CN108198627A - 一种基于潜伏期传染病预警的方法 - Google Patents
一种基于潜伏期传染病预警的方法 Download PDFInfo
- Publication number
- CN108198627A CN108198627A CN201711379605.6A CN201711379605A CN108198627A CN 108198627 A CN108198627 A CN 108198627A CN 201711379605 A CN201711379605 A CN 201711379605A CN 108198627 A CN108198627 A CN 108198627A
- Authority
- CN
- China
- Prior art keywords
- infectious disease
- baseline
- disease incidence
- early warning
- window
- 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.)
- Pending
Links
- 208000035473 Communicable disease Diseases 0.000 title claims abstract description 96
- 208000015181 infectious disease Diseases 0.000 title claims abstract description 96
- 238000011534 incubation Methods 0.000 title claims abstract description 26
- 238000000034 method Methods 0.000 title claims abstract description 12
- 238000012887 quadratic function Methods 0.000 claims abstract description 5
- 201000010099 disease Diseases 0.000 claims description 10
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 10
- 238000007405 data analysis Methods 0.000 abstract description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 206010022000 influenza Diseases 0.000 description 1
- 244000144972 livestock Species 0.000 description 1
Landscapes
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明涉及一种基于潜伏期传染病预警的方法,属于大数据分析技术领域。首先建立传染病发病量信息数据库,再设置基线窗口,在基线窗口中对传染病发病量数据进行去虚假性处理,即对原始传染病发病量数据数据添加一个二次函数式权值得到上抛物线式的期望传染病发病量数据,在基线窗口中计算基线水平值,计算预警统计值即计算原始传染病发病值与基线水平量之间的偏移量,最后判定是否超过阈值,进行预警。本发明利用二次函数式对原始传染病发病量数据进行加权处理得到实际的无潜伏期传染病发病量数据,让预警更贴近实际,更准确。
Description
技术领域
本发明涉及一种基于潜伏期传染病预警的方法,属于大数据分析技术领域。
背景技术
现代社会人类的生活水平不断提高,人们对身体健康和疾病的的关注也日益增强,然而在庞大的社会体系下,人类与万物息息相关,各类传染病不仅在人与人之间传播感染,也会通过牲畜、禽类传染到人群中,这一系列原因导致了传染病发病率不断地增长,种类越来越复杂,于是,提前预知疾病的爆发至关重要,致使其成为保障我们的健康生活的一个必备技能,在疾病到来前做好防护措施,减弱疾病的传播速率,及时的控制疫情的发展,为大家创建一个健康,安全的胜过环境。
发明内容
本发明要解决的技术问题是提供一种基于潜伏期传染病预警的方法,用来进行小范围的传染病前期预测,对潜伏的爆发量进行挖掘进而对传染病进行更加精确的预测。
本发明的技术方案是:一种基于潜伏期传染病预警的方法,首先建立传染病发病量信息数据库,再设置基线窗口,在基线窗口中对传染病发病量数据进行去虚假性处理,即对原始传染病发病量数据数据添加一个二次函数式权值得到上抛物线式的期望传染病发病量数据,在基线窗口中计算基线水平值,计算预警统计值即计算原始传染病发病值与基线水平量之间的偏移量,最后判定是否超过阈值,进行预警;
具体步骤为:
Step1:建立传染病发病量的数据库:收集某地区某一段时间内传染病的爆发量建立出以时间为轴的传染病信息表,传染病信息表包括编号、病种、发生时间、发病数量;
Step2:设置基线窗口:基于不同的传染病潜伏期不一致,大多传染病的潜伏期在一周以内,部分传染病的潜伏期在两周内或者多至一个月,于是本发明中规定将基线窗口设置为7天,设第t天为基线窗口的标准,依次向前移动6天得到一个星期的传染病发病数量,在基线窗口中的每天的发病量依次为yt-6,yt-5,yt-4,yt-3,yt-2,yt-1,yt(t≥7),窗口在不断地移动。
Step3:数据去潜伏期处理:假设某地区时间i内观测到的传染病发病数量依次为遵从独立的N(0,1)同分布,在以第t天为基准的基线窗口中,给每天的实际发病数量一个权重的到新的发病数量,累加新的发病数量即可得到预期的第t天的传染病发病数量,不断移动基线窗口,依次得到每天的预期传染病发病数量为也遵从独立的N(0,1)同分布,在基线窗口中权重的大小遵从上抛物线式规则;
Step4:基线水平计算:利用Step3中得到期望的每天发病数量在Step2中设定的基线窗口中整理后即可得到期望的传染病发病数量为m,t-6,m,t-5,m,,t-4,m,t-3,m,t-2,m,t-1,m,t,(t≥7),每个基线窗口中都能得到一个相应的均值μ和标准差σ。
Step5:预警统计量计算:基于基线窗口中求得传染病发病数量的基线水平值,比较原始数据与基线水平之间的偏移量,得到一个新的统计量S,规定该统计量为正数,当为负数时视为无效数据;
Step6:判定该天是否预警:根据step4中计算出的基线水平值σ设定一个门限值kσ,当统计量S≥kσ时,改天作为关注对象,发出预警信号。
所述步骤step3中,对原始数据进行权重处理计算期望发病值的公式为:
其中,n为整数,a为权值参数,yt-n表示第t-n天观察到的传染病发病量。
所述步骤step4的计算基线水平值得公式为:
其中,m,t-6,m,t-5,m,,t-4,m,t-3,m,t-2,m,t-1,m,t;m't-n为设定的基线窗口中整理后得到期望的传染病发病数量。
所述步骤step5中计算预警统计值得公式为:
S=max(0,yt-μ),(t≥7)
其中,yt为第t天观察到的传染病发病量,μ、σ分别为step4中基线均值、标准差值。
本发明的有益效果是:本发明考虑了传染病在爆发前期具有一段潜伏期,大大的干扰了对传染病预警的准确率,在对传染病近期发生的数量上进行一个去伪性的处理得到一个新的更有可靠性的无潜伏期传染病发病量,基于这些新的无潜伏期传染病得到更精确的基线水平,让最后的统计量贴近实际传染病爆发的规则,预警的效果更好,更精确。
附图说明
图1是本发明步骤流程图;
图2是本发明step1中建立的原始数据库图;
图3是本发明step2设置的基线窗口图;
图4是本发明step3中的期望传染病发病量图。
具体实施方式
下面结合附图和具体实施方式,对本发明作进一步说明。
实施例1:一种基于潜伏期传染病预警的方法,首先建立传染病发病量信息数据库,再设置基线窗口,在基线窗口中对传染病发病量数据进行去虚假性处理,即对原始传染病发病量数据数据添加一个二次函数式权值得到上抛物线式的期望传染病发病量数据,在基线窗口中计算基线水平值,计算预警统计值即计算原始传染病发病值与基线水平量之间的偏移量,最后判定是否超过阈值,进行预警;
具体步骤为:
Step1:建立传染病发病量的数据库:收集某地区某一段时间内传染病的爆发量建立出以时间为轴的传染病信息表,传染病信息表包括编号、病种、发生时间、发病数量;
Step2:设置基线窗口:将基线窗口设置为7天,设第t天为基线窗口的标准,依次向前移动6天得到一个星期的传染病发病数量,在基线窗口中的每天的发病量依次为yt-6,yt-5,yt-4,yt-3,yt-2,yt-1,yt(t≥7);
Step3:数据去潜伏期处理:假设某地区时间i内观测到的传染病发病数量依次为遵从独立的N(0,1)同分布,在以第t天为基准的基线窗口中,给每天的实际发病数量一个权重的到新的发病数量,累加新的发病数量即可得到预期的第t天的传染病发病数量,不断移动基线窗口,依次得到每天的预期传染病发病数量为也遵从独立的N(0,1)同分布,在基线窗口中权重的大小遵从上抛物线式规则;
Step4:基线水平计算:利用Step3中得到期望的每天发病数量在Step2中设定的基线窗口中整理后即可得到期望的传染病发病数量为m,t-6,m,t-5,m,,t-4,m,t-3,m,t-2,m,t-1,m,t,(t≥7),每个基线窗口中都能得到一个相应的均值μ和标准差σ。
Step5:预警统计量计算:基于基线窗口中求得传染病发病数量的基线水平值,比较原始数据与基线水平之间的偏移量,得到一个新的统计量S,规定该统计量为正数,当为负数时视为无效数据;
Step6:判定该天是否预警:根据step4中计算出的基线水平值σ设定一个门限值kσ,当统计量S≥kσ时,发出预警信号。
所述步骤step3中,对原始数据进行权重处理计算期望发病值的公式为:
其中,n为整数,a为权值参数,yt-n表示第t-n天观察到的传染病发病量。
所述步骤step4的计算基线水平值得公式为:
其中,m,t-6,m,t-5,m,,t-4,m,t-3,m,t-2,m,t-1,m,t;m't-n为设定的基线窗口中整理后得到期望的传染病发病数量。
所述步骤step5中计算预警统计值得公式为:
S=max(0,yt-μ),(t≥7)
其中,yt为第t天观察到的传染病发病量,μ、σ分别为step4中基线均值、标准差值。
实施例2:如图1-4所示,一种基于潜伏期传染病预警的方法,具体步骤为:
Step1:获取某地区8月份的流感发病的病历表建立以时间为轴的数据库,数据库信息表包括:病种,编号,发病时间,发病数量。
Step2:设置基线窗口:基于不同的传染病潜伏期不一致,大多传染病的潜伏期在一周以内,部分传染病的潜伏期在两周内或者多至一个月,于是本发明中规定把基线窗口设置7天,设第t天为基线窗口的标准,依次向前移动6天得到一个星期的传染病发病数量,于是在基线窗口中的发病数量依次为yt-6,yt-5,yt-4,yt-3,yt-2,yt-1,yt(t≥7)。即如图从8月7号开始以当天为准,往前倒退6天从8月1号到8月7号为一个基线窗口,窗口中的传染病发病量为y1,y2,y3,y4,y5,y6,y7,以此类推8月2号到8月8为一个基线窗口,窗口中传染病发病量为y2,y3,y4,y5,y6,y7,y7,......,8月25号到8月31号为一个基线窗口,窗口中的传染病发病量为y25,y26,y27,y28,y29,y30,y31。
Step3:数据去潜伏期处理:在基线窗口中,给每天的实际发病数一个权重的到新的发病量,累加新的每天发病数量即可得到预期的传染病发病数量 即在每个基线窗口中利用上述步骤中的公式其中n为整数,a为权值参数,yt-n表示第t-n天观察到的传染病发病量,a取0.3便依次可得到期望的传染病发病量数据
Step4:基线水平计算:在Step3中得到期望的每天发病数在Step2中设定的期限窗口中就依次得到期望的传染病发病数m,t-6,m,t-5,m,,t-4,m,t-3,m,t-2,m,t-1,m,t,(t≥7),在step2中分出的每个基线窗口中带入下列即可公式算出所需的基线水平值;
Step5:预警统计量计算:基于基线窗口中求得传染病发病量的基线水平值,利用公式S=max(0,yt-μ),(t≥7)得出预警统计值。
Step6:判定该天是否预警:根据step4中计算出的基线水平值σ设定一个门限kσ,当统计量S≥kσ时,该天作为关注对象,发出预警信号,提示相关部门实施具体措施。
以上结合附图对本发明的具体实施方式作了详细说明,但是本发明并不限于上述实施方式,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下作出各种变化。
Claims (4)
1.一种基于潜伏期传染病预警的方法,其特征在于:首先建立传染病发病量信息数据库,再设置基线窗口,在基线窗口中对传染病发病量数据进行去虚假性处理,即对原始传染病发病量数据数据添加一个二次函数式权值得到上抛物线式的期望传染病发病量数据,在基线窗口中计算基线水平值,计算预警统计值即计算原始传染病发病值与基线水平量之间的偏移量,最后判定是否超过阈值,进行预警;
具体步骤为:
Step1:建立传染病发病量的数据库:收集某地区某一段时间内传染病的爆发量建立出以时间为轴的传染病信息表,传染病信息表包括编号、病种、发生时间、发病数量;
Step2:设置基线窗口:将基线窗口设置为7天,设第t天为基线窗口的标准,依次向前移动6天得到一个星期的传染病发病数量,在基线窗口中的每天的发病量依次为yt-6,yt-5,yt-4,yt-3,yt-2,yt-1,yt(t≥7);
Step3:数据去潜伏期处理:假设某地区时间i内观测到的传染病发病数量依次为遵从独立的N(0,1)同分布,在以第t天为基准的基线窗口中,给每天的实际发病数量一个权重的到新的发病数量,累加新的发病数量即可得到预期的第t天的传染病发病数量,不断移动基线窗口,依次得到每天的预期传染病发病数量为也遵从独立的N(0,1)同分布,在基线窗口中权重的大小遵从上抛物线式规则;
Step4:基线水平计算:利用Step3中得到期望的每天发病数量在Step2中设定的基线窗口中整理后即可得到期望的传染病发病数量为m,t-6,m,t-5,m,,t-4,m,t-3,m,t-2,m,t-1,m,t,(t≥7),每个基线窗口中都能得到一个相应的均值μ和标准差σ。
Step5:预警统计量计算:基于基线窗口中求得传染病发病数量的基线水平值,比较原始数据与基线水平之间的偏移量,得到一个新的统计量S,规定该统计量为正数,当为负数时视为无效数据;
Step6:判定该天是否预警:根据step4中计算出的基线水平值σ设定一个门限值kσ,当统计量S≥kσ时,发出预警信号。
2.根据权利要求1所述的基于潜伏期传染病预警的方法,其特征在于:所述步骤step3中,对原始数据进行权重处理计算期望发病值的公式为:
其中,n为整数,a为权值参数,yt-n表示第t-n天观察到的传染病发病量。
3.根据权利要求1所述的基于潜伏期传染病预警的方法,其特征在于:所述步骤step4的计算基线水平值得公式为:
其中,m,t-6,m,t-5,m,,t-4,m,t-3,m,t-2,m,t-1,m,t;m't-n为设定的基线窗口中整理后得到期望的传染病发病数量。
4.根据权利要求1所述的基于潜伏期传染病预警的方法,其特征在于:所述步骤step5中计算预警统计值得公式为:
S=max(0,yt-μ),(t≥7)
其中,yt为第t天观察到的传染病发病量,μ、σ分别为step4中基线均值、标准差值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711379605.6A CN108198627A (zh) | 2017-12-20 | 2017-12-20 | 一种基于潜伏期传染病预警的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711379605.6A CN108198627A (zh) | 2017-12-20 | 2017-12-20 | 一种基于潜伏期传染病预警的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108198627A true CN108198627A (zh) | 2018-06-22 |
Family
ID=62577068
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711379605.6A Pending CN108198627A (zh) | 2017-12-20 | 2017-12-20 | 一种基于潜伏期传染病预警的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108198627A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109003681A (zh) * | 2018-08-21 | 2018-12-14 | 昆明理工大学 | 一种基于指数加权移动平均的症状相关性预警算法 |
CN109378069A (zh) * | 2018-08-28 | 2019-02-22 | 昆明理工大学 | 一种基于疾病症状相关性的预警方法 |
CN109767843A (zh) * | 2019-01-18 | 2019-05-17 | 四川大学 | 基于智能合约的传染病预警方法及传染病数据区块链系统 |
WO2021212670A1 (zh) * | 2020-04-21 | 2021-10-28 | 香港理工大学深圳研究院 | 新发传染病发病风险预测方法、装置、终端设备及介质 |
-
2017
- 2017-12-20 CN CN201711379605.6A patent/CN108198627A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109003681A (zh) * | 2018-08-21 | 2018-12-14 | 昆明理工大学 | 一种基于指数加权移动平均的症状相关性预警算法 |
CN109003681B (zh) * | 2018-08-21 | 2022-02-08 | 昆明理工大学 | 一种基于指数加权移动平均的症状相关性预警方法 |
CN109378069A (zh) * | 2018-08-28 | 2019-02-22 | 昆明理工大学 | 一种基于疾病症状相关性的预警方法 |
CN109767843A (zh) * | 2019-01-18 | 2019-05-17 | 四川大学 | 基于智能合约的传染病预警方法及传染病数据区块链系统 |
WO2021212670A1 (zh) * | 2020-04-21 | 2021-10-28 | 香港理工大学深圳研究院 | 新发传染病发病风险预测方法、装置、终端设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108198627A (zh) | 一种基于潜伏期传染病预警的方法 | |
CN110832511B (zh) | 具有数据相关可用性的分布式设备上学习的系统和方法 | |
Roberts et al. | Early estimation of the reproduction number in the presence of imported cases: pandemic influenza H1N1-2009 in New Zealand | |
Siniff et al. | A simulation model of animal movement patterns | |
Bischof et al. | Consequences of ignoring group association in spatial capture–recapture analysis | |
TW201835789A (zh) | 評分模型的建立、用戶信用的評估方法及裝置 | |
CN111564221B (zh) | 一种由统计数据驱动的传染病疫情预测方法 | |
JP2020525872A (ja) | インフルエンザ予測モデルの生成方法、装置及びコンピュータ可読記憶媒体 | |
Unwin et al. | Using Hawkes Processes to model imported and local malaria cases in near-elimination settings | |
CN112435759A (zh) | 疫情数据预测方法及装置、电子设备和存储介质 | |
Maier et al. | Bayesian data assimilation to support informed decision making in individualized chemotherapy | |
Gibson et al. | Real-time mechanistic bayesian forecasts of covid-19 mortality | |
Bai et al. | Non-stationary spatio-temporal modeling of COVID-19 progression in the US | |
CN108281198A (zh) | 一种传染病前期预警的方法 | |
Rihan et al. | Numerical modelling of biological systems with memory using delay differential equations | |
Li et al. | Applying particle filtering in both aggregated and age-structured population compartmental models of pre-vaccination measles | |
Elser et al. | The economics of a successful raccoon rabies elimination program on Long Island, New York | |
Roy et al. | Recent advances in modeling and control of epidemics using a mean field approach | |
López et al. | Characterizing two outbreak waves of COVID-19 in Spain using phenomenological epidemic modelling | |
Cerritelli et al. | Simpler methods can outperform more sophisticated ones when assessing bird migration starting date | |
CN112349426A (zh) | 一种对未知新型病毒发展趋势的预测方法 | |
CN114830116A (zh) | 状况归属期间维护隐私 | |
Maier et al. | Modeling the impact of the Omicron infection wave in Germany | |
KR20130089801A (ko) | 가축질병 예찰 시스템 및 방법 | |
Wang et al. | Modeling and forecasting COVID-19 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180622 |
|
RJ01 | Rejection of invention patent application after publication |