CN104615884B - 一种基于病毒检出率的传染病重症、死亡风险预警***及方法 - Google Patents
一种基于病毒检出率的传染病重症、死亡风险预警***及方法 Download PDFInfo
- Publication number
- CN104615884B CN104615884B CN201510056900.2A CN201510056900A CN104615884B CN 104615884 B CN104615884 B CN 104615884B CN 201510056900 A CN201510056900 A CN 201510056900A CN 104615884 B CN104615884 B CN 104615884B
- Authority
- CN
- China
- Prior art keywords
- risk
- node
- infectious disease
- severe
- network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明涉及一种基于病毒检出率的传染病重症、死亡风险预警***及方法,包括风险定义模块、风险要素选取模块、风险网络构建模块、风险评估预测模块、分级预警模块;本发明可有效解决传统基于传染病异常分布判断的预警模式的判断不确切、不及时、易产生过度预警等问题;可用于对我国国家传染病监测自动预警信息平台的传染病早期时空预警模式进行补充和优化。
Description
技术领域
本发明涉及一种基于病毒检出率的传染病重症、死亡风险预测***及方法,可根据传染病的某种致病病毒的检出率,结合气象环境和风险人群分布情况,快速确定该传染病未来发生重症、死亡的风险,并由此有针对性地发出预警,可用于补充和优化我国国家传染病监测自动预警信息平台的传染病早期时空预警模式。
背景技术
近年来,日趋严重的环境污染和资源匮乏、原有生物病原体的耐药性变异、新发传染病的出现、经济欠发达地区和国家薄弱的公共卫生服务能力、城市地区人口的过度密集、国家和地区间交流的日益频繁、以及部分地区极端民族主义和宗教势力的增长,使得全球逐渐进入了一个突发公共卫生事件的高发时期,人类的生命安全受到了严重威胁。如何有效的防范突发事件带来的危害,已成为各国政府面临的严峻课题。建立包括传染病早期预警***在内的突发公共卫生事件应急反应体系是有效控制传染病暴发与流行以及有效地应对重大公共卫生事件的重要措施。只有及早的发现异常健康事件的苗头,科学、有效的对“苗头”突发公共卫生事件做出预警,才能为实施各种应对措施赢得时间,把突发公共卫生事件控制在萌芽状态而不致造成危机,或者能够最大限度地降低危机的危害程度。我国于2003年启动了《突发公共卫生事件应急反应机制建设项目》,通过项目的实施,国家建立了以个案报告为基础的传染病与突发公共卫生事件信息报告管理***(简称网络直报***),又于2005年启动了重点传染病监测自动预警信息***建设与应用试点项目。由此,经过近10年的努力,我国建立起覆盖世界最多人群的传染病监测自动预警信息***。该***采用动态百分位数控制图法和空间扫描统计量相结合的时空预警办法,主动地探测疾病的异常聚集分布。这种方法是对已经产生的病例的聚集性进行探测,不具有前瞻性。并且仅利用了病例总数和发病率信息,并没有全面考虑其它的监测报告种类(气象、人口流动、物品流动与购销、重点场所及重点人群的就诊患病等),易造成预警的不确切、不及时。同样,预警阈值的确定也是个难题。另外算法计算的复杂性,利用模型进行大范围的传染病时空聚集性探测需要耗费大量的时间和计算资源。
发明内容
本发明的技术解决问题是:本发明采取利用当前监测区域的某特定传染病病理、环境风险要素来预测未来一段时间内区域传染病重症、死亡发生风险,由此进行预警,能够克服现有传染病监测自动预警信息***的预警模式不具有前瞻性的问题。而且本发明是根据未来一段时间传染重症、死亡发生风险的不同紧急情况,有针对性地发出预警信号,可有效解决传统基于传染病异常分布判断的预警模式的判断不确切、不及时、易产生过度预警等问题;可用于对我国国家传染病监测自动预警信息平台的传染病早期时空预警模式进行补充和优化。
本发明的技术解决方案为:一种基于病毒检出率的传染病重症、死亡风险预警***及方法,其充分利用当前时间段的监测区域特定传染病重症、死亡相关的病理、环境要素来进行下一个时间段的传染病重症、死亡风险预警,如图1所示包括:
风险定义模块:扫描监测区域的传染病监测网络数据库,选取监测网络中过去一段时间里每一个月和历史时间段斑块内的特定传染病普通病例和重症、死亡病例,利用移动百分位数方法来确定传染病重症、死亡发生率的历史基线,由此定义监测区域在过去一段时间里每一个月该传染病重症、死亡风险等级。将风险等级定义结果存入风险样本数据库里。
风险要素选取模块:在风险定义模块确定了风险样本之后,风险要素选取模块采用专家打分法或阅览文献等手段,在监测区域众多环境要素中分析、选取过去同时间段里与该传染病每个月的重症、死亡风险相关的前一个月的病理、环境要素,建立风险要素体系。再利用相关性分析来确定最终的进行传染病重症、死亡风险预测所需的病理、环境要素。将这些要素进行离散化处理,结果存入环境要素样本数据库。同时也对当前月的相关病理和环境要素数据进行同样的处理,也存入到环境要素样本数据库里。
风险网络构建模块:结合风险样本数据库和环境要素样本数据库里的数据,利用基于信息论的网络结构学习方法,建立在过去一段时间里监测区域的最能反映病理、环境要素与重症、死亡发生风险之间关系的贝叶斯网络;所建立的网络里的节点分别代表了指示传染病重症、死亡发生风险等级变量和相关病理、环境要素变量。该模块建立的风险网络将推送到风险评估预测模块里进行当前监测区域该传染病的重症、死亡风险估计。
