專利名稱：傳染病疫情預(yù)測預(yù)警方法
技術(shù)領(lǐng)域：
本發(fā)明是一種國家、省、市(地區(qū))、區(qū)(縣)層面?zhèn)魅静∠嚓P(guān)公共衛(wèi)生事件的網(wǎng)絡(luò) 預(yù)警系統(tǒng)，屬于傳染病疫情預(yù)測預(yù)警的技術(shù)領(lǐng)域。
背景技術(shù)：
為了能夠幫助政府全面的、科學(xué)的、及時的地對突發(fā)公共衛(wèi)生事件的發(fā)生進(jìn)行有 效預(yù)警，本系統(tǒng)整合來自不同渠道的信息，將傳染病相關(guān)公共衛(wèi)生事件預(yù)測預(yù)警技術(shù)和方 法的理論研究成果應(yīng)用到公共衛(wèi)生監(jiān)測工作中。各個單位醫(yī)務(wù)部門將單位基本情況信息、單位職工基本情況、疫情報告?zhèn)€案等信 息數(shù)據(jù)準(zhǔn)確實時向數(shù)據(jù)中心上傳，數(shù)據(jù)中心是省級衛(wèi)生監(jiān)督數(shù)據(jù)匯總分析的處理中心，通 過報表和圖標(biāo)形式，綜合匯總?cè)⌒l(wèi)生監(jiān)督工作數(shù)據(jù)。對于單位疫情的監(jiān)控有不同程度的研究，包括對單位(學(xué)校)醫(yī)務(wù)部門非處方藥 的銷售量進(jìn)行統(tǒng)計分析、對藥物分類的信息進(jìn)行監(jiān)測，以此來判斷和預(yù)測單位員工(學(xué)校 學(xué)生)傳染病疫情的暴發(fā)情況；根據(jù)單位(學(xué)校)在職工(學(xué)生)因病缺勤方面的監(jiān)測數(shù) 據(jù)來進(jìn)行單位職工傳染病暴發(fā)疫情的預(yù)測和分析。通過分析可知，單位醫(yī)務(wù)部門非處方藥的銷售量和藥物分類的信息很難全面覆蓋 單位職工(學(xué)校學(xué)生)的傳染病疫情暴發(fā)情況，職工(學(xué)生)因病缺勤的監(jiān)測數(shù)據(jù)也只有 做到詳細(xì)的分類，才能較準(zhǔn)確的反映校園傳染病疫情，由于目前監(jiān)測數(shù)據(jù)的時間序列經(jīng)常 有間斷(之間有寒暑假)，對于數(shù)據(jù)反映的傳染病的周期性、季節(jié)性等特點還無法進(jìn)行非常 全面的有說服力的分析和預(yù)測，所以可供選擇的分析方法較少。而且，現(xiàn)在還不能通過時間 序列分析等分析方法去對上傳到數(shù)據(jù)庫的數(shù)據(jù)進(jìn)行分析，也不能分級預(yù)警從更大的范圍上 發(fā)現(xiàn)疫情。

發(fā)明內(nèi)容
技術(shù)問題為了能夠?qū)λ@得的數(shù)據(jù)更好的分析以及隨時預(yù)警從而從更大范圍上 發(fā)現(xiàn)疫情，本發(fā)明提供一種傳染病疫情預(yù)測預(yù)警方法，一旦監(jiān)測數(shù)據(jù)的量達(dá)到傳統(tǒng)的考慮 疾病周期性、季節(jié)性、長期趨勢等時間序列分析方法的基本要求，就能得出相對更加有價值 的結(jié)論，為我們及早發(fā)現(xiàn)疫情，盡快采取措施，防止疫情的蔓延，并初步建立我省疫情監(jiān)測 預(yù)警系統(tǒng)和工作機(jī)制發(fā)揮重要作用。技術(shù)方案本發(fā)明的傳染病疫情預(yù)測預(yù)警方法對服務(wù)器端匯總的不良反應(yīng)信息 數(shù)據(jù)作出整合，以時間序列分析統(tǒng)計模型的運算為基礎(chǔ)，依據(jù)不良反應(yīng)的癥狀數(shù)量，計算并 確定公共衛(wèi)生突發(fā)事件的預(yù)警閾值，隨時自動對傳染病發(fā)生情況進(jìn)行實時預(yù)警，具體方法 如下1).整合來自不同渠道的信息，具體為每次執(zhí)行預(yù)警任務(wù)前自動刷新之前的數(shù)據(jù)庫，將預(yù)警時間之前的信息及時添加到 數(shù)據(jù)庫中；獲得數(shù)據(jù)后，將按兩條路徑執(zhí)行路徑①分析；路徑②以時間序列分析模型為基礎(chǔ)統(tǒng)計繪制坐標(biāo)圖，進(jìn)而執(zhí)行預(yù)測和預(yù)警任務(wù)；2).