Clio-epidemiology to Neo-epidemiology Studying past epidemics - - PowerPoint PPT Presentation

Clio-­‑epidemiology ¡to ¡Neo-­‑epidemiology ¡ Studying ¡past ¡epidemics ¡and ¡pandemics ¡to ¡inform ¡ modern ¡epidemiological ¡surveillance, ¡research ¡ and ¡policy ¡

Public ¡Health ¡Dynamics ¡Laboratory ¡Seminar ¡Series ¡ University ¡of ¡Pi9sburgh ¡Graduate ¡School ¡of ¡Public ¡Health ¡ October ¡12, ¡2015 ¡ Donald ¡R. ¡Olson ¡– ¡Bureau ¡of ¡Epidemiology ¡Services ¡ New ¡York ¡City ¡Department ¡of ¡Health ¡and ¡Mental ¡Hygiene ¡

Acknowledgements

For ¡their ¡guidance, ¡collabora2on, ¡encouragement ¡and ¡generously ¡shared ¡insights: ¡ ¡ Farzad ¡Mostashari, ¡Rick ¡Heffernan, ¡Julie ¡Pavlin, ¡Jim ¡Hadler, ¡Lone ¡Simonsen, ¡Cecile ¡Viboud, ¡ Mark ¡Miller, ¡Alain-­‑Jacques ¡Valleron, ¡Stephen ¡Morse ¡and ¡many ¡many ¡colleagues ¡with ¡ISDS, ¡ DOHMH ¡BCD/BES, ¡and ¡NIH-­‑FIC ¡MISMS/RAPIDD. ¡

Dedication

Rick Heffernan (1964-2013)

2001-2007 Director Syndromic Surveillance, New York City 2007-2013 Chief Communicable Diseases, State of Wisconsin

Outline - Themes

Clio-­‑epidemiology ¡

¡Historical ¡Data ¡Project: ¡New ¡York ¡City, ¡1865-­‑2015 ¡ Case ¡Study ¡#1 ¡Looking ¡for ¡Evidence ¡of ¡an ¡Early ¡Wave ¡of ¡the ¡1918 ¡Influenza ¡Pandemic ¡

Neo-­‑epidemiology ¡

¡Disease ¡Surveillance ¡in ¡the ¡21st ¡Century ¡ Case ¡Study ¡#2 ¡Monitoring ¡the ¡Impact ¡of ¡Influenza ¡by ¡Age: ¡New ¡York ¡City ¡and ¡NaKonwide, ¡ and ¡Reassessing ¡Internet ¡Search ¡Query ¡Data ¡for ¡DetecKon ¡of ¡Influenza ¡

Surveillance, ¡Research ¡& ¡Policy ¡

¡Modern ¡Public ¡Health: ¡Cross-­‑cuYng, ¡Crea2ve ¡and ¡Collabora2ve ¡ ¡ Case ¡Study ¡#3 ¡Monitoring ¡the ¡ShiQing ¡Impact ¡and ¡Dynamics ¡of ¡Rotavirus ¡Since ¡ ImplementaKon ¡of ¡RouKne ¡VaccinaKon ¡

New ¡York ¡City ¡

Historical ¡ Data ¡ Modern ¡ Data ¡ Surveillance ¡ Research ¡& ¡ Policy ¡

Clio-­‑epidemiology ¡

Historical ¡ Data ¡

New ¡York ¡City ¡Board ¡of ¡Health ¡& ¡Department ¡of ¡Health ¡

1805 ¡– ¡ ¡First ¡mee2ng ¡of ¡the ¡Board ¡of ¡Health ¡in ¡response ¡to ¡yellow ¡fever ¡epidemic ¡ ¡ 1820s ¡– ¡Epidemics ¡of ¡yellow ¡fever ¡(1822) ¡and ¡smallpox ¡(1824) ¡ 1832, ¡1834 ¡– ¡ ¡“The ¡Cholera ¡Years” ¡ 1842 ¡– ¡Croton ¡Aqueduct ¡opened ¡ 1849, ¡1854 ¡– ¡“The ¡Cholera ¡Years” ¡ 1851, ¡1865 ¡– ¡Epidemic ¡smallpox ¡ 1865 ¡– ¡Department ¡of ¡Health ¡ 1866 ¡– ¡Epidemic ¡cholera ¡ 1872 ¡to ¡1902 ¡– ¡Seven ¡smallpox ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡epidemics ¡over ¡thirty ¡years ¡ 1907 ¡– ¡control ¡of ¡typhoid ¡carriers ¡ 1910 ¡– ¡water ¡chlorina2on ¡began ¡ 1911 ¡– ¡milk ¡sta2ons ¡ 1912 ¡– ¡pasteuriza2on ¡ ¡ 1918 ¡– ¡“Spanish ¡Flu” ¡

