MARC

 008260219s2025        us  ||||||||||||||c||eng  d
■001000017359192
■00520260202104847
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798265410092
■035    ▼a(MiAaPQ)AAI32174044
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a574
■1001  ▼aLink,  Nicholas  B.
■24510▼aBayesian  and  Spatiotemporal  Modeling  of  Infectious  Diseases  and  Population  Health.
■260    ▼a[S.l.]▼bHarvard  University.  ▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a160  p.
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-05,  Section:  A.
■500    ▼aAdvisor:  Hedt-Gauthier,  Bethany;Nethery,  Rachel  C.
■5021  ▼aThesis  (Ph.D.)--Harvard  University,  2025.
■520    ▼aInfectious  disease  outbreak  detection  is  a  critical  component  of  public  health  surveillance.  However,the  data  and  methods  available  for  this  task  vary,  and  there  is  limited  guidance  on  which  method  to  apply  to  a  given  dataset.  Additionally,  outbreak  detection  and  public  health  rate  estimation  rely  on  accurate  population  denominators,  yet  in  the  U.S.,  it  is  unclear  which  data  sources  provide  the  most  reliable  estimates.  This  dissertation  addresses  both  issues  by  evaluating  outbreak  detection  methods  for  syndromic  and  wastewater-based  surveillance  and  by  developing  a  model  to  estimate  U.S.  county  populations.  In  Chapter  1,  we  present  a  simulation  study  evaluating  spatio-temporal  models  for  syndromic  surveillance  in  low-resource  settings.  Conventional  syndromic  surveillance  methods  face  challenges  in  handling  missing  data  and  often  do  not  leverage  spatio-temporal  structure.  We  compare  a  baseline  syndromic  surveillance  model,  a  frequentist  spatio-temporal  model,  and  a  Bayesian  spatio-temporal  conditional  autoregressive  (CAR)  model.  The  Bayesian  CAR  model  consistently  achieves  high  specificity  across  simulations,  underscoring  the  importance  of  spatio-temporal  modeling  in  syndromic  surveillance.  In  Chapter  2,  we  introduce  the  Spatially-Weighted  Ensemble  for  Estimation  of  Populations  (SWEEP),  a  Bayesian  ensemble  model  that  combines  the  American  Community  Survey  (ACS),  Population  Estimates  Program  (PEP),  and  WorldPop  (WP)  to  generate  intercensal  population  estimates.  SWEEP  uses  spatially  varying  weights  that  adapt  to  geographic  patterns  in  product  accuracy.  Using  2019  product  estimates  to  predict  2020  census  counts,  SWEEP  improves  population  estimates,  particularly  for  the  American  Indian  and  Alaska  Native  (AIAN)  population,  and  reveals  systematic  geographic  variation  in  data  accuracy.  These  findings  demonstrate  the  potential  of  spatially  adaptive  ensemble  modeling  to  improve  population  estimates  and  support  more  equitable  disease  and  mortality  rate  estimation.  In  Chapter  3,  we  develop  a  wastewater-based  outbreak  detection  method  using  an  exponential  growth  model  and  evaluate  its  performance  relative  to  clinically-defined  outbreaks.  Applied  to  countylevel  COVID-19  data,  this  method  outperforms  a  reproductive  number  (Rt)-based  approach.  Detection  performance  improves  with  spatial  aggregation  yet  declines  in  extreme  temperatures,  high  humidity,  and  after  2021.  These  results  suggest  that  wastewater  surveillance  can  reliably  detect  outbreaks,  though  its  performance  varies  with  environmental  context  and  its  evaluation  depends  on  the  quality  of  reference  clinical  data.
■590    ▼aSchool  code:  0084.
■650  4▼aBiostatistics.
■650  4▼aDemography.
■650  4▼aEpidemiology.
■653    ▼aBayesian  models
■653    ▼aInfectious  diseases
■653    ▼aSpatiotemporal  models
■653    ▼aPopulation  health
■690    ▼a0308
■690    ▼a0766
■690    ▼a0938
■71020▼aHarvard  University▼bBiostatistics.
■7730  ▼tDissertations  Abstracts  International▼g87-05A.
■790    ▼a0084
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17359192▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서