DESA: An R Package for Detecting Epidemics using a School-Absenteeism Surveillance Framework

Dit paper introduceert DESA, een R-pakket dat schoolafwezigheidsdata gebruikt om influenza-epidemieën te modelleren, vroegtijdige waarschuwingen te genereren, de tijdigheid daarvan te evalueren en simulaties te faciliteren voor onderzoek en publieke gezondheidszorg.

De kern

Stel je voor dat je een weerman bent, maar in plaats van regen of zonneschijn, probeer je te voorspellen wanneer er een griepgolf door je stad komt.

Normaal gesproken wachten artsen en gezondheidsinstanties tot mensen ziek worden en naar de dokter gaan. Maar dat is vaak te laat. De griep is dan al rondom je verspreid.

Dit artikel introduceert een slimme nieuwe tool, genaamd DESA, die werkt als een vroegtijdig waarschuwingssysteem gebaseerd op iets heel alledaags: de schoolverzuimlijst.

Hier is hoe het werkt, vertaald in simpele taal:

1. Het idee: De school als radar

Wanneer kinderen de griep hebben, blijven ze thuis. Als er plotseling veel kinderen op dezelfde dag thuisblijven, is dat een teken dat er iets in de lucht hangt.
DESA is een computerprogramma (een "pakket" voor de programmeertaal R) dat deze schoolverzuimcijfers scant. Het kijkt niet alleen naar het aantal zieke kinderen, maar probeert een patroon te vinden dat aangeeft: "Hé, binnenkort gaat de griep echt losbarsten!"

2. De "Time Machine" (Simulatie)

Voordat je zo'n systeem echt kunt gebruiken, moet je testen of het werkt. Maar je kunt niet wachten tot er echt een grote griepepidemie uitbreekt om het te testen.
Daarom heeft DESA een ingebouwde tijdmachine.

• De Simulatie: Het programma bouwt een virtuele stad op met duizenden gezinnen, scholen en kinderen.
• De Epidemie: Het laat een "virtuele griep" los op deze stad.
• Het Resultaat: Het programma ziet hoe de ziekte zich verspreidt en hoe de schoolverzuimcijfers eruitzien.

Dit is alsof je een brandweerman bent die oefent met een virtueel vuur. Je kunt zien of je alarmbel op het juiste moment gaat, zonder dat er echt een huis afbrandt.

3. De "Weerparaplu" (Het Voorspellingsmodel)

Het hart van DESA is een wiskundig model dat werkt als een slimme paraplu.

• Het kijkt naar de afgelopen dagen (hoeveel kinderen waren er gisteren, de dag ervoor, etc.).
• Het combineert dit met de seizoenen (griep is vaak in de winter).
• Het alarm: Als het model ziet dat het "regent" van zieke kinderen, en de kans groot is dat de echte griepgolf binnenkort aankomt, klapt de paraplu open. Dat is het alarm: "Klaar maken, de griep is onderweg!"

4. De "Snelheidstest" (Evaluatie)

Een alarm is alleen nuttig als het op het juiste moment gaat. Te vroeg? Dan maken mensen zich onnodig zorgen. Te laat? Dan is het te laat om iets te doen.
DESA heeft een scorebord met verschillende meetlatjes:

• FAR (Valse Alarmen): Hoe vaak gaat de bel af als er niets aan de hand is? (Te veel valse alarmen = de mensen geloven je niet meer).
• ADD (Vertraging): Hoeveel dagen te laat kwam het alarm?
• ATQ (Kwaliteit van het alarm): Een slimme score die kijkt of het alarm precies op het moment kwam dat het het meest nuttig was (bijvoorbeeld 2 weken voordat de piek bereikt wordt).

5. Waarom is dit belangrijk?

Stel je voor dat je een brandwacht bent. Als je ziet dat er rook opstijgt bij de buren, wil je dat je alarm afgaat voordat de vlammen je eigen huis bereiken.
Met DESA kunnen gezondheidsautoriteiten:

• Vroeger ingrijpen: Ze kunnen vaccinaties of medicijnen verspreiden voordat de ziekte zich verspreidt.
• Beter plannen: Scholen en ziekenhuizen kunnen zich voorbereiden op een drukke periode.
• Kosten besparen: Door sneller te reageren, worden minder mensen ziek en blijven minder ouders thuis werken.