12,562 ¡deaths ¡were ¡recorded ¡during ¡the ¡ 1918 ¡influenza ¡pandemic ¡in ¡New ¡York ¡City ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡But ¡how ¡many ¡really ¡occurred? ¡

 ¡ ¡1-­‑in-­‑20 ¡Americans ¡were ¡New ¡Yorkers. ¡  ¡ ¡Island ¡of ¡Manhagan ¡reached ¡its ¡peak ¡ ¡

¡ ¡ ¡ ¡ ¡ ¡ ¡historic ¡popula2on. ¡

 ¡ ¡The ¡city’s ¡Lower ¡East ¡Side ¡was ¡the ¡ ¡

¡ ¡ ¡ ¡ ¡ ¡ ¡“densest ¡square ¡mile ¡on ¡earth”. ¡ ¡

 ¡ ¡The ¡city’s ¡subway ¡system ¡was ¡the ¡longest, ¡ ¡

¡ ¡ ¡ ¡ ¡ ¡ ¡fastest ¡and ¡most ¡crowded ¡in ¡the ¡world. ¡

 ¡ ¡The ¡city’s ¡Health ¡Department ¡collected ¡and ¡published ¡vital ¡sta2s2cs ¡data ¡ ¡

¡ ¡ ¡ ¡ ¡ ¡ ¡by ¡age ¡group ¡and ¡cause ¡of ¡death. ¡

New ¡York ¡City ¡circa-­‑1918 ¡

 ¡ ¡Typical ¡“U”-­‑shaped ¡age-­‑pagern ¡ ¡

¡ ¡ ¡ ¡ ¡of ¡annual ¡P&I ¡mortality. ¡

 ¡ ¡Unique ¡“W”-­‑shaped ¡age-­‑pagern ¡ ¡

¡ ¡ ¡ ¡ ¡of ¡P&I ¡mortality ¡in ¡1918. ¡ ¡

Age ¡Pa9ern ¡of ¡Pneumonia ¡and ¡Influenza ¡(P&I) ¡Mortality ¡

 ¡ ¡ ¡Respiratory-­‑related ¡deaths ¡  ¡ ¡ ¡Seasonal ¡excess ¡deaths ¡  ¡ ¡ ¡Synchronous ¡peaks ¡

Seasonal ¡Influenza ¡before ¡1918 ¡

Wade ¡Hampton ¡Frost ¡JAMA ¡(1919). ¡

 ¡ ¡How ¡many ¡waves ¡of ¡the ¡pandemic ¡occurred ¡in ¡New ¡York ¡City? ¡  ¡ ¡What ¡was ¡the ¡overall ¡and ¡age-­‑specific ¡impact ¡on ¡mortality? ¡  ¡ ¡Was ¡there ¡an ¡early ¡“herald ¡wave” ¡of ¡the ¡pandemic? ¡

Three ¡Ques[ons ¡about ¡the ¡1918 ¡Influenza ¡Pandemic ¡

Data ¡Source ¡

 ¡ ¡Rou2nely ¡tabulated ¡  ¡ ¡Monthly ¡deaths ¡  ¡ ¡Cause-­‑specific ¡  ¡ ¡Age-­‑group ¡

 New ¡York ¡City ¡Monthly ¡Age-­‑stra2fied ¡All-­‑cause ¡Mortality, ¡1911-­‑21 ¡  Sta2s2cal ¡Approach: ¡Es2mate ¡excess ¡deaths ¡using ¡a ¡Serfling ¡periodic ¡

regression ¡model ¡by ¡age ¡group ¡

¡ ¡ ¡ ¡ ¡Mt ¡= ¡α0 ¡+ ¡α1 ¡t ¡+ ¡γ1 ¡cos(2πt ¡/12) ¡+ ¡δ1 ¡sin(2πt ¡/12) ¡+ ¡γ2 ¡cos(4πt ¡/12) ¡+ ¡δ2 ¡sin(4πt ¡/12) ¡+ ¡et ¡

