Prospective cohort studies could be

Prospective cohort studies could be used, but they are relatively expensive due to the cost of recruiting many individuals who will never be infected, and the high staff cost of the reactive follow-up by medical personnel. A carefully designed prospective cluster study could provide a more efficient way of gathering key data to improve basic understanding of infectious disease transmission dynamics, although substantive problems related to space-time disease change remain unresolved [20]. In fact, most analytical methods used in outbreak detection studies are purely temporal [21-23], which means that these methods can be late at detecting outbreaks that start locally and are linked to serious multiple testing problems generating false signals [24]. Scan statistics methods attempting to resolve such issues are of rather limited usefulness since they make assumptions that are often unrealistic (e.g., a uniform population at risk or ad hoc probability models), or they require information that may be not easily obtainable (e.g., information about the geographical and temporal distribution of populations at risk). Some studies of disease outbreaks (e.g., those based on prospective space-time permutation scan statistics) consider separately purely spatial and purely temporal variations [24,25], which is a simplification of the natural fact that the disease propagates in a composite space-time domain affected by regional climate dynamics. Significant effort has been made by means of the Kulldorf method to improve the ability to find spatial outbreaks using univariate input. This includes our ongoing study to develop a new method to detect multiple clusters in a study area by constructing two or more clusters in the context of the alternative hypothesis. In fact, many of the above methods have not been designed to account for important associations between disease distribution and meteorological conditions
Given the difficulties of previous statistical studies as regards the handling of the high spatiotemporal data dimensionality and the rigorous representation of composite space-time disease variation, in this work we use the space-time BME-S method, which is a combination of the Bayesian Maximum Entropy (BME) theory and the Self-Organized Map (SOM) technique [26]. The BME-S avoids certain modeling simplifications and dimensionality problems of previous studies and offers a realistic framework for modeling and estimation of the disease distribution in a composite space-time domain. Using readily available and well-tested BME-S software, the present HFMD study provides valuable insight into the disease space-time structure and mechanisms in China and their relation to the meteorological attributes and indicators of the region. Otherwise said, the BME-S methodology considers disease propagation and outbreak detection as interdisciplinary problems, which require the integration of information bases from different fields, e.g., health, environmental and population sciences [27,28].

ผลลัพธ์ (ไทย) 1:

สามารถใช้ศึกษา cohort อนาคต แต่พวกเขาจะค่อนข้างแพงเนื่องจากต้นทุนการสรรหาบุคคลหลายคนจะไม่ติด และต้นทุนสูงพนักงานติดตามปฏิกิริยาโดยบุคลากรทางการแพทย์ ศึกษาคลัสเตอร์มีแนวโน้มที่ออกแบบอย่างระมัดระวังไม่ให้มากวิธีการรวบรวมข้อมูลที่สำคัญเพื่อปรับปรุงความเข้าใจพื้นฐานของโรคส่ง dynamics แม้ว่าปัญหาที่เกี่ยวข้องกับการเปลี่ยนแปลงโรค space-time แน่นยังคงอยู่ ยังไม่ได้แก้ไข [20] ในความเป็นจริง มากที่สุดวิเคราะห์วิธีที่ใช้ในการศึกษาตรวจสอบการระบาดจะหมดจดขมับ [21-23] , ซึ่งหมายความ ว่า วิธีการเหล่านี้อาจล่าช้าในการตรวจจับการระบาดที่เริ่มต้นในท้องถิ่น และเชื่อมโยงกับร้ายแรงปัญหาทดสอบสร้างสัญญาณเท็จ [24] การสแกนสถิติวิธีการพยายามแก้ไขปัญหาดังกล่าวมีประโยชน์ค่อนข้างจำกัดเนื่องจากพวกเขาทำให้สมมติฐานที่มักไม่ (เช่น ชุดยูนิฟอร์มประชากรที่เสี่ยงหรือแบบจำลองความน่าเป็นกิจ), หรือพวกเขาต้องการข้อมูลที่อาจไม่มีสิทธิได้รับง่าย ๆ (เช่น ข้อมูลเกี่ยวกับการกระจายทางภูมิศาสตร์ และขมับของประชากรเสี่ยง) บางการศึกษาโรคระบาด (เช่น ผู้ตามสถิติการสแกนการเรียงสับเปลี่ยนอนาคต space-time) พิจารณาการเปลี่ยนแปลงของพื้นที่แยกต่างหากเพียงอย่างเดียว และชั่วคราวเพียงอย่างเดียว [24,25], ซึ่งเป็นการรวบความจริงธรรมชาติที่โรคแพร่กระจายในโดเมนผสม space-time รับผลกระทบจากสภาพภูมิอากาศระดับภูมิภาค dynamics ทำความพยายามอย่างมีนัยสำคัญโดยใช้วิธี Kulldorf เพื่อปรับปรุงความสามารถในการค้นหาพื้นที่ระบาดใช้การป้อนข้อมูลอย่างไร univariate ซึ่งรวมถึงการศึกษาของเราอย่างต่อเนื่องพัฒนาวิธีการตรวจหลายคลัสเตอร์ในพื้นที่ศึกษา โดยสร้างคลัสเตอร์อย่าง น้อยสองในบริบทของทฤษฏีทางเลือกใหม่ ในความเป็นจริง หลายวิธีข้างต้นไม่ออกแบบมาให้เชื่อมโยงที่สำคัญระหว่างการกระจายของโรคและสภาพอุตุนิยมวิทยาให้ความยากลำบากของการศึกษาทางสถิติก่อนหน้านี้สำหรับการจัดการของ dimensionality ข้อมูล spatiotemporal สูงและการแสดงอย่างเข้มงวดของ space-time ประกอบโรคเปลี่ยนแปลง ในงานนี้ เราใช้ space-time BME S วิธีการ ซึ่งเป็นชุดของเอนโทรปีสูงสุดของทฤษฎี (BME) ทฤษฎีและเทคนิค Self-Organized แผนที่ (ส้ม) [26] BME S หลีกเลี่ยงบางโมเดลลในเรื่องง่ายและ dimensionality ปัญหาก่อนหน้านี้ศึกษา และมีกรอบการทำงานจริงสำหรับการสร้างโมเดลและการประเมินการกระจายของโรคใน space-time รวมโดเมน ใช้ซอฟต์แวร์ BME S พร้อม และห้องทดสอบ การศึกษากิโลกรัมปัจจุบันให้มีความเข้าใจถึงโรค space-time โครงสร้างและกลไกในประเทศจีนและความสัมพันธ์กับแอตทริบิวต์อุตุนิยมวิทยาและตัวบ่งชี้ของภูมิภาค มิฉะนั้น กล่าวว่า วิธี BME S พิจารณาการแพร่กระจายโรค และตรวจจับการระบาดของโรคเป็นปัญหาอาศัย ที่ต้องการรวมข้อมูลฐานจากฟิลด์ต่าง ๆ เช่น สุขภาพ สิ่งแวดล้อมและประชากรศาสตร์ [27,28]

ผลลัพธ์ (ไทย) 3:

การศึกษาไปข้างหน้าในอนาคตอาจจะใช้ แต่พวกเขาจะค่อนข้างแพง เนื่องจากต้นทุนของการสรรหาบุคคลมากมายที่ไม่ติดเชื้อ และพนักงาน ค่าใช้จ่ายสูงของการติดตามปฏิกิริยา โดยบุคลากรทางการแพทย์การออกแบบอย่างระมัดระวังในอนาคตกลุ่มศึกษาสามารถให้วิธีที่มีประสิทธิภาพมากขึ้นของการรวบรวมคีย์ข้อมูลเพื่อปรับปรุงความเข้าใจพื้นฐานของโรค แม้ว่าปัญหาสำคัญที่เกี่ยวข้องกับการเปลี่ยนแปลง , การเปลี่ยนแปลงแก้ไขโรคกาล- อวกาศอยู่ [ 20 ] ในความเป็นจริงมากที่สุดวิธีการวิเคราะห์ที่ใช้ในการศึกษาการระบาดได้หมดจดชั่วคราว [ 24 ]ซึ่งหมายความว่าวิธีการเหล่านี้จะสามารถตรวจจับการระบาดที่สายที่เริ่มในประเทศและเชื่อมโยงกับปัญหาร้ายแรงหลายการทดสอบการสร้างสัญญาณเท็จ [ 24 ] สถิติการพยายามที่จะแก้ไขปัญหาดังกล่าวมีค่อนข้างจำกัดประโยชน์เนื่องจากพวกเขาให้สมมติฐานที่มักจะไม่สมจริง ( เช่นประชากรเสี่ยงหรือชุดเฉพาะกิจแบบความน่าจะเป็น )หรือพวกเขาต้องการข้อมูลที่อาจจะไม่หาได้อย่างง่ายดาย ( ข้อมูลเกี่ยวกับภูมิศาสตร์และกระจายสินค้าชั่วคราวของประชากรกลุ่มเสี่ยงเช่น ) บางการศึกษาระบาดของโรค ( เช่น ขึ้นอยู่กับการเปลี่ยนแปลงในอนาคตกาลอวกาศสแกนสถิติ ) พิจารณาแยกเชิงพื้นที่และการเปลี่ยนแปลง [ หมดจด หมดจด และ 24,25 ]ซึ่งเป็นหนึ่งเดียวของธรรมชาติที่โรคแพร่กระจายในคอมเวลาโดเมนที่ได้รับผลกระทบ โดยเปลี่ยนแปลงภูมิอากาศระดับภูมิภาค . ความพยายามอย่างมากได้รับการทำโดยวิธีการของ kulldorf วิธีการเพิ่มความสามารถในการค้นหาการใช้พื้นที่ที่มีการป้อนข้อมูลนี้รวมถึงการศึกษาของเราอย่างต่อเนื่องเพื่อพัฒนาวิธีการใหม่ในการตรวจสอบหลายกลุ่มในพื้นที่ศึกษา โดยการสร้างสอง หรือมากกว่าสองกลุ่มในบริบทของสมมติฐานทางเลือก ในความเป็นจริงมากของวิธีการข้างต้นไม่ได้ถูกออกแบบมาเพื่อให้บัญชีสมาคมที่สำคัญระหว่างการกระจายโรคและเงื่อนไข
อุตุนิยมวิทยาได้รับความยากลำบากในการศึกษาสถิติก่อนหน้านี้เกี่ยวกับการจัดการของข้อมูลสูง spatiotemporal dimensionality และเป็นตัวแทนที่เคร่งครัดของโรคเวลาประกอบการในงานนี้ เราใช้เวลา bme-s วิธี ซึ่งเป็นการรวมกันของเอนโทรปีสูงสุด ( แบบด้าน ) ทฤษฎีและตนเองจัดแผนที่ ( ส้ม ) เทคนิค [ 26 ]การ bme-s หลีกเลี่ยงบางแบบ และ dimensionality Simplifications ปัญหาของการศึกษาก่อนหน้านี้และมีกรอบมีเหตุผลสำหรับการสร้างแบบจำลองและการกระจายของโรคในโดเมนเวลาคอมโพสิต การใช้ซอฟต์แวร์ bme-s พร้อมใช้งานและการทดสอบอย่างดี ,การศึกษาคืออะไร ? ปัจจุบันให้ข้อมูลเชิงลึกที่มีคุณค่าในโรคโครงสร้างกาล- อวกาศและกลไกในประเทศจีนและความสัมพันธ์กับอุตุนิยมวิทยาคุณลักษณะและตัวชี้วัดของภูมิภาค มิฉะนั้น กล่าวว่า bme-s วิธีการพิจารณาและตรวจสอบการแพร่ระบาดเป็นปัญหาแบบสหวิทยาการ ซึ่งต้องมีการบูรณาการข้อมูลฐานจากเขตข้อมูลที่แตกต่างกัน เช่นสุขภาพสิ่งแวดล้อมและประชากร 27,28
[ วิทยาศาสตร์ ]