Παρακαλώ χρησιμοποιήστε αυτό το αναγνωριστικό για να παραπέμψετε ή να δημιουργήσετε σύνδεσμο προς αυτό το τεκμήριο:
https://hdl.handle.net/123456789/1168
Τύπος: | Διδακτορική διατριβή |
Τίτλος: | A Bayesian approach to the analysis of infectious disease data using continuous-time stochastic models |
Εναλλακτικός τίτλος: | Μια Μπεϋζιανή προσέγγιση για την ανάλυση δεδομένων μολυσματικών νοσημάτων χρησιμοποιώντας στοχαστικά μοντέλα συνεχούς χρόνου |
Συγγραφέας: | [EL] Μπαρμπουνάκης, Πέτρος[EN] Barmpounakis, Petros |
Επιβλέπων διατριβής: | [EL] Δεμίρης, Νικόλαος[EN] Demiris, Nikolaos |
Ημερομηνία: | 19/09/2023 |
Περίληψη: | The aim of this doctoral thesis is the development of stochastic epidemic models focused on disease outbreaks in humans, as well as livestock. Statistical
methodology is developed aimed at informing public health policies and their
communication as implemented by the governing organizations, specifically
at a time of crisis like the Covid-19 pandemic.
The second section is concerned with the results of a simulation-based
evaluation of several policies for vaccine roll-out. Particular focus is placed
upon on the effects of delaying the second dose of two-dose vaccines. In
the presence of limited vaccine supply, the specific policy choice was a
pressing issue for several countries worldwide, and the adopted course of
action affected the extension or easing of non-pharmaceutical interventions
(NPIs). We used a suitably generalised, age-structured, stochastic SEIR
(Susceptible → Exposed → Infectious → Removed) epidemic model that
accommodates quantitative descriptions of the major effects resulting from
distinct vaccination strategies. The different rates of social contacts among
distinct age-groups (as well as other model parameters) are informed by a
recent survey conducted in Greece, but the conclusions are widely applicable.
The results are summarised and evaluated in terms of the total number of
deaths and infections as well as life years lost.
A number of NPIs had been implemented in order to reduce transmission,
thus leading to multiple phases of transmission. The disease reproduction
number Rt
, a way of quantifying transmissibility, has been a key part in
assessing the impact of such interventions. In the third chapter of this thesis
we discuss the distinct types of transmission models used and how they are
linked. We consider a hierarchical stochastic epidemic model with piece-wise
constant Rt
, appropriate for modelling the distinct phases of the epidemic and
quantifying the true disease magnitude. The location and scale of Rt changes
are inferred directly from data while the number of transmissibility phases is
allowed to vary. We determine the model complexity via appropriate Poisson
point process and Dirichlet process-type modelling components. The models
are evaluated using synthetic data sets and the methods are applied to freely
available data from the United Kingdom and Greece as well as California and
New York states. We estimate the true infected cases and the corresponding
Rt
, among other quantities, and independently validate the proposed approach
using a large seroprevalence study.
Chapter four is concerned with a class of models where the OrnsteinUhlenbeck (OU) process is embedded within Poisson-type point processes.
We utilise a general OU model with Student’s t-distribution marginals and a
Cox-Ingersoll-Ross model for the latent infection rate of the spatio-temporal
model. We also propose a class of Bayesian Neural Nets using horseshoe
priors for the weights. Real data from Foot and Mouth and Sheep-pox
outbreaks in livestock within the Evros region of Greece are studied. The
predictive ability of each model is being assessed using proper scoring rules
within the prequential analysis framework. Our investigation concludes that
the Student-t OU and the CIR models improve upon the previously introduced
models with Gaussian OU for the latent rate of the Poisson-type point process. Στόχος της παρούσας διδακτορικής διατριβής είναι η ανάπτυξη στοχαστικών επιδημικών μοντέλων με έμφαση στις μολυσματικές ασθένειες σε ανθρώπους και ζώα. Αναπτύσσεται συγκεκριμένη στατιστική μεθοδολογία για να ενημερώνει καλύτερα τις δημόσιες πολιτικές υγείας και τις επικοινωνίες που υλοποιούνται από τις κυβερνητικές οργανώσεις, ειδικά κατά τη διάρκεια κρίσεων, όπως η πανδημία του Covid-19. Η δεύτερη ενότητα αφορά τα αποτελέσματα μιας αξιολόγησης που βασίζεται σε προσομοίωση πολλών πολιτικών για την ανάπτυξη εμβολίων. Ιδιαίτερη έμφαση δίνεται στις επιπτώσεις της καθυστέρησης της δεύτερης δόσης των εμβολίων δύο δόσεων. Παρουσία περιορισμένης προμήθειας εμβολίων, η συγκεκριμένη επιλογή πολιτικής ήταν ένα πιεστικό ζήτημα για πολλές χώρες παγκοσμίως και η υιοθέτηση πορείας δράσης επηρέασε την επέκταση ή τη χαλάρωση των μη φαρμακευτικών παρεμβάσεων. Χρησιμοποιήσαμε ένα κατάλληλα γενικευμένο, ηλικιακά δομημένο, στοχαστικό μοντέλο επιδημίας SEIR (Ευάλωτοι → Εκτεθειμένοι → Μολυσματικοί → Αφαιρεθέντες) που περιλαμβάνει ποσοτικές περιγραφές των κύριων επιπτώσεων που προκύπτουν από διαφορετικές στρατηγικές εμβολιασμού. Τα διαφορετικά ποσοστά κοινωνικών επαφών μεταξύ διαφορετικών ηλικιακών ομάδων (καθώς και άλλες παραμέτρους του μοντέλου) ενημερώνονται από μια πρόσφατη έρευνα που διεξήχθη στην Ελλάδα, αλλά τα συμπεράσματα είναι ευρέως εφαρμόσιμα. Τα αποτελέσματα συνοψίζονται και αξιολογούνται ως προς τον συνολικό αριθμό θανάτων και μολύνσεων καθώς και τα χαμένα χρόνια ζωής. Στο τρίτο κεφάλαιο αυτής της διατριβής συζητάμε τους διαφορετικούς τύπους μοντέλων μετάδοσης που χρησιμοποιούνται και πώς συνδέονται. Θεωρούμε ένα ιεραρχικό στοχαστικό επιδημικό μοντέλο με αποσπασματική σταθερά Rt , κατάλληλο για τη μοντελοποίηση των διακριτών φάσεων της επιδημίας και τον ποσοτικό προσδιορισμό του πραγματικού μεγέθους της νόσου. Η θέση και η κλίμακα των αλλαγών Rt συνάγονται απευθείας από τα δεδομένα, ενώ ο αριθμός των φάσεων μεταδοτικότητας επιτρέπεται να ποικίλλει.Καθορίζουμε την πολυπλοκότητα του μοντέλου μέσω κατάλληλων διαδικασιών Poisson και Dirichlet. Τα μοντέλα αξιολογούνται χρησιμοποιώντας συνθετικά σύνολα δεδομένων και οι μέθοδοι εφαρμόζονται σε ελεύθερα διαθέσιμα δεδομένα από το Ηνωμένο Βασίλειο και την Ελλάδα καθώς και από τις πολιτείες της Καλιφόρνια και της Νέας Υόρκης. Υπολογίζουμε τα πραγματικά μολυσμένα κρούσματα και το αντίστοιχο Rt , μεταξύ άλλων ποσοτήτων, και επικυρώνουμε ανεξάρτητα την προτεινόμενη προσέγγιση χρησιμοποιώντας μια μεγάλη μελέτη οροεπιπολασμού. Το τέταρτο κεφάλαιο ασχολείται με μια κατηγορία μοντέλων όπου η διαδικασία Ornstein-Uhlenbeck (OU) είναι ενσωματωμένη σε διαδικασίες τύπου Poisson. Χρησιμοποιούμε ένα γενικό μοντέλο OU με μεταβατική πυκνότητα πιθανότητας Student-t και ένα μοντέλο Cox-Ingersoll-Ross για το ποσοστό μόλυνσης του χωροχρονικού μοντέλου. Προτείνουμε επίσης μια κατηγορία νευρωνικών διχτυών Bayes που χρησιμοποιούν εκ των προτέρων κατανομές τύπου horseshoe. Μελετώνται πραγματικά δεδομένα από επιδημίες αφθώδους πυρετού και ευλογιάς σε ζώα στην περιοχή του ΄Εβρου στην Ελλάδα. Η προγνωστική ικανότητα κάθε μοντέλου αξιολογείται χρησιμοποιώντας τους κατάλληλους κανόνες βαθμολόγησης εντός του πλαισίου προκαταρκτικής ανάλυσης. Η έρευνά μας καταλήγει στο συμπέρασμα ότι τα μοντέλα Student-t OU και CIR βελτιώνουν τα μοντέλα που εισήχθησαν προηγουμένως με την Gaussian OU για τον ρυθμό της διαδικασίας Poisson. |
Γλώσσα: | Αγγλικά |
Τόπος δημοσίευσης: | Αθήνα, Ελλάδα |
Σελίδες: | 194 |
Θεματική κατηγορία: | [EL] Στατιστική και Πιθανότητες[EN] Statistics and Probability |
Λέξεις-κλειδιά: | Bayesian analysis; Epidemic modelling |
Κάτοχος πνευματικών δικαιωμάτων: | © 2023, Πέτρος Μπαρμπουνάκης |
Σημειώσεις: | «The implementation of the doctoral thesis was co-financed by Greece and the European Union (European Social Fund-ESF) through the Operational Programme «Human Resources Development, Education and Lifelong Learning» in the context of the Act “Enhancing Human Resources Research Potential by undertaking a Doctoral Research” Sub-action 2: IKY Scholarship Programme for PhD candidates in the Greek Universities». |
Εμφανίζεται στις συλλογές: | Υποψήφιοι διδάκτορες |
Αρχεία σε αυτό το τεκμήριο:
Αρχείο | Περιγραφή | Σελίδες | Μέγεθος | Μορφότυπος | Έκδοση | Άδεια | |
---|---|---|---|---|---|---|---|
PhD_Thesis_A_Bayesian_approach_to_the_analysis_of_infectious_disease_data_using_continuous_time_stochastic_models__IKY__-compressed.pdf | 1.48 MB | Adobe PDF | Του συγγραφέα (post-refereeing) | Δείτε/ανοίξτε |