 Comparison ¡

Age-­‑specific ¡Rela2ve ¡Risk ¡ Ra2o ¡of ¡age-­‑stra2fied ¡rates, ¡<45:>45 ¡

Method ¡of ¡Analysis ¡

Monthly ¡Mortality ¡in ¡New ¡York ¡City ¡

Olson, ¡et ¡al ¡PNAS ¡(2005). ¡ ¡

 ¡ ¡All-­‑cause ¡mortality ¡by ¡age ¡group ¡

¡ ¡ ¡ ¡ ¡with ¡seasonal ¡regression ¡baseline, ¡ ¡ ¡ ¡ ¡ ¡epidemic ¡threshold ¡and ¡seasonal ¡ ¡ ¡ ¡ ¡ ¡and ¡pandemic ¡influenza ¡outbreak ¡ ¡ ¡ ¡ ¡ ¡periods. ¡ ¡ ¡

Monthly ¡Age-­‑specific ¡Mortality ¡

Olson, ¡et ¡al ¡PNAS ¡(2005). ¡ ¡

Monthly ¡Age-­‑specific ¡Mortality ¡

Olson, ¡et ¡al ¡PNAS ¡(2005). ¡ ¡

 ¡ ¡Typical ¡“U”-­‑shaped ¡pagern ¡  ¡ ¡Unique ¡“W”-­‑shaped ¡pagern ¡ ¡

Annual ¡Age-­‑specific ¡P&I ¡Mortality ¡by ¡Calendar ¡Year ¡

1916 ¡annual ¡mortality ¡ 1918 ¡annual ¡mortality ¡

Olson, ¡et ¡al ¡PNAS ¡(2005). ¡ ¡

 ¡Actual ¡“\/\_”-­‑shaped ¡excess ¡mortality ¡  ¡ ¡And ¡“__/”-­‑shaped ¡excess ¡mortality ¡

Seasonal ¡Age-­‑specific ¡Excess ¡Mortality ¡by ¡Epidemic ¡Period ¡

1918 ¡early ¡wave ¡ 1918/19 ¡season ¡ 1915/16 ¡season ¡

Olson, ¡et ¡al ¡PNAS ¡(2005). ¡ ¡

Seasonal ¡Age-­‑specific ¡Excess ¡Mortality ¡by ¡Epidemic ¡Period ¡

1918 ¡early ¡wave ¡ 1915/16 ¡season ¡ 1918/19 ¡season ¡

 ¡“\/\_”-­‑shaped ¡excess ¡mortality ¡  ¡ ¡“__/”-­‑shaped ¡excess ¡mortality ¡ Olson, ¡et ¡al ¡PNAS ¡(2005). ¡ ¡

Rela[ve ¡Risk ¡for ¡Early-­‑1918 ¡and ¡1918/19 ¡Pandemic ¡Waves ¡

1918 ¡early ¡wave ¡

 ¡ ¡Rela2ve ¡to ¡prior ¡seasonal ¡epidemic ¡

¡ ¡ ¡ ¡ ¡ ¡ ¡mortality ¡pagern ¡ ¡

1918/19 ¡season ¡

Olson, ¡et ¡al ¡PNAS ¡(2005). ¡ ¡

 ¡ ¡All-­‑cause ¡mortality ¡by ¡age ¡group ¡

¡ ¡ ¡ ¡ ¡with ¡seasonal ¡regression ¡baseline, ¡ ¡ ¡ ¡ ¡ ¡epidemic ¡threshold ¡and ¡seasonal ¡ ¡ ¡ ¡ ¡ ¡and ¡pandemic ¡influenza ¡outbreak ¡ ¡ ¡ ¡ ¡ ¡periods. ¡ ¡ ¡