Samenvattend

DESA is als een slimme, digitale schoolhoofd die de verzuimlijsten van alle scholen in een regio in de gaten houdt. Het gebruikt wiskunde en virtuele oefeningen om te voorspellen wanneer de griepgolf aankomt, zodat we erop voorbereid zijn voordat de eerste symptomen bij de volwassenen verschijnen.

Het is een gratis tool voor onderzoekers en overheden om onze gemeenschappen veiliger en gezonder te houden, door simpelweg te kijken naar wie er vandaag niet naar school gaat.

Technische samenvatting

Hier is een gedetailleerde technische samenvatting van het artikel over het R-pakket DESA, geschreven in het Nederlands.

Technische Samenvatting: DESA – Een R-pakket voor het Detecteren van Epidemieën via Schoolverzuim

1. Het Probleem

Traditionele surveillance-systemen voor influenza en andere infectieziekten vertrouwen vaak op klinische rapportages en laboratoriumbevestigde gevallen. Deze methoden hebben echter twee belangrijke beperkingen:

• Vertraging: Er is vaak een tijdsvertraging tussen infectie, symptoomontwikkeling, bezoek aan de arts en laboratoriumbevestiging.
• Onvolledigheid: Veel besmette personen worden niet gemeld, waardoor de real-time dynamiek van een epidemie niet volledig wordt vastgelegd.

Om vroegtijdige ingrepen (zoals vaccinatiecampagnes) mogelijk te maken, is het noodzakelijk om alternatieve databronnen te gebruiken die sneller reageren. Schoolverzuim bij basisschoolleerlingen is een veelbelovende indicator, aangezien kinderen vaak de eerste zijn die ziek worden en thuisblijven voordat de ziekte zich in de bredere gemeenschap verspreidt. Eerdere studies (zoals die van Vanderkruk et al.) hebben dit concept getest, maar ontbeerden een toegankelijk, computerefficiënt softwareframework dat breed toepasbaar is voor onderzoek en publieke gezondheidszorg.

2. Methodologie

Het DESA-pakket (Detecting Epidemics from School Absenteeism) implementeert een geavanceerd statistisch en simulatieframework bestaande uit drie kerncomponenten:

A. Statistisch Detectiemodel
Het pakket gebruikt een regio-gewijze seizoensgebonden mixed-effects binair logistiek regressiemodel met vertraagde variabelen (lag-logistic regression).

• Formule: Het model voorspelt de kans ($\theta_{tj}$) op het voorkomen van ten minste één bevestigd geval op dag $t$ in schooljaar $j$, gebaseerd op het gemiddelde dagelijkse verzuimpercentage met vertragingen van 0 tot $l$ dagen.
• Seizoenspatronen: Het model bevat trigonometrische termen (sinus en cosinus) om seizoensgebonden variatie in influenza te modelleren.
• Random Effects: Een random effect ($\gamma_j$) voor elk schooljaar houdt rekening met intra-correlatie binnen een jaar en heterogeniteit tussen jaren.
• Alerts: Een alert wordt gegenereerd wanneer de voorspelde kans een vooraf bepaalde drempel ($\theta^*$) overschrijdt.

B. Evaluatiemetrics
Om de prestaties van het model te beoordelen en de tuning-parameters (vertraging $l$ en drempel $\theta^*$) te optimaliseren, implementeert DESA diverse metrics:

• FAR (False Alarm Rate): Het percentage valse alarmen (alarmen buiten het "ware alarmvenster").
• ADD (Accumulated Days Delayed): Het aantal dagen dat het eerste ware alarm later is dan de optimale datum.
• ATQ (Alert Time Quality): Een continue straffunctie die beoordeelt hoe dicht een alarm bij de optimale tijd ligt. Het straft te vroege alarmen zwaarder dan te late alarmen.
• Aggregatie: Er worden gemiddelde (AATQ) en eerste alarm (FATQ) metrics berekend, evenals gewogen versies (WAATQ, WFATQ) die rekening houden met de hoeveelheid beschikbare trainingsdata.

