Στατιστικές τεχνικές για την έγκαιρη ανίχνευση των μεταβολών δραστηριότητας της γρίπης, Ελλάδα, περίοδοι γρίπης 2010-2015

Εισαγωγή

Τα συστήματα παρατηρητών νοσηρότητας στην Πρωτοβάθμια Φροντίδα Υγείας (ΠΦΥ), μέσα από τις διαδικασίες καταχώρησης, επεξεργασίας, ανάλυσης και εξαγωγής αποτελεσμάτων-συμπερασμάτων, παρέχουν γενικές κατευθυντήριες γραμμές για τη βέλτιστη λήψη αποφάσεων στις υπηρεσίες υγείας. Τα δίκτυα παρατηρητών νοσηρότητας στην ΠΦΥ ή δίκτυα Sentinel αποτελούν την πιο σημαντική πηγή επιδημιολογικών δεδομένων νοσημάτων πρωτοβάθμιας περίθαλψης. Μέσω του δικτύου Sentinel καταγράφεται δειγματοληπτικά η εξέλιξη της συχνότητας ορισμένων νοσημάτων με βάση κλινικές διαγνώσεις. Σε αυτά περιλαμβάνονται και η γρίπη, ή καλύτερα, οι κλινικές εκδηλώσεις που είναι συμβατές με γρίπη (γριπώδης συνδρομή).

Στην Ελλάδα, λειτουργεί σύστημα παρατηρητών νοσηρότητας από το 1999 και στηρίζεται στην εθελοντική συμμετοχή παθολόγων, γενικών ιατρών και παιδιάτρων της ΠΦΥ σε όλη την Ελλάδα. Η μελέτη της εξέλιξης της δραστηριότητας της γρίπης αποτελεί μείζον θέμα για τη δημόσια υγεία. Η ανίχνευση των μεταβολών στη δραστηριότητα της γρίπης απαιτεί την ύπαρξη χρονοσειρών δεδομένων συστηματικής επιδημιολογικής επιτήρησης και την εφαρμογή προηγμένων στατιστικών μεθόδων ανάλυσης, δεδομένου ότι τα χρονικά διαστήματα κορύφωσής της ποικίλλουν.

Βασικοί στόχοι της παρούσας μελέτης ήταν
1. η πρόβλεψη του χρονικού διαστήματος που αναμένεται κορύφωση του επιδημικού κύματος και η εκτίμηση της συνολικής διάρκειάς του με βάση τα διαθέσιμα δεδομένα προηγούμενων χρονικών περιόδων (αναδρομική ανάλυση), 2. η έγκαιρη ανίχνευση πιθανού επιδημικού κύματος (βραχυπρόθεσμη ανάλυση), και 3. ο εμπειρικός καθορισμός ενός βέλτιστου επιδημικού κατωφλιού.

Τα στοιχεία για το επιτηρούμενο νόσημα της γριπώδους συνδρομής συλλέγονται σε εβδομαδιαία βάση από το Τμήμα Επιδημιολογικής Επιτήρησης και Παρέμβασης του ΚΕΕΛΠΝΟ μέσω του δικτύου Sentinel.

Ο εβδομαδιαίος εκτιμώμενος αριθμός κρουσμάτων γριπώδους συνδρομής ανά 1,000 επισκέψεις στο σύνολο της χώρας (influenza-like illness rate (ILI) rate) για τη χρονική περίοδο 4-Οκτ-2010 έως 17-Μαϊ-2015, χρησιμοποιήθηκε για τους σκοπούς της ανάλυσης, με κύριο σκοπό να προσδιοριστούν οι εβδομάδες έναρξης και λήξης των εξάρσεων της γρίπης που σηματοδοτούνται τις τελευταίες πέντε περιόδους γρίπης, και να καθοριστεί εμπειρικά ένα βέλτιστο επιδημικό κατώφλι.

 

Μεθοδολογία

Μετά την ολοκλήρωση της αναδιοργάνωσης και των αλλαγών στις λειτουργικές παραμέτρους του δικτύου Sentinel, τη χρονική περίοδο 2014-2015, στο πλαίσιο του Επιχειρησιακού Προγράμματος “Ανάπτυξη Ανθρώπινου Δυναμικού” του Εθνικού Στρατηγικού Πλαισίου Αναφοράς (ΕΣΠΑ) 2007-2013, πράξη “Δικτύωση Φορέων Πρωτοβάθμιας Περίθαλψης (Ιδιωτικών και Δημόσιων) σε Πανελλαδική Κλίμακα για την Επιδημιολογική Επιτήρηση και τον Έλεγχο Μεταδοτικών Νοσημάτων”, τα δεδομένα του δικτύου επιτήρησης Sentinel δεν θεωρούνται συγκρίσιμα με αυτά των παρελθόντων ετών. Γι’ αυτό, αρχικά διεξήχθη αναδρομική ανάλυση των τελευταίων τεσσάρων περιόδων γρίπης (εβδ40/2010-εβδ39/2014), ενώ για την περίοδο 2014-2015 διεξήχθη ξεχωριστά βραχυπρόθεσμη ανάλυση βασισμένη σε ένα μοντέλο προσαρμοσμένο στα ιστορικά δεδομένα τουλάχιστον μίας περιόδου γρίπης (εβδ40/2014-εβδ20/2015). Οι στατιστικές μέθοδοι ανάλυσης της περιοδικής παλινδρόμησης και του στατιστικού ελέγχου διεργασιών εφαρμόστηκαν για το σκοπό αυτό.