Monthly ¡Age-­‑specific ¡Mortality ¡

Simonsen, ¡et ¡al ¡IOM ¡(2005). ¡ ¡

Excess ¡Mortality ¡by ¡Epidemic ¡Period/Season ¡

Olson, ¡et ¡al ¡PNAS ¡(2005). ¡ ¡

< ¡ < ¡ > ¡ > ¡

Table ¡1. ¡Influenza ¡season ¡excess ¡deaths ¡

Origin ¡of ¡the ¡1918 ¡Influenza ¡Pandemic? ¡

Pagerson ¡& ¡Pyle, ¡Bulle2n ¡of ¡the ¡History ¡of ¡Medicine ¡(1991) ¡

Origin ¡of ¡the ¡1918 ¡Influenza ¡Pandemic? ¡ ? ¡ ? ¡

FEB ¡

NYC ¡

 ¡ ¡The ¡age-­‑pagern ¡of ¡the ¡so-­‑called ¡“mild ¡spring ¡wave” ¡was ¡consistent ¡with ¡ an ¡early ¡wave ¡of ¡the ¡pandemic ¡— ¡though, ¡less ¡severe ¡than ¡the ¡main ¡wave, ¡ the ¡early ¡wave ¡was ¡neither ¡mild ¡nor ¡began ¡in ¡spring. ¡  ¡ ¡Consistent ¡pagern ¡of ¡rela2ve ¡sparing ¡of ¡older ¡ ¡ age ¡groups ¡in ¡three ¡consecu2ve ¡waves. ¡

• ¡ ¡The ¡pandemic ¡couldn’t ¡have ¡originated ¡from ¡ ¡

Kansas ¡in ¡February ¡or ¡March ¡of ¡1918. ¡

Epidemiological ¡Evidence ¡of ¡an ¡Early ¡Wave ¡of ¡the ¡1918 ¡Influenza ¡ Pandemic ¡in ¡New ¡York ¡City ¡

Neo-­‑epidemiology ¡

Modern ¡ Data ¡

Syndromic Surveillance

• Origins of the field (and UPMC)
• NYC “drop-in” surveillance, 2001
• Automated, rapid, electronic, high volume data
• “If syndromic surveillance is the answer, what is the

question?”

• Objectives of disease surveillance
• But hasn’t this been done before? (the other UPMC)

Olson ¡DR, ¡Heffernan ¡RT, ¡Paladini ¡M, ¡Konty ¡K, ¡Weiss ¡D, ¡Mostashari ¡F. ¡ ¡ PLOS ¡Medicine ¡2007;4:e247 ¡hgp://dx.doi.org/10.1371/journal.pmed.0040247 ¡ ¡

viral ¡tes[ng ¡ syndromic ¡ILI ¡

Influenza in New York City

ISDS Distribute project

• International Society for Disease Surveillance (2004)
• Pandemic and All Hazards Preparedness Act (2006)
• Homeland Security Presidential Directive 21 (2007)
• Principles of the project
• Distributed model
• Socio-technical solution

[Distribute graphic]

Olson ¡DR, ¡Paladini ¡M, ¡Lober ¡WB, ¡Buckeridge ¡DL; ¡ISDS ¡DiSTRIBuTE ¡Working ¡Group. ¡PLOS ¡Currents: ¡Influenza ¡2011;3:RRN1251 ¡hgp://dx.doi.org/10.1371/currents.RRN1251 ¡ ¡

HelQ ¡M. ¡New ¡York ¡Times ¡2008; ¡Nov ¡12:A1. ¡ hgp://www.ny2mes.com/2008/11/12/technology/internet/12flu.html ¡

¡ ¡ ¡ ¡[It] ¡“appears ¡to ¡be ¡a ¡fruizul ¡marriage ¡of ¡ mob ¡behavior ¡and ¡medicine” ¡ ¡ ¡ ¡ ¡“There ¡is ¡a ¡new ¡common ¡symptom ¡of ¡the ¡flu, ¡in ¡ addi2on ¡to ¡the ¡usual ¡aches, ¡coughs, ¡fevers ¡and ¡sore ¡

