Иисус исцеляет слепорожденного (Jesus Heals the Blind Man - Russian Translation)
SS101: Module 2 Russian Translation
-
Upload
isdssyndromic -
Category
Documents
-
view
299 -
download
1
Transcript of SS101: Module 2 Russian Translation
![Page 1: SS101: Module 2 Russian Translation](https://reader034.fdocuments.net/reader034/viewer/2022052622/5596ea851a28abe81d8b4678/html5/thumbnails/1.jpg)
Синдромный надзор 101Введение в синдромный надзор для
клиницистов и практиков общественного здравоохранения
Международное общество надзора за заболеваниями 2011 г.
![Page 2: SS101: Module 2 Russian Translation](https://reader034.fdocuments.net/reader034/viewer/2022052622/5596ea851a28abe81d8b4678/html5/thumbnails/2.jpg)
Синдромный надзор 101
• Руководители курса:– Ларисса Мей, доктор медицины – Джули Пэвлин, доктор медицины, кандидат
наук – Под редакцией Джозефа Сан Франческо,
бакалавра естественных наук
![Page 3: SS101: Module 2 Russian Translation](https://reader034.fdocuments.net/reader034/viewer/2022052622/5596ea851a28abe81d8b4678/html5/thumbnails/3.jpg)
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 («1AMA 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.
![Page 4: SS101: Module 2 Russian Translation](https://reader034.fdocuments.net/reader034/viewer/2022052622/5596ea851a28abe81d8b4678/html5/thumbnails/4.jpg)
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.
![Page 5: SS101: Module 2 Russian Translation](https://reader034.fdocuments.net/reader034/viewer/2022052622/5596ea851a28abe81d8b4678/html5/thumbnails/5.jpg)
Модуль 2
![Page 6: SS101: Module 2 Russian Translation](https://reader034.fdocuments.net/reader034/viewer/2022052622/5596ea851a28abe81d8b4678/html5/thumbnails/6.jpg)
Оценка систем синдромного надзора
Майкл А. Стото, кандидат наук Профессор кафедры управления системами
общественного здравоохранения, школы медсестринского дела и медицинских
исследований Университета Джорджтауна
![Page 7: SS101: Module 2 Russian Translation](https://reader034.fdocuments.net/reader034/viewer/2022052622/5596ea851a28abe81d8b4678/html5/thumbnails/7.jpg)
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
![Page 8: SS101: Module 2 Russian Translation](https://reader034.fdocuments.net/reader034/viewer/2022052622/5596ea851a28abe81d8b4678/html5/thumbnails/8.jpg)
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
![Page 9: SS101: Module 2 Russian Translation](https://reader034.fdocuments.net/reader034/viewer/2022052622/5596ea851a28abe81d8b4678/html5/thumbnails/9.jpg)
Начать с описания системы
• Определить цели, заинтересованные стороны и операции
• Использовать концептуальную модель
![Page 10: SS101: Module 2 Russian Translation](https://reader034.fdocuments.net/reader034/viewer/2022052622/5596ea851a28abe81d8b4678/html5/thumbnails/10.jpg)
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
![Page 11: SS101: Module 2 Russian Translation](https://reader034.fdocuments.net/reader034/viewer/2022052622/5596ea851a28abe81d8b4678/html5/thumbnails/11.jpg)
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
![Page 12: SS101: Module 2 Russian Translation](https://reader034.fdocuments.net/reader034/viewer/2022052622/5596ea851a28abe81d8b4678/html5/thumbnails/12.jpg)
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
![Page 13: SS101: Module 2 Russian Translation](https://reader034.fdocuments.net/reader034/viewer/2022052622/5596ea851a28abe81d8b4678/html5/thumbnails/13.jpg)
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?
![Page 14: SS101: Module 2 Russian Translation](https://reader034.fdocuments.net/reader034/viewer/2022052622/5596ea851a28abe81d8b4678/html5/thumbnails/14.jpg)
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)
![Page 15: SS101: Module 2 Russian Translation](https://reader034.fdocuments.net/reader034/viewer/2022052622/5596ea851a28abe81d8b4678/html5/thumbnails/15.jpg)
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
![Page 16: SS101: Module 2 Russian Translation](https://reader034.fdocuments.net/reader034/viewer/2022052622/5596ea851a28abe81d8b4678/html5/thumbnails/16.jpg)
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
![Page 17: SS101: Module 2 Russian Translation](https://reader034.fdocuments.net/reader034/viewer/2022052622/5596ea851a28abe81d8b4678/html5/thumbnails/17.jpg)
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
![Page 18: SS101: Module 2 Russian Translation](https://reader034.fdocuments.net/reader034/viewer/2022052622/5596ea851a28abe81d8b4678/html5/thumbnails/18.jpg)
Ссылки
• Buehler JW, Hopkins RS, Overhage JM,Sosin DM, Tong V, 2004. Framework forevaluating public health surveillancesystems for early detection of outbreaks:Recommendations from the CDC WorkingGroup. MMWR, 53(RR05): 1-11.
