Predictive models for the spatial spread of infectious diseases has received much attention in recent years as tools for the management of infectious diseas outbreaks. Prominently, various versions of the so-called gravity model, borrowed from transportation theory, have been used. However, the original literature suggests that the model has some potential misspecifications inasmuch as it fails to capture higher-order interactions among population centers. The fields of economics, geography and network sciences holds alternative formulations for the spatial coupling within and among conurbations. These includes Stouffer's rank model, Fotheringham's competing destinations model and the radiation model of Simini et al. Since the spread of infectious disease reflects mobility through the filter of age-specific susceptibility and infectivity and since, moreover, disease may alter spatial behavior, it is essential to confront with epidemiological data on spread. To study their relative merit we, accordingly, fit variants of these models to the uniquely detailed dataset of prevaccination measles in the 954 cities and towns of England and Wales over the years 1944--65 and compare them using a consistent likelihood framework. We find that while the gravity model is a reasonable first approximation, both Stouffer's rank model, an extended version of the radiation model and the Fotheringham competing destinations model provide significantly better fits, Stouffer's model being the best. Through a new method of spatially disaggregated likelihoods we identify areas of relatively poorer fit, and show that it is indeed in densely-populated conurbations that higher order spatial interactions are most important. Our main conclusion is that it is premature to narrow in on a single class of models for predicting spatial spread of infectious disease. The supplemental materials contain all code for reproducing the results and applying the methods to other data sets.

Background: Rates of sepsis/septicemia hospitalization in the US have risen significantly during recent years, and antibiotic resistance and use may contribute to those rates through various mechanisms. Methods: We used multivariable linear regression to relate state-specific rates of outpatient prescribing overall for fluoroquinolones, penicillins, macrolides, and cephalosporins between 2011-2012 to state-specific rates of hospitalization with septicemia (ICD-9 codes 038.xx present anywhere on discharge diagnosis) in each of the following age groups of adults: (18-49y, 50-64y, 65-74y, 75-84y, 85+y) reported to the Healthcare Cost and Utilization Project (HCUP) between 2011-2012, adjusting for additional covariates, and random effects associated with the ten US Health and Human Services (HHS) regions. Results: Rates of penicillin prescribing were positively associated with septicemia hospitalization rates in the analyses for persons aged 50-64y, 65-74y, and 74-84y. Percent African Americans in a given age group was positively associated with septicemia hospitalization rates in the analyses for persons aged 75-84y and over 85y. Average minimal daily temperature was positively associated with septicemia hospitalization rates in the analyses for persons aged 18-49y, 50-64y, 75-84y and over 85y. Conclusions: Our results suggest positive associations between the rates of prescribing for penicillins and the rates of sepsis hospitalization in US adults aged 50-84y. Further studies are needed to understand the potential effect of antibiotic replacement in the treatment of various syndromes, such as replacement of fluoroquinolones by other antibiotics, possibly penicillins following the recent US FDA guidelines on restriction of fluoroquinolone use, on the rates of sepsis hospitalization.

BACKGROUND: Epidemic forecasting and prediction tools have the potential to provide actionable information in the midst of emerging epidemics. While numerous predictive studies were published during the 2016-2017 Zika Virus (ZIKV) pandemic, it remains unknown how timely, reproducible and actionable the information produced by these studies was. METHODS: To improve the functional use of mathematical modeling in support of future infectious disease outbreaks, we conducted a systematic review of all ZIKV prediction studies published during the recent ZIKV pandemic using the PRISMA guidelines. Using MEDLINE, EMBASE and grey literature review, we identified studies that forecasted, predicted or simulated ecological or epidemiological phenomenon related to the Zika pandemic that were published as of March 01, 2017. Eligible studies underwent evaluation of objectives, data sources, methods, timeliness, reproducibility, accessibility and clarity by independent reviewers. RESULTS: 2034 studies were identified, of which n = 73 met eligibility criteria. Spatial spread, R0 (basic reproductive number) and epidemic dynamics were most commonly predicted, with few studies predicting Guillain-Barré Syndrome burden (4%), sexual transmission risk (4%) and intervention impact (4%). Most studies specifically examined populations in the Americas (52%), with few African- specific studies (4%). Case count (67%), vector (41%) and demographic data (37%) were the most common data sources. Real-time internet data and pathogen genomic information were used in 7% and 0% of studies, respectively, and social science and behavioral data were typically absent in modeling efforts. Deterministic models were favored over stochastic approaches. Forty percent of studies made model data entirely available, 29% provided all relevant model code, 43% presented uncertainty in all predictions and 54% provided sufficient methodological detail allowing complete reproducibility. Fifty-one percent of predictions were published after the epidemic peak in the Americas. While the use of preprints improved the accessibility of ZIKV predictions by a median 119 days sooner than journal publication dates, they were used in only 30% of studies. CONCLUSIONS: Many ZIKV predictions were published during the 2016-2017 pandemic. The accessibility, reproducibility, timeliness, and incorporation of uncertainty in these published predictions varied and indicates that there is substantial room for improvement. To enhance the utility of analytical tools for outbreak response, it is essential to improve the sharing of model data, code, and preprints for future outbreaks, epidemics and pandemics.