• throats. ¡Turns ¡out ¡a ¡lot ¡of ¡ailing ¡Americans ¡enter ¡

phrases ¡like ¡“flu symptoms” ¡into ¡Google ¡and ¡other ¡ search ¡engines ¡before ¡they ¡call ¡their ¡doctors.” ¡ ¡ ¡ ¡ ¡“We ¡don’t ¡have ¡any ¡evidence ¡that ¡this ¡is ¡ more ¡2mely ¡than ¡our ¡emergency ¡room ¡ data,” ¡said ¡Dr. ¡Farzad ¡Mostashari ¡assistant ¡ commissioner ¡of ¡the ¡Department ¡of ¡Health ¡ and ¡Mental ¡Hygiene ¡in ¡New ¡York ¡City. ¡

¡ ¡ ¡ ¡“A ¡paper ¡on ¡the ¡methodology ¡of ¡Google ¡Flu ¡Trends ¡is ¡expected ¡to ¡be ¡published ¡in ¡the ¡journal ¡Nature.” ¡ ¡ ¡ ¡ ¡“ ¡If ¡Google ¡provided ¡health ¡officials ¡with ¡details ¡of ¡the ¡system’s ¡workings ¡so ¡that ¡it ¡could ¡be ¡validated ¡ scienKfically ¡the ¡data ¡could ¡serve ¡as ¡an ¡addiKonal, ¡free ¡way ¡to ¡detect ¡influenza, ¡said ¡Dr. ¡Mostashari, ¡who ¡ is ¡also ¡chairman ¡of ¡the ¡InternaKonal ¡Society ¡for ¡Disease ¡Surveillance.” ¡

HelQ ¡M. ¡New ¡York ¡Times ¡2008; ¡Nov ¡12:A1. ¡ hgp://www.ny2mes.com/2008/11/12/technology/internet/12flu.html ¡

Google Flu Trends

Ginsberg ¡J, ¡Mohebbi ¡MH, ¡Patel ¡RS, ¡Brammer ¡L, ¡Smolinsky ¡MS, ¡Brilliant ¡L. ¡Nature ¡2009;457:1012-­‑4. ¡ ¡

‘oscar ¡nomina[ons’ ¡(sic) ¡ Mid-Atlantic States CDC-­‑reported ¡ILI ¡percentages ¡ Google ¡Flu ¡Trends ¡search ¡query ¡es[mates ¡ period ¡of ¡ prospec:ve ¡ ¡ valida:on ¡ period ¡of ¡ retrospec:ve ¡ ¡ model-­‑fi<ng ¡

Searching ¡for ¡be>er ¡flu ¡surveillance? ¡

DiSTRIBuTE ¡Working ¡Group. ¡“Searching ¡for ¡becer ¡flu ¡surveillance?” ¡ ¡ Nature ¡Precedings ¡2009;3493:1 ¡hgp://dx.doi.org/10.1038/npre.2009.3493.1 ¡

• Correlation assessed

through the influenza season (accumulated context)

• The ‘Week-47’ problem

(Google request that we remove as counterfactual)

• The conceptual difference

between detecting the onset

• f an epidemic and catching

its peak.

Influenza A/H1N1 2009 pandemic

hgp://www.whitehouse.gov/assets/documents/ PCAST_H1N1_Report.pdf ¡

President’s ¡Council ¡of ¡Advisors ¡on ¡Science ¡and ¡ Technology ¡(PCAST) ¡

By ¡ANEMONA ¡HARTOCOLLIS ¡ ¡ and ¡DONALD ¡G. ¡McNEIL ¡Jr. ¡

October ¡8, ¡2009, ¡front ¡page ¡

“Areas ¡Hit ¡Hard ¡ by ¡Flu ¡in ¡Spring ¡ ¡ See ¡Li>le ¡Now” ¡

hgp://www.ny2mes.com/2009/10/08/health/08flu.html ¡ ¡

Senate Budget Committee Task Force on Government Performance December 10th, 2009

“Data-Driven Performance: Using Technology to Deliver Results”

• 1. ¡Voluntary ¡Grassroots ¡Par:cipa:on ¡
• 2. ¡Low ¡Cost ¡to ¡Acquire ¡Data ¡
• 3. ¡Unprecedented ¡Public ¡Transparency ¡