风险评估预测模块:风险评估预测模块读取环境要素样本数据库中当前月所选的相关病理、环境要素数据,利用风险网络构建模块所建立的风险网络,通过联合概率公式计算下一个月监测区域传染病重症、死亡各种风险等级发生的可能性大小。在这基础上,风险评估预测模块选择可能性最大的风险等级作为下一个月重症、死亡风险等级,作为判断条件推送给分级预警模块。
分级预警模块:根据风险评估预测模块推送的下一个月监测区域的该传染病重症、死亡风险等级,有针对性地发出两种紧急程度预警或不进行预警。预警信号包括风险等级、预警涉及区域和时间段信息。预警信号可以以短信和网络页面形式,向疾病预防控制部门的专职工作人员进行推送。
所述风险网络构建模块实现过程如下:
(1)先建立以图形化方式进行表达的贝叶斯网络初始结构G=<V,E>,其中结构图G中的节点V所对应的是指示传染病重症、死亡发生风险等级变量和已选择的病理、环境要素变量。节点V之间暂时没有连接边E,标示变量间暂无依赖关系;
(2)在监测区域病理、环境风险和传染病重症、死亡发生风险历史资料的基础上,利用公式(1)计算了每对节点间的交互信息I(vi,vj)。
Pr(vi,vj)表示节点对vi,vj所代表的两种变量所示情况同时发生的可能性大小,Pr(vi)、Pr(vj)分别表示单个节点vi或vj所代表的变量所示情况同时发生的可能性大小。对于所有交互信息大于阈值ε的节点对,按照交互信息值大小从大到小依次***链表L中,此时建立一个指针P指向链表L的第一个节点对。
(3)从链表L中移出前两个节点对,将相应的连接边放入连接边E中,并把指针P移到下一个节点对。从链表L中取出指针P所指向的节点对,如果这两个节点间没有连接路径存在,就将对应的边加入到连接边E中并将对应的节点对从链表L中删除,然后将指针P指向链表L中的下一个节点对。重复执行加边删点的步骤,直到指针P指向链表L的尾,或者图G中包含了h-1条边时为止。h是图G中的节点数。当图G包含h-1条边,若再加一条边就会形成回路。
(4)再将指针P指向链表L的第一个节点对,取出指针P所指向的节点对vi,vj,在结构图G中寻找能隔断这对节点联系的隔断节点集合。利用公式(2)计算了每个节点对中单个节点vn与结构图G中其它某一节点vs间的条件交互信息I(vn,vs|C),C为节点集,vn为节点对vi,vj中任意一节点。
Pr(vn,vs|C)表示节点集C中节点对vi,vj所代表的两种变量所示情况同时发生的可能性大小,Pr(vn|C)、Pr(vs|C)分别表示节点集C中单个节点vn或vs所代表的变量所示情况同时发生的可能性大小。若I(vn,vs|C)小于阈值ε,则节点对vn,vs不能条件独立于隔断节点集,那么在连接边E中删除节点对vn,vs之间的连接边,增加节点对和隔断节点间的连接边。重复执行该步骤,直到指针P指向链表L的尾。
(5)对于在连接边E中的边E(vi,vj),如果在节点vi或vj之间还存在有其它边,那么将边E(vi,vj)暂时从连接边E中删除。如果这两个节点不能被隔开,将边E(vi,vj)重新加入连接边E;否则永久删除这条边。最后给当前图中的边定向。
(6)当贝叶斯网络结构一旦确定,基于历史数据资料,计算网络结构里在过去一段时间里前一个月的病理、环境要素组合条件下,下一个月的各种传染病重症、死亡发生风险等级发生的联合概率分布,由此得到监测区域下一个月里各种传染病重症、死亡发生风险等级发生的可能性大小。可以根据历史资料来优化调整网络结构。
一种基于病毒检出率的传染病重症、死亡风险预警方法,其特征在于步骤如下:
(1)根据监测区域的传染病监测网络中过去一段时间里每个月和之前几个月的历史时间段斑块内的特定传染病普通病例和重症、死亡病例,通过移动百分位数方法,观察按照月为时间单位移动的周期重症、死亡发生率水平,并同步移动计算历史重症、死亡发生率水平的百分位数作为历史基线,由此定义监测区域在过去一段时间里每个月该传染病的重症、死亡风险等级。
(2)利用专家打分法或者阅览文献等手段,建立特定传染病重症、死亡发生风险的病理和环境风险要素体系,要素体系涉及风险评估之前一个月里致病病毒检出率、气象条件和风险人群分布多个要素。然后根据统计相关性分析来确定最终的进行传染病重症、死亡风险预测所需的病理和环境风险要素;由于贝叶斯网络推理输入数据为类型或等级数据,所以在建立风险估计网络之前,用等距法、等频法或基于熵方法将风险要素数据进行离散化处理,自动确定风险要素数据从连续型属性到离散型属性的对应关系。等距法是根据指定的区间数目,将数值属性的值域若干个区间,并使每个区间宽度相等。等频法与等距法大致相同,不同的是等距法是对数据出现的频率进行等距离划分。而基于熵的方法是一种监督的、自顶向下的离散方法。为了离散数值属性,该方法选择数值属性里具有最小熵的值作为***点,并递归地划分结果区间,得到分层离散化结果。
(3)利用基于信息论的网络结构学习方法,利用监测区域在过去一段时间里每个月该传染病的重症、死亡风险和前一个月的病理、环境要素数据,建立监测区域的最能反映病理、环境要素与重症、死亡发生风险之间关系的贝叶斯网络;所建立的网络里的节点分别代表了指示传染病重症、死亡发生风险等级变量和相关病理、环境要素变量。
(4)风险网络结构一旦确定,在监测区域当前月的病理、环境风险数据的基础上,计算建立的贝叶斯网络中传染病重症、死亡发生风险节点的概率分布,由此得到下一个月监测区域该传染病重症、死亡各种风险等级发生的可能性大小,选择发生概率最大的风险等级作为下一个月最为可能发生的风险。
(5)根据下一个月的风险等级,由此判断监测区域在下一个月的该传染病重症、死亡风险很有可能处于以下三种情况:位于历史基线高位水平(下一个月的该传染病重症、死亡发生率高于历史时期同种传染病重症、死亡发生率的最高值的80%的值,即≥P80,P代表百分数位);位于历史基线中间水平(下一个月的发生率位于历史时期发生率的最高值的80%和50%的值区间,即P80-P50);位于历史基线较低水平(下一个月的发生率低于历史时期平均发生率,即≤P50);然后根据下一个月监测区域该传染病重症、死亡风险的不同紧急情况,有针对性地发出预警。当确定重症、死亡风险位于历史基线高位水平时,疾病防控人员应采取最为严格的防控措施,例如隔离等。而确定重症、死亡风险位于历史基线中间水平时,疾病防控人员要分两种情况考虑防控措施。一种情况可能是疫情已经发生,处于逐渐消除阶段,那么说明前期防控措施正在发生作用,疾病防控人员应继续使用这些措施;另一种情况可能是疫情还未发生,处于蕴量阶段,那么疾病防控人员应严密关注该地区此种传染病的发展,有必要可有针对性地向公众宣传传染病防护的常识。
本发明与现有技术相比的优点在于:本发明能利用疾病重症和死亡相关风险要素来预测传染病重症和死亡发生风险,由此进行预警,具有前瞻性;而且能够对风险预测结果有不确定性分析,较为科学;另外能够根据未来一段时间传染病重症、死亡发生风险大小,分级别地进行早期预警,对疾病预防控制机构及卫生行政部门的疫情管理人员进行疫情判断、防控措施选择等方面提供了决策基础。而且该发明建立了网络推理后,一旦缺失若干风险要素的情况下还能预测风险,而且可以根据专家知识不断对网络进行调整,这非常符合传染病早期预警的实际工作需要。本发明适用于局部小区域的常见传染病预警,能作为国家传染病监测自动预警信息平台传染病早期时空预警模式的一个补充,可以改进我国现有重点区域传染病早期预警模式。
附图说明
图1为本发明的一种基于病毒检出率的传染病重症、死亡风险预警***和方法的流程图。
图2为用于评估湖南省6市州2013年4-7月手足口病重症、死亡发生风险的贝叶斯网络结构
具体实施方式
下面以“湖南省6市州(常德市、湘西自治州、湘潭市、娄底市、怀化市和郴州市)2013年4-7月手足口病重症、死亡发生风险预测预警”为具体实例,具体介绍本发明中基于病毒检出率的传染病重症、死亡风险预警***和方法的具体实施步骤(如图1所示):
如图1所示,本发明一种基于病毒检出率的传染病重症、死亡风险预警***和方法由风险定义模块、风险要素选取模块、风险网络构建模块、风险评估预测模块、分级预警模块组成。
整个实现过程如下:
(1)扫描6市州的传染病监测网络数据库,选取监测网络中在2012年4-7月里每一个月和历史时间段斑块(2010-2011年该月份及其前后各两个月)内的手足口病普通病例和重症、死亡病例,利用移动百分位数方法来确定手足口重症、死亡发生率的历史基线,由此定义6市州在2012年4-7月里该传染病重症、死亡风险等级。将风险等级定义结果存入风险样本数据库里。
(2)在风险定义模块确定了风险样本之后,风险要素选取模块采用专家打分法或阅览文献等手段,在6市州众多环境要素中分析、选取在2012年3-6月里与手足口病每个月的重症、死亡风险相关的病理、环境要素,建立风险要素体系。再利用相关性分析来确定最终的进行传染病重症、死亡风险预测所需的病理、环境要素。将这些要素进行离散化处理,结果存入环境要素样本数据库。同时也对2013年3-6月里每个月的相关病理和环境要素数据进行同样的处理,也存入到环境要素样本数据库里。
(3)结合风险样本数据库和环境要素样本数据库里的数据,利用基于信息论的网络结构学习方法,建立在过去一段时间里6市州的最能反映病理、环境要素与重症、死亡发生风险之间关系的贝叶斯网络;所建立的网络里的节点分别代表了指示手足口病重症、死亡发生风险等级变量和相关病理、环境要素变量。该模块建立的风险网络将推送到风险评估预测模块里进行2013年4-7月里每个月6市州手足口病重症、死亡风险估计。
(4)风险评估预测模块读取环境要素样本数据库中2013年3-6月里所选的相关病理、环境要素数据,利用风险网络构建模块所建立的风险网络,通过联合概率公式计算2013年4-7月里每个月6市州手足口病重症、死亡各种风险等级发生的可能性大小。在这基础上,风险评估预测模块选择可能性最大的风险等级作为2013年4-7月里每个月的重症、死亡风险等级,作为判断条件推送给分级预警模块。
(5)根据风险评估预测模块推送的2013年4-7月里每个月每市州的该传染病重症、死亡风险等级,有针对性地发出两种紧急程度预警或不进行预警。预警信号包括风险等级、预警涉及区域和时间段信息。预警信号可以以短信和网络页面形式,向疾病预防控制部门的专职工作人员进行推送。
上述各模块的具体实现过程如下:
1.风险定义模块
根据6市州的传染病监测网络中2012年4-7月里每一个月和既往同期(2010-2012年该月份及其前后各两个月)的历史时间段斑块内的手足口病普通病例和重症、死亡病例,通过移动百分位数方法,观察按照月为时间单位移动的周期重症、死亡发生率水平,并同步移动计算历史重症、死亡发生率水平基线(百分位数),由此定义6市州手足口病重症、死亡风险。≤P50(每一个月的发生率低于历史时期平均发生率,P代表百分数位)为0级风险,P80-P50(每一个月的发生率位于历史时期发生率的最高值的80%和50%的值区间)为1级风险,≥P80(每一个月的该传染病重症、死亡发生率高于历史时期同种传染病重症、死亡发生率的最高值的80%的值)为2级风险。将风险等级定义结果存入风险样本数据库里。
2.风险要素选取模块
利用专家打分法或者阅览文献等手段,建立手足口病重症、死亡发生风险的病理和环境风险要素体系,要素体系涉及2012年3-6月里与手足口病每个月的重症、死亡风险相关的5岁以下儿童的EV71病毒总的检出率、各年龄组(1:6个月以下、2:6个月-1岁、:3:1-2岁,4:2-4岁,5:4-5岁,6:5岁以上)EV71的病毒检出率、手足口病重症、死亡发生率、当前月气象条件(最小相对湿度、平均相对湿度、日照时长、最低气温、平均气温、最高气温、最大风速、平均风速、平均气压、降雨量)、易感人群(5岁以下)人口密度和城市化水平等多个要素。
根据统计相关性分析来确定最终的进行手足口病重症、死亡风险预测所需的病理和环境风险要素。最终输入贝叶斯网络方法的风险要素包括2012年3-6月里与手足口病每个月的重症、死亡风险相关的5岁以下儿童的EV71病毒总的检出率、6个月-1岁、1-2岁,4-5岁和5岁以上的儿童EV71病毒检出率、手足口病重症、死亡发生率、当前月气象条件(最小相对湿度、平均相对湿度、日照时长、最低气温、平均气温、最高气温、最大风速、平均风速、平均气压、降雨量)、易感人群(5岁以下)人口密度和城市化水平。用基于熵方法将风险要素数据进行离散化处理,自动确定风险要素数据从连续型属性到离散型属性的对应关系。基于熵的方法选择数值属性里具有最小熵的值作为***点,并递归地划分结果区间,从而得到分层离散化结果。同时也对2013年3-6月里每个月的相关病理和环境要素数据进行同样的处理。两组病理、环境要素数据皆存入到环境要素样本数据库里。
3.风险网络构建模块
结合风险样本数据库和环境要素样本数据库里的数据,利用基于信息论的网络结构学习方法,建立在过去一段时间里6市州的最能反映病理、环境要素与重症、死亡发生风险之间关系的贝叶斯网络;所建立的网络里的节点分别代表了指示手足口病重症、死亡发生风险等级变量和相关病理、环境要素变量。步骤如下:
①先建立以图形化方式进行表达的贝叶斯网络初始结构G=<V,E>,其中结构图G中的节点V所对应的是指示手足口病重症、死亡发生风险等级变量和已选择的病理、环境要素变量。节点V之间暂时没有连接边E,标示变量间暂无依赖关系;
②在6市州病理、环境风险和手足口病重症、死亡发生风险历史资料的基础上,利用公式(1)计算了每对节点间的交互信息I(vi,vj)。
Pr(vi,vj)表示节点对vi,vj所代表的两种变量所示情况同时发生的可能性大小,Pr(vi)、Pr(vj)分别表示单个节点vi或vj所代表的变量所示情况同时发生的可能性大小。对于所有交互信息大于0.5的节点对,按照交互信息值大小从大到小依次***链表L中,此时建立一个指针P指向链表L的第一个节点对。
③从链表L中移出前两个节点对,将相应的连接边放入连接边E中,并把指针P移到下一个节点对。从链表L中取出指针P所指向的节点对,如果这两个节点间没有连接路径存在,就将对应的边加入到连接边E中并将对应的节点对从链表L中删除,然后将指针P指向链表L中的下一个节点对。重复执行加边删点的步骤,直到指针P指向链表L的尾,或者图G中包含了h-1条边时为止。h是图G中的节点数。当图G包含h-1条边,若再加一条边就会形成回路。
④再将指针P指向链表L的第一个节点对,取出指针P所指向的节点对vi,vj,在结构图G中寻找能隔断这对节点联系的隔断节点集合。利用公式(2)计算了每个节点对中单个节点vn与结构图G中其它某一节点vs间的条件交互信息I(vn,vs|C),C为节点集,vn为节点对vi,vj中任意一节点。
Pr(vn,vs|C)表示节点集C中节点对vi,vj所代表的两种变量所示情况同时发生的可能性大小,Pr(vn|C)、Pr(vs|C)分别表示节点集C中单个节点vn或vs所代表的变量所示情况同时发生的可能性大小。若I(vn,vs|C)小于阈值ε,则节点对vn,vs不能条件独立于隔断节点集,那么在连接边E中删除节点对vn,vs之间的连接边,增加节点对和隔断节点间的连接边。重复执行该步骤,直到指针P指向链表L的尾。
⑤对于在连接边E中的边E(vi,vj),如果在节点vi或vj之间还存在有其它边,那么将边E(vi,vj)暂时从连接边E中删除。如果这两个节点不能被隔开,将边E(vi,vj)重新加入连接边E;否则永久删除这条边。最后给当前图中的边定向。
⑥当贝叶斯网络结构一旦确定,基于2012年3-6月每个月每个市州的病理、环境要素数据,计算网络结构里在各种病理、环境要素组合条件下3种手足口病重症、死亡发生风险等级发生的联合概率分布,由此得到相应的6市州在2012年4-7月里每个月每个市州3种手足口病重症、死亡发生风险等级发生的可能性大小。利用真实监测数据来验证和调整贝叶斯网络结构。
4.风险评估预测模块
读取环境要素样本数据库中2013年3-6月里所选的相关病理、环境要素数据,利用风险网络构建模块所建立的风险网络,通过联合概率公式计算2013年4-7月里每个月6市州手足口病重症、死亡各种风险等级发生的可能性大小。在这基础上,风险评估预测模块选择可能性最大的风险等级作为2013年4-7月里每个月的重症、死亡风险等级,作为判断条件推送给分级预警模块。
5.分级预警模块
根据风险评估预测模块推送过来的风险等级结果,由此判断6市州在2013年4-7月里每个月每个市州下一个月里的手足口病重症、死亡风险很有可能处于以下三种情况:位于历史基线高位水平(下一个月的该传染病重症、死亡发生率高于历史时期同种传染病重症、死亡发生率的最高值的80%的值,即≥P80,P代表百分数位);位于历史基线中间水平(下一个月的发生率位于历史时期发生率的最高值的80%和50%的值区间,即P80-P50);位于历史基线较低水平(下一个月的发生率低于历史时期平均发生率,即≤P50);然后根据每个月每个市州下一个月里手足口病重症、死亡风险的不同紧急情况,有针对性地发出预警。当确定重症、死亡风险位于历史基线高位水平时,疾病防控人员应采取最为严格的防控措施,例如隔离等。而确定重症、死亡风险位于历史基线中间水平时,疾病防控人员要分两种情况考虑防控措施。一种情况可能是疫情已经发生,处于逐渐消除阶段,那么说明前期防控措施正在发生作用,疾病防控人员应继续使用这些措施;另一种情况可能是疫情还未发生,处于蕴量阶段,那么疾病防控人员应严密关注该地区此种传染病的发展,有必要可有针对性地向公众宣传传染病防护的常识。
本发明说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。
Claims (2)
1.一种基于病毒检出率的传染病重症、死亡风险预警***,其特征在于包括:风险定义模块、风险要素选取模块、风险网络构建模块、风险评估预测模块和分级预警模块;其中:
风险定义模块:扫描监测区域的传染病监测网络数据库,选取监测网络中过去一段时间里每一个月和历史时间段斑块内的特定传染病普通病例和重症、死亡病例,利用移动百分位数方法来确定传染病重症、死亡发生率的历史基线,由此定义监测区域在过去一段时间里每一个月该传染病重症、死亡风险等级;将风险等级定义结果存入风险样本数据库里;
风险要素选取模块:在风险定义模块确定了风险样本之后,风险要素选取模块采用专家打分法或阅览文献手段,在监测区域众多环境要素中分析、选取过去同时间段里与该传染病每个月的重症、死亡风险相关的前一个月的病理、环境要素,建立风险要素体系;再利用相关性分析来确定最终的进行传染病重症、死亡风险预测所需的病理、环境要素;将这些要素进行离散化处理,结果存入环境要素样本数据库;同时也对当前月的相关病理和环境要素数据进行同样的处理,也存入到环境要素样本数据库里;
风险网络构建模块:结合风险样本数据库和环境要素样本数据库里的数据,利用基于信息论的网络结构学习方法,建立在过去一段时间里监测区域的最能反映病理、环境要素与重症、死亡发生风险之间关系的贝叶斯网络;所建立的网络里的节点分别代表了指示传染病重症、死亡发生风险等级变量和相关病理、环境要素变量;该模块建立的风险网络将推送到风险评估预测模块里进行当前月监测区域该传染病的重症、死亡风险估计;
风险评估预测模块:风险评估预测模块读取环境要素样本数据库中当前月所选的相关病理、环境要素数据,利用风险网络构建模块所建立的风险网络,通过联合概率公式计算下一个月监测区域传染病重症、死亡各种风险等级发生的可能性大小;在这基础上,风险评估预测模块选择可能性最大的风险等级作为下一个月重症、死亡风险等级,作为判断条件推送给分级预警模块;
分级预警模块:根据风险评估预测模块推送的下一个月监测区域的该传染病重症、死亡风险等级,有针对性地发出两种紧急程度预警或不进行预警;预警信号包括风险等级、预警涉及区域和时间段信息;预警信号以短信和网络页面形式,向疾病预防控制部门的专职工作人员进行推送;
所述的风险网络构建模块实现过程如下:
(1)先建立以图形化方式进行表达的贝叶斯网络初始结构G=<V,E>,其中结构图G中的节点V所对应的是指示传染病重症、死亡发生风险等级变量和已选择的病理、环境要素变量;节点V之间暂时没有连接边E,标示变量间暂无依赖关系;
(2)在监测区域病理、环境风险和传染病重症、死亡发生风险历史资料的基础上,利用公式(1)计算了每对节点间的交互信息I(vi,vj);
Pr(vi,vj)表示节点对vi,vj所代表的两种变量所示情况同时发生的可能性大小,Pr(vi)、Pr(vj)分别表示单个节点vi或vj所代表的变量所示情况分别发生的可能性大小;对于所有交互信息大于阈值ε的节点对,按照交互信息值大小从大到小依次***链表L中,此时建立一个指针P指向链表L的第一个节点对;
(3)从链表L中移出前两个节点对,将相应的连接边放入连接边E中,并把指针P移到下一个节点对;从链表L中取出指针P所指向的节点对,如果这两个节点间没有连接路径存在,就将对应的边加入到连接边E中并将对应的节点对从链表L中删除,然后将指针P指向链表L中的下一个节点对;重复执行加边删点的步骤,直到指针P指向链表L的尾,或者图G中包含了h-1条边时为止;h是图G中的节点数;当图G包含h-1条边,若再加一条边就会形成回路;
(4)再将指针P指向链表L的第一个节点对,取出指针P所指向的节点对vi,vj,在结构图G中寻找能隔断这对节点联系的隔断节点集合;利用公式(2)计算了每个节点对中单个节点vn与结构图G中其它某一节点vs间的条件交互信息I(vn,vs|C),C为节点集,vn为节点对vi,vj中任意一节点;
Pr(vn,vs|C)表示节点集C中节点对vi,vj所代表的两种变量所示情况同时发生的可能性大小,Pr(vn|C)、Pr(vs|C)分别表示节点集C中单个节点vn或vs所代表的变量所示情况发生的可能性大小;若I(vn,vs|C)小于阈值ε,则节点对vn,vs不能条件独立于隔断节点集,那么在连接边E中删除节点对vn,vs之间的连接边,增加节点对和隔断节点间的连接边;重复执行该步骤,直到指针P指向链表L的尾;
(5)对于在连接边E中的边E(vi,vj),如果在节点vi或vj之间还存在有其它边,那么将边E(vi,vj)暂时从连接边E中删除,如果这两个节点不能被隔开,将边E(vi,vj)重新加入连接边E;否则永久删除这条边;最后给当前图中的边定向;
(6)当贝叶斯网络结构一旦确定,基于历史数据资料,计算网络结构里在过去一段时间里前一个月的病理、环境要素组合条件下,下一个月的各种传染病重症、死亡发生风险等级发生的联合概率分布,由此得到监测区域下一个月里各种传染病重症、死亡发生风险等级发生的可能性大小;根据历史资料来优化调整网络结构。
2.一种基于病毒检出率的传染病重症、死亡风险预警方法,其特征在于步骤如下:
(1)根据监测区域的传染病监测网络中过去一段时间里每个月和之前几个月的历史时间段斑块内的特定传染病普通病例和重症、死亡病例,通过移动百分位数方法,观察按照月为时间单位移动的周期重症、死亡发生率水平,并同步移动计算历史重症、死亡发生率水平的百分位数作为历史基线,由此定义监测区域在过去一段时间里每个月该传染病的重症、死亡风险等级;
(2)利用专家打分法或者阅览文献手段,建立特定传染病重症、死亡发生风险的病理和环境风险要素体系,要素体系涉及风险评估之前一个月里致病病毒检出率、气象条件和风险人群分布多个要素;然后根据统计相关性分析来确定最终的进行传染病重症、死亡风险预测所需的病理和环境风险要素;由于贝叶斯网络推理输入数据为类型或等级数据,所以在建立风险估计网络之前,用等距法、等频法或基于熵方法将风险要素数据进行离散化处理,自动确定风险要素数据从连续型属性到离散型属性的对应关系;
(3)利用基于信息论的网络结构学习方法,利用监测区域在过去一段时间里每个月该传染病的重症、死亡风险和前一个月的病理、环境要素数据,建立监测区域的最能反映病理、环境要素与重症、死亡发生风险之间关系的贝叶斯网络;所建立的网络里的节点分别代表了指示传染病重症、死亡发生风险等级变量和相关病理、环境要素变量;
(4)风险网络结构一旦确定,在监测区域当前月的病理、环境风险数据的基础上,计算建立的贝叶斯网络中传染病重症、死亡发生风险节点的概率分布,由此得到下一个月监测区域该传染病重症、死亡各种风险等级发生的可能性大小,选择发生概率最大的风险等级作为下一个月最为可能发生的风险;
(5)根据下一个月的风险等级,由此判断监测区域在下一个月的该传染病重症、死亡风险很有可能处于以下三种情况:位于历史基线高位水平,历史基线高位水平是指下一个月的该传染病重症、死亡发生率高于历史时期同种传染病重症、死亡发生率的最高值的80%的值,即≥P80,P代表百分数位;位于历史基线中间水平,历史基线中间水平是指下一个月的发生率位于历史时期发生率的最高值的80%和50%的值区间,即P80-P50;位于历史基线较低水平,历史基线较低水平是指下一个月的发生率低于历史时期平均发生率,即≤P50;然后根据下一个月监测区域该传染病重症、死亡风险的不同紧急情况,有针对性地发出预警;当确定重症、死亡风险位于历史基线高位水平时,疾病防控人员应采取最为严格的防控措施;而确定重症、死亡风险位于历史基线中间水平时,疾病防控人员要分两种情况考虑防控措施;一种情况可能是疫情已经发生,处于逐渐消除阶段,则说明前期防控措施正在发生作用,疾病防控人员应继续使用这些措施;另一种情况可能是疫情还未发生,处于酝酿阶段,则疾病防控人员应严密关注该地区此种传染病的发展,有针对性地向公众宣传传染病防护的常识;
所述步骤(3)中建立监测区域的最能反映病理、环境要素与重症、死亡发生风险之间关系的贝叶斯网络的具体实现过程如下:
(31)先建立以图形化方式进行表达的贝叶斯网络初始结构G=<V,E>,其中结构图G中的节点V所对应的是指示传染病重症、死亡发生风险等级变量和已选择的病理、环境要素变量;节点V之间暂时没有连接边E,标示变量间暂无依赖关系;
(32)在监测区域病理、环境风险和传染病重症、死亡发生风险历史资料的基础上,利用公式(1)计算了每对节点间的交互信息I(vi,vj);
Pr(vi,vj)表示节点对vi,vj所代表的两种变量所示情况同时发生的可能性大小,Pr(vi)、Pr(vj)分别表示单个节点vi或vj所代表的变量所示情况发生的可能性大小;对于所有交互信息大于阈值ε的节点对,按照交互信息值大小从大到小依次***链表L中,此时建立一个指针P指向链表L的第一个节点对;
(33)从链表L中移出前两个节点对,将相应的连接边放入连接边E中,并把指针P移到下一个节点对;从链表L中取出指针P所指向的节点对,如果这两个节点间没有连接路径存在,就将对应的边加入到连接边E中并将对应的节点对从链表L中删除,然后将指针P指向链表L中的下一个节点对;重复执行加边删点的步骤,直到指针P指向链表L的尾,或者图G中包含了h-1条边时为止;h是图G中的节点数;当图G包含h-1条边,若再加一条边就会形成回路;
(34)再将指针P指向链表L的第一个节点对,取出指针P所指向的节点对vi,vj,在结构图G中寻找能隔断这对节点联系的隔断节点集合;利用公式(2)计算了每个节点对中单个节点vn与结构图G中其它某一节点vs间的条件交互信息I(vn,vs|C),C为节点集,vn为节点对vi,vj中任意一节点;
Pr(vn,vs|C)表示节点集C中节点对vi,vj所代表的两种变量所示情况同时发生的可能性大小,Pr(vn|C)、Pr(vs|C)分别表示节点集C中单个节点vn或vs所代表的变量所示情况发生的可能性大小;若I(vn,vs|C)小于阈值ε,则节点对vn,vs不能条件独立于隔断节点集,那么在连接边E中删除节点对vn,vs之间的连接边,增加节点对和隔断节点间的连接边;重复执行该步骤,直到指针P指向链表L的尾;
(35)对于在连接边E中的边E(vi,vj),如果在节点vi或vj之间还存在有其它边,那么将边E(vi,vj)暂时从连接边E中删除,如果这两个节点不能被隔开,将边E(vi,vj)重新加入连接边E;否则永久删除这条边;最后给当前图中的边定向;
(36)当贝叶斯网络结构一旦确定,基于历史数据资料,计算网络结构里在过去一段时间里前一个月的病理、环境要素组合条件下,下一个月的各种传染病重症、死亡发生风险等级发生的联合概率分布,由此得到监测区域下一个月里各种传染病重症、死亡发生风险等级发生的可能性大小;根据历史资料来优化调整网络结构。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510056900.2A CN104615884B (zh) | 2015-02-04 | 2015-02-04 | 一种基于病毒检出率的传染病重症、死亡风险预警***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510056900.2A CN104615884B (zh) | 2015-02-04 | 2015-02-04 | 一种基于病毒检出率的传染病重症、死亡风险预警***及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104615884A CN104615884A (zh) | 2015-05-13 |
CN104615884B true CN104615884B (zh) | 2017-07-28 |
Family
ID=53150325
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510056900.2A Active CN104615884B (zh) | 2015-02-04 | 2015-02-04 | 一种基于病毒检出率的传染病重症、死亡风险预警***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104615884B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107133901B (zh) * | 2017-05-05 | 2020-11-03 | 中国科学院深圳先进技术研究院 | 一种传染病防控方法及*** |
CN107680685A (zh) * | 2017-10-24 | 2018-02-09 | 山东浪潮云服务信息科技有限公司 | 一种疾病预警方法及*** |
CN109949930A (zh) * | 2019-03-22 | 2019-06-28 | 武汉工程大学 | 基于贝叶斯网络的动物疫情诊断方法及*** |
CN110517770B (zh) * | 2019-08-28 | 2021-08-17 | 中国科学院重庆绿色智能技术研究院 | 基于贝叶斯网络和效用体系的围手术期危重不良事件干预决策方法 |
CN112205965B (zh) * | 2020-08-28 | 2022-02-22 | 北京大学 | 基于时间窗口切割的健康风险关键事件检测方法及*** |
CN112185583B (zh) * | 2020-10-14 | 2022-05-31 | 天津之以科技有限公司 | 一种基于贝叶斯网络的数据挖掘检疫方法 |
CN112365942B (zh) * | 2020-10-20 | 2022-05-31 | 哈尔滨学院 | 一种传染病流行风险预测分析方法 |
CN112185586A (zh) * | 2020-11-17 | 2021-01-05 | 北京嘉和海森健康科技有限公司 | 一种传染病监测预警方法及装置 |
CN113159571A (zh) * | 2021-04-20 | 2021-07-23 | 中国农业大学 | 一种跨境外来物种风险等级判定及智能识别方法及*** |
CN115810425B (zh) * | 2022-11-30 | 2023-12-08 | 广州中医药大学第一附属医院 | 一种脓毒症休克患者死亡率风险等级预测方法及装置 |
CN117133461B (zh) * | 2023-10-23 | 2024-01-30 | 北京肿瘤医院(北京大学肿瘤医院) | 一种老年肺癌患者术后短期死亡风险评估的方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101894309A (zh) * | 2009-11-05 | 2010-11-24 | 南京医科大学 | 传染病疫情预测预警方法 |
CN202711253U (zh) * | 2012-03-09 | 2013-01-30 | 李晓松 | 一种传染病聚集性探测与早期预警*** |
CN103259855A (zh) * | 2013-04-27 | 2013-08-21 | 北京福乐云检测科技有限公司 | 传染病、慢病检测与监视预警***云平台 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2912626A4 (en) * | 2012-10-23 | 2016-07-06 | Theranos Inc | SUPPORT FOR MEDICAL AND RELATED LIFESTYLE DECISIONS |
-
2015
- 2015-02-04 CN CN201510056900.2A patent/CN104615884B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101894309A (zh) * | 2009-11-05 | 2010-11-24 | 南京医科大学 | 传染病疫情预测预警方法 |
CN202711253U (zh) * | 2012-03-09 | 2013-01-30 | 李晓松 | 一种传染病聚集性探测与早期预警*** |
CN103259855A (zh) * | 2013-04-27 | 2013-08-21 | 北京福乐云检测科技有限公司 | 传染病、慢病检测与监视预警***云平台 |
Non-Patent Citations (3)
Title |
---|
传染病疫情早期预警的主要模型;王小莉等;《现代预防医学》;20081125;第35卷(第22期);第4339-4341页 * |
基于不同参数的空间扫描统计量方法在传染病暴发探测中的效果比较;李小洲等;《中国卫生统计》;20140425;第31卷(第2期);第236-239页 * |
重点传染病预防控制综合分析***的设计与实现;陈勇;《中国优秀硕士学位论文全文数据库》;20091115(第11期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN104615884A (zh) | 2015-05-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104615884B (zh) | 一种基于病毒检出率的传染病重症、死亡风险预警***及方法 | |
Park et al. | Real-time prediction and avoidance of secondary crashes under unexpected traffic congestion | |
Park et al. | Real-time prediction of secondary incident occurrences using vehicle probe data | |
Chen et al. | Road traffic congestion monitoring in social media with hinge-loss Markov random fields | |
Park et al. | Interpretation of Bayesian neural networks for predicting the duration of detected incidents | |
Li et al. | Competing risk mixture model and text analysis for sequential incident duration prediction | |
CN110544402B (zh) | 基于大数据融合的化工园区虚拟仿真应急推演*** | |
Abdel-Aty et al. | Assessing safety on Dutch freeways with data from infrastructure-based intelligent transportation systems | |
CN108417274A (zh) | 流行病预测方法、***及设备 | |
CN106330533A (zh) | 一种大规模网络告警实时拓扑建立方法 | |
CN106507315A (zh) | 一种基于网络社交媒体数据的城市交通事故预测方法和*** | |
Yuan et al. | Modeling real-time cycle-level crash risk at signalized intersections based on high-resolution event-based data | |
Codeço et al. | Estimating the effective reproduction number of dengue considering temperature-dependent generation intervals | |
Sui et al. | Maritime accidents in the Yangtze River: A time series analysis for 2011–2020 | |
CN114707719A (zh) | 一种针对危险区域的人员行为预测方法 | |
Moore et al. | Local and regional dynamics of chikungunya virus transmission in Colombia: the role of mismatched spatial heterogeneity | |
Weng et al. | Review of analyses on crowd-gathering risk and its evaluation methods | |
Golding et al. | A modelling approach to estimate the transmissibility of SARS-CoV-2 during periods of high, low, and zero case incidence | |
Yoo et al. | Machine learning‐driven dynamic risk prediction for highly pathogenic avian influenza at poultry farms in Republic of Korea: Daily risk estimation for individual premises | |
CN110533480A (zh) | 一种基于大数据的商场客流预测方法 | |
Koch et al. | Predicting cannabis cultivation on national forests using a rational choice framework | |
Bavar et al. | Evaluating the spatial effects of environmental influencing factors on the frequency of urban crashes using the spatial Bayes method based on Euclidean distance and contiguity | |
Fan et al. | Prediction of road congestion diffusion based on dynamic Bayesian networks | |
Liu et al. | A real-time explainable traffic collision inference framework based on probabilistic graph theory | |
Cooper et al. | Forecasting the spread of mosquito-borne disease using publicly accessible data: a case study in Chikungunya |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |