Faktoren, die die Leistung von internetbasierten Biosurveillancesystemen beeinflussen, die in der epidemiologischen Intelligenz zur frühzeitigen Erkennung von Ausbrüchen infektiöser Krankheiten eingesetzt werden

HINTERGRUND: Internetbasierte Biosurveillancesysteme wurden entwickelt, um Gesundheitsbedrohungen mithilfe von Informationen zu erkennen, die im Internet verfügbar sind, aber die Leistung der Systeme wurde nicht im Hinblick auf die Bedürfnisse und Perspektiven der Endnutzer bewertet. METHODIK UND ERGEBNISSE: Infektiöse Krankheitsereignisse aus dem wöchentlichen internationalen epidemiologischen Bulletin des Französischen Instituts für öffentliche Gesundheit (InVS), veröffentlicht im Jahr 2010, wurden verwendet, um das offizielle Goldstandard-Datenset zu erstellen. Daten von sechs Biosurveillancesystemen wurden zur Erkennung roher Signale (ereignisse von infektiösen Krankheiten aus informellen Internetquellen) verwendet: Argus, BioCaster, GPHIN, HealthMap, MedISys und ProMED-mail. Rohdetektionsraten (C-DR), rohe Sensitivitätsraten (C-Se) und intrinsische Sensitivitätsraten (I-Se) wurden aus multivariablen Regressionen berechnet, um die Leistungsfähigkeit der Systeme zu bewerten (detektierte Ereignisse im Vergleich zum Goldstandard). 472 rohe Signale (Internetkrankheitsberichte), die mit den 86 im Goldstandard-Datensatz enthaltenen Ereignissen verbunden sind, wurden aus den sechs Systemen abgerufen. 84 Ereignisse wurden vor ihrer Veröffentlichung im Goldstandard erkannt. Die Art der von den Systemen genutzten Quellen variierte erheblich (p<0001). I-Se variierte signifikant von 43% auf 71% (p=0001), während andere Indikatoren ähnlich waren (C-DR: p=020; C-Se, p=013). I-Se war signifikant mit individuellen Systemen, Systemtypen, Sprachen, Regionen des Auftretens und Arten von infektiösen Krankheiten assoziiert. Im Gegensatz dazu wurde nach Anpassung an andere Variablen kein statistischer Unterschied bei C-DR beobachtet. FAZIT: Obwohl Unterschiede aus dem konzeptionellen Entwurf eines Biosurveillancesystems resultieren können, deuten die Ergebnisse darauf hin, dass die kombinierte Expertise zwischen den Systemen die frühzeitige Erkennungsleistung für die Erkennung von infektiösen Krankheiten verbessert. Während alle Systeme eine ähnliche frühzeitige Erkennungsleistung zeigten, wurde festgestellt, dass Systeme mit menschlicher Moderation eine um 53% höhere I-Se aufwiesen (p=00001) nach Anpassung an andere Variablen. Insgesamt stellte sich heraus, dass die Verwendung von Moderation, Quellen, Sprachen, Regionen des Auftretens und Arten von Fällen die Systemleistung beeinflusste.