Ο εβδομαδιαίος εκτιμώμενος αριθμός κρουσμάτων γριπώδους συνδρομής ανά 1,000 επισκέψεις (ILI rate) αποτελεί χρονοσειρά με χαρακτηριστικές ιδιότητες την τάση (τείνει να αυξάνεται/μειώνεται για συγκεκριμένο χρονικό διάστημα) και την εποχικότητα (εποχιακές μεταβολές). Στην παλινδρομική εξίσωση, η τάση συνήθως μοντελοποιείται χρησιμοποιώντας ένα γραμμικό όρο ή ένα πολυώνυμο (2ου ή 3ου βαθμού), και η εποχικότητα μοντελοποιείται χρησιμοποιώντας όρους ημιτόνων και συνημιτόνων, θεωρώντας συνήθως ως περίοδο τον ένα χρόνο, τους 6 ή 3 μήνες.

Στο μοντέλο έχουμε ως εξαρτημένη μεταβλητή τις τιμές της χρονολογικής σειράς (ILI rate) και ως ανεξάρτητη μεταβλητή την υπό μελέτη κάθε φορά χρονική περίοδο. Στην παρούσα μελέτη, για κάθε μία από τις δύο αναλύσεις (αναδρομική και βραχυπρόθεσμη) ακολουθήσαμε μία εξαντλητική διαδικασία αναζήτησης και εύρεσης βέλτιστου μοντέλου. Οι συντελεστές του μοντέλου ή συντελεστές παλινδρόμησης εκτιμώνται μέσω της μεθόδου παλινδρόμησης ελαχίστων τετραγώνων. Ως κριτήριο επιλογής βέλτιστου μοντέλου χρησιμοποιήσαμε το κριτήριο πληροφορίας AIC (Akaike Information Criterion). Υπολογίζοντας το κριτήριο AIC για ικανά μεγάλο αριθμό μοντέλων (όπως φαίνεται στην Εικ. 1), τελικά επιλέχθηκε ως βέλτιστο το μοντέλο με τη μικρότερη τιμή AIC, δηλ. το μοντέλο με το μικρότερο σφάλμα και με την καλύτερη δυνατή προσαρμογή στα δεδομένα μας. Στην αναδρομική ανάλυση ως βέλτιστο μοντέλο επιλέχθηκε το Μ21 και στη βραχυπρόθεσμη το μοντέλο Μ11, αντίστοιχα (βλ. Εικ. 1).

                                                                                                                   

Εικόνα 1: Μοντέλα περιοδικής παλινδρόμησης (Pelat et al. 2007)

 mar16_kt_3_1

Ο Στατιστικός Έλεγχος Διεργασιών (ΣΕΔ) αποτελεί μία συλλογή από εργαλεία χρήσιμα για το γρήγορο εντοπισμό των ειδικών αιτιών που προκαλούν μεταβλητότητα σε ένα φαινόμενο ή μια διαδικασία. Ένα τυπικό διάγραμμα ελέγχου περιέχει μία κεντρική γραμμή (Center Line), που συνήθως αναπαριστά τη μέση τιμή του υπό μελέτη χαρακτηριστικού, και δύο άλλες οριζόντιες γραμμές, το άνω όριο ελέγχου UCL (Upper Control Limit) και το κάτω όριο ελέγχου LCL (Lower Control Limit). Τα όρια ελέγχου επιλέγονται έτσι ώστε αν η διαδικασία είναι υπό στατιστικό έλεγχο, τότε σχεδόν όλα τα σημεία του δείγματος βρίσκονται εντός αυτών των δύο γραμμών. Αν κάποιο σημείο βρεθεί εκτός των προαναφερθεισών γραμμών (LCL, UCL), η διαδικασία καθίσταται εκτός ελέγχου και απαιτούνται ενέργειες, για να βρεθούν οι αιτίες μεταβλητότητας. Τα σημεία του δείγματος σε ένα τυπικό διάγραμμα ελέγχου συνδέονται με μία ευθεία γραμμή, ούτως ώστε να απεικονίζεται ευκολότερα η εξέλιξη της ακολουθίας στο χρόνο.