Background: Measures of population-level influenza severity are important for public health planning, but estimates are often based on case-fatality and case-hospitalization risks, which require multiple data sources, are prone to surveillance biases, and are typically unavailable in the early stages of an outbreak. In this study, we develop a severity index based on influenza age dynamics estimated from routine surveillance data that can be used in retrospective and early warning contexts. Methods and Findings: Our method relies on the observation that age-specific attack rates vary between seasons, so that key features of the age distribution of cases may be used as a marker of severity early in an epidemic. We illustrate our method using weekly outpatient medical claims of influenza-like illness (ILI) in the United States from the 2001 to 2009 and develop a novel population-level influenza severity index based on the relative risk of ILI among working-age adults to that among school-aged children. We validate our ILI index against a benchmark that comprises traditional influenza severity indicators such as viral activity, hospitalizations and deaths using publicly available surveillance data. We find that severe influenza seasons have higher relative rates of ILI among adults than mild seasons. In reference to the benchmark, the ILI index is a robust indicator of severity during the period of peak epidemic growth (87.5% accuracy in retrospective classification), and may have predictive power during the period between Thanksgiving and the winter holidays (57.1% accuracy in early warning). We further apply our approach at the state-level to characterize regional severity patterns across seasons. We hypothesize that our index is a proxy for severity because working-age adults have both pre-existing immunity to influenza and a high number of contacts, infecting them preferentially in severe seasons associated with antigenic changes in circulating influenza viruses. Our analysis is limited by its application to seasonal influenza epidemics and a relatively short study period. Conclusions: Our severity index and research on the link between age dynamics and seasonal influenza severity will enable decision makers to better target public health strategies in severe seasons and improve our knowledge of influenza epidemiology and population impact. These findings demonstrate that routine surveillance data can be translated into operational information for policymakers. Our study also highlights the need for further research on the putative age-related mechanisms of severity in seasonal and pandemic influenza seasons.

The mechanisms hypothesized to drive spatial heterogeneity in reported influenza activity include: environmental factors, contact patterns, population age structure, and socioeconomic factors linked to healthcare access and quality of life. Harnessing the large volume and high specificity of diagnosis codes in medical claims data for influenza seasons from 2002-2009, we estimate the importance of socio-environmental determinants and measurement-related factors on observed variation in influenza-like illness (ILI) across United States counties. We found that South Atlantic states tended to have higher ILI seasonal intensity, and a combination of transmission, environmental, influenza subtype, socioeconomic and measurement factors explained the variation in seasonal intensity across our study period. Moreover, our models suggest that sentinel surveillance systems should have fixed report locations across years for the most robust inference and prediction, and high volumes of data can offset measurement biases in opportunistic data samples.

Background: While RSV circulation results in high burden of hospitalization, particularly among infants, young children and the elderly, little is known about the role of different age groups in propagating annual RSV epidemics in the community. Methods: During a communicable disease outbreak, some subpopulations may play a disproportionate role during the outbreak's ascent due to increased susceptibility and/or contact rates. Such subpopulations can be identified by considering the proportion that cases in a subpopulation represent among all cases in the population occurring before (Bp) and after the epidemic peak (Ap) to calculate the subpopulation's relative risk, RR=Bp/Ap. We estimated RR for several age groups using data on RSV hospitalizations in the US between 2001-2012 from the Healthcare Cost and Utilization Project (HCUP). Results: Children aged 3-4y and 5-6y each had the highest RR estimate for 5/11 seasons in the data, with RSV hospitalization rates in infants being generally higher during seasons when children aged 5-6y had the highest RR estimates. Children aged 2y had the highest RR estimate during one season. RR estimates in infants and individuals aged 11y and older were mostly lower than in children aged 1-10y. Conclusions: The RR estimates suggest that preschool and young school-age children have the leading relative roles during RSV epidemics. We hope that those results will aid in the design of RSV vaccination policies.