SS101: Module 2 Russian Translation

Синдромный надзор 101 Введение в синдромный надзор для клиницистов и практиков общественного здравоохранения Международное общество надзора за заболеваниями 2011 г.

Синдромный надзор 101 Руководители курса : Ларисса Мей, доктор медицины Джули Пэвлин, доктор медицины, кандидат наук Под редакцией Джозефа Сан Франческо, бакалавра естественных наук

Значение курсов повышения квалификации Врачи: Данная деятельность была разработана и реализована в соответствии с основными сферами и стратегиями Аккредитационного совета по непрерывному медицинскому образованию (АСНМО) при совместной спонсорской поддержке школы медицины Университета Тафтса (ШМУТ), Института здравоохранения Тафтса и Международного общества по надзору за заболеваниями. ШМУТ имеет аккредитацию в АСНМО для предоставления непрерывного медицинского образования врачам. Школа медицины Университета Тафтса предполагает данные курсы для получения максимум сертификата с кредитом (зачетом) 1 категории, выдаваемого Американской медицинской ассоциацией врачам, прошедшим курсы повышения квалификации («1 AMA PRA Category 1 Credit ™ ») . Врачи могут требовать только кредит той категории, которая соответствует их участию в обучении. Медсестры: Факультет непрерывного образования школы медицины Университета Тафтса аккредитован в качестве поставщика непрерывного образования для медсестер Аккредитационной комиссией Американской ассоциации медсестер. Данный курс предусматривает 1.0 занятие инструктора непосредственно с медсестрами.

Значение курсов повышения квалификации Для получения зачета по непрерывному образованию, слушатели должны полностью ознакомиться с программой, получить минимальный балл 80% по тесту после обучения, и заполнить форму оценки. Сертификаты будут составляться в электронной форме после успешного завершения курса. Для получения доступа к тесту и оценке, а также сертификата, вернитесь на наш веб-страницу.

Оценка систем синдромного надзора Майкл А . Стото , кандидат наук Профессор кафедры управления системами общественного здравоохранения, школы медсестринского дела и медицинских исследований Университета Джорджтауна

Задачи обучения По завершении данного доклада, слушатель должен уметь: Сформулировать цели оценки систем синдромного надзора Определить основные аспекты качества данных, включая, своевременность, полноту, точность и репрезентативность Описать «за» и «против» анализа реальных событий и модельных исследований в качестве инструментов оценки Применять такие критерии исполнения, как чувствительность, относительное число ложно позитивных заключений, и временные шкалы Охарактеризовать полезность систем синдромного надзора

Оценка чего ? Не того работает ли синдромный надзор Скорее, оценка Качества данных Статистической характеристики Полезности системы: помогает ли система СН Более быстро распознавать события Более быстро характеризовать происшествия Улучшать реагирование системы общественного здравоохранения

Начать с описания системы Определить цели, заинтересованные стороны и операции Использовать концептуальную модель

Качество данных Относительно данных, используемых для электронных систем надзора Своевременность – задержки на разных этапах заполненность – частота пробелов точность - кодов, и т.п. Репрезентативность – точное распределение случаев по времени, месту и лицам

Выявление случаев Своевременность (увязано с моментом первого контакта) Начало проявления симптомов Начало измеряемых действий закупка медикаментов без рецепта , сообщение о заболевании , обращение за медицинской помощью , заказ лабораторных тестов регистрация данных соответствующим учреждением включая время необходимое для обработки данных и производства файлов для использования общественным здравоохранением Передача данных системам надзора общественного здравоохранения Применение алгоритмов выявления Выработка автоматизированных сигналов тревоги

Достоверность Способность идентифицировать события , гарантирующая своевременное привлечение внимания общественного здравоохранения с целью эффективного реагирования Требует операционального определения события То требует ли то или иное событие внимания со стороны общественного здравоохранения зависит от Тяжести и коммуникабельности состояния Уверенности в диагнозе Наличия вариантов эффективной профилактики и контроля Наличия ресурсов для реагирования

Вопросы по оценке Какие события выявляемы ? Характеристики события определяют чувствительность , ложно - положительность и своевременность Выявление зависит от Масштабов, коэффициента роста, времени Симптомов, географической разбросанности Могут ли более изощренные методы быть эффективнее простых методов? Почему, какие, при каких обстоятельствах?

Показатели работоспособности Чувствительность, относительное число ложно позитивных заключений, своевременность Чувствительноть/специфичность, как функция порога: рабочие характеристики получателя (РХП) Своевременность/специфичность, как функция порога: рабочие характеристики мониторинга действия (РХМД)

Подходы к оценке Ретроспективный или перспективный анализы реальных событий За : реалистичный Может проверить , как работает система в условиях реальной практики Против : Каков золотой стандарт В любом массиве данных , может быть сложно узнать , какие события являются реальными , представляющими интерес Они могли быть упущены при использовании традиционных методов, но использование СН для их определения является круговым Против: Не может контролировать типы событий поэтому, невозможно проводить стандартизированные события между системами

Подходы к оценке Модельные исследования Моделируемая основа, моделируемые события За: можно контролировать и вырабатывать копии Против: сложно сконструировать реалистичные исходные данные и типы событий Реальная основа, моделируемые события За: организации могут использовать свои исходные данные За: можно варьировать типы событий: масштаб, коэффициент роста, симптомы, географический разброс Против: сложно смоделировать реалистичные события

Полезность системы Системное влияние или добавленная ценность Визуализация данных и статистических результатов Гибкость: способность системы быть адаптированной для другого использования, по мере изменения потребностей Приемлемость: желание участников и заинтересованных сторон внести вклад в сбор и анализ данных Секретность/конфиденциальность, права собственности Портативность: система может быть продублирована в других условиях Стабильность: устойчивость к изменению Стоимость: наладка, установленные и переменные эксплуатационные издержки

Ссылки Buehler JW, Hopkins RS, Overhage JM, Sosin DM, Tong V, 2004. Framework for evaluating public health surveillance systems for early detection of outbreaks: Recommendations from the CDC Working Group. MMWR, 53(RR05): 1-11. CDC. Updated guidelines for evaluating public health surveillance systems: recommendations from the guidelines working group. MMWR 2001; 50 (No. RR- 13).

Анализ данных Ховард Берком, кандидат наук Университет Джона Хопкинса Лаборатория прикладной физики

Задачи обучения По завершении данного доклада, слушатель должен уметь: Описать роль анализа данных о населении в повседневном мониторинге состояния здоровья. Определять общие подходы к выявлению временных аномалий и значительных пространственных кластеров в надзорных данных. Перечислить адаптивные методы оценки исходных данных с целью распознавания аномалий в коэффициентах контролируемых сигналов тревог. Объяснить использование алгоритма специфичности в контексте ежедневного синдромного надзора. Перечислить основополагающие принципы статистики сканирования для выявления кластеров

Усиление традиционного надзора общественного здравоохранения данными о населении, обращающимся за медицинской помощью Этапы данных: Получение Очистка (исправление ошибок, дедупликация) Синдромное фильтрование Этапы анализа: Моделирование данных (доверительный интервал) Выявление аномалии (статистика выявлений) Визуализация/сигнал тревоги Этапы реагирования: Проверка и подтверждение Протоколы расследования Контрмеры общественного здравоохранения

Усиление традиционного надзора общественного здравоохранения данными о населении, обращающимся за медицинской помощью Роль синдромных данных и анализа : Этапы данных: Получение Очистка (исправление ошибок, дедупликация) Синдромное фильтрование Этапы анализа: Моделирование данных (доверительный интервал) Выявление аномалии (статистика выявлений) Визуализация/сигнал тревоги Этапы реагирования: Проверка и подтверждение Протоколы расследования Контрмеры общественного здравоохранения

Усиление традиционного надзора общественного здравоохранения данными о населении, обращающимся за медицинской помощью Роли синдромных данных и анализа: Расширить охват дальновидного клинициста внутри и за пределами отслеживаемого населения Этапы данных: Получение Очистка (исправление ошибок, дедупликация) Синдромное фильтрование Этапы анализа: Моделирование данных (доверительный интервал) Выявление аномалии (статистика выявлений) Визуализация/сигнал тревоги Этапы реагирования: Проверка и подтверждение Протоколы расследования Контрмеры общественного здравоохранения

Усиление традиционного надзора общественного здравоохранения данными о населении, обращающимся за медицинской помощью Роли синдромных данных и анализа: Расширить охват дальновидного клинициста внутри и за пределами отслеживаемого населения «Страховочная сетка» Этапы данных: Получение Очистка (исправление ошибок, дедупликация) Синдромное фильтрование Этапы анализа: Моделирование данных (доверительный интервал) Выявление аномалии (статистика выявлений) Визуализация/сигнал тревоги Этапы реагирования: Проверка и подтверждение Протоколы расследования Контрмеры общественного здравоохранения

Усиление традиционного надзора общественного здравоохранения данными о населении, обращающимся за медицинской помощью Роли синдромных данных и анализа: Расширить охват дальновидного клинициста внутри и за пределами отслеживаемого населения «Страховочная сетка» Подтверждение и передача информации Этапы данных: Получение Очистка (исправление ошибок, дедупликация) Синдромное фильтрование Этапы анализа: Моделирование данных (доверительный интервал) Выявление аномалии (статистика выявлений) Визуализация/сигнал тревоги Этапы реагирования: Проверка и подтверждение Протоколы расследования Контрмеры общественного здравоохранения

Усиление традиционного надзора общественного здравоохранения данными о населении, обращающимся за медицинской помощью Роли синдромных данных и анализа: Расширить охват дальновидного клинициста внутри и за пределами отслеживаемого населения «Страховочная сетка» Подтверждение и передача информации Ни в коем случае не заменять традиционный контрольный надзор Этапы данных: Получение Очистка (исправление ошибок, дедупликация) Синдромное фильтрование Этапы анализа: Моделирование данных (доверительный интервал) Выявление аномалии (статистика выявлений) Визуализация/сигнал тревоги Этапы реагирования: Проверка и подтверждение Протоколы расследования Контрмеры общественного здравоохранения

Обычная дилемма наблюдателя Моделируемые данные

Обычная дилемма наблюдателя Моделируемые данные Заслуживает ли это внимания? Насколько мне проникать вглубь? Похоже ли на то, что случаи, вызвавшие тревогу связаны? Каков общий статус тревоги? Следует ли мне позвонить в больницы для подтверждения? Должен ли я уведомить вышестоящие инстанции? Следует ли мне затрачивать людские и финансовые ресурсы для расследования?

Как следует анализировать данные, чтобы распознать аномалию? Используются два основных подхода Временной ряд: собрать периодические подсчеты с указанными характеристиками, проанализировать на наличие сигналов о вспышке • Выявление временного кластера: поиск необычных пространственных или пространственно-временных распределений случаев

Мониторинг временных рядов: Отклонения от ожидаемых величин Установить ожидаемые значения (напр., подсчеты случаев) Основа: рассчитать среднюю величину от периода обучения или подвижной системы Пример: ежедневный подсчет амбулаторных посещений, классифицированный в группу синдрома Раша, с 28-дневной подвижной системой («маджента») Более сложные системы: регрессия, «волновая»

Мониторинг временных рядов: Отклонения от ожидаемых величин Определить статистические аномалии, используя отклонения от ожидаемых величин Статистические графики технического контроля Чувствительность к внезапным изменениям: гистограмма средних значений Чувствительность к постепенным изменениям: критерий CUSUM, EWMA Пример: следствия внезапных и постепенных вспышек по подсчету ежедневных визитов Статистика временного сканирования: чувствительность к разбросанным случаям при редких данных

Мониторинг временных рядов: Эффект порога тревоги

Мониторинг временных рядов: Эффект порога тревог

Адаптивная стратегия временного оповещения Потоки данных для мониторинга во времени: Время

Адаптивная стратегия временного оповещения Потоки данных для мониторинга во времени: время базовый интервал используется для получения оценки изменения обычных данных Средняя, колебание Коэффициент регрессии Ожидаемое распределение ковариаты : - пространство - возраст.категория - % жалоб/синдромов

Адаптивная стратегия временного оповещения Потоки данных для мониторинга во времени: время базовый интервал используется для получения оценки изменения обычных данных Средняя, колебание Коэффициент регрессии Ожидаемое распределение ковариаты : - пространство - возраст.категория - % жалоб/синдромов буфер Избежание загрязнения базовых показателей сигналом вспышки

Адаптивная стратегия временного оповещения Подсчеты тестируемые на аномлии Номинально 1 день Больше времени для снижения шума , тест на форму эпи - кривой Будет укорачиваться по мере улучшения получения данных Потоки данных для мониторинга во времени: время базовый интервал используется для получения оценки изменения обычных данных Средняя, колебание Коэффициент регрессии Ожидаемое распределение ковариаты : - пространство - возраст.категория - % жалоб/синдромов буфер Избежание загрязнения базовых показателей сигналом вспышки тестовый интервал

Установление подсчетов ожидаемых случаев Задача : Как учесть изменения в Сезонных тенденциях и следствиях по дням недели Модели обращения за мед.помощью Клинической практике и кодировании В больничной практике и практике розничного предприятия Подходы Расслоение: проанализировать сезоны, и дни недели отдельно Моделирование данных (регрессионные модели) Обработка сигнала (линейные фильтры) Безмодельный прогноз ( сглаживание Хольта - Уинтера )

Использование пространственной информации для выявления кластеров Чисто временные методы могут обнаружить аномалии, ЕСЛИ Вы знаете где контролировать подсчеты случаев Местоположение вспышки ? Пространственный масштаб ? Преимущества пространственно-временного расследования кластеров: Возможность раннего оповещения Отслеживание развития вспышки Идентификация групп населения, подверженных риску

Выявление значительных кластеров: Среда данных Пример : Данные – записи о пациентах из отделения неотложной помощи . Обращения, связанные с ЖК из 8 больниц Ежедневные подсчеты , зарегистрированные на почтовые индексы каждого пациента Ожидаемое пространственное распределение записей, вычисленное из переписи населения, ретроспективных данных, или моделирования Обычное применение статистики сканирования для поиска необычных кластеров

Идентификация кластеров значительных заболеваний Аномальный кластер Распределение наблюдаемых случаев Распределение ожидаемых случаев

Избранные ссылки I Алгоритмы оповещения био-надзора: Общие Burkom, H.S., Development, Adaptation, and Assessment of Alerting Algorithms for Biosurveillance, Johns Hopkins APL Technical Digest 24, 4: 335-342 (2003). Jackson ML, Baer A, Painter I, Duchin J. A simulation study comparing aberration detection algorithms for syndromic surveillance. BMC Med Inform Decis Mak. 2007 Mar Алгоритмы оповещения для временных рядов Reis BY, Mandl KD, Time series modeling for syndromic surveillance (2003). BMC Medical Informatics and Decision Making 2003, 3:2 Modeling emergency department visit patterns for infectious disease complaints: results and application to disease surveillance, Judith C Brillman , Tom Burr , David Forslund , Edward Joyce , Rick Picard and Edith Umland, BMC Medical Informatics and Decision Making 2005, 5:4, pp 1-14

Избранные ссылки, II Статистическое управление процессом 1.Wiliamson G.D. and VanBrackle, G. (1999). "A study of the average run length characteristics of the National Notifiable Diseases Surveillance System", Stat Med. 1999 Dec 15;18(23):3309-19. 2.Rogerson, P. A., and Yamada, I. (2004), "Monitoring Change in Spatial Patterns of Disease: Comparing Univariate and Multivariate Cumulative Sum Approaches," Statistics in Medicine, Vol. 23, No. 14: pp 2195-2214. Выявление кластера с использованием статистики сканирования 1.Kulldorff M, Heffernan R, Hartman J, Assuncao R, Mostashari F. PLoS Med. 2005 Feb 15;2(3):e59 A Space-Time Permutation Scan Statistic for Disease Outbreak Detection. 2.Kleinman KP, Abrams AM, Kulldorff M, Platt R. A model-adjusted space-time scan statistic with an application to syndromic surveillance. Epidemiol Infect. 2005 Jun;133(3):409-19

SS101: Module 2 Russian Translation

More Related Content

What's hot (11)

Viewers also liked (11)

Similar to SS101: Module 2 Russian Translation (20)

SS101: Module 2 Russian Translation