Στη μελέτη μας, θεωρήσαμε τα U διαγράμματα ελέγχου, στα οποία η βασική υπόθεση που κάνουμε είναι ότι ο αριθμός κρουσμάτων ανά 1000 επισκέψεις για το σύνολο της χώρας ακολουθεί την κατανομή Poisson. Η επιλογή των U διαγραμμάτων ελέγχου έγινε βάσει συστάσεων της διεθνούς βιβλιογραφίας.

 

Αποτελέσματα

Η αναδρομική ανάλυση, είτε μέσω της παλινδρόμησης είτε μέσω του ΣΕΔ απέδωσε ταυτόσημα αποτελέσματα για τις εβδομάδες έναρξης (sw) και λήξης (ew) έξαρσης της γρίπης (sw03-ew09/2011, sw05-ew13/2012, sw05-ew12/2013 και sw03-ew13/2014 για τις τέσσερις παρελθοντικές περιόδους γρίπης, αντίστοιχα), και παρόμοια αποτελέσματα για το επιδημικό κατώφλι (28.79 και 27.97 για την παλινδρόμηση και τον ΣΕΔ, αντίστοιχα). Εντούτοις, παρατηρήθηκαν διαφορές στη βραχυπρόθεσμη ανάλυση τόσο για τις εβδομάδες έναρξης και λήξης έξαρσης της γρίπης όσο και για το επιδημικό κατώφλι (sw04-ew09/2015 και 15149 για την παλινδρόμηση, sw01-ew11/2015 και 12899 για τον ΣΕΔ, αντίστοιχα).

Στην Εικόνα 2, απεικονίζονται οι επιδημικές καμπύλες για την αναδρομική ανάλυση, και οι αντίστοιχες εβδομάδες έναρξης και λήξης έξαρσης της γρίπης των υπό μελέτη χρονικών περιόδων (με τη χρήση χρωματιστών κουκίδων στον οριζόντιο άξονα).

 

Εικόνα 2: Αναδρομική ανάλυση (εβδ 40/2010 – εβδ 39/2014)

mar16_kt_3_2

Στην Εικόνα 3, απεικονίζεται η επιδημική καμπύλη για τη βραχυπρόθεσμη ανάλυση, και οι εβδομάδες έναρξης και λήξης έξαρσης της γρίπης για τη χρονική περίοδο 2014-2015 (οι μπλε κουκίδες αντιστοιχούν στην παλινδρόμηση και οι πράσινες κουκίδες στον ΣΕΔ).

 

Εικόνα 3: Βραχυπρόθεσμη ανάλυση (εβδ40/2014 – εβδ20/2015)

mar16_kt_3_3

Συμπεράσματα

Συμπερασματικά, η αναδρομική ανάλυση, είτε με χρήση της παλινδρόμησης είτε του ΣΕΔ, απέδωσε παρόμοια αποτελέσματα για τις εβδομάδες έναρξης και λήξης έξαρσης της γρίπης καθώς και για το επιδημικό κατώφλι, ενώ παρατηρήθηκαν διαφορές στη βραχυπρόθεσμη ανάλυση, όπου η μέθοδος της παλινδρόμησης ανιχνεύει ως επιδημική την περίοδο μεταξύ των δύο κορυφών του επιδημικού κύματος, ενώ η μέθοδος του ΣΕΔ επιτυγχάνει να ανιχνεύσει την έναρξη και λήξη του επιδημικού κύματος συμπεριλαμβανομένων και των εβδομάδων κορύφωσης της γρίπης.

 

Βιβλιογραφία
  1. J.C. Benneyan, Statistical quality control methods in infection control and hospital epidemiology, Part 1: introduction and basic theory, Infection Control and Hospital Epidemiology, (1998), 19:3, pp. 194-214.
  2. J.C. Benneyan, Statistical quality control methods in infection control and hospital epidemiology, Part 2: chart use, statistical properties, and research issues, Infection Control and Hospital Epidemiology, (1998), 19:3, pp. 265-277.
  3. D.C. Montgomery, Introduction to Statistical Quality Control, 2nd edn., John Wiley and Sons, New York, 1991.
  4. C. Pelat, P.-Y. Boëlle, B.J. Cowling, F. Carrat, A. Flahault, S. Ansart, and A.-J. Valleron, Online detection and quantification of epidemics, BMC Medical Informatics and Decision Making, (2007), 7:29, DOI: 10.1186/1472-6947-7-29.

 

Χριστίνα Παρπούλα, Α. Λάμπρου, Κ. Γκολφινοπούλου, Λ. Βενέτη, Μ. Παντελικίζη, Μ. Ποταμίτη-Κόμη, Ε. Τερζάκη, Θ. Γεωργακοπούλου, Α. Μπάκα, Χ. Χατζηχριστοδούλου,

Τμήμα Επιδημιολογικής Επιτήρησης και Παρέμβασης, Κέντρο Ελέγχου και Πρόληψης Νοσημάτων, Αθήνα
Εργαστήριο Υγιεινής και Επιδημιολογίας, Τμήμα Ιατρικής, Πανεπιστήμιο Θεσσαλίας, Λάρισα

Tagged on: