CN103093106B - 大型活动中多源数据的传染病症状监测与预警方法 - Google Patents
大型活动中多源数据的传染病症状监测与预警方法 Download PDFInfo
- Publication number
- CN103093106B CN103093106B CN201310028538.9A CN201310028538A CN103093106B CN 103093106 B CN103093106 B CN 103093106B CN 201310028538 A CN201310028538 A CN 201310028538A CN 103093106 B CN103093106 B CN 103093106B
- Authority
- CN
- China
- Prior art keywords
- monitoring
- early
- data
- scale activity
- model
- 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
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Medical Treatment And Welfare Office Work (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明涉及一种大型活动中多源数据的传染病症状监测与预警方法,通过建立大型活动中多源数据的医疗机构、学校和幼托机构、药店、宾馆等多种数据源的症状监测网络,分别就相应的目标症候群等指标进行监测及数据采集,进而对采集到的数据通过运行预警模型来给出分析及预警结果。本发明建立了大型活动症状监测与自动预警系统,能够及时、有效地发现可能的新发和突发传染病暴发事件,为采取有效的传染病控制措施赢得时间,保障大型活动期间的公众健康安全,并为今后我国大规模人群聚集活动的卫生安全保障提供技术范例。
Description
技术领域
本发明涉及症状监测领域,特别涉及一种大型活动中多源数据的传染病症状监测与预警方法。
背景技术
随着社会和自然环境的变化,传染病的病原体、传播途径、发病特点以及影响因素也发生很大变化,如何能早期识别到传染病突发公共卫生事件,及时发出预警,尽早采取相应的控制措施,将突发公共卫生事件造成的损失降到最低,是公共卫生领域长期以来关注的焦点,也是卫生应急工作的重要内容。突发公共卫生事件预警,是通过对有关数据的收集,整理、分析和整合,运用计算机、网络、通讯等现代先进的技术,对事件的征兆进行监测、识别、诊断与评价,及时报警,告知有关部门和公众做好相关的应对和准备工作,及时采取有效的防控措施,尽可能阻止或减缓突发事件的发生或减少事件的危害。
大型活动通常是指大量人群为某个特定目的短期内在一个城市、地区或国家聚集的活动,这类活动往往会给所在地的日常工作和应对能力带来一定压力和考验。在大型活动期间,人口流动的增加会造成疾病传播的风险增加,甚至将一些新病原带入,增加了疾病暴发和流行的风险。一旦有传染病疫情暴发,现有的医疗卫生资源可能在短期内不能满足卫生服务需求,可能会造成疾病传播和人群发病风险增加。为满足传染病暴发早期发现的需要,国际上往往在大型活动期间采取一系列措施,对已有的疾病监测系统进行加强。其中,症状监测作为一种新兴的疾病监测方式,被许多大型活动举办地广泛使用。
症状监测(Syndromicsurveillance)是指系统、持续地收集临床明确诊断前能够指示疾病发生(或流行/暴发)的信息、各种与健康和疾病事件相关的数据以及各类与健康和疾病相关的其他现象资料,通过综合分析,来监测突发公共卫生事件发生初期的异常现象。尽管症状监测正得到越来越多的应用,但相关的理论与技术都远不成熟,尚处于探索发展阶段。建立有效的症状监测预警系统需要回答一系列理论与技术问题,包括目标疾病与目标症状确定、监测网络和监测点的选择与布局、多源数据的采集与管理策略、实现监测目标的稳定高效信息管理系统的建立、基于监测信息的预警模型选择与预警参数设定、监测预警响应、症状监测应用工具包及技术规范的开发等。
发明内容
本发明的目的在于提供一种大型活动中多源数据的传染病症状监测与预警方法,通过建立大型活动中多源数据的医疗机构、学校和幼托机构、药店、宾馆等多种数据源的症状监测网络,探索大型活动中多源数据的传染病预警技术与模型,建立大型活动症状监测与自动预警系统,以及时、有效地发现可能的新发和突发传染病暴发事件,为采取有效的传染病控制措施赢得时间,保障大型活动期间的公众健康安全,并为今后我国大规模人群聚集活动的卫生安全保障提供技术范例。
为了达到上述目的,本发明的技术方案是提供一种大型活动中多源数据的传染病症状监测与预警方法,通过在设定的区域内所建立的基于传染病症状监测的数据采集、上报、分析及预警的系统,实现对突发公共卫生事件的早期识别及预警;
所述方法构建了具有多种数据源的症状监测网络,所述数据源至少包含医疗机构、学校和幼托机构、药店及宾馆;基于MSN抽样模型,将区域内的其中一些医疗机构、学校和幼托机构、药店及宾馆选定为监测点;
由不同种类的所述数据源各自对设定的症候群和症状进行监测,采集数据后上传至系统,由系统运行CuSum预警模型或时空扫描预警模型,并根据与这些症候群和症状相互对应的目标疾病及其风险程度,给出相应的分析及预警信号。
所述方法在对每个数据源选择其各自的多个监测点时,先是使用MSN抽样模型,在区域内选择出监测点的样点的理论最优分布;当样点的实际分布为有偏次优时,使用B-shape模型对样点赋予不同的权重进行样点分布的调整,以确定最终监测的样点;再使用Sandwich插值模型,根据最终监测的样点对总体的分布进行估计。
所述方法在区域范围内开展大型活动的期间内实行,在对样点分布进行调整时,使位置靠近所述大型活动的样点的权重,高于位置远离所述大型活动的样点的权重,以优先选择靠近大型活动所在位置的样点作为最终监测的样点。
所述方法中基于文献法、德尔菲法,先得出区域内备选的若干个目标疾病,再从目标疾病的严重程度和发生概率两个维度进行风险评估,得到各个目标疾病的风险程度等级;之后,对每个目标疾病的备选症候群及其相应症状进行分类和定义;再结合临床工作经验和可接受程度,将部分目标症状进行合并,最终确定了需要各类数据源对应监测的目标症状,还确定了目标症状与目标疾病的对应关系并发送至系统中用于分析及预警处理。
所述方法中对经由风险评估确定为流行水平非常低的症候群,进行绝对值方法预警,即,当各个监测点针对流行水平非常低的症候群上报的数量,达到系统设定的阈值时就发出预警信号。
所述数据源是医疗机构时,通过医院现有HIS系统中嵌入的症状监测模块进行数据采集,并在空闲时段通过医院的前置机发送至上级的卫生信息平台,再经由卫生信息平台与系统的接口,将采集的就诊患者的个人基本信息、症状信息及医生的诊疗信息,以及该监测点的识别信息传输至预警系统的数据库中进行后续分析。
所述数据源是学校及幼托机构时,通过教育部门现有的信息平台,至少针对因呼吸道、消化道、出疹这3种症候群缺勤、缺课的学生人数进行监测,并上报至预警系统的数据库中进行后续分析。
所述数据源是药店时,使用现有的药店药品销售管理装置,至少针对呼吸道和消化道症候群有关的药品的名称、规格、剂量及销量进行监测,导出销售报表并上报至预警系统的数据库中进行后续分析。
所述数据源是宾馆时,至少针对发热、腹泻、呕吐这3种症候群进行监测,将出现相应症状的人数上报至预警系统的数据库中进行后续分析。
所述方法中,在使用CuSum预警模型或时空扫描预警模型,对监测点采集的数据进行预警演算之前,基于历史监测数据和模拟的传染病暴发事件对两种预警模型的灵敏度、特异度、及时性、阳性预测值进行评价。
与现有技术相比,本发明所述大型活动中多源数据的传染病症状监测与预警方法,充分应用社区现有工作系统与信息资源,研究建立了社区医疗机构、学校和幼托机构、药店、宾馆等多数据源对症状监测数据的采集、整理、存储、分析技术,在此基础上使疾控人员能够及时掌握目标监测区域的传染病流行现状,描述其变化并发现异常,实现传染病暴发事件的早期预警和响应。
本发明的优点在于:
将关联异质总体最优无偏估计MSN理论结合症候群特点和监测目标要求,实现了症候群监测点的最优选择。该方法可以充分利用各医院之间的相关性和异质性,并结合现场实况约束,给出需要实施重点监测的医院名单,达到用较少的哨点医院获得较高精度的区域症候群监测的目标。
本发明中的监测指标和突发公共事件分析结果一致,能够涵盖大型活动可能发生的突发事件。采用医疗机构、药店、宾馆、学校及幼托机构等多数据源策略,充分利用了社区信息资源,还可以从不同层面指示传染病暴发事件,有助于提高监测系统预警的灵敏度。
本发明中对不同种类监测点所监测的内容、数据采集的途径、监测的流程和质量控制等方面均具有可接受性。并且,本发明中比如监测症候群的确立、监测点的选择方法、数据采集的途径、监测的流程、质量控制及预警模型的方法上均有可复制性,在此基础上开发的通用工具包及传染病症状监测数据库,可以供其他地区开展大型活动时借鉴和应用。
本发明在监测内容上,选择的症状和症候群组合是通过文献法、德尔菲法及医生实际可接受性综合确定的,监测的科室也是以较易发现传染病的门急诊科室,具有科学性和普遍性。
从数据采集的途径来看,对数据来源最为关键的医疗机构,对于使用HIS系统的县级以上医疗机构或社区卫生服务中心,开发的标准接口嵌入任何一个接口都可以,不需做过多调整,也适用于单机版,信息采集后可以集中上传。患者的基本信息采集在门诊挂号时即已完成,医生无需手工输入;门急诊医生在问诊病人过程中只要点击病人相关症状,可快速完成症状的信息采集工作,操作方便,基本不影响患者的就诊时间;而医疗机构药房药品信息和诊疗信息通过实时采集、实时保存,于医院空闲时段传输至上级卫生信息平台,与医疗机构的诊疗高峰错时,信息上报不影响医院整个诊疗系统的运行。
而对于学校和幼托机构学生因病(发热呼吸道、腹泻及发热伴出疹症候群)的缺勤、缺课信息,可以利用教育信息网进行采集,不需要重新开发系统;学校和幼托机构无需详细了解每个学生的发病过程。药店中与呼吸道和消化道症候群有关药品的名称,剂型、规格、销量信息等,也可以利用药店现有的信息管理系统,用EXCEL等数据库进行信息导出即可。
预警模型采用的CuSum预警模型可方便的移植到其它大型公共集会活动的预警工作。首先,模型不依赖于长期历史基线数据,对数据的适用性好,无论是低流行水平还是高流行水平,均可用CuSum预警模型进行预警;其次,模型应用于预警工作的时间久远,应用领域宽广,是一个成熟的预警模型,稳定性好;再次,该模型属于控制图法,其原理简单易懂、结果可读性强、实现手段也较为简单,为模型的推广提供了极大的便利。
在各个监控点基本不需要另外进行硬件投入,基于现有的信息平台就可以实现数据获取,实施成本低。疾控人员可以针对预警强度和波及范围的不同,针对性地启动相应的响应处理方案。
本发明的方法能够在各监测点按日收集和分析、预警,可以更加及时地探测到传染病疫情暴发,而且多种数据源信息同时收集,有利于疫情判断和相互印证。
附图说明
图1是本发明所述大型活动中多源数据的传染病症状监测与预警方法的示意图;
图2是本发明中在监测点选择时空间抽样与统计推断的主要信息流图;
图3是本发明中传染病症状监测不同种类数据源的信息采集方式示意图;
图4是本发明中Cusum预警模型的示意图;
图5是本发明中时空扫描统计量预警模型的示意图。
具体实施方式
本发明涉及大型活动中多源数据的传染病症状监测与预警方法,通过设置了基于症状监测的数据采集、上报、分析、预警的系统,特别适用于大型活动开展期间,在大型活动周边一个较大的地域范围内,用来监测突发公共卫生事件发生初期的传染病流行现状。
如图1所示,本发明所述方法,建立了大型活动中多源数据中多种数据源的症状监测网络,选择其中有代表性的一些医疗机构、学校和幼托机构、药店、宾馆等作为监测点,分别就相应的目标症候群等指标进行监测及数据采集,进而对采集到的数据通过运行预警模型来给出分析及预警结果。
其中,医院是最能捕捉传染病早期暴发预兆的场所,因而是需要开展症状监测的首选。由于一部分患者会通过自行去药店购药来缓解早期症状,因此对药店的药品销量进行统计能够作为对症状监测的补充。大型活动的举办会增加许多新发和输入性传染病的发病风险,而宾馆作为入境人员的主要居住地,也应当纳入症状监测的范围。儿童和青少年是传染病的高危人群以及传染病传播过程中的重要环节,大型活动期间也应该加强对该人群的症状监测。因此,本发明中主要选择这四类场所进行监控数据的采集。当然,上述对数据源的选择,并不能限制在另外的实施方案中增加或替换其他重点关注人群或人流密集的场所作为监测的数据源。
具体的,本发明所述的方法,将主要涉及到以下的几个部分:监测点的选取和布局;监测目标症候群的选择与定义;各类监测点的数据采集方式;预警模型的演算及评价。
第一,监测点的选取和布局;