Tes[mony ¡of ¡Aneesh ¡Chopra ¡-­‑ ¡White ¡House ¡Chief ¡Technology ¡Officer ¡and ¡Associate ¡Director ¡for ¡Technology ¡ Office ¡of ¡Science ¡& ¡Technology ¡Policy ¡(OSTP) ¡

hgp://budget.senate.gov/democra2c/tes2mony/2009/Aneesh%20Chopra%20Statement.pdf ¡

ISDS ¡DiSTRIBuTE ¡Project ¡noted ¡for ¡ ¡

White ¡House ¡Senate ¡Tes:mony ¡

Olson ¡DR, ¡Paladini ¡M, ¡Lober ¡WB, ¡Buckeridge ¡DL; ¡ISDS ¡DiSTRIBuTE ¡Working ¡Group. ¡ ¡ PLOS ¡Currents: ¡Influenza ¡2011;3:RRN1251 ¡hgp://dx.doi.org/10.1371/currents.RRN1251 ¡ ¡

DiSTRIBuTE ¡Project ¡ ¡

• Proof of Concept during 2008/2009 season with 8

participating jurisdictions (capturing ~13% of all ED visits in US)

• Expanded during 2009/2010 to 43 state or local

jurisdictions reporting >1 million total ED visits each week (~50% all US visits)

• Widened search to

include more terms

• Focused terms on

influenza related symptoms

• Increased baseline to

include first 6 months of the pandemic

• Minor update to model

didn’t address issues of

• verfitting, disease

dynamics, media bias

• r local variation

GFT 2.0

Cook ¡S, ¡Conrad ¡C, ¡Fowlkes ¡AL, ¡Mohebbi ¡MH. ¡PLOS ¡One ¡2011;6:e23610. ¡hgp://dx.plos.org/10.1371/journal.pone.0023610 ¡ ¡

United States

Weekly influenza-like illness (ILI) percent

Olson ¡ ¡DR, ¡Konty ¡KJ, ¡Paladini ¡M, ¡Viboud ¡C, ¡Simonsen ¡L. ¡PLOS ¡ComputaKonal ¡Biology ¡ ¡2013;9:e1003256. ¡hgp://dx.plos.org/10.1371/journal.pcbi.1003256 ¡ ¡

Date (influenza season)

United States

Date (influenza season)

Olson ¡ ¡DR, ¡Konty ¡KJ, ¡Paladini ¡M, ¡Viboud ¡C, ¡Simonsen ¡L. ¡PLOS ¡ComputaKonal ¡Biology ¡ ¡2013;9:e1003256. ¡hgp://dx.plos.org/10.1371/journal.pcbi.1003256 ¡ ¡

Olson ¡ ¡DR, ¡Konty ¡KJ, ¡Paladini ¡M, ¡Viboud ¡C, ¡Simonsen ¡L. ¡PLOS ¡ComputaKonal ¡Biology ¡ ¡2013;9:e1003256. ¡hgp://dx.plos.org/10.1371/journal.pcbi.1003256 ¡ ¡

Weekly influenza-like illness (ILI) percent

GFT 3.0

Copeland ¡P, ¡Romano ¡R, ¡Zhang ¡T, ¡Hecht ¡G, ¡Zigmond ¡D, ¡Stefansen ¡C. ¡(2013) ¡hgp://blog.google.org/2013/10/flu-­‑trends-­‑updates-­‑model-­‑to-­‑help.html ¡ ¡

• new Google Flu

team in 2013

• Did forensic

analysis of 2012/13

• Attempted to correct

media driven bias

• New openness and
• utreach in 2014/15
• Ultimately folded the

system last month

Lazer ¡D, ¡Kennedy ¡R, ¡King ¡G, ¡Vespignani ¡A ¡(2014) ¡Science ¡

Parable of Google Flu

• Big data hubris
• Danger of overfitting
• Algorithm dynamics
• Lack of transparency

and replicability

Limitations / Missed opportunities

• Local vs. national surveillance
• Distributed vs. centralized data
• Public health practice vs. disruptive technologies
• Age, race, sex, severity, socioeconomics, etc.
• Limits of “fail early, fail often” in public health

Clio-­‑epidemiology ¡to ¡Neo-­‑epidemiology ¡

Surveillance ¡ Research ¡& ¡ Policy ¡

Public Health Surveillance in the 21st Century

Disease ¡Surveillance ¡Objec[ves ¡

• ­‑ Recognize ¡cases ¡or ¡clusters ¡of ¡disease ¡
• ­‑ Measure ¡trends ¡and ¡characterize ¡diseases ¡
• ­‑ Develop ¡hypotheses ¡leading ¡to ¡analy2c ¡studies ¡
• ­‑ Monitor ¡effec2veness ¡of ¡public ¡health ¡interven2ons ¡
• ­‑ Provide ¡informa2on ¡to ¡decision ¡makers, ¡health ¡providers ¡and ¡the ¡public ¡

Smith, Hadler, Stanbury, Rolfs, Hopkins; CSTE Surveillance Strategy Group (2013) J Public Health Manag Pract. 19(3):231-9.

Impact of epidemic acute gastroenteritis in the 20th century

Global ¡Burden ¡of ¡Disease ¡es2mates ¡(2002) ¡

• 4.5 ¡billion ¡incident ¡cases ¡of ¡diarrhea ¡per ¡year ¡
• 1.8 ¡million ¡diarrheal ¡deaths ¡per ¡year ¡

Winter-­‑seasonal ¡epidemics ¡in ¡temperate ¡climates ¡

• significant ¡burden ¡of ¡excess ¡hospitaliza2ons ¡
• infec2ous ¡agents ¡and ¡overall ¡impact ¡were ¡not ¡fully ¡

characterized ¡a ¡genera2on ¡ago ¡

Global Burden of Disease estimates (2002) World Health Organization.

shigella salmonella giardia

• E. coli

cholera rotavirus

Outbreaks of Diarrheal Disease – the usual suspects

Parashar, ¡Hummelman, ¡Bresee, ¡Miller, ¡Glass ¡(2003) ¡Emerging ¡InfecKous ¡Diseases ¡9(5):565-­‑72. ¡

Global ¡es2mate ¡of ¡annual ¡deaths ¡in ¡children ¡ due ¡to ¡rotavirus ¡related ¡diarrhea ¡ ¡ ¡ ¡ ¡ ¡ ¡~ ¡600,000 ¡deaths ¡per ¡year ¡

• ¡ ¡= ¡1,000 ¡deaths ¡

• ­‑ ¡ ¡Characterize ¡epidemiology ¡and ¡seasonality ¡of ¡epidemic ¡gastroenteri2s ¡
• ­‑ ¡ ¡Prospec2ve ¡evalua2on ¡of ¡infant ¡rotavirus ¡vaccine ¡implementa2on ¡ ¡

Objectives – NYC Rotavirus Study

Monitor trends in acute gastroenteritis

Data Sources

Multiple Electronic Disease Surveillance Data Sources

• Syndromic ¡emergency ¡department ¡chief ¡complaint ¡surveillance, ¡2001-­‑2015 ¡
• Rotavirus ¡coded ¡hospitaliza2ons ¡in ¡SPARCS ¡(ICD-­‑9 ¡008.61), ¡2001-­‑2014 ¡
• Citywide ¡Immuniza2on ¡Registry ¡of ¡infant ¡rotavirus ¡vaccine, ¡2006-­‑2015 ¡
• Rotavirus ¡cases ¡reported ¡through ¡electronic ¡laboratory ¡repor2ng, ¡2008-­‑2015 ¡

Methods

Analysis of Syndromic Emergency Department (ED) data

• Define ¡“diarrheal” ¡and ¡“vomi2ng” ¡syndrome ¡ED ¡chief ¡complaint ¡ ¡
• Iden2fy ¡predominant ¡rotavirus ¡periods ¡based ¡on ¡hospital ¡coded ¡and ¡

reportable ¡cases ¡ ¡

• Es2mate ¡seasonal ¡excess ¡ED ¡visits ¡(observed ¡– ¡expected) ¡using ¡summer ¡

baseline ¡and ¡periodic ¡regression ¡models ¡ ¡

• Scale ¡2me-­‑series ¡as ¡rela2ve ¡excess ¡(observed ¡/ ¡expected) ¡by ¡age-­‑group ¡

with ¡surface ¡plot ¡visualiza2ons ¡

Olson, ¡Heffernan, ¡Paladini, ¡Konty, ¡Weiss, ¡Mostashari ¡(2007) ¡PLOS ¡Medicine ¡4(8): ¡e247. ¡ ¡ Heffernan, ¡Mostashari, ¡Das, ¡Karpa2, ¡Kulldorff, ¡Weiss ¡(2004) ¡Emerging ¡InfecKous ¡Diseases ¡10(5): ¡858-­‑64. ¡

Characterize epidemiology and seasonality

• f rotavirus in the pre-vaccine era

Syndromic surveillance in New York City, 2001-2006

Syndromic surveillance in New York City, 2001-2006

vomiting diarrheal

Relative Excess Visits by Age in New York City

• Diarrheal and vomiting ED syndrome visits 2001-2006
• Hospital coded 008.61 rotavirus 2001-2005

65+y <1y

rotavirus

2001/2002 2002/2003 2003/2004 2004/2005 2005/2006

<1y 65+y

• ~30,000 excess winter-season gastroenteritis ED visits per year
• rotavirus epidemics more diarrheal and in those <5 years of age

2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2 4 x 10

3

<2 year of age 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 0.5 1 x 10

3

Predicted incidence of severe RVGE (per person per week)

24 years of age 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 1 2 x 10

5

5+ years of age

Rotavirus Dynamics – Model predictions following 2006

Pitzer, ¡Viboud, ¡Simonsen,Steiner, ¡Panozzo, ¡Alonso, ¡Miller, ¡Glass, ¡Glasser, ¡Parashar, ¡Grenfell ¡(2009) ¡Science ¡325: ¡290. ¡ ¡

<2 ¡years ¡of ¡age ¡ 2-­‑4 ¡years ¡of ¡age ¡ >5 ¡years ¡of ¡age ¡

Infant ¡rotavirus ¡ vaccina[on ¡ Rotavirus ¡coded ¡ hospitaliza[ons ¡ (008.61) ¡ Rotavirus ¡reported ¡ laboratory ¡cases ¡ Diarrheal ¡syndrome ¡ ¡ ED ¡surveillance ¡

<2 ¡years ¡of ¡age ¡ 2-­‑4 ¡years ¡of ¡age ¡ 5-­‑12 ¡years ¡of ¡age ¡ >12 ¡years ¡of ¡age ¡

Post ¡Vaccine ¡

• ­‑ ¡Overall ¡70% ¡decline ¡

predominantly ¡<2yrs ¡

• ­‑ ¡Shin ¡to ¡biennial ¡

epidemic ¡pa9ern ¡

• ­‑ ¡Shining ¡impact ¡to ¡
• lder ¡age ¡groups ¡
• ­‑ ¡Pa9erns ¡consistent ¡

with ¡disease ¡dynamic ¡ model ¡predic[ons ¡

Rotavirus ¡Surveillance, ¡Research ¡and ¡Policy ¡

• ¡ ¡Syndromic ¡data ¡accurately ¡captured ¡post-­‑vaccine ¡declines ¡

(valida2ng ¡syndromic ¡surveillance) ¡and ¡provided ¡early ¡ indica2on ¡of ¡poten2al ¡changes ¡in ¡the ¡ ¡epidemiology ¡of ¡ epidemic ¡rotavirus ¡(valida2ng ¡disease ¡dynamic ¡models) ¡

• ¡Collabora2on ¡is ¡key ¡– ¡electronic ¡laboratory, ¡immuniza2on ¡

registry, ¡syndromic ¡surveillance ¡and ¡disease ¡dynamic ¡ modeling ¡efforts ¡work ¡best ¡together. ¡

• ¡Historical ¡epidemiology ¡can ¡inform ¡modern ¡

surveillance, ¡research ¡and ¡policy. ¡

• ¡Disease ¡dynamic ¡modeling ¡can ¡inform ¡(and ¡possibly ¡

solve) ¡historical ¡epidemiological ¡ques2ons. ¡

• ¡Great ¡opportunity ¡exists ¡for ¡modern ¡epidemiology ¡

through ¡collabora2on ¡between ¡disease ¡surveillance ¡ and ¡dynamic ¡modeling. ¡ ¡

Conclusions ¡

Contact: ¡Donald ¡R ¡Olson ¡ dolson@health.nyc.gov ¡ ¡ drolson@gmail.com ¡

Thank ¡you ¡