Software implementations and COVID-19 applications in disease mapping

Abstract

The first research topic of this dissertation consisted of a comparison of software implementations that can analyze spatial data, in terms of analytical and simulation results. Therefore, this study provides spatial data analysts with an in-depth overview of which software implementations offer reliable results in the context of disease mapping. A second study in this dissertation investigates the available model selection tools in various Bayesian software implementations of disease mapping analyses. It gives researchers recommendations on how to use model selection criteria in the context of disease mapping. A third study focuses on how a large-scale survey based on self-reporting COVID-19 symptoms can be used to map the spatial distribution of latent COVID-19 incidence in the early phase of the pandemic. A joint modelling framework was proposed so that uncertainty in the symptoms predictions is taken into account. Moreover, the model also corrects for possible bias due to preferential sampling, which refers to a situation where the spatial response rates may depend on the spatial process under investigation. A fourth research project proposes a surveillance tool to detect high-risk COVID-19 areas. With taking into account uncertainty, high-risk areas can be indicated based on an increase of incidences and/or high predicted future incidences. The early detection of high-risk areas can facilitate the prevention and control of infection outbreaks at the national and regional levels.

Het eerste onderzoeksonderwerp van dit doctoraatsproefschrift betrof een vergelijking tussen software-implementaties die ruimtelijke (spatiale) gegevens kunnen analyseren, op basis van analytische resultaten en resultaten van een simulatiestudie. Deze studie biedt daarom aan data-analisten een gedetailleerd overzicht van welke software implementaties betrouwbare resultaten opleveren in het kader van onderzoek dat ziekten in kaart brengt. Een tweede studie in dit doctoraatsproefschrift onderzoekt de beschikbare modelselectietechnieken in verschillende Bayesiaanse software-implementaties die ruimtelijke (spatiale) gegevens analyseren. Het geeft onderzoekers aanbevelingen over hoe modelselectie-criteria te gebruiken in onderzoek naar het in kaart brengen van ziekten. Een derde onderzoek richt zich op hoe zelf-gerapporteerde COVID-19-symptomen uit een grootschalige enquête kunnen worden gebruikt voor het in kaart brengen van de latente COVID19-incidentie in de vroege fase van de pandemie. Een gezamenlijk model werd voorgesteld, zodat er rekening werd gehouden met de onzekerheid in de symptoomvoorspellingen. Bovendien corrigeerde het model ook voor mogelijke vertekening als gevolg van een niet-representatieve steekproef (preferential sampling), waarbij het ruimtelijke (spatiale) responspercentage afhankelijk kan zijn van het ruimtelijke (spatiale) proces dat wordt onderzocht. In een vierde onderzoeksproject werd een monitor-tool voor het detecteren van hoog-risico COVID-19 gebieden voorgesteld. Met inachtname van onzekerheid werden de hoge-risicogebieden gedefinieerd op basis van een toename van het aantal gevallen en/of een hoog aantal voorspelde toekomstige gevallen. De vroege opsporing van hoog-risico COVID-19 gebieden maakt de preventie en bestrijding van infectie-uitbraken op nationaal en regionaal niveau mogelijk.