• CDC. Updated guidelines for evaluatingpublic health surveillance systems:recommendations from the guidelinesworking group. MMWR 2001; 50 (No. RR-13).
![Page 19: SS101: Module 2 Russian Translation](https://reader034.fdocuments.net/reader034/viewer/2022052622/5596ea851a28abe81d8b4678/html5/thumbnails/19.jpg)
Анализ данных
Ховард Берком, кандидат наукУниверситет Джона Хопкинса
Лаборатория прикладной физики
![Page 20: SS101: Module 2 Russian Translation](https://reader034.fdocuments.net/reader034/viewer/2022052622/5596ea851a28abe81d8b4678/html5/thumbnails/20.jpg)
Задачи обучения
По завершении данного доклада, слушатель должен уметь:
2. Описать роль анализа данных о населении в повседневном мониторинге состояния здоровья.
3. Определять общие подходы к выявлению временных аномалий и значительных пространственных кластеров в надзорных данных.
4. Перечислить адаптивные методы оценки исходных данных с целью распознавания аномалий в коэффициентах контролируемых сигналов тревог.
5. Объяснить использование алгоритма специфичности в контексте ежедневного синдромного надзора.
6. Перечислить основополагающие принципы статистики сканирования для выявления кластеров
![Page 21: SS101: Module 2 Russian Translation](https://reader034.fdocuments.net/reader034/viewer/2022052622/5596ea851a28abe81d8b4678/html5/thumbnails/21.jpg)
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
![Page 22: SS101: Module 2 Russian Translation](https://reader034.fdocuments.net/reader034/viewer/2022052622/5596ea851a28abe81d8b4678/html5/thumbnails/22.jpg)
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
Роль синдромных данных и анализа:
![Page 23: SS101: Module 2 Russian Translation](https://reader034.fdocuments.net/reader034/viewer/2022052622/5596ea851a28abe81d8b4678/html5/thumbnails/23.jpg)
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
Роли синдромных данных и анализа:
●Расширить охват дальновидного клинициста внутри и за пределами отслеживаемого населения
![Page 24: SS101: Module 2 Russian Translation](https://reader034.fdocuments.net/reader034/viewer/2022052622/5596ea851a28abe81d8b4678/html5/thumbnails/24.jpg)
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
Роли синдромных данных и анализа:
●Расширить охват дальновидного клинициста внутри и за пределами отслеживаемого населения●«Страховочная сетка»
![Page 25: SS101: Module 2 Russian Translation](https://reader034.fdocuments.net/reader034/viewer/2022052622/5596ea851a28abe81d8b4678/html5/thumbnails/25.jpg)
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
Роли синдромных данных и анализа:
●Расширить охват дальновидного клинициста внутри и за пределами отслеживаемого населения●«Страховочная сетка»●Подтверждение и передача информации
![Page 26: SS101: Module 2 Russian Translation](https://reader034.fdocuments.net/reader034/viewer/2022052622/5596ea851a28abe81d8b4678/html5/thumbnails/26.jpg)
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
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
![Page 27: SS101: Module 2 Russian Translation](https://reader034.fdocuments.net/reader034/viewer/2022052622/5596ea851a28abe81d8b4678/html5/thumbnails/27.jpg)
Обычная дилемма наблюдателя
Моделируемые данные
![Page 28: SS101: Module 2 Russian Translation](https://reader034.fdocuments.net/reader034/viewer/2022052622/5596ea851a28abe81d8b4678/html5/thumbnails/28.jpg)
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?
