Epidemiologisk bevakning

Presenter Notes

Bakgrund

Personer på sjukhus kan smittas av Clostridium-bakterier från sporer i rum

Kan vi få en bild av hur smittorna sprids med hjälp av befintlig besöksdata?

Presenter Notes

Hur?

Korrelationsanalys av:

  • patient-data, vilken smitta & när den var bekräftad
  • vistelse-data, var patienter har varit

Presenter Notes

Korrelera data och det kan ge en idé om utbrottets källa

Presenter Notes

Dataset

  • Än så länge enbart fiktiv data
  • Fullständig analys är svår att göra utan vidare detaljer
  • Det finns ett planterat utbrott

Presenter Notes

Frågor

  • Kan vi identifiera ett potentiellt utbrott?
  • Kan ett sådant härledas till:
    • ett rum?
    • en patient?

Presenter Notes

Verktyg

  • Grafdatabasen Neo4j
  • Python-skript för manuell analys
  • IPython Notebook för interaktiv presentation

Presenter Notes

Datamodell

Modell

Presenter Notes

Vilka har legat i samma rum som person ID 15?

Person 15

Presenter Notes

Vilka rum har besökts av personer nu med smitta av subtyp 15?

Rum med subtyp 15

Presenter Notes

Utbrott

Vilka rum har besöks av olika personer, med samma smittyp X, där inkubationstiden (2 mån) antyder att rummet är källan? →

 1 MATCH (s:Strain)<--(i:Infection)-->(p:Person)-->
 2   (v:Visit)-->(l:Location)<--(v2:Visit)
 3   <--(p2:Person)<--(i2:Infection)-->(s:Strain)
 4 WITH *
 5 MATCH (c)-[:confirmed]-(i), (c2)-[:confirmed]-(i2)
 6 WITH *
 7 MATCH (st)-[:start]->(v)<-[:end]-(en),
 8   (st2)-[:start]-(v2)<-[:end]-(en2)
 9 WHERE (c.month >= (st.month - 2) and c.month <= (en.month + 2))
10   or (c2.month >= (st2.month - 2) and c2.month <= (en2.month + 2))
11 RETURN s, i, i2, p, p2, v, v2, l;

Presenter Notes

Utbrott

Presenter Notes

Resultat

Vår query antyder att det är subtyp 12 som är grunden i det planterade utbrottet

Varför 12 och inte 13 som också ser signifikant ut?

Presenter Notes

Tolkning

Vi ser personer med:

  • smitta där besöken faller inom inkubationstiden
  • en relation till annat besök där smittan inte faller inom inkubationstiden

Presenter Notes

Dessa besök är alltså oberoende av varandra

  • logisk ELLER-operation
  • detta för att kunna visa samband till andra besök

Presenter Notes

Det vill säga

En sån fråga ger synliga resultat, där vi:

  • kan se personernas besök i andra rum
  • kan få idé om spridning till andra rum
  • saknar en tydlig bild över utbrott

Presenter Notes

Istället

Om vi ställer vi frågan mer strikt:

  • med en logisk OCH-operation
  • visar endast samband där bekräftad smitta faller inom inkubationstiden

Presenter Notes

Utbrott

table uses same query, but instead return this: return l, count (l) ;

Presenter Notes

Resultat

Vi kan nu se att subtyp 12 är fortfarande är signifikant, medan 13 är i klass med övriga.

Bland annat ser vi att följande rum är intressanta att titta närmre på:

  • Avdelning 27, rum 1
  • Avdelning 27, rum 2
  • Avdelning 27, rum 3
  • Avdelning 12, rum 8

Presenter Notes

Tid

Förgående vy tar inte hänsyn till tidsfönster för att hitta eventuella utbrott

Om vi istället plottar ut bekräftade smittor där inkubationstiden sammanfaller med ett besök, ser vi följande →

Presenter Notes

Tidslinje

Presenter Notes

Resultat

I förgående vy kunde vi se:

  • subtyp 12 är mer intressant än övriga, igen
  • att vi vill kunna titta i detalj över denna typ

Här näst kan vi se infektioner vars smitta sammanfaller med ett besök inom 2 månaders inkubationstid

Presenter Notes

Detaljer

Detaljer

Presenter Notes

Vad saknas?

För en bättre och tydligare analys behöver vi dynamiskt välja ut intressanta tidsfönster där frekventa fall syns och kan analyseras

Presenter Notes

Tack

Presenter Notes