|
Infektionskrankheiten beeinträchtigen die öffentliche Gesundheit und erhalten besondere Aufmerksamkeit durch Epidemien. Saisonale Grippewellen und Norovirus-Ausbrüche zeigen, wie einfach sich mikroparasitäre Krankheitserreger ausbreiten können. Epidemische Modelle ermöglichen Vorhersagen und tragen zum Verständnis der Krankheitsausbreitung bei. Daher werden sie zunehmend für gesundheitspolitische Entscheidungen herangezogen. Ursprünglich bestanden epidemische Modelle aus mathematischen Beschreibungen des Zeitverlaufs der Anzahl anfälliger, infizierter, und genesener Individuen einer Population. Durch etablierte Gesundheitsüberwachungssysteme werden jedoch räumlich aufgelöste Daten zum Auftreten von Infektionskrankheiten leichter verfügbar. Dies ermöglicht räumlich-zeitliche epidemische Modelle, statistische Inferenz, und letztendlich räumliche Vorhersagen. Durch Regressionsansätze kann beurteilt werden, wie Umweltfaktoren, sozioökonomische Merkmale oder Durchimpfungsraten die endemische und epidemische Verbreitung beeinflussen. Aufbauend auf bestehenden Modellierungsansätzen für räumlich-zeitliche Überwachungsdaten erforscht diese Doktorarbeit, wie die Bevölkerungsstruktur und ihre Kontaktmuster besser berücksichtigt werden können. Insbesondere ist bekannt, dass menschliches Reiseverhalten einem Potenzgesetz in Bezug auf die zurückgelegte Distanz folgt. Zudem zeigen Studien zu sozialen Kontakten eine stark strukturierte Durchmischung der Altersgruppen. Wir formulieren zunächst ein räumliches Potenzgesetz im Rahmen von zwei endemisch-epidemischen Modellen: ein räumlich-zeitlicher Punktprozess für Individualdaten und ein Zeitreihenmodell für regionale Fallzahlen. Anwendungen der so erweiterten Modelle auf Fälle invasiver Meningokokken-Erkrankungen bzw. Influenza-Fallzahlen zeigen, dass die Potenzgesetze tatsächlich durch die Daten gestützt werden und sich die Modellgüte und Vorhersagen deutlich verbessern. In einem weiteren Schritt verallgemeinern wir das räumliche Zeitreihenmodell auf mehrfach geschichtete Zähldaten. Wir zeigen, wie eine empirisch abgeleitete Kontaktmatrix die Übertragungsgewichte im Modell steuern kann. In einer Fallstudie zur Ausbreitung von Norovirus-Gastroenteritis über Stadtteile und Altersgruppen führt die vorgeschlagene Kontaktstruktur zu einer Modellverbesserung gegenüber der sonst üblichen Annahme homogener Kontakte zwischen Altersgruppen. Die Ätiologie einiger Krankheiten ist noch weitgehend unbekannt. Es ist unklar, ob soziale Kontakte oder räumliche Nähe zu einem Erkrankten das Risiko für die eigene Erkrankung erhöhen. In einer Fallstudie zu psychiatrischen stationären Aufnahmen entwickeln wir einen statistischen Test für Raum-Zeit-Interaktion, der in den obigen Punktprozess-Regressionsansatz eingebettet ist und somit an regionale sozioökonomische Merkmale angepasst werden kann. Alle entwickelten statistischen Methoden sind in gut dokumentierten, quelloffenen R-Paketen implementiert. Die Doktorarbeit enthält auch einen anschaulichen Leitfaden, der die Anwendung der Methoden in anderen Projekten erleichtert. Infectious diseases affect public health and regularly gain attention during epidemics. Seasonal waves of influenza and norovirus outbreaks demonstrate the ease of epidemic spread of microparasitic pathogens. Epidemic models enable predictions and support the understanding of infectious disease spread. They are increasingly recognized as a useful tool to inform public health policies. Epidemic models originally consisted of mathematical descriptions of the number of susceptible, infected, and recovered individuals in a population over time. However, spatial data on infectious disease occurrence are becoming more readily available from established public health surveillance systems. This enables spatiotemporal epidemic modelling, statistical inference, and thus spatial predictions. Regression approaches for such models allow us to assess the role of environmental factors, socioeconomic characteristics, or vaccination coverage in shaping endemic and epidemic disease dynamics. Building on existing modelling frameworks for spatiotemporal surveillance data, this thesis seeks methods to better account for population structure and contact patterns. In particular, it is known that human travel behaviour follows a power law with respect to distance. Furthermore, social contact surveys reveal a highly structured mixing of age groups. We first incorporate a spatial power law in two endemic-epidemic models: a spatio-temporal point process for individual-level data and a time-series model for areal-level counts. Applying the extended models to cases of invasive meningococcal disease and counts of influenza, we show that the power-law formulations are indeed supported by the data and lead to substantial improvements of model fits and predictions. In a further step, we adapt the areal time-series model to stratified count data. We show how an empirically-derived social contact matrix can inform transmission weights in the model. In a case study on the spread of norovirus gastroenteritis across city districts and age groups, the proposed contact structure outperforms the otherwise commonly used assumption of homogeneous mixing between age groups. The etiology of some diseases is not yet well-established. It is unclear whether social contact or spatial proximity to a case elevates the risk of attracting the disease. In a case study on psychiatric inpatient admissions, we develop a statistical test for space-time interaction, which is embedded in the above point process regression approach and can thus be adjusted for regional socio-economic characteristics. All developed statistical methods are implemented in well-documented open-source R packages. The thesis also contains an illustrative guide to facilitate application of the methods in other projects
|
