AUEB Library - Digital Repository

PYXIDA Institutional Repository
and Digital Library

Username
Password

Collections :	Ιδρυματικό Αποθετήριο ΟΠΑ / AUEB Institutional Repository Σχολή Επιστημών και Τεχνολογίας της Πληροφορίας / School of Informatics Τμήμα Στατιστικής / Department of Statistics Μεταπτυχιακές Εργασίες / Postgraduate dissertations

Title :	Infectious disease prediction: modeling dengue incidences in France during 2008-2020

Alternative Title :	Πρόβλεψη μολυσματικών ασθενειών: μοντελοποίηση κρουσμάτων δάγκειου πυρετού στη Γαλλία κατά την περίοδο 2008-2020

Creator :	Χατζόπουλος, Γεράσιμος Chatzopoulos, Gerasimos

Contributor :	Pedeli, Xanthi (Επιβλέπων καθηγητής) Demiris, Nikolaos (Εξεταστής) Bakoyannis, Georgios (Εξεταστής) Athens University of Economics and Business, Department of Statistics (Degree granting institution)

Type :	Text

Extent :	285p.

Language :	en

Identifier :	http://www.pyxida.aueb.gr/index.php?op=view_object&object_id=10846

Abstract :	Η συστηματική χρήση των συστημάτων επιδημιολογικής επιτήρησης έχει καταστεί συνήθης πρακτική που υιοθετείται από πολλές χώρες. Ο κύριος σκοπός των συστημάτων επιτήρησης είναι η αποτελεσματική και έγκαιρη ανίχνευση μιας εστίας ασθένειας, ώστε να μπορούν να ληφθούν ταχέως μέτρα ελέγχου για την εξάλειψη της μετάδοσης της νόσου. Κατά τις τελευταίες δύο δεκαετίες, έχουν αναπτυχθεί διάφορες στατιστικές τεχνικές προς την κατεύθυνση αυτή, με σκοπό την παροχή ακριβών και ρεαλιστικών προβλέψεων για λοιμώδεις ασθένειες. Μία από τις πιο ανεπτυγμένες στατιστικές μεθόδους κατάλληλη για την πρόβλεψη μολυσματικών ασθενειών είναι το μοντέλο "HHH4" (βλέπε, π.χ., Held 2005). Το προβλεπτικό μοντέλο αυτό είναι μια ειδική επέκταση ενός γενικευμένου γραμμικού μοντέλου που αναπτύχθηκε για τα λοιμώδη νοσήματα. Πρόσφατα, οι Bracher and Held (2020) επέκτειναν το μοντέλο ΗHH4 για να συμπεριλάβουν συστήματα στάθμισης για την προηγούμενη επίπτωση. Μια άλλη ανταγωνιστική προσέγγιση που βασίζεται στην εκτίμηση της πυκνότητας υπό συνθήκη (KCDE) και copulas έχει προταθεί από τους Ray et al. (2017). Σκοπός της παρούσας διατριβής είναι η σύγκριση των επιδόσεων των τριών προσεγγίσεων που αναφέρονται ανωτέρω στις μηνιαίες καταμετρήσεις των καταγραφόμενων κρουσμάτων δάγκειου πυρετού στη Γαλλία από 1/2008 έως 12/2020. The systematic use of surveillance systems has become a standard practice adopted by many countries. The main purpose of surveillance systems is the effective and timely detection of a disease outbreak so that control measures for the elimination of disease transmission can be rapidly taken. Over the last two decades, several statistical techniques have been developed to this direction aiming to provide accurate and real time infectious disease predictions. One of the most well-developed statistical frameworks suitable for infectious disease prediction is the “HHH4” model (see, e.g., Held 2005) a specific extension of a generalized linear model developed for infectious diseases. Recently, Bracher and Held (2020) extended the HHH4 model to include weighting schemes for past incidence. Another competitive approach based on kernel conditional density estimation (KCDE) and copulas has been suggested by Ray, (2017). The aim of this thesis is to compare the performance of the three approaches mentioned above on monthly counts of reported dengue cases in France from 1/2008 to 12/2020.

Abstract :

Η συστηματική χρήση των συστημάτων επιδημιολογικής επιτήρησης έχει καταστεί συνήθης πρακτική που υιοθετείται από πολλές χώρες. Ο κύριος σκοπός των συστημάτων επιτήρησης είναι η αποτελεσματική και έγκαιρη ανίχνευση μιας εστίας ασθένειας, ώστε να μπορούν να ληφθούν ταχέως μέτρα ελέγχου για την εξάλειψη της μετάδοσης της νόσου. Κατά τις τελευταίες δύο δεκαετίες, έχουν αναπτυχθεί διάφορες στατιστικές τεχνικές προς την κατεύθυνση αυτή, με σκοπό την παροχή ακριβών και ρεαλιστικών προβλέψεων για λοιμώδεις ασθένειες. Μία από τις πιο ανεπτυγμένες στατιστικές μεθόδους κατάλληλη για την πρόβλεψη μολυσματικών ασθενειών είναι το μοντέλο "HHH4" (βλέπε, π.χ., Held 2005). Το προβλεπτικό μοντέλο αυτό είναι μια ειδική επέκταση ενός γενικευμένου γραμμικού μοντέλου που αναπτύχθηκε για τα λοιμώδη νοσήματα. Πρόσφατα, οι Bracher and Held (2020) επέκτειναν το μοντέλο ΗHH4 για να συμπεριλάβουν συστήματα στάθμισης για την προηγούμενη επίπτωση. Μια άλλη ανταγωνιστική προσέγγιση που βασίζεται στην εκτίμηση της πυκνότητας υπό συνθήκη (KCDE) και copulas έχει προταθεί από τους Ray et al. (2017). Σκοπός της παρούσας διατριβής είναι η σύγκριση των επιδόσεων των τριών προσεγγίσεων που αναφέρονται ανωτέρω στις μηνιαίες καταμετρήσεις των καταγραφόμενων κρουσμάτων δάγκειου πυρετού στη Γαλλία από 1/2008 έως 12/2020.
The systematic use of surveillance systems has become a standard practice adopted by many countries. The main purpose of surveillance systems is the effective and timely detection of a disease outbreak so that control measures for the elimination of disease transmission can be rapidly taken. Over the last two decades, several statistical techniques have been developed to this direction aiming to provide accurate and real time infectious disease predictions. One of the most well-developed statistical frameworks suitable for infectious disease prediction is the “HHH4” model (see, e.g., Held 2005) a specific extension of a generalized linear model developed for infectious diseases. Recently, Bracher and Held (2020) extended the HHH4 model to include weighting schemes for past incidence. Another competitive approach based on kernel conditional density estimation (KCDE) and copulas has been suggested by Ray, (2017). The aim of this thesis is to compare the performance of the three approaches mentioned above on monthly counts of reported dengue cases in France from 1/2008 to 12/2020.

Subject :	Στατιστική μοντελοποίηση Προβλεπτική μοντελοποίηση Σύγκριση μοντέλων Δάγκειος πυρετός Πρόβλεψη λοιμωδών νοσημάτων Statistical modeling Predictive modeling Model comparison Dengue fever Infectious diseases prediction

Date Available :	2023-11-20 14:00:55

Date Issued :	14-09-2023

Date Submitted :	2023-11-20 14:00:55

Access Rights :	Free access

Licence :

File: Chatzopoulos_2023.pdf

Type: application/pdf

File: Chatzopoulos_Appendix.pdf

Type: application/pdf

Login