Assessing the quality of data for drivers of disease emergence.

Drivers are factors that have the potential to directly or indirectly influence the likelihood of infectious diseases emerging or re-emerging. It is likely that an emerging infectious disease (EID) rarely occurs as the result of only one driver; rather, a network of sub-drivers (factors that can influence a driver) are likely to provide conditions that allow a pathogen to (re-)emerge and become established. Data on sub-drivers have therefore been used by modellers to identify hotspots where EIDs may next occur, or to estimate which sub-drivers have the greatest influence on the likelihood of their occurrence. To minimise error and bias when modelling how sub-drivers interact, and thus aid in predicting the likelihood of infectious disease emergence, researchers need good-quality data to describe these sub-drivers. This study assesses the quality of the available data on sub-drivers of West Nile virus against various criteria as a case study. The data were found to be of varying quality with regard to fulfilling the criteria. The characteristic with the lowest score was completeness, i.e. where sufficient data are available to fulfil all the requirements for the model. This is an important characteristic as an incomplete data set could lead to erroneous conclusions being drawn from modelling studies. Thus, the availability of good-quality data is essential to reduce uncertainty when estimating the likelihood of where EID outbreaks may occur and identifying the points on the risk pathway where preventive measures may be taken.

Les facteurs d'émergence sont des éléments ayant le potentiel direct ou indirect d'influencer la probabilité d'émergence ou de réémergence d'une maladie infectieuse. Il est probablement rare qu'une maladie infectieuse émergente apparaisse en raison d'un seul facteur ; c'est plutôt un faisceau de sous-facteurs (éléments pouvant avoir une influence sur un même facteur) qui contribue à ce que les conditions soient réunies pour qu'un agent pathogène puisse (ré)émerger et s'établir. Les concepteurs de modèles ont donc utilisé les données relatives aux sous-facteurs pour identifier les zones sensibles où les prochaines maladies infectieuses émergentes pourraient survenir, ou pour faire une estimation des sous-facteurs ayant la plus grande influence sur la probabilité de leur occurrence. Les chercheurs ont besoin de données de qualité pour décrire ces sous-facteurs, afin de minimiser le risque d'erreur et de biais lors de la modélisation de l'interaction entre les différents sous-facteurs, et de contribuer ainsi à mieux prédire la probabilité d'apparition d'une maladie infectieuse émergente. Les auteurs présentent une étude de cas qui a consisté à évaluer la qualité des données disponibles relatives aux sous-facteurs d'émergence du virus de la fièvre de West Nile au regard de différents critères. Il est apparu que la qualité des données était variable au regard des critères examinés. Le paramètre dont le score était le plus bas est celui de la complétude - le fait que suffisamment de données soient disponibles pour répondre à toutes les exigences du modèle. Il s'agit pourtant d'un paramètre important car des données incomplètes peuvent inciter à tirer des conclusions erronées des études de modélisation. La disponibilité de données de bonne qualité est essentielle pour réduire l'incertitude lors de l'estimation de la probabilité d'apparition de maladies infectieuses émergentes dans des zones déterminées, ainsi que pour identifier les points critiques de concrétisation du risque où des mesures préventives pourraient être mises en place.

Los inductores o factores de inducción [drivers] son aquellos que, directa o indirectamente, pueden influir en la probabilidad de que surjan o resurjan enfermedades infecciosas. Todo indica que rara vez una enfermedad infecciosa emergente aparece por efecto de un solo factor de inducción, sino que es probable que haya más bien una combinación de "subfactores de influencia" [sub-drivers] (factores que pueden influir en un inductor) que cree condiciones propicias para que un patógeno (re)surja y logre asentarse. Los creadores de modelos, por consiguiente, se han servido de datos sobre estos subfactores de influencia para localizar aquellas zonas donde con mayor probabilidad puedan aparecer próximamente enfermedades infecciosas emergentes o para determinar cuáles son los subfactores que más influyen en la probabilidad de que ello ocurra. Para reducir al mínimo los errores y sesgos al modelizar la interacción entre los subfactores y ayudar así a calcular la probabilidad de que surja una enfermedad infecciosa emergente, los investigadores necesitan datos de buena calidad para caracterizar estos subfactores. En el análisis expuesto por los autores se utilizó el virus del Nilo Occidental como ejemplo de estudio para evaluar, con arreglo a diversos criterios, la calidad de los datos existentes sobre los subfactores que inciden en la aparición de este virus. Lo que se constató, en relación con el grado de cumplimiento de los criterios, es que esos datos eran de calidad variable. La característica o parámetro que deparó la puntuación más baja fue la completud, es decir, la existencia de datos suficientes para aportar al modelo toda la información requerida para que este funcione bien. Se trata de una característica importante, pues un conjunto incompleto de datos podría llevar a extraer conclusiones erróneas de los estudios de modelización. Por ello, para reducir la incertidumbre a la hora de calcular la probabilidad de que en cierto lugar surjan brotes de enfermedades infecciosas emergentes y de determinar, dentro de la cadena de materialización del riesgo, aquellos eslabones en los que cabe adoptar medidas preventivas, es indispensable disponer de datos de buena calidad.

A Novel Time Series Approach to Bridge Coding Changes with a Consistent Solution Across Causes of Death.

Revisions of the International Classification of Diseases (ICD) can lead to biases in cause-specific mortality levels and trends. We propose a novel time series approach to bridge ICD coding changes which provides a consistent solution across causes of death. Using a state space model with interventions, we performed time series analysis to cause-proportional mortality for ICD9 and ICD10 in the Netherlands (1979-2010), Canada (1979-2007) and Italy (1990-2007) on chapter level. A constraint was used to keep the sum of cause-specific interventions zero. Comparability ratios (CRs) were estimated and compared to existing bridge coding CRs for Italy and Canada. A significant ICD9 to ICD10 transition occurred among 13 cause of death groups in Italy, 7 in Canada and 3 in the Netherlands. Without the constraint, all-cause mortality after the classification change would be overestimated by 0.4 % (NL), 0.03 % (Canada) and 0.2 % (Italy). The time series CRs were in the same direction as the bridge coding CRs but deviated more from 1. A smooth corrected trend over the ICD-transition resulted from applying the time series approach. Comparing the time series CRs for Italy (2003), Canada (1999) and the Netherlands (1995) revealed interesting commonalities and differences. We demonstrated the importance of adding the constraint, the validity of our methodology and its advantages above earlier methods. Applying the method to more specific causes of death and integrating medical content to a larger extent is advocated.