![Page 29: SS101: Module 2 Russian Translation](https://reader034.fdocuments.net/reader034/viewer/2022052622/5596ea851a28abe81d8b4678/html5/thumbnails/29.jpg)
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
![Page 30: SS101: Module 2 Russian Translation](https://reader034.fdocuments.net/reader034/viewer/2022052622/5596ea851a28abe81d8b4678/html5/thumbnails/30.jpg)
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»
![Page 31: SS101: Module 2 Russian Translation](https://reader034.fdocuments.net/reader034/viewer/2022052622/5596ea851a28abe81d8b4678/html5/thumbnails/31.jpg)
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
![Page 32: SS101: Module 2 Russian Translation](https://reader034.fdocuments.net/reader034/viewer/2022052622/5596ea851a28abe81d8b4678/html5/thumbnails/32.jpg)
Мониторинг временных рядов: Эффект порога тревоги
![Page 33: SS101: Module 2 Russian Translation](https://reader034.fdocuments.net/reader034/viewer/2022052622/5596ea851a28abe81d8b4678/html5/thumbnails/33.jpg)
Мониторинг временных рядов: Эффект порога тревог
![Page 34: SS101: Module 2 Russian Translation](https://reader034.fdocuments.net/reader034/viewer/2022052622/5596ea851a28abe81d8b4678/html5/thumbnails/34.jpg)
Мониторинг временных рядов: Эффект порога тревог
![Page 35: SS101: Module 2 Russian Translation](https://reader034.fdocuments.net/reader034/viewer/2022052622/5596ea851a28abe81d8b4678/html5/thumbnails/35.jpg)
Адаптивная стратегия временного оповещения
Потоки данных для мониторинга во времени:
Время
![Page 36: SS101: Module 2 Russian Translation](https://reader034.fdocuments.net/reader034/viewer/2022052622/5596ea851a28abe81d8b4678/html5/thumbnails/36.jpg)
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
![Page 37: SS101: Module 2 Russian Translation](https://reader034.fdocuments.net/reader034/viewer/2022052622/5596ea851a28abe81d8b4678/html5/thumbnails/37.jpg)
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
Избежаниезагрязнения базовых показателей сигналом вспышки
![Page 38: SS101: Module 2 Russian Translation](https://reader034.fdocuments.net/reader034/viewer/2022052622/5596ea851a28abe81d8b4678/html5/thumbnails/38.jpg)
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
Избежаниезагрязнения базовых показателей сигналом вспышки
тестовый интервал
• Подсчеты тестируемые на аномлии
• Номинально 1 день• Больше времени
для снижения шума, тест на форму эпи-кривой
• Будет укорачиваться по мере улучшения получения данных
![Page 39: SS101: Module 2 Russian Translation](https://reader034.fdocuments.net/reader034/viewer/2022052622/5596ea851a28abe81d8b4678/html5/thumbnails/39.jpg)
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)
![Page 40: SS101: Module 2 Russian Translation](https://reader034.fdocuments.net/reader034/viewer/2022052622/5596ea851a28abe81d8b4678/html5/thumbnails/40.jpg)
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
![Page 41: SS101: Module 2 Russian Translation](https://reader034.fdocuments.net/reader034/viewer/2022052622/5596ea851a28abe81d8b4678/html5/thumbnails/41.jpg)
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
![Page 42: SS101: Module 2 Russian Translation](https://reader034.fdocuments.net/reader034/viewer/2022052622/5596ea851a28abe81d8b4678/html5/thumbnails/42.jpg)
Идентификация кластеров значительных заболеваний
Аномальный кластер
Распределение наблюдаемых случаевРаспределение ожидаемых случаев
![Page 43: SS101: Module 2 Russian Translation](https://reader034.fdocuments.net/reader034/viewer/2022052622/5596ea851a28abe81d8b4678/html5/thumbnails/43.jpg)
Избранные ссылки I Алгоритмы оповещения био-надзора: Общие• Burkom, H.S., Development, Adaptation, and Assessment of
Alerting Algorithms for Biosurveillance, Johns Hopkins APLTechnical Digest 24, 4: 335-342 (2003).
• Jackson ML, Baer A, Painter I, Duchin J. A simulation studycomparing aberration detection algorithms for syndromicsurveillance. 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 DecisionMaking 2003, 3:2
• Modeling emergency department visit patterns for infectiousdisease complaints: results and application to diseasesurveillance, Judith C Brillman , Tom Burr , David Forslund ,Edward Joyce , Rick Picard and Edith Umland, BMC MedicalInformatics and Decision Making 2005, 5:4, pp 1-14
![Page 44: SS101: Module 2 Russian Translation](https://reader034.fdocuments.net/reader034/viewer/2022052622/5596ea851a28abe81d8b4678/html5/thumbnails/44.jpg)
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