监测所涵盖的地域范围(以下亦称为研究区域)内一般具有众多数量的所述医疗机构、学校和幼托机构、药店、宾馆。基于空间监测网设计,能够在所有可能的监测点中选择出最优的监测点组合,以期能够更早地探测到研究区域可能的传染病暴发事件,同时也更加准确地对研究区域的传染病发病率或流行率做出估计,理论依据是抽样理论(samplingtechniques)。目前国内外可供选择的主要方法有:经典抽样理论、空间抽样理论、BlockKriging理论(块段克里格方法)、MSN理论。
其中,MSN理论的具体原理是将空间分层抽样(stratifiedsampling)的无偏及较高效率和Kriging估值(克里格估值)的最优化技术在异质区域条件下结合,以得到分层非均质区域均值无偏最优估算公式(MeanofSurfacewithNon-homogeneity,简称MSN)。对于总体同时具有分层和相关性的监测对象,MSN是目前国际上能够达到估值无偏最优的唯一抽样模型。因此,MSN模型是进行大范围非均质区域监测布点的合理选择。配合以不同的参数化方案,MSN被运用于区域新发病数(率)、流行数(率)、症候群数(率)的无偏最优估计和爆发探测。
图2展示了一个空间抽样与统计推断的主要信息流图,其中,直线框表示抽样的各个流程,虚线框表示涉及的参数,双线框表示使用的算法模型,点划线框表示输出的相应结果。
在抽样过程中,首先需要分析总体本体的特征,然后抽样,最后根据抽样结果进行统计推断。当调查对象是完全随机分布的,简单随机抽样是合适的选择,简单而且经济;如果对象之间关联性很强,简单随机抽样方法就不再使用了。这种情况下,若能根据本体自身的一些信息对其进行分层,有望达到无偏最优的效果。这些本体信息的选择可根据研究目的自行选择,比如需要估计一个区域内某一个与年龄有关的疾病的发病情况,我们完全可以将具有相同年龄结构的地区化为一层,不同年龄结构的划分为不同层次,于是有些地方可能比较偏远,就可以选择一些和该地区有相同年龄结构的市区进行布点监测,这时应用所谓的本体信息就是年龄结构。其他的本体信息还可能是时间、性别、医院规模等等。MSN模型在选点过程中可以充分利用研究对象的相关性和分层原理,而且通过各种类型的数据也充分证实了其有效性,所以在这个阶段无疑是最好的选择。
在抽样的实施过程中,可能由于某些现实问题,比如某些单位或者组织不配合等原因,就不能按照预先设计好的抽样方案进行实施,这时候获得的样点是有偏次优的。所以有必要在接下来的空间分析模型选择上对其进行纠正和调整。使用B-shape模型中对不同的样点赋予不同的权重,尽量使得总体方差最小。通过该模型对有偏次优的实际分布进行纠正,达到总体最优无偏线性估计的目的,进而对总体做出估计。而对总体的估计也是MSN模型的一个输出,所以也可以借助该模型。
样点确定之后,为了利用现有的样点对总体的分布做出估计,使用了基于Sandwich模型的插值方法,充分考虑空间相关性和异质性,可以对实际分布做出科学合理的估计,而且可以实现小样本多单元并行报告。到此,从抽样点的选取到最后对总体的统计推断,都已经结束了。
具体到本发明中,即是基于上述的MSN抽样理论,利用之前研究区域内所有医院的病例数据为基础进行分析,得到了各个医院间的内在相互关系,进而可以得到一个理论最优的抽样方案,选取所有医院中的其中一些作为大型活动期间症状监测的哨点医院。
但是考虑到具体实际情况,我们在选择监测点时还应该考虑以下原则:一,为了能够优先监测大型活动周边的传染病流行变动趋势,所选的哨点医院应该尽量靠近大型活动的所在位置,同时兼顾对整个研究区域的监测;二,优先选择电子信息化程度高、就诊量稳定、就诊信息保持完备的医院;三,考虑到人流量和医保制度等因素,定点医院和三甲医院等的就医人数要远远高于小规模的一级医院,即选取监测点时二级和三级医院优先于一级医院。
基于以上原则,我们对理论最优抽样方案进行了调整,例如将离大型活动较远的医院从监测方案中去掉,同时适当增加了大型活动附近的医院,最后得到了实际承担症状监测任务的多家哨点医院。
通过对于MSN模型选择的理论最优方案与实际调整后的方案进行比较,对于它们的每日病例总数进行了卡方检验,发现并无统计显著性的差异。因此,对理论最优方案进行的局部调整是完全可以接受的,调整后的实际方案也能够以接近最优的性能来承担传染病症状监测任务。
另外,虽然上文中仅描述了对医院类监测点的选择过程,但应当认识到,该过程中首先基于MSN抽样理论得到一个理论的最优分布,再根据地理位置、信息化程度、人流量、规模等因素进行局部调整以确定实际监测点分布的方法,在对学校和幼托机构、药店、宾馆等的选择上也可以适用。
第二,监测目标症候群的选择与定义;
本发明中,首先需要明确目标疾病以及它们的风险高低,进而筛选需要纳入监测方案的症候群及症状,并根据各类监控点的特点设置需要其各自监测的症候群及需要上报的有关数据指标。
(1)数据源是医院的情况下,在选择监测的目标疾病时,首先使用文献法,通过查阅流行病学与临床医学相关书籍与文献,结合大型活动开展期间传染病监测的相关经验,初步列出了呼吸系统疾病、消化系统疾病、血源性疾病、动物源性疾病、虫媒疾病及血吸虫病等我国常见、高发传染病,以及肉毒杆菌中毒、天花、疯牛病等生物恐怖和我国境内罕见传染病,作为风险评估的目标疾病。之后使用德尔菲法,设计专家咨询表对上述得出的每种目标疾病,从疾病发生概率和疾病严重程度两个维度进行风险评估和分析。再使用风险矩阵图法,统计专家咨询表的回复,计算每种疾病发生概率和严重性的得分中位数,填入风险矩阵图,划分出“极高风险疾病”、“高风险疾病”、“中等风险疾病”以及“低风险疾病”的等级。
类似的,在选择监测的症候群时,先使用文献法筛选出每个目标疾病的备选症候群及其相应症状的分类和定义;再使用德尔菲法,设计专家咨询表对目标疾病的相关症状进行评估,判断各症候群在传染病暴发预警中的重要性,筛选出要目标症状。根据上述结果,结合临床医生实际工作经验和可接受程度,将部分目标症状进行合并,比如“斑疹”、“丘疹”、“玫瑰疹”合并为“斑丘疹”,确定了需要监测的目标症状。
最后给出在大型活动期间传染病症状监测的目标疾病和目标症状的对应关系:例如,对于胃肠道腹泻症候群,当监测到下列目标症状之一:呕吐、腹泻、脓血便粘液便,且伴有发热现象的,则与之对应的目标疾病有:(根据由风险矩阵图法定义的)高风险有可能发生的霍乱,高风险非常可能发生的细菌性痢疾,中等风险非常可能发生的细菌性肠炎、病毒性腹泻,中等风险有可能发生的手足口病,中等风险不太可能发生的黄热病,等等。
为此,医院至少需要向监测预警系统上报该监测点的识别信息(包括监测点医院名称及代码,监测科室名称及代码,填报患者信息的医生名称及代码等),就诊患者的个人基本信息(包括患者就诊时间、姓名、性别、年龄、家庭住址和社保卡号等),患者的症状信息(根据患者就诊时的主诉,在研究筛选得出的目标症状中选择,比如发热、咳嗽、腹泻等),以及医生对患者的诊疗信息(包括患者就诊时的初步诊断,进行的检验项目和结果,以及医生给予的临床用药处方等)。
(2)数据源是药店的情况下,先使用现场调查法,通过大型活动所在区域的药店进行现场调研,借鉴国内外研究与实践经验,确定药品监测症候群,一般针对呼吸道和消化道这2种症候群进行监测。然后,使用文献法,通过查阅临床药剂学相关书籍与文献,结合大型活动所在区域药店实际用药情况,初步整理出与所监测症候群相关的药物通用名称;再使用德尔菲法,设计专家咨询表对药品与监测症候群的相关性(即药品的使用频率以及药物与症候群关联程度二个维度)进行评价。
为此,药店至少需要向监测预警系统上报的数据包括药店监测的日期,监测药店的名称及地址,监测药品的名称、剂量、规格,以及当日的销售量。
(3)数据源是宾馆的情况下,主要对发热、腹泻、呕吐这3种症候群进行监测,并至少上报监测日期、监测宾馆的名称及地址,当日入住总人数和出现相关症状,如发热、呕吐和腹泻的人数等。
(4)数据源是学校及幼托机构时,主要针对呼吸道、消化道、出疹这3种症候群监测学生因病缺勤的情况,上报的监测数据至少包括监测日期、学校和幼托机构名称及地址、当日因病缺勤总人数和出现相关症状,比如发热、出疹和腹泻的人数。
第三,各类监测点的数据采集方式;
如图3所示,医疗机构对患者症状监测的采集,主要依托医院中现有的HIS系统(HospitalInformationSystem,医院信息系统),可通过制作标准化的症状监测模块嵌入HIS系统中,门急诊医生在问诊病人过程中点击病人相关症状完成。医院前置机在每日24点将自动上传患者症状信息至上一级的卫生信息平台中,预警系统通过对接这些平台获取症状监测数据,存入数据库中并进行统计分析。也可以通过电子病历将患者症状信息批量导入、专人录入门诊日志信息等将信息输入至系统的症状监测数据库。医疗机构的药房药品信息则通过实时采集、实时保存,由前置机在医院空闲时段传输至卫生信息平台。
在医院上报采集数据时,应当设置有相应的功能模块来关注数据的以下方面:例如,定义各监测点的上报时间与监测日期的差值为滞后时间,“上报时间”是数据传输时系统自动生成的日期,“监测日期”是患者看病时的时间。理论上分析滞后时间应该为正值,则上报时系统模块应当在滞后时间显示为负值时提示有逻辑错误。后续在进行预警分析时,可以就滞后时间设定一个可以接受的范围(例如是2天);而超出范围的上报记录,就可能影响分析预警的及时性。
又例如,需要甄别同一个就诊病人在一家或多家医院重复就诊的情况:第一种可能的情况是,社区中年龄较大的人群因为一些慢性疾病在社区周边的一家或多家医院多次就诊,增大了症状监测数据的就诊记录数,也增加了症候群的病例数,但慢性疾病的数量增加,与建立症状监测系统以早期探测传染病异常增加及发现新发、突发传染病早期征象的目的不符。对此,可以采取一些措施减少该群体的影响,如建立症状监测系统时进行一定的区分,关注的群体进行年龄上的限制等。第二种情况是,以姓名为指标会统计出不同医院的姓名重复情况,这可能包括:①姓名相同的不同个体;②同一人在同一家医院多次就诊;③同一个人的就诊记录被不明原因的多次复制。对此,例如在记录患者姓名时,还进一步记录其社保卡、身份证等对应的身份识别信息,则预警系统后续就可以分辨是否属于重复就诊。
学校和幼托机构的症状监测可以在教育局原有的学生因病缺勤、缺课报告系统的基础上细化相应的报告内容,各学校和幼托机构按照原流程报告至教育局信息平台,教育系统每日由专人将数据推送至症状监测数据库,实现数据共享。或者指派专人网络录入、电话、传真登记记录等途径上报每日学生因病缺勤人数和出现相关症状的人数。
药品销量监测可以通过与药店药品销售管理系统实现网络共享、指派专人每日通过网络上报各类监测药品的销量、每日监测药品销售报表批量导入数据库等途径采集药店药品销量信息。
宾馆症状监测可以指派专人每日通过网络上报、电话、传真等途径上报游客症状信息。
第四,预警模型演算及评价;
常用的传染病预警模型大致分为单纯时间预警模型、单纯空间预警模型和时空联合预警模型。根据有无历史基线数据,又可细分为基于长期历史基线(数年)的预警模型和缺乏历史基线数据的预警模型。
而大型公共集会活动的传染病预警模型应优先选择缺乏长期历史基线数据的单纯时间预警模型。其理由主要包括两个方面:其一,大型公共集会活动往往缺乏长期历史基线数据,而且,参加大型活动的人员数量和聚集程度明显不同于既往情况,因此,即使有历史基线数据,将之应用于当前状态也是不合适的;其二,大型公共集会活动的场所较为集中,相对于传染病的播散,其地理信息难以被准确定位,故空间信息不明确。
本发明中对监测点采集的数据应用以下的两种时间预警模型进行处理,即:基于控制图原理的累积和预警模型(CumulativeSum,简称CuSum预警模型),和前瞻性时间扫描统计量预警模型。
1)CuSum预警模型原理
Cusum预警模型是一种统计过程控制技术,用于检测监测数据偏离基线的情况。其原理是检出偏离基线的预期数的微小变化,并按时间维度累积,当变化被累积放大到一定程度,超过设定的界值,则发出预警,从而实现更灵敏地探测异常情况的目的。
该模型的原理主要通过三个个步骤实现。
第一步,计算实际数与理论预期数的差值。考虑到症状监测数据通常采用Poisson(泊松)分布作为计算预期数的依据,具体的计算公式如下:
第二步,累积微小的差异。由于传染病暴发探测关注的是异常增高,故仅累积异常增高的差异,计算公式如下:
式中k为前一个Cusum值的参照值,为模型的参数之一。
第三步,探测预警。当时,可以认为序列失控,提示有异常情况出现,发出预警信号,如图4所示的一个示例。
2)时空扫描统计量预警模型;
时空扫描是同时针对时间与空间两个维度的,本发明中,由于空间信息的不可用,故在时空扫描统计量预警模型(以下简称时空扫描模型)中采取固定空间维度的办法,仅扫描时间维度。其基本原理是:
对于一个已知的空间位置w,计数在时间区域(t-t,t)内在距该位置的距离为d范围内的病例数,t代表当前时间点。这个时空区域可以被看作是中心在w,半径为d,高为t的一个园柱体Z,如图5所示:
令在所有位置和所有时间(到t为止)出现的总病例数为nG,总人口数为mG,预期病例数为m(G)。令扫描窗口Z(即园柱Z)内出现的病例数为nZ,mZ扫描窗口Z中人口数,m(Z)为扫描窗口Z中预期病例数。预期病例数的计算公式为:
根据Poisson模型,在总病例数nG条件下,似然比为:
扫描统计量S被定义为园柱Z中观察数超过预期数的最大比值:
观察值的S和P值可以通过蒙特卡罗模拟的方法得到,即首先产生模拟数据集,对模拟数据集采用与真实数据集相同的方法进行计算,找出病例数异常程度最高的扫描窗口,即可以计算出S值和相应的P值。据此得出该区域和时间段是否存在病例聚集性的判断。
本发明使用上述两种预警模型时空扫描模型和CuSum模型)对症候群监测数据进行预警运算演算,并对不同预警界值情况下的模型效果(灵敏度、特异度、及时性等)进行评价。
评价标准以事件为基础,采用专家法在真实序列中定义暴发事件,以此作为预警模型探测的目标事件。具体的评价方法,一是基于来源实际监测数据的真实序列对两种模型进行评价,二是在真实序列中插入模拟暴发的评价方法,选取真实序列中有代表性的一段序列,插入不同暴发强度的模拟事件,评价模型的预警效能。
评价指标包括灵敏度、PPV(Positivepredictivevalue,阳性预测值)和及时性,计算公式如下。
灵敏度=探测到的事件数/暴发事件数×100%
PPV=探测到的事件数/预警信号总数×100%
滞后期(天)=事件首次预警日期-暴发事件发生日期
对于每个症候群,采用专家法对其数据序列进行分析,定义出异常增加的事件个数。固定预警模型参数的情况下,计算不同症候群的相应评价指标。
比较CuSum预警模型和时空扫描模型预警模型,得出如下初步建议:
对低流行水平和高流行水平的症候群,两种模型均适用,但不适用于流行水平非常低的症候群;
两种预警模型的灵敏度相近,CuSum预警模型的特异度略优于时空扫描模型预警模型;
及时性比较,时空扫描模型预警模型略优于CuSum预警模型。
可见,CuSum预警模型和时空扫描模型预警模型在灵敏度、特异度和及时性指标上,两者的预警效能接近。考虑到CuSum预警模型在方法简便性、实现手段和结果可读性等方面具有明显优势,从实际工作角度出发,建议优先选用CuSum预警模型对监测数据进行处理。
另外,对于流行水平非常低的症候群,如脑炎脑膜炎症候群、发热伴出疹症候群,由于其病例报告数非常低,多数时候的每日报告数为0,不适合于采用预警模型探测异常情况,建议采取绝对值预警方法,到报告数达到设定的阈值时就进行预警。
在使用预警模型对不同医院进行症候群异常增高探测时,尤其是使用绝对值预警方法时,医院规模会成为一个至关重要的影响因素。绝对值预警方法是以病例为基础的,而医院规模不同,或者医院的技术优势不同,会导致全部症候群病例或者某些症候群病例数远比其它医院多。如果对全部医院都采取相同的绝对值预警阈值,则会出现某些医院大部分时间都预警的情况,这明显与探测异常增加的目标不符,故对单个医院进行预警时,需要根据医院的实际情况进行相应的调整。
对所产生的预警信号,可以根据对历史数据进行的统计分析,在预警系统中设定相应的参数,甄别出因为周末效应、节假日效应、季节效应等造成的病例报告增加或波动,在这些情况下出现的预警信号并不能表示有传染病的暴发事件实际发生,需要由疾控人员进一步结合现场调查等来核实。
综上所述,本发明优选使用CuSum算法及绝对值等,对医院、学校和幼托机构、药店、宾馆采集的数据按照症候群、机构等维度进行不同时间序列的预警,通过实际值与设置的预警参数对比,以做出不同级别的预警与响应,相关的监测数据或预警信号等被保存、统计并能够以趋势图、GIS图等形式展示。根据预警强度和波及范围的不同,方便疾控人员启动相应的响应处理方案。
尽管本发明的内容已经通过上述优选实施例作了详细介绍,但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后,对于本发明的多种修改和替代都将是显而易见的。因此,本发明的保护范围应由所附的权利要求来限定。
Claims (8)
1.一种大型活动中多源数据的传染病症状监测与预警方法,其特征在于,
所述方法通过在设定的区域内所建立的基于传染病症状监测的数据采集、上报、分析及预警的系统,实现对突发公共卫生事件的早期识别及预警;
所述方法构建了具有多种数据源的症状监测网络,所述数据源至少包含医疗机构、学校和幼托机构、药店及宾馆;基于MSN抽样模型,将区域内的其中一些医疗机构、学校和幼托机构、药店及宾馆选定为监测点;
其中,在对每个数据源选择其各自的多个监测点时,先是使用MSN抽样模型,在区域内选择出监测点的样点的理论最优分布;当样点的实际分布为有偏次优时,使用B-shape模型对样点赋予不同的权重进行样点分布的调整,以确定最终监测的样点;再使用Sandwich插值模型,根据最终监测的样点对总体的分布进行估计;
所述方法在区域范围内开展大型活动的期间内实行,在对样点分布进行调整时,优先选择下列各项中权重更高的样点:使位置靠近所述大型活动的样点的权重,高于位置远离所述大型活动的样点的权重;使信息化程度高、人流量稳定的样点的权重,高于信息化程度低、人流量不稳定的样点的权重;使人流量高、规模大的样点的权重,高于人流量低、规模小的样点的权重;
由不同种类的所述数据源各自对设定的症候群和症状进行监测,采集数据后上传至系统,由系统运行CuSum预警模型或时空扫描预警模型,并根据与这些症候群和症状相互对应的目标疾病及其风险程度,给出相应的分析及预警信号;
所述时空扫描预警模型中,令在设定空间位置和设定时间区域出现的总病例数为nG,总人口数为mG,预期病例数为μ(G);令扫描窗口Z内出现的病例数为nZ,mZ为扫描窗口Z中的人口数,μ(Z)为扫描窗口Z中预期病例数;
预期病例数的计算公式为:
μ(G)=∑μ(Z)
根据泊松模型,在总病例数nG条件下,计算似然比:
扫描统计量S为扫描窗口Z中观察数超过预期数的最大比值:
根据求得的观察值,对设定空间位置和设定时间区域是否存在病例聚集性进行判断。
2.如权利要求1所述大型活动中多源数据的传染病症状监测与预警方法,其特征在于:
所述方法中基于文献法、德尔菲法,先得出区域内备选的若干个目标疾病,再从目标疾病的严重程度和发生概率两个维度进行风险评估,得到各个目标疾病的风险程度等级;之后,对每个目标疾病的备选症候群及其相应症状进行分类和定义;再结合临床工作经验和可接受程度,将部分目标症状进行合并,最终确定了需要各类数据源对应监测的目标症状,还确定了目标症状与目标疾病的对应关系并发送至系统中用于分析及预警处理。
3.如权利要求2所述大型活动中多源数据的传染病症状监测与预警方法,其特征在于:
所述方法中对经由风险评估确定为流行水平非常低的症候群,进行绝对值方法预警,即,当各个监测点针对流行水平非常低的症候群上报的数量,达到系统设定的阈值时就发出预警信号。
4.如权利要求3所述大型活动中多源数据的传染病症状监测与预警方法,其特征在于:
所述数据源是医疗机构时,通过医院现有HIS系统中嵌入的症状监测模块进行数据采集,并在空闲时段通过医院的前置机发送至上级的卫生信息平台,再经由卫生信息平台与系统的接口,将采集的就诊患者的个人基本信息、症状信息及医生的诊疗信息,以及该监测点的识别信息传输至预警系统的数据库中进行后续分析。
5.如权利要求4所述大型活动中多源数据的传染病症状监测与预警方法,其特征在于:
所述数据源是学校及幼托机构时,通过教育部门现有的信息平台,至少针对因呼吸道、消化道、出疹这3种症候群缺勤、缺课的学生人数进行监测,并上报至预警系统的数据库中进行后续分析。
6.如权利要求5所述大型活动中多源数据的传染病症状监测与预警方法,其特征在于:
所述数据源是药店时,使用现有的药店药品销售管理装置,至少针对呼吸道和消化道症候群有关的药品的名称、规格、剂量及销量进行监测,导出销售报表并上报至预警系统的数据库中进行后续分析。
7.如权利要求5所述大型活动中多源数据的传染病症状监测与预警方法,其特征在于:
所述数据源是宾馆时,至少针对发热、腹泻、呕吐这3种症候群进行监测,将出现相应症状的人数上报至预警系统的数据库中进行后续分析。
8.如权利要求1所述大型活动中多源数据的传染病症状监测与预警方法,其特征在于:
所述方法中,在使用CuSum预警模型或时空扫描预警模型,对监测点采集的数据进行预警演算之前,基于历史监测数据和模拟的传染病暴发事件对两种预警模型的灵敏度、特异度、及时性、阳性预测值进行评价。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310028538.9A CN103093106B (zh) | 2013-01-25 | 2013-01-25 | 大型活动中多源数据的传染病症状监测与预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310028538.9A CN103093106B (zh) | 2013-01-25 | 2013-01-25 | 大型活动中多源数据的传染病症状监测与预警方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103093106A CN103093106A (zh) | 2013-05-08 |
CN103093106B true CN103093106B (zh) | 2016-03-23 |
Family
ID=48205665
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310028538.9A Active CN103093106B (zh) | 2013-01-25 | 2013-01-25 | 大型活动中多源数据的传染病症状监测与预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103093106B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106372425A (zh) * | 2016-08-31 | 2017-02-01 | 广东省疾病预防控制中心 | 一种基于症状比例r值的症状监测预警方法 |
Families Citing this family (38)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103793621A (zh) * | 2014-03-06 | 2014-05-14 | 上海市浦东新区疾病预防控制中心 | 一种腹泻病综合监测平台 |
CN106295137A (zh) * | 2016-07-29 | 2017-01-04 | 广州天健软件有限公司 | 一种区域性合理用药实时监测系统 |
CN107220482B (zh) * | 2017-05-09 | 2019-09-17 | 清华大学 | 呼吸道传染病风险评估系统及评估方法 |
CN107644673A (zh) * | 2017-09-18 | 2018-01-30 | 苏州市卫生计生统计信息中心 | 医院业务数据分布式实时采集系统及方法 |
CN108281198A (zh) * | 2017-12-19 | 2018-07-13 | 昆明理工大学 | 一种传染病前期预警的方法 |
CN108427709B (zh) * | 2018-01-25 | 2020-10-16 | 朗新科技集团股份有限公司 | 一种多源海量数据处理系统及方法 |
CN108198629B (zh) * | 2018-03-06 | 2022-10-14 | 云南省疾病预防控制中心 | 一种传染病跨境输入传播风险自动评估系统及方法 |
CN108447567B (zh) * | 2018-03-09 | 2021-09-17 | 中华人民共和国陕西出入境检验检疫局 | 一种机场口岸疾病防控系统的搭建方法 |
CN109326359A (zh) * | 2018-06-04 | 2019-02-12 | 昆明理工大学 | 一种基于时间序列的边境地区症状预警方法 |
TWI819049B (zh) * | 2018-08-02 | 2023-10-21 | 香港商布萊特臨床研究有限公司 | 對正在運行中的臨床試驗進行動態數據監測和實時優化的系統,方法及實施過程 |
CN109065158B (zh) * | 2018-08-22 | 2020-06-30 | 湖南德善信医药科技有限公司 | 大数据智能设备进行数据提取工作方法 |
CN109360659B (zh) * | 2018-08-30 | 2021-09-14 | 昆明理工大学 | 一种基于相对风险偏差和空间参量修正的时空扫描统计方法 |
CN109325523A (zh) * | 2018-08-30 | 2019-02-12 | 昆明理工大学 | 一种基于最大关联和风险偏差的不规则形状时空扫描聚类方法 |
CN109670541B (zh) * | 2018-12-07 | 2020-09-29 | 中国科学院软件研究所 | 一种基于空间聚合的蚊媒传染病发热人群范围标记方法 |
CN110532367A (zh) * | 2019-09-02 | 2019-12-03 | 广州市妇女儿童医疗中心 | 一种信息提示方法及系统 |
CN111403046B (zh) * | 2020-03-16 | 2024-05-14 | 湖北亲缘互联传承网络有限公司 | 一种早期发现公共卫生的监测跟踪及分级适配系统与方法 |
CN111341463B (zh) * | 2020-03-17 | 2023-08-15 | 腾讯科技(深圳)有限公司 | 疫情排查方法、装置、计算机设备和存储介质 |
CN111403048A (zh) * | 2020-03-18 | 2020-07-10 | 唐宓 | 一种未知传染病预警及追溯方法 |
CN111462920A (zh) * | 2020-05-24 | 2020-07-28 | 绍兴声科科技有限公司 | 用于监控传染疾病流行程度的声音监测方法及系统 |
CN112117010A (zh) * | 2020-07-13 | 2020-12-22 | 北京大瑞集思技术有限公司 | 一种传染病智能预警系统及管理平台 |
CN111885181B (zh) * | 2020-07-28 | 2023-02-28 | 平安科技(深圳)有限公司 | 监控数据上报方法、装置、计算机设备及存储介质 |
CN111681774B (zh) * | 2020-08-11 | 2020-11-27 | 南京云联数科科技有限公司 | 用于流行性传染病预测的方法、计算设备和介质 |
CN112466473A (zh) * | 2020-09-28 | 2021-03-09 | 北京左医科技有限公司 | 新发传染病自动预警方法及系统 |
CN112331358A (zh) * | 2020-10-27 | 2021-02-05 | 中德(珠海)人工智能研究院有限公司 | 基于三维建模的疾病监测方法、装置、设备和存储介质 |
CN112466476A (zh) * | 2020-12-17 | 2021-03-09 | 贝医信息科技(上海)有限公司 | 基于药品流向数据的流行病学趋势分析方法和装置 |
CN112863686B (zh) * | 2020-12-30 | 2023-07-25 | 华南师范大学 | 基于多源大数据的传染病协同监测方法和机器人 |
CN112908491A (zh) * | 2021-01-12 | 2021-06-04 | 刘清萍 | 不明原因疾病和异常健康事件早期监测预警方法及装置 |
CN112712903A (zh) * | 2021-01-15 | 2021-04-27 | 杭州中科先进技术研究院有限公司 | 一种基于人机物三元空间协同感知的传染病监测方法 |
CN112735598A (zh) * | 2021-01-21 | 2021-04-30 | 山东健康医疗大数据有限公司 | 一种对新冠疫情和呼吸道症候群进行分析预警的方法 |
CN112906953B (zh) * | 2021-02-04 | 2023-12-22 | 杭州涂鸦信息技术有限公司 | 人流量预测方法、装置、计算机设备和可读存储介质 |
CN113130085A (zh) * | 2021-03-25 | 2021-07-16 | 边缘智能研究院南京有限公司 | 一种基于大数据的5g智能感控预测系统 |
CN113299401B (zh) * | 2021-05-28 | 2023-04-07 | 平安科技(深圳)有限公司 | 传染病数据的传播监测方法、装置、计算机设备及介质 |
CN113538678A (zh) * | 2021-07-28 | 2021-10-22 | 视伴科技(北京)有限公司 | 一种确定潜在目标人的方法及装置 |
CN113409952B (zh) * | 2021-08-20 | 2021-11-26 | 苏州市疾病预防控制中心 | 多点触发视角下的传染病监测防控系统和方法 |
CN113707337B (zh) * | 2021-08-30 | 2024-05-10 | 平安科技(深圳)有限公司 | 基于多源数据的疾病预警方法、装置、设备及存储介质 |
CN114708985B (zh) * | 2022-03-14 | 2023-01-24 | 中国人民解放军总医院第八医学中心 | 呼吸道传染病预警方法及系统 |
CN115862897B (zh) * | 2023-02-21 | 2023-05-23 | 江西曼荼罗软件有限公司 | 一种基于临床数据的症候群监测方法及系统 |
CN117174332A (zh) * | 2023-05-25 | 2023-12-05 | 江苏瀚云医疗信息技术有限公司 | 一种基于多源数据的传染病监测预警系统及预警方法 |
-
2013
- 2013-01-25 CN CN201310028538.9A patent/CN103093106B/zh active Active
Non-Patent Citations (7)
Title |
---|
Modeling Spatial Means of Surfaces With Stratified Nonhomogeneity;Jin-FengWang et.al;《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》;20091231;第47卷(第12期);参见第1部分、第2部分和第4部分 * |
上海世博会期间浦东新区传染病症状监测预警系统的建立与分析;朱渭萍 等;《上海预防医学杂志》;20111231;第23卷(第12期);参见第1部分和第2部分 * |
世博期间上海市浦东新区医疗机构症状监测系统的建立与结果分析;朱渭萍 等;《中华疾病控制杂志》;20121130;第16卷(第11期);全文 * |
传染病时空模型预警技术评价研究;赖圣杰;《中国优秀硕士学位论文全文数据库》;20120215;第2012年卷(第2期);全文 * |
大型活动症状监测预警方法研究;叶楚楚;《中国优秀硕士学位论文全文数据库》;20120415;第2012年卷(第4期);参见摘要、"研究背景"、"资料与方法" * |
症状监测与预警系统建立及应用;孙乔 等;《预防医学情报杂志》;20120630;第28卷(第6期);全文 * |
症状监测在大型活动中的应用;叶楚楚 等;《现代预防医学》;20110131;第38卷(第1期);全文 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106372425A (zh) * | 2016-08-31 | 2017-02-01 | 广东省疾病预防控制中心 | 一种基于症状比例r值的症状监测预警方法 |
CN106372425B (zh) * | 2016-08-31 | 2019-02-12 | 广东省疾病预防控制中心 | 一种基于症状比例r值的症状监测预警方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103093106A (zh) | 2013-05-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103093106B (zh) | 大型活动中多源数据的传染病症状监测与预警方法 | |
Coulton et al. | Indicators of child well-being through a neighborhood lens | |
Deichmann | Geographic aspects of inequality and poverty | |
CN111403046A (zh) | 一种早期发现公共卫生的监测跟踪及分级适配系统与方法 | |
Labib et al. | Estimating multiple greenspace exposure types and their associations with neighbourhood premature mortality: A socioecological study | |
Smith et al. | Identifying populations and areas at greatest risk of household food insecurity in England | |
Evenden et al. | Improving the cost-effectiveness of Chlamydia screening with targeted screening strategies | |
Xiong et al. | Establishment of epidemic early warning index system and optimization of infectious disease model: Analysis on monitoring data of public health emergencies | |
Awini et al. | Spatial variations in childhood mortalities at the Dodowa Health and Demographic Surveillance System site of the INDEPTH Network in Ghana | |
Dong et al. | GPS Trajectory‐Based Spatio‐Temporal Variations of Traffic Accessibility under Public Health Emergency Consideration | |
Liu et al. | Quantifying COVID-19 recovery process from a human mobility perspective: An intra-city study in Wuhan | |
Parry et al. | Patient costs in anticoagulation management: a comparison of primary and secondary care. | |
Allen et al. | Correlates of complaints made to the Connecticut long-term care ombudsman program: The role of organizational and structural factors | |
Opare et al. | Improving surveillance for non-communicable diseases in the eastern region of Ghana-2011 | |
Scribner et al. | Geospatial methods for identification of core groups for HIV/AIDS | |
Siddique et al. | Using geographic information system to track children and optimize immunization coverage and equity in Karachi, Pakistan | |
CN114358461A (zh) | 基于多因子模型构建的风险预警系统及风险预警方法 | |
CN115036040A (zh) | 融合发热人数和人口背景数据的流行病疫情时空预警方法 | |
Fakhry et al. | Tracking coronavirus pandemic diseases using social media: a machine learning approach | |
Breathett et al. | Trends in early prenatal care among women with pre-existing diabetes: Have income disparities changed? | |
CN112086170A (zh) | 一种中医药大数据云服务平台的评价系统 | |
Liu et al. | Assessment of urban population health resilience guided by cardiovascular and cerebrovascular diseases: A case study of Henan Province | |
Ma et al. | Construction of Intelligent Health Management Cloud Platform Based on Big Data | |
Diggle et al. | Tracking health outcomes in space and time: Spatial and spatio-temporal methods | |
Ting et al. | Geospatial analytics for COVID-19 active case detection |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |