.4进行回顾性时空扫描统计。结果 巢湖市2009-2015年共报告HFMD 6 960例。2011年、2013-2015年HFMD发病模式存在空间聚集,局部自相关共探测到14个高聚集区;HFMD存在3个时空聚集区,这些聚集区大部分发生在城区街道。结论 巢湖市HFMD发病存在时空聚集性,时空聚集性分析有助于深入了解巢湖市HFMD的分布规律和流行趋势,为下一步HFMD的防控提供参考依据。     

Spatial scan statistics with overdispersion

The spatial scan statistic has been widely used in spatial disease surveillance and spatial cluster detection for more than a decade. However, overdispersion often presents in real-world data, causing not only violation of the Poisson assumption but also excessive type I errors or false alarms. In order to account for overdispersion, we extend the Poisson-based spatial scan test to a quasi-Poisson-based test. The simulation shows that the proposed method can substantially reduce type I error probabilities in the presence of overdispersion. In a case study of infant mortality in Jiangxi, China, both tests detect a cluster; however, a secondary cluster is identified by only the Poisson-based test. It is recommended that a cluster detected by the Poisson-based scan test should be interpreted with caution when it is not confirmed by the quasi-Poisson-based test.     

An extended power of cluster detection tests

Several tests have been proposed to detect spatial disease clustering without prior information on their locations. In order to compare the performance of these tests, most authors employ the usual power, i.e. the rejection probability of the null hypothesis of no clustering due to various reasons. However, the usual power is not always appropriate for evaluating the cluster detection tests since their purpose is to both reject the null hypothesis and identify the cluster areas accurately. In this paper, we propose an extended power of the cluster detection tests, which includes the usual power as a special case. Further, we define the profile of the extended power, which can be expected to play an important role in the evaluation and comparison of several cluster detection tests. The proposed extended power and its profile are demonstrated by two tests--Kulldorff's circular spatial scan statistic and a flexible spatial scan statistic proposed by Tango and Takahashi.     

2012年北京市手足口病时空扫描分析研究

目的探讨北京市手足口病发病时空分布特征,为手足口病预防控制提供理论依据。方法利用SaTScan 9.1.1软件进行时空扫描分析,通过ArcGIS 9.3软件呈现不同扫描半径下手足口病空间聚集区域。结果 2012年北京市累计报告手足口病病例38 528例,年均发病率为190.86/10万。通过时空扫描分析发现,2012年大兴区为手足口病发病最可能聚集区域,聚集时间可能为5月23～29日和6月1～7日。结论 2012年北京市手足口病高发地区存在明显空间区域性,时空扫描分析方法较好地分析北京市手足口病高发重点区域,为防控工作提供技术支持。     

A flexibly shaped spatial scan statistic for detecting clusters

Background

The spatial scan statistic proposed by Kulldorff has been applied to a wide variety of epidemiological studies for cluster detection. This scan statistic, however, uses a circular window to define the potential cluster areas and thus has difficulty in correctly detecting actual noncircular clusters. A recent proposal by Duczmal and Assunção for detecting noncircular clusters is shown to detect a cluster of very irregular shape that is much larger than the true cluster in our experiences.

Methods

We propose a flexibly shaped spatial scan statistic that can detect irregular shaped clusters within relatively small neighborhoods of each region. The performance of the proposed spatial scan statistic is compared to that of Kulldorff's circular spatial scan statistic with Monte Carlo simulation by considering several circular and noncircular hot-spot cluster models. For comparison, we also propose a new bivariate power distribution classified by the number of regions detected as the most likely cluster and the number of hot-spot regions included in the most likely cluster.

Results

The circular spatial scan statistics shows a high level of accuracy in detecting circular clusters exactly. The proposed spatial scan statistic is shown to have good usual powers plus the ability to detect the noncircular hot-spot clusters more accurately than the circular one.

Conclusion

The proposed spatial scan statistic is shown to work well for small to moderate cluster size, up to say 30. For larger cluster sizes, the method is not practically feasible and a more efficient algorithm is needed.

     

An elliptic spatial scan statistic

The spatial scan statistic is commonly used for geographical disease cluster detection, cluster evaluation and disease surveillance. The most commonly used shape of the scanning window is circular. In this paper we explore an elliptic version of the spatial scan statistic, using a scanning window of variable location, shape (eccentricity), angle and size, and with and without an eccentricity penalty. The method is applied to breast cancer mortality data from Northeastern United States and female oral cancer mortality in the United States. Power comparisons are made with the circular scan statistic.     

A functional-model-adjusted spatial scan statistic

This paper introduces a new spatial scan statistic designed to adjust cluster detection for longitudinal confounding factors indexed in space. The functional-model-adjusted statistic was developed using generalized functional linear models in which longitudinal confounding factors were considered to be functional covariates. A general framework was developed for application to various probability models. Application to a Poisson model showed that the new method is equivalent to a conventional spatial scan statistic that adjusts the underlying population for covariates. In a simulation study with single and multiple covariate models, we found that our new method adjusts the cluster detection procedure more accurately than other methods. Use of the new spatial scan statistic was illustrated by analyzing data on premature mortality in France over the period from 1998 to 2013, with the quarterly unemployment rate as a longitudinal confounding factor.     

A spatial scan statistic for nonisotropic two-level risk cluster

Spatial scan statistic methods are commonly used for geographical disease surveillance and cluster detection. The standard spatial scan statistic does not model any variability in the underlying risks of subregions belonging to a detected cluster. For a multilevel risk cluster, the isotonic spatial scan statistic could model a centralized high-risk kernel in the cluster. Because variations in disease risks are anisotropic owing to different social, economical, or transport factors, the real high-risk kernel will not necessarily take the central place in a whole cluster area. We propose a spatial scan statistic for a nonisotropic two-level risk cluster, which could be used to detect a whole cluster and a noncentralized high-risk kernel within the cluster simultaneously. The performance of the three methods was evaluated through an intensive simulation study. Our proposed nonisotropic two-level method showed better power and geographical precision with two-level risk cluster scenarios, especially for a noncentralized high-risk kernel. Our proposed method is illustrated using the hand-foot-mouth disease data in Pingdu City, Shandong, China in May 2009, compared with two other methods. In this practical study, the nonisotropic two-level method is the only way to precisely detect a high-risk area in a detected whole cluster.