C. Simulatieframework
Om modellen te testen zonder te wachten op echte uitbraken, biedt DESA een simulatieomgeving:

• Populatiestructuur: Generatie van realistische populaties met catchment-gebieden, scholen en huishoudens (met en zonder kinderen), inclusief demografische verdelingen.
• Epidemie-dynamiek: In plaats van individuele modellen (ILM), die rekenkundig zwaar zijn, gebruikt DESA een stochastisch SIR-model (Susceptible-Infected-Removed). Dit model is computerefficiënt voor grote populaties en behoudt toch de stochastische aard van overdracht.
• Verzuimdata: Simulatie van verzuim op basis van twee factoren:
  1. Basisverzuim: Een vaste kans (bijv. 5%) voor verzuim door andere oorzaken.
  2. Infectie-gerelateerd verzuim: Een hoge kans (bijv. 95%) dat een besmet kind tijdens de infectieperiode thuisblijft.
• Rapportage: Inclusie van rapportagevertragingen en een rapportagepercentage om realistische surveillance-data te genereren.

3. Belangrijkste Bijdragen

• Open Source Software: DESA is een vrij beschikbaar R-pakket (op CRAN en GitHub) dat de methodologie van eerdere studies generaliseert en toegankelijk maakt voor onderzoekers en overheidsinstanties.
• Rekenefficiëntie: Door over te stappen van individuele modellen naar een stochastisch SIR-model, maakt het pakket simulaties mogelijk voor grote populaties (steden/regio's) die eerder onbereikbaar waren vanwege rekentijd.
• End-to-End Workflow: Het pakket biedt een complete cyclus: van het genereren van synthetische populaties en epidemieën, het simuleren van verzuimdata, het trainen van detectiemodellen, tot het evalueren van prestaties met geavanceerde metrics.
• Flexibiliteit: Gebruikers kunnen parameters aanpassen voor verschillende regio's, demografieën en ziektepatronen, en kunnen kiezen welke evaluatiemetrics het belangrijkst zijn (bijv. snelheid vs. nauwkeurigheid).

4. Resultaten en Validatie

• Validatie: Het pakket is getest op synthetische data en gevalideerd met bestaande datasets. Alle CRAN-checks zijn succesvol doorlopen zonder fouten.
• Demo-resultaten: In een demonstratie met een gesimuleerde populatie van bijna 200.000 individuen en 10 epidemieën, toonde het pakket aan dat het optimale parameters kan identificeren.
  • De optimale vertraging (lag) varieerde tussen 1 en 5 dagen, afhankelijk van de gekozen metric.
  • De drempelwaarden varieerden van 0,1 tot 0,45.
  • De visualisaties toonden aan dat de gegenereerde alarmen correct plaatsvonden kort voor de piek van de epidemie en de referentiedatum, wat de vroegtijdige waarschuwing bevestigt.
• Prestatie: De gewogen metrics (WAATQ/WFATQ) bleken robuust en leverden vergelijkbare resultaten op als de niet-gewogen versies, wat aangeeft dat het systeem stabiel presteert naarmate er meer trainingsdata beschikbaar komt.

5. Betekenis en Toekomstperspectief

DESA is een cruciaal instrument voor de moderne epidemiologische surveillance. Het stelt beleidsmakers in staat om:

• Vroegtijdige interventies te plannen voordat een epidemie uit de hand loopt.
• Scenario's te testen (bijv. "wat als de schoolverzuimdrempel verandert?") zonder risico voor de publieke gezondheid.
• Methoden te ontwikkelen voor andere infectieziekten dan influenza, aangezien het framework flexibel is.

Door de beschikbaarheid op CRAN en GitHub bevordert DESA transparantie, reproduceerbaarheid en samenwerking binnen de wetenschappelijke gemeenschap, en vormt het een basis voor de ontwikkeling van robuuste vroege waarschuwingssystemen voor toekomstige epidemieën.