執(zhí)行路徑①分析任務(wù)數(shù)據(jù)庫中信息經(jīng)過統(tǒng)計分析后自動生成不同單位、地區(qū)、性別、時間段的不良反應(yīng) 統(tǒng)計表和統(tǒng)計圖；利用統(tǒng)計出的信息對“預(yù)測”任務(wù)中確定的用來對未來一段時間疫情情況進(jìn)行預(yù) 測的模型進(jìn)行檢驗，由于在確定時間序列模型之前需要把不平穩(wěn)的時間序列轉(zhuǎn)化為平穩(wěn)序列，這個過 程叫做數(shù)據(jù)的預(yù)處理；而數(shù)據(jù)序列的平穩(wěn)性是指這個序列的平均值和方差始終為常數(shù)；處理數(shù)據(jù)時建立相應(yīng)的坐標(biāo)圖，將數(shù)據(jù)在坐標(biāo)圖上表示出來，然后用曲線連起來， 將所建立的方程盡量地與圖表所反映的信息一致從而達(dá)到預(yù)測準(zhǔn)確目的的過程稱為擬 合；具體方法為I.軟件隨機(jī)選取一段時間內(nèi)的歷史疫情發(fā)生數(shù)據(jù)，以其中一部分為對象建立相應(yīng) 時間序列模型；以另外一部分為標(biāo)準(zhǔn)來對模型預(yù)測效果進(jìn)行評價，II I中得到的數(shù)據(jù)經(jīng)過預(yù)處理，使之有助于對模型進(jìn)行識別與定階，進(jìn)而確定所 需模型；III. II中確定的模型對II中預(yù)處理過的數(shù)據(jù)序列進(jìn)行擬合并作出對未來一段時 間發(fā)病情況的預(yù)測，通過在同一個坐標(biāo)圖上作出發(fā)病情況圖和發(fā)病預(yù)測圖來檢查預(yù)測值和 真實值的吻合程度，進(jìn)而對該模型準(zhǔn)確度進(jìn)行評價；3).執(zhí)行路徑②預(yù)測預(yù)警時間序列分析模型是用來對所要處理的對象，也就是數(shù)據(jù)進(jìn)行統(tǒng)計的模型，以時 間序列分析模型為基礎(chǔ)，對當(dāng)前所要預(yù)測預(yù)警的經(jīng)過整合后的數(shù)據(jù)進(jìn)行分析統(tǒng)計并繪制成 坐標(biāo)圖；31).進(jìn)入預(yù)測模塊a.根據(jù)整合出的數(shù)據(jù)序列的數(shù)據(jù)圖和自相關(guān)函數(shù)判斷所獲得的時間序列是否是 平穩(wěn)序列，若是則不需處理，若不是則需使其處理成平穩(wěn)序列；具體方法為al.如果序列y呈線性趨勢，均值不穩(wěn)定，則利用一階差分；a2.如果序列呈現(xiàn)二次趨勢，均值不是常數(shù)，則利用二階差分；a3.如果序列呈現(xiàn)隨時間的上升或下降偏差，方差不是常數(shù)，則通?？衫米匀粚?數(shù)將其平穩(wěn)化，b.模型的識別與定階模型的識別乘積季節(jié)模型是隨機(jī)季節(jié)模型與RIMA模型的結(jié)合，統(tǒng)計學(xué)上純 ARIMA(p, d，q)模型記作^(B)VdXl^ (B)￡l其中，t代表時間，Xt表示響應(yīng)序列，B是后移算子，V = l-S，p，d，q分別表示自 回歸階數(shù)、差分階數(shù)和移動平均階數(shù)；①(B)表示自回歸算子； (B)表示滑動平均算子，一個階數(shù)為(p，d，q) X (P，D，Q)s的乘積季節(jié)模型可表為
e t代表獨立撓動或隨機(jī)誤差，s的值是一個季節(jié)循環(huán)中觀測的個數(shù)，
表示同一周期內(nèi)不同周期點的相關(guān)關(guān)系，則描述了不同周期中對應(yīng)時點上的相 關(guān)關(guān)系，二者結(jié)合起來便同時刻畫了兩個因數(shù)的作用；采用BoX2JenkinS方法對乘積季節(jié)模型的階數(shù)識別及參數(shù)估計，也就是立足于考 察數(shù)據(jù)的樣本自相關(guān)、偏相關(guān)函數(shù)，季節(jié)長度S由實際應(yīng)用背景的分析得到；如果樣本自相 關(guān)、偏相關(guān)函數(shù)既不截尾也不拖尾，且不是呈線性衰減趨勢，相反地，在相應(yīng)于周期S的整 倍數(shù)點上，自相關(guān)或偏相關(guān)函數(shù)出現(xiàn)絕對值相當(dāng)大的峰值并呈現(xiàn)振蕩變化，就可以判斷數(shù) 據(jù)序列適合于乘積季節(jié)模型；模型的定階采用試探的做法選取差分和季節(jié)差分階數(shù)d，D ；d, D宜取較低階，通 常取1、2或3 ；若對于某一組d，D得到的自相關(guān)或偏相關(guān)函數(shù)呈現(xiàn)較好的截尾或拖尾特性， 則認(rèn)為相應(yīng)的d，D是適宜的，這時若增大d，D，則相應(yīng)的自相關(guān)或偏相關(guān)函數(shù)會呈現(xiàn)離散增 大及不穩(wěn)定狀態(tài)；當(dāng)階數(shù)d，D確定后，模型參數(shù)p，q，P，Q的估計一般用最大似然估計和無 約束最小二乘；C經(jīng)過識別以及定階以后，據(jù)此建立相應(yīng)模型，d.模型預(yù)測的效果評價，通過檢驗?zāi)Ｐ偷臄M合優(yōu)度來決定模型是否合適白噪聲指功率譜密度在整個頻域內(nèi)均勻分布的噪聲，白噪聲信號在各個頻段上的 功率一樣，白噪聲在數(shù)學(xué)處理上比較方便，因此是系統(tǒng)分析的有力工具；若用一模型擬合資料，則模型計算值與資料實測值之差為殘差；計算機(jī)對觀測值和模型擬合值的殘差進(jìn)行分析，如果殘差序列不是白噪聲序列， 則說明還有信息包含在相關(guān)的殘差序列中未被提取，模型其他參數(shù)不能完全代表建模對象 的統(tǒng)計性質(zhì)，即所建模型不是最終模型，此時可對殘差擬合更復(fù)雜的模型，以充分提煉資料 的信息，從而得到更合適的模型，如果殘差序列不是白噪聲序列，則需重新建立模型，重復(fù)上述步驟，直到殘差序列 是白噪聲序列為止；32).軟件進(jìn)入預(yù)警模塊32a.根據(jù)圖表自動計算出歷史數(shù)據(jù)的平均值和標(biāo)準(zhǔn)差，分別記為P和o ；并且自 動計算出ii +2 o、y +3 o、y +6 o的值，32b.確定分級標(biāo)準(zhǔn)若ii +2 o為黃色預(yù)警標(biāo)準(zhǔn)u+3o為橙色預(yù)警標(biāo)準(zhǔn)u+6o為紅色預(yù)警標(biāo)準(zhǔn)預(yù)警單位內(nèi)某種預(yù)警癥狀相應(yīng)的人數(shù)記為癥狀數(shù)量，本方法將閾值作為標(biāo)準(zhǔn)對應(yīng)實際癥狀數(shù)量進(jìn)行分級預(yù)警，癥狀數(shù)量<P+2P則不予預(yù)警P+2P <癥狀數(shù)量< P+3P 則為黃色預(yù)警P+3P <癥狀數(shù)量< P+6P 則為橙色預(yù)警癥狀數(shù)量>P+6P則為紅色預(yù)警，32c.根據(jù)統(tǒng)計的單位、癥狀、數(shù)量信息計算預(yù)警信息，
利用計算出來的P和o以及統(tǒng)計出的實際癥狀及相應(yīng)癥狀數(shù)量的疫情信息，根 據(jù)前面的分級標(biāo)準(zhǔn)計算預(yù)警信息進(jìn)行分級預(yù)警，32d.閾值的自動調(diào)整在每次預(yù)警前自動刷新數(shù)據(jù)庫中的不良反應(yīng)信息，使數(shù)據(jù)能最大程度地與實際情 相符，并由此繪圖計算閾值，使閾值隨不同環(huán)境而變化；在緊急情況下，也可由數(shù)據(jù)庫管理 員強(qiáng)制修改閾值，32e.經(jīng)過上述計算處理后在計算機(jī)上輸出顯示預(yù)警信息，包括警報級別，預(yù)警癥 狀和數(shù)量，其中警報級別分黃色預(yù)警、橙色預(yù)警和紅色預(yù)警，預(yù)警癥狀為服務(wù)器所獲得的 人員不良反應(yīng)癥狀，數(shù)量為該單位有此癥狀的人數(shù)。信息可自動顯示或由監(jiān)測范圍內(nèi)任何 單位點擊獲得，32f.更大范圍上的預(yù)警在根據(jù)時間序列分析計算出預(yù)警信息對該單位預(yù)警后， 在此基礎(chǔ)上視具體情況對更大范圍地區(qū)作出疫情預(yù)警。有益效果運用時間序列分析等方法對數(shù)據(jù)庫獲得的數(shù)據(jù)進(jìn)行合理的分析，得到 實時、準(zhǔn)確的結(jié)果，隨地區(qū)特點和季節(jié)動態(tài)調(diào)整預(yù)警閾值，保證預(yù)警的科學(xué)性。而且，一旦某 個單位(學(xué)校)發(fā)現(xiàn)了有疫情暴發(fā)的趨勢，該單位(學(xué)校)所在的市/區(qū)/縣疾控中心以 及省級控中心的工作人員都可以在登陸系統(tǒng)后收到系統(tǒng)自動發(fā)出的報警信息，并查看到因 病缺職的具體人員構(gòu)成和不良反應(yīng)的具體癥狀，從而迅速采取措施。而且，當(dāng)某個區(qū)/縣內(nèi)各個單位(學(xué)校)均未達(dá)到因病缺職(課)的預(yù)警人數(shù)，但 全區(qū)/縣的因病缺職(課)人數(shù)已達(dá)到區(qū)/縣級的預(yù)警人數(shù)時，系統(tǒng)也會自動提醒登陸的 市/區(qū)/縣疾控中心以及省級控中心的工作人員，并發(fā)出報警信號。本系統(tǒng)有較強(qiáng)的統(tǒng)計 分析和預(yù)測能力，無論是最基層的單位(學(xué)校)因病缺職(課)監(jiān)測負(fù)責(zé)人，還是省/市/ 區(qū)/縣疾控中心的工作人員，登陸系統(tǒng)進(jìn)入“職員(學(xué)生)統(tǒng)計”的鏈接以后，均可以看到 各自層面下任意時段的單位職工(校園學(xué)生)因病缺職(課)統(tǒng)計圖、統(tǒng)計表、序列圖和其 他豐富的人性化的圖表信息以及對未來趨勢的判斷。而且，隨著系統(tǒng)在未來使用的時間越 來越長，系統(tǒng)內(nèi)歷史數(shù)據(jù)不斷增加之后，運用這些統(tǒng)計方法的效果更能得到保障，將來經(jīng)過 計算機(jī)程序不斷調(diào)整得出的域值會越來越符合實際工作的需要。


圖1是本發(fā)明的流程示意圖。
具體實施例方式1服務(wù)器獲取信息信息主要包括1、學(xué)生每天因病缺課人數(shù)每天只要因病缺課1學(xué)時即計為因病缺課，計為1人。2、學(xué)生每天因病缺課率因病缺課人數(shù)/應(yīng)出勤人數(shù)。3、學(xué)生因病缺課天數(shù)因病缺課者4小時以上計為一天，不足的計半天。4、監(jiān)測疾病癥候群發(fā)熱、咳嗽、頭痛、咽痛、腹痛、腹瀉、嘔吐、紅眼、皮疹、受傷、其 他。5、監(jiān)測疾病種類感冒、氣管炎、肺炎、水痘、風(fēng)疹、麻疹、腮腺炎、胃腸道疾病、心臟病、眼病、牙病、耳鼻喉疾病、泌尿系疾病、神經(jīng)衰弱、意外傷害、結(jié)核、肝炎、其他傳染病、原 因不明疾病。6、因病缺課主要癥狀或疾病原因人次數(shù)一學(xué)生因同一疾病缺課超過1天，癥狀 和疾病均計為1人次。2軟件對信息進(jìn)行整合，主要是自動刷新原來的數(shù)據(jù)庫，將預(yù)警時間之前的學(xué)校不 良反應(yīng)信息及時添加到數(shù)據(jù)庫中。由于疫情的發(fā)生情況會隨著不同的季節(jié)、不同的地點而 呈現(xiàn)出不同的特點，所以必須以最新的、最能代表當(dāng)時實際情況的疫情發(fā)生數(shù)據(jù)為對象，這 樣才能做出正確的預(yù)測、正確的預(yù)警。3整合后的信息可用于分析。學(xué)校的不良反應(yīng)信息經(jīng)過統(tǒng)計分析后自動生成不同學(xué)校、班級、性別、時間段的不 良反應(yīng)統(tǒng)計表和統(tǒng)計圖；這些圖表信息可作為資料用來對“預(yù)測”任務(wù)中確定的用來對未來一段時間學(xué)校 疫情情況進(jìn)行預(yù)測的模型進(jìn)行檢驗。具體方法為I.軟件隨機(jī)選取一段時間內(nèi)的學(xué)校歷史疫情發(fā)生數(shù)據(jù)，以其中一部分為對象建立 相應(yīng)時間序列模型；以另外一部分為標(biāo)準(zhǔn)來對模型預(yù)測效果進(jìn)行評價，II I中得到的數(shù)據(jù)經(jīng)過預(yù)處理，使之有助于對模型進(jìn)行識別與定階，進(jìn)而確定所 需模型；III. II中確定的模型對II中預(yù)處理過的數(shù)據(jù)序列進(jìn)行擬合并作出對未來一段時 間學(xué)校發(fā)病情況的預(yù)測，通過在同一個坐標(biāo)圖上作出發(fā)病情況圖和發(fā)病預(yù)測圖來檢查預(yù)測 值和真實值的吻合程度，進(jìn)而對該模型準(zhǔn)確度進(jìn)行評價4以時間序列分析模型為基礎(chǔ)，對當(dāng)前所要預(yù)測預(yù)警的此所學(xué)校的經(jīng)過整合后的 疫情發(fā)生數(shù)據(jù)進(jìn)行分析統(tǒng)計并繪制成坐標(biāo)圖(1)執(zhí)行預(yù)測任務(wù)即利用現(xiàn)有數(shù)據(jù)通過本軟件的處理對未來一段時間該學(xué)校疫 情發(fā)生情況的預(yù)測a學(xué)校不良反應(yīng)信息在軟件處理后在坐標(biāo)圖上表現(xiàn)出來，根據(jù)此圖上數(shù)據(jù)序列數(shù) 據(jù)圖和自相關(guān)函數(shù)判斷所獲得的時間序列是否是平穩(wěn)序列，若是則不需處理，若不是則需 使其處理成平穩(wěn)序列；具體方法為al.如果序列y呈線性趨勢，均值不穩(wěn)定，則利用一階差分；a2.如果序列呈現(xiàn)二次趨勢，均值不是常數(shù)，則利用二階差分；a3.如果序列呈現(xiàn)隨時間的上升或下降偏差，方差不是常數(shù)，則通?？衫米匀粚?數(shù)將其平穩(wěn)化，b模型的識別與定階模型的識別乘積季節(jié)模型是隨機(jī)季節(jié)模型與RIMA模型的結(jié)合，統(tǒng)計學(xué)上純 ARIMA(p, d，q)模型記作^{B)VdXl= (B)sl其中，t代表時間，Xt表示響應(yīng)序列，B是后移算子，V = l-5，p，d，q分別表示自 回歸階數(shù)、差分階數(shù)和移動平均階數(shù)；①(B)表示自回歸算子； (B)表示滑動平均算子，一個階數(shù)為(p，d，q) X (P，D，Q)s的乘積季節(jié)模型可表為
▽ (？式=F (爐)ε t代表獨立撓動或隨機(jī)誤差，s的值是一個季節(jié)循環(huán)中觀測的個數(shù)，
表示同一周期內(nèi)不同周期點的相關(guān)關(guān)系，"(β” ▽丨則描述了不同周期中對應(yīng)時點上的相 關(guān)關(guān)系，二者結(jié)合起來便同時刻畫了兩個因數(shù)的作用；采用BoOnkins方法對乘積季節(jié)模型的階數(shù)識別及參數(shù)估計，也就是立足于考 察數(shù)據(jù)的樣本自相關(guān)、偏相關(guān)函數(shù)，季節(jié)長度S由實際應(yīng)用背景的分析得到；如果樣本自相關(guān)、偏相關(guān)函數(shù)既不截尾也不拖尾，且不是呈線性衰減趨勢，相反 地，在相應(yīng)于周期S的整倍數(shù)點上，自相關(guān)或偏相關(guān)函數(shù)出現(xiàn)絕對值相當(dāng)大的峰值并呈現(xiàn) 振蕩變化，就可以判斷數(shù)據(jù)序列適合于乘積季節(jié)模型；模型的定階采用試探的做法選取差分和季節(jié)差分階數(shù)d，D ；d, D宜取較低階，通 常取1、2或3 ；若對于某一組d，D得到的自相關(guān)或偏相關(guān)函數(shù)呈現(xiàn)較好的截尾或拖尾特性， 則認(rèn)為相應(yīng)的d，D是適宜的，這時若增大d，D，則相應(yīng)的自相關(guān)或偏相關(guān)函數(shù)會呈現(xiàn)離散增 大及不穩(wěn)定狀態(tài)；當(dāng)階數(shù)d，D確定后，模型參數(shù)p，q，P，Q的估計一般用最大似然估計和無 約束最小二乘；C經(jīng)過識別以及定階以后，據(jù)此建立相應(yīng)模型，d.模型預(yù)測的效果評價，通過檢驗?zāi)Ｐ偷臄M合優(yōu)度來決定模型是否合適，也就是說將利用此模型得出的對 學(xué)校未來一段時間疫情發(fā)生情況的預(yù)測結(jié)果和已有的數(shù)據(jù)通過本軟件的處理在同一張坐 標(biāo)圖上表達(dá)出來，借此來對兩者殘差進(jìn)行分析。計算機(jī)對觀測值和模型擬合值的殘差進(jìn)行分析，如果殘差序列不是白噪聲序列， 則說明還有信息包含在相關(guān)的殘差序列中未被提取，模型其他參數(shù)不能完全代表建模對象 的統(tǒng)計性質(zhì)，即所建模型不是最終模型，此時可對殘差擬合更復(fù)雜的模型，以充分提煉資料 的信息，從而得到更合適的模型，如果殘差序列不是白噪聲序列，則需重新建立模型，重復(fù)上述步驟，直到殘差序列 是白噪聲序列為止；(2)執(zhí)行預(yù)警任務(wù)校園學(xué)生因病缺課的人數(shù)在各個不同時間段的發(fā)病情況都符合或者近似符合一 個時間序列。一旦監(jiān)測數(shù)據(jù)的量達(dá)到傳統(tǒng)的考慮疾病周期性、季節(jié)性、長期趨勢等時間序列 分析方法的基本要求，就能得出相對更加有價值的結(jié)論，為我們及早發(fā)現(xiàn)疫情，盡快采取措 施，防止疫情的蔓延a.根據(jù)圖表自動計算出學(xué)校疫情數(shù)據(jù)的平均值和標(biāo)準(zhǔn)差，分別記為μ和σ ；并且 自動計算出μ +2 σ、μ +3 σ、μ +6 σ的值，b.確定分級標(biāo)準(zhǔn)若μ+2 ο為黃色預(yù)警標(biāo)準(zhǔn)μ+3σ為橙色預(yù)警標(biāo)準(zhǔn)μ+6σ為紅色預(yù)警標(biāo)準(zhǔn)學(xué)校內(nèi)有此種預(yù)警癥狀的學(xué)生人數(shù)記為癥狀數(shù)量，本方法將閾值作為標(biāo)準(zhǔn)對應(yīng)實際癥狀數(shù)量進(jìn)行分級預(yù)警，
癥狀數(shù)量< μ+2 Pμ +2 P < 癥狀數(shù)量< μ+3 Pμ +3 P < 癥狀數(shù)量< μ+6 P癥狀數(shù)量> μ+6 P
則不予預(yù)警
則為黃色預(yù)警 則為橙色預(yù)警 則為紅色預(yù)警，c.根據(jù)學(xué)校、癥狀、患病學(xué)生人數(shù)信息計算預(yù)警信息，利用計算出來的μ和ο以及統(tǒng)計出的實際癥狀及相應(yīng)癥狀數(shù)量的疫情信息，根 據(jù)前面的分級標(biāo)準(zhǔn)計算預(yù)警信息對學(xué)校進(jìn)行分級預(yù)警，d.閾值的自動調(diào)整在每次預(yù)警前自動刷新數(shù)據(jù)庫中的學(xué)校不良反應(yīng)信息，使數(shù)據(jù)能最大程度地與實 際情相符，并由此繪圖計算閾值，使閾值隨不同環(huán)境而變化；在緊急情況下，也可由數(shù)據(jù)庫 管理員強(qiáng)制修改閾值。軟件控制閾值在不同的季節(jié)、不同規(guī)模的學(xué)校、班級能動態(tài)的自我調(diào) 整，為更好得到達(dá)到準(zhǔn)確預(yù)警提供保障e.經(jīng)過上述計算處理后在計算機(jī)上輸出顯示預(yù)警信息，包括警報級別，預(yù)警癥狀 和數(shù)量，其中警報級別分黃色預(yù)警、橙色預(yù)警和紅色預(yù)警，預(yù)警癥狀為服務(wù)器所獲得的學(xué) 生不良反應(yīng)癥狀，數(shù)量為學(xué)校內(nèi)有此癥狀的學(xué)生人數(shù)。信息可自動顯示或由監(jiān)測范圍內(nèi)學(xué) 校醫(yī)務(wù)部門人員點擊獲得，f.更大范圍上的預(yù)警當(dāng)某個區(qū)/縣內(nèi)各個學(xué)校均未達(dá)到因病缺課的預(yù)警人數(shù)， 但全區(qū)/縣的因病缺課人數(shù)已達(dá)到區(qū)/縣級的預(yù)警人數(shù)時，系統(tǒng)會自動提醒登陸的市/區(qū) /縣疾控中心以及省級控中心的工作人員，并發(fā)出報警信號g疾控中心根據(jù)系統(tǒng)監(jiān)測到的預(yù)警情況和意外情況提出處理意見，必要時要派員 到監(jiān)測學(xué)校進(jìn)行學(xué)生疾病調(diào)查，采取措施預(yù)防和控制疾病擴(kuò)散和發(fā)展。省疾控中心根據(jù)系統(tǒng)信息對各地處理情況進(jìn)行監(jiān)督和指導(dǎo)。
1權(quán)利要求
一種傳染病疫情預(yù)測預(yù)警方法，其特征在于本方法對服務(wù)器端匯總的不良反應(yīng)信息數(shù)據(jù)作出整合，以時間序列分析統(tǒng)計模型的運算為基礎(chǔ)，依據(jù)不良反應(yīng)的癥狀數(shù)量，計算并確定公共衛(wèi)生突發(fā)事件的預(yù)警閾值，隨時自動對傳染病發(fā)生情況進(jìn)行實時預(yù)警，具體方法如下1).整合來自不同渠道的信息，具體為每次執(zhí)行預(yù)警任務(wù)前自動刷新之前的數(shù)據(jù)庫，將預(yù)警時間之前的信息及時添加到數(shù)據(jù)庫中；獲得數(shù)據(jù)后，將按兩條路徑執(zhí)行路徑①分析；路徑②以時間序列分析模型為基礎(chǔ)統(tǒng)計繪制坐標(biāo)圖，進(jìn)而執(zhí)行預(yù)測和預(yù)警任務(wù)；2).執(zhí)行路徑①分析任務(wù)數(shù)據(jù)庫中信息經(jīng)過統(tǒng)計分析后自動生成不同單位、地區(qū)、性別、時間段的不良反應(yīng)統(tǒng)計表和統(tǒng)計圖；利用統(tǒng)計出的信息對“預(yù)測”任務(wù)中確定的用來對未來一段時間疫情情況進(jìn)行預(yù)測的模型進(jìn)行檢驗，由于在確定時間序列模型之前需要把不平穩(wěn)的時間序列轉(zhuǎn)化為平穩(wěn)序列，這個過程叫做數(shù)據(jù)的預(yù)處理；而數(shù)據(jù)序列的平穩(wěn)性是指這個序列的平均值和方差始終為常數(shù)；處理數(shù)據(jù)時建立相應(yīng)的坐標(biāo)圖，將數(shù)據(jù)在坐標(biāo)圖上表示出來，然后用曲線連起來，將所建立的方程盡量地與圖表所反映的信息一致從而達(dá)到預(yù)測準(zhǔn)確目的的過程稱為擬合；具體方法為I.軟件隨機(jī)選取一段時間內(nèi)的歷史疫情發(fā)生數(shù)據(jù)，以其中一部分為對象建立相應(yīng)時間序列模型；以另外一部分為標(biāo)準(zhǔn)來對模型預(yù)測效果進(jìn)行評價，III中得到的數(shù)據(jù)經(jīng)過預(yù)處理，使之有助于對模型進(jìn)行識別與定階，進(jìn)而確定所需模型；III.II中確定的模型對II中預(yù)處理過的數(shù)據(jù)序列進(jìn)行擬合并作出對未來一段時間發(fā)病情況的預(yù)測，通過在同一個坐標(biāo)圖上作出發(fā)病情況圖和發(fā)病預(yù)測圖來檢查預(yù)測值和真實值的吻合程度，進(jìn)而對該模型準(zhǔn)確度進(jìn)行評價；3).執(zhí)行路徑②預(yù)測預(yù)警時間序列分析模型是用來對所要處理的對象，也就是數(shù)據(jù)進(jìn)行統(tǒng)計的模型，以時間序列分析模型為基礎(chǔ)，對當(dāng)前所要預(yù)測預(yù)警的經(jīng)過整合后的數(shù)據(jù)進(jìn)行分析統(tǒng)計并繪制成坐標(biāo)圖；31).進(jìn)入預(yù)測模塊a.根據(jù)整合出的數(shù)據(jù)序列的數(shù)據(jù)圖和自相關(guān)函數(shù)判斷所獲得的時間序列是否是平穩(wěn)序列，若是則不需處理，若不是則需使其處理成平穩(wěn)序列；具體方法為a1.如果序列y呈線性趨勢，均值不穩(wěn)定，則利用一階差分；a2.如果序列呈現(xiàn)二次趨勢，均值不是常數(shù)，則利用二階差分；a3.如果序列呈現(xiàn)隨時間的上升或下降偏差，方差不是常數(shù)，則通?？衫米匀粚?shù)將其平穩(wěn)化，b.模型的識別與定階模型的識別乘積季節(jié)模型是隨機(jī)季節(jié)模型與RIMA模型的結(jié)合，統(tǒng)計學(xué)上純ARIMA(p，d，q)模型記作 <mrow><mi>&Phi;</mi><mrow> <mo>(</mo> <mi>B</mi> <mo>)</mo></mrow><mo>=</mo><msup> <mo>&dtri;</mo> <mi>d</mi></msup><msub> <mi>X</mi> <mi>t</mi></msub><mo>=</mo><mi>&Theta;</mi><mrow> <mo>(</mo> <mi>B</mi> <mo>)</mo></mrow><msub> <mi>&epsiv;</mi> <mi>t</mi></msub> </mrow>其中，t代表時間，Xt表示響應(yīng)序列，B是后移算子， <mrow><mo>&dtri;</mo><mo>=</mo><mn>1</mn><mo>-</mo><mi>B</mi><mo>,</mo> </mrow>p，d，q分別表示自回歸階數(shù)、差分階數(shù)和移動平均階數(shù)；Φ(B)表示自回歸算子；Θ(B)表示滑動平均算子，一個階數(shù)為(p，d，q)×(P，D，Q)s的乘積季節(jié)模型可表為 <mrow><mi>&Phi;</mi><mrow> <mo>(</mo> <mi>B</mi> <mo>)</mo></mrow><mi>U</mi><mrow> <mo>(</mo> <msup><mi>B</mi><mi>S</mi> </msup> <mo>)</mo></mrow><msup> <mo>&dtri;</mo> <mi>d</mi></msup><msubsup> <mo>&dtri;</mo> <mi>S</mi> <mi>D</mi></msubsup><msub> <mi>X</mi> <mi>t</mi></msub><mo>=</mo><mi>V</mi><mrow> <mo>(</mo> <msup><mi>B</mi><mi>S</mi> </msup> <mo>)</mo></mrow><mi>&Theta;</mi><mrow> <mo>(</mo> <mi>B</mi> <mo>)</mo></mrow><msub> <mi>&epsiv;</mi> <mi>t</mi></msub> </mrow>εt代表獨立撓動或隨機(jī)誤差，s的值是一個季節(jié)循環(huán)中觀測的個數(shù)，表示同一周期內(nèi)不同周期點的相關(guān)關(guān)系，則描述了不同周期中對應(yīng)時點上的相關(guān)關(guān)系，二者結(jié)合起來便同時刻畫了兩個因數(shù)的作用；采用Box2Jenkins方法對乘積季節(jié)模型的階數(shù)識別及參數(shù)估計，也就是立足于考察數(shù)據(jù)的樣本自相關(guān)、偏相關(guān)函數(shù)，季節(jié)長度S由實際應(yīng)用背景的分析得到；如果樣本自相關(guān)、偏相關(guān)函數(shù)既不截尾也不拖尾，且不是呈線性衰減趨勢，相反地，在相應(yīng)于周期S的整倍數(shù)點上，自相關(guān)或偏相關(guān)函數(shù)出現(xiàn)絕對值相當(dāng)大的峰值并呈現(xiàn)振蕩變化，就可以判斷數(shù)據(jù)序列適合于乘積季節(jié)模型；模型的定階采用試探的做法選取差分和季節(jié)差分階數(shù)d，D；d，D宜取較低階，通常取1、2或3；若對于某一組d，D得到的自相關(guān)或偏相關(guān)函數(shù)呈現(xiàn)較好的截尾或拖尾特性，則認(rèn)為相應(yīng)的d，D是適宜的，這時若增大d，D，則相應(yīng)的自相關(guān)或偏相關(guān)函數(shù)會呈現(xiàn)離散增大及不穩(wěn)定狀態(tài)；當(dāng)階數(shù)d，D確定后，模型參數(shù)p，q，P，Q的估計一般用最大似然估計和無約束最小二乘；C經(jīng)過識別以及定階以后，據(jù)此建立相應(yīng)模型，d.模型預(yù)測的效果評價，通過檢驗?zāi)Ｐ偷臄M合優(yōu)度來決定模型是否合適白噪聲指功率譜密度在整個頻域內(nèi)均勻分布的噪聲，白噪聲信號在各個頻段上的功率一樣，白噪聲在數(shù)學(xué)處理上比較方便，因此是系統(tǒng)分析的有力工具；若用一模型擬合資料，則模型計算值與資料實測值之差為殘差；計算機(jī)對觀測值和模型擬合值的殘差進(jìn)行分析，如果殘差序列不是白噪聲序列，則說明還有信息包含在相關(guān)的殘差序列中未被提取，模型其他參數(shù)不能完全代表建模對象的統(tǒng)計性質(zhì)，即所建模型不是最終模型，此時可對殘差擬合更復(fù)雜的模型，以充分提煉資料的信息，從而得到更合適的模型，如果殘差序列不是白噪聲序列，則需重新建立模型，重復(fù)上述步驟，直到殘差序列是白噪聲序列為止；32).軟件進(jìn)入預(yù)警模塊32a.根據(jù)圖表自動計算出歷史數(shù)據(jù)的平均值和標(biāo)準(zhǔn)差，分別記為μ和σ；并且自動計算出μ+2σ、μ+3σ、μ+6σ的值，32b.確定分級標(biāo)準(zhǔn)若μ+2σ為黃色預(yù)警標(biāo)準(zhǔn)μ+3σ為橙色預(yù)警標(biāo)準(zhǔn)μ+6σ為紅色預(yù)警標(biāo)準(zhǔn)預(yù)警單位內(nèi)某種預(yù)警癥狀相應(yīng)的人數(shù)記為癥狀數(shù)量，本方法將閾值作為標(biāo)準(zhǔn)對應(yīng)實際癥狀數(shù)量進(jìn)行分級預(yù)警，癥狀數(shù)量＜μ+2ρ則不予預(yù)警μ+2ρ＜癥狀數(shù)量＜μ+3ρ則為黃色預(yù)警μ+3ρ＜癥狀數(shù)量＜μ+6ρ則為橙色預(yù)警癥狀數(shù)量＞μ+6ρ則為紅色預(yù)警，32c.根據(jù)統(tǒng)計的單位、癥狀、數(shù)量信息計算預(yù)警信息，利用計算出來的μ和σ以及統(tǒng)計出的實際癥狀及相應(yīng)癥狀數(shù)量的疫情信息，根據(jù)前面的分級標(biāo)準(zhǔn)計算預(yù)警信息進(jìn)行分級預(yù)警，32d.閾值的自動調(diào)整在每次預(yù)警前自動刷新數(shù)據(jù)庫中的不良反應(yīng)信息，使數(shù)據(jù)能最大程度地與實際情相符，并由此繪圖計算閾值，使閾值隨不同環(huán)境而變化；在緊急情況下，也可由數(shù)據(jù)庫管理員強(qiáng)制修改閾值，32e.經(jīng)過上述計算處理后在計算機(jī)上輸出顯示預(yù)警信息，包括警報級別，預(yù)警癥狀和數(shù)量，其中警報級別分黃色預(yù)警、橙色預(yù)警和紅色預(yù)警，預(yù)警癥狀為服務(wù)器所獲得的人員不良反應(yīng)癥狀，數(shù)量為該單位有此癥狀的人數(shù)。信息可自動顯示或由監(jiān)測范圍內(nèi)任何單位點擊獲得，32f.更大范圍上的預(yù)警在根據(jù)時間序列分析計算出預(yù)警信息對該單位預(yù)警后，在此基礎(chǔ)上視具體情況對更大范圍地區(qū)作出疫情預(yù)警。F2009101853439C00024.tif,F2009101853439C00025.tif
全文摘要
傳染病疫情預(yù)測預(yù)警方法是一種國家、省、市(地區(qū))、區(qū)(縣)層面?zhèn)魅静∠嚓P(guān)公共衛(wèi)生事件的網(wǎng)絡(luò)預(yù)警系統(tǒng)，該方法對服務(wù)器端匯總的不良反應(yīng)信息數(shù)據(jù)作出整合，以時間序列分析統(tǒng)計模型的運算為基礎(chǔ)，依據(jù)不良反應(yīng)的癥狀數(shù)量，計算并確定公共衛(wèi)生突發(fā)事件的預(yù)警閾值，隨時自動對傳染病發(fā)生情況進(jìn)行實時預(yù)警，1)整合來自不同渠道的信息，2)執(zhí)行路徑①分析任務(wù)3)執(zhí)行路徑②預(yù)測預(yù)警；一旦監(jiān)測數(shù)據(jù)的量達(dá)到傳統(tǒng)的考慮疾病周期性、季節(jié)性、長期趨勢等時間序列分析方法的基本要求，就能得出相對更加有價值的結(jié)論，為我們及早發(fā)現(xiàn)疫情，盡快采取措施，防止疫情的蔓延，并初步建立我省疫情監(jiān)測預(yù)警系統(tǒng)和工作機(jī)制發(fā)揮重要作用。
文檔編號G06Q50/00GK101894309SQ20091018534
公開日2010年11月24日 申請日期2009年11月5日 優(yōu)先權(quán)日2009年11月5日
發(fā)明者彭志行 申請人:南京醫(yī)科大學(xué)