CN109166630A - 一种传染病数据监控处理方法和系统 - Google Patents
一种传染病数据监控处理方法和系统 Download PDFInfo
- Publication number
- CN109166630A CN109166630A CN201810879142.8A CN201810879142A CN109166630A CN 109166630 A CN109166630 A CN 109166630A CN 201810879142 A CN201810879142 A CN 201810879142A CN 109166630 A CN109166630 A CN 109166630A
- Authority
- CN
- China
- Prior art keywords
- individual
- risk
- outbreak
- infectious disease
- diseases
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/80—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for detecting, monitoring or modelling epidemics or pandemics, e.g. flu
Landscapes
- Public Health (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明公开了一种传染病数据监控处理方法和系统,通过获取特定传染病的数据信息;所述数据信息包括:健康档案中传染病爆发期内个体患病时间的历史数据;构建群体监控集合;基于个体患病时间的历史数据计算个体的个人风险指标,对所有个体进行由高到低的风险排序,顺序选取,每个监控集合包含N个个体,共构建M个监控组作为群体监控集合;当检测到任意一个监控组感染特定传染病的人口比例超过设定的预警值,则发出所述特定传染病的预警。本发明所提供的方法和系统,通过对历史数据进行分析,结合构建的分析指标模块,对传染病进行早期监控和预警,提高对传染病爆发的灵敏度,对传染病的防治提供了便利。
Description
技术领域
本发明涉及医疗技术领域中的数据分析,尤其涉及的是一种传染病数据监控处理方法和系统。
背景技术
随着21世纪新纪元的到来,交通越来越发达,人员流动性越来越大,许多新的传染病的发病人数不断成上升趋势,于是对传染病进行提前预防至关重要,提前预测传染病的发病情况,根据预测结果及时采取相关措施控制传染源,减少疫情波及的人数和范围,为大家提供给健康的生活一直都是需要解决的问题,但是现有技术中,还没有形成一套成熟的传染病预防系统。
因此,现有技术有待于进一步的改进。
发明内容
鉴于上述现有技术中的不足之处,本发明的目的在于为用户提供一种传染病数据监控处理方法和系统,克服现有技术中不能对传染病早期预警的缺陷。
本发明公开的第一实施例为一种传染病数据监控处理方法,其中,包括:
获取特定传染病的数据信息;所述数据信息包括:健康档案中与所述特定传染病具有相同或类似传染传播机理的所有疾病的传染病爆发期内个体患病时间的历史数据;
构建群体监控集合;所述群体监控集合的构建方法为:基于个体患病时间的历史数据计算个体的个人风险指标,对所有个体进行由高到低的风险排序,顺序选取,每个监控集合包含N个个体,共构建M个监控组作为群体监控集合;N和M均为大于2的自然数。
当检测到任意一个监控组感染特定传染病的人口比例超过设定的预警值f,则发出所述特定传染病的早期预警。
可选的,所述基于个体患病时间的历史数据计算个体的个人风险指标的步骤包括:
根据健康档案中传染病爆发期内个体患病时间的历史数据,得到估计个体风险指标:
其中,<F1 η>j∈[1,T]; 表示第i次传染病爆发历史中个体j最早被感染的时间,T为传染病的爆发周期,η为特定人群中传染病爆发历史观测结果中的发病次数,<F1 η>j分别为两种估计个体j的风险的指标。
可选的,所述步骤中基于个体患病时间的历史数据计算个体的个人风险指标的步骤包括:
根据健康档案中传染病爆发期内个体患病时间的历史数据,得到估计个体风险指标:
其中, 表示第i次传染病爆发历史中个体j最早被感染的时间,T为传染病的爆发周期,η为特定人群中传染病爆发历史观测结果中的发病次数,分别为两种估计个体j的风险的指标。
可选的,所述方法中针对人数为N的监控集合基于第k种风险指标的向量表示如下:
其中,k等于1或2,N表示风险指标向量的维度,同时也表示监控组中的人数。
可选的,η为5次,T为150天,利用<F1 η>j或进行个体感染风险的估计。
本发明公开的第二实施例为一种传染病数据监控处理系统,其中,包括:
数据收集模块,用于获取特定传染病的数据信息;所述数据信息包括:健康档案中与所述特定传染病具有相同或类似传染传播机理的所有疾病的个体健康档案中传染病爆发期内个体患病时间的历史数据;
监控集合构建模块,用于构建群体监控集合;所述群体监控集合的构建方法为:基于个体患病时间的历史数据,计算个体的个人风险指标,对所有个体进行由高到低的风险排序,顺序选取,每个监控集合包含N个个体,共构建M个监控组作为群体监控集合;
预警模块,用于当检测到任意一个监控组感染特定传染病的人口比例超过设定的预警值f,则发出所述特定传染病的早期预警。
可选的,所述监控集合构建模块包括:
第一风险指标构建单元,用于根据健康档案中传染病爆发期内个体患病时间的历史数据,得到估计个体风险指标:
其中,<F1 η>j∈[1,T];表示第i次传染病爆发历史中个体j最早被感染的时间,T为传染病的爆发周期,η为特定人群中传染病爆发历史观测结果中的发病次数,<F1 η>j分别为两种估计个体j的风险的指标。
可选的,所述监控集合构建模块包括:
第二风险指标构建单元,用于根据健康档案中传染病爆发期内个体患病时间的历史数据,得到估计个体风险指标:
其中, 表示第i次传染病爆发历史中个体j最早被感染的时间,T为传染病的爆发周期,η为特定人群中传染病爆发历史观测结果中的发病次数,分别为估计个体j的风险的指标。
可选的,所述η为5次,T为150天,利用<F1 η>j或进行个体感染风险的估计。
有益效果,本发明公开了一种传染病数据监控处理方法和系统,通过获取特定传染病的数据信息;所述数据信息包括:健康档案中与所述特定传染病具有相同或类似传染传播机理的所有疾病的传染病爆发期内个体患病时间的历史数据;构建群体监控集合;所述群体监控集合的构建方法为:基于个体患病时间的历史数据计算个体的个人风险指标,对所有个体进行由高到低的风险排序,顺序选取,每个监控集合包含N个个体,共构建M个监控组作为群体监控集合;当检测到任意一个监控组感染特定传染病的人口比例超过设定的预警值,则发出所述特定传染病的早期预警。本发明所提供的方法和系统,通过对历史数据进行分析,结合构建的分析指标模块,对传染病进行早期监控和预警,提高对传染病爆发的灵敏度,对传染病的防治提供了便利。
附图说明
图1是本发明所公开的一种传染病数据监控处理方法的步骤流程图;
图2是本发明所公开的传染病数据监控处理方法实例图;
图3是本发明所公开的传染病数据监控处理系统的原理结构图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚、明确,以下参照附图并举实施例对本发明进一步详细说明。应当理解,此处所描述的具体实施例仅仅用于解释本发明,并不用于限定本发明。
本发明公开的第一实施例为一种传染病数据监控处理方法,如图1所示,包括:
步骤S1、获取特定传染病的数据信息;所述数据信息包括:健康档案中与所述特定传染病具有相同或类似传染传播机理的所有疾病的传染病爆发期内个体患病时间的历史数据。
基于传染病的数据库中获取相应的传染病的数据信息,所述数据库也可以是存储的多个健康档案,也可以是其他可以收集到传染病情况的数据库中。从所述健康档案中获取与特定的传染病相同的或者传播机理相同的传染病爆发期内个体患病时间的历史数据。
步骤S2、构建群体监控集合;所述群体监控集合的构建方法为:基于个体患病时间的历史数据计算个体的个人风险指标,对所有个体进行由高到低的风险排序,顺序选取,每个监控集合包含N个个体,共构建M个监控组作为群体监控集合。
根据上述步骤S1中获取到的数据信息构建群体监控集合,所述监控集合的构建方法为:基于个体患病时间的历史数据计算个体的个人风险指标,根据个人风险指标对所有个体进行由高到低的风险排序。所述监控集合包含N个个体,共构建M个监控组作为群体监控集合。其中,N和M均为大于2的自然数。
步骤S3、当检测到任意一个监控组感染特定传染病的人口比例超过设定的预警值f,则发出所述特定传染病的早期预警。
对每个群体监控集合中传染病的感染人数进行检测,当检测到监控组中感染传染病的人数超过预设的预警数,则发出预警。可以想到的是所述预警可以通过语音形式,文字形式,提示音等多种方式中的一种或多种方式实现。
进一步的,所述基于个体患病时间的历史数据计算个体的个人风险指标的步骤包括:
根据健康档案中传染病爆发期内个体患病时间的历史数据,得到估计个体风险指标:
其中,<F1 η>j∈[1,T];表示第i次传染病爆发历史中个体j最早被感染的时间,T为传染病的爆发周期,η为特定人群中传染病爆发历史观测结果中的发病次数,<F1 η>j分别为两种估计个体j的风险的指标。
可选的,所述步骤中基于个体患病时间的历史数据计算个体的个人风险指标的步骤包括:
根据健康档案中传染病爆发期内个体患病时间的历史数据,得到估计个体风险指标:
其中, 表示第i次传染病爆发历史中个体j最早被感染的时间,T为传染病的爆发周期,η为特定人群中传染病爆发历史观测结果中的发病次数,分别为两种估计个体j的风险的指标。
进一步的,所述方法中针对人数为N的监控集合基于第k种风险指标的向量表示如下:
其中,k等于1或2,N表示风险指标向量的维度,同时也表示监控组中的人数。
较佳的,上述中的各个参数选择为:η为5次,T为150天,利用<F1 η>j或进行个体感染风险的估计。
下面以本发明的具体应用实施例为例,对本发明所公开的方法做更详细的说明。
以一种传染病举例,即只收集健康档案中一种传染病的相关数据,并且对其进行早期监控。假设健康档案中包含特定人群中η=5次传染病爆发历史观测结果,传染病的爆发周期为T=150天,每一天为一个时间单位,使用<F1 η>j估计个体j的感染风险。
传染病爆发历史观测结果通过模拟实验生成,具体实施时,可以通过以下方式实现。
首先使用无标度网络的Barabasi-Albert生成算法生成一个包含10000个个体的无标度网络,算法设置为网络初始规模为mB=3个体,以后每步增加一个新个体,连接到m=3个之前个体上。然后根据传染病经典SIR传播模型,在该网络上进行传染病模拟,每个节点有三种状态(S状态表示易感染并且缺乏免疫能力,与感染者接触后容易被感染;I状态表示感染,并且可以将传染病传染给S状态个体;R指恢复并且具有免疫力或者死亡)。
传染病SIR模型假设在单位时间内染病个体(记作I)随机选取所有状态的个体进行接触,其中接触到易感个体(记作S)后,易感个体会以一定概率转化为感染个体,感染风险由基本再生数(R0)刻画;感染个体并且以平均概率γ=1/7恢复并获得免疫能力。随机选择一个个体作为初始感染个体,在上述无尺度网络上,使用SIR传播模型模拟以天为单位的传染病传播。模拟次数为36次。以每六次为一组,前五次传染病模拟作为训练集,爆发的个体感染时间数据作为之后传染病爆发历史观测结果;第六次传染病作为测试集,测试早期预警策略的性能。使用<F1 η>j估计个体j的感染风险,即个体的平均感染时间。
基于个体感染风险进行由低到高的排序,以此选取1%的节点,即每个监控组包含N=100个人,共构建M=20个监控组作为群体监控组的集合。针对该特定传染病,若发现监控组集合中任意一个监控组感染该传染病的人口比例超过设定的预警值(通常在0%~100%的区间)f=1%,则发出该传染病的早期预警。
为了评估早期预警策略的性能,基于总人口中患病率达到一定比例人口时的时间点以及监控集合中患病率达到同样比例人口时的时间点,定义早期预警评价指标tearly warning,计算如下:
其中,表示总人口中患病率达到f人口时的时间点,表示监控集合中患病率达到f人口时的时间点。
如图2所示的,x轴为刻画传染病传播感染风险的基本再生数(R0);y轴为依据<F1 η>j计算得到的第100+1个监控组。例如y轴对应的数字0.1,代表第11个监控组。
统计多次模拟实验的平均tearly warning,即Early warning(Day)。由于该案例中设定监控集合中有M=20监控组。对于特定的具有R0特性的传染病,监控集合的平均tearly warning为前M=20监控组的平均tearly warning的最大值。例如R0=1.5,可以看到采用本发明的策略平均可以提前7天发出传染病的早期预警。
本发明公开的第二实施例为一种传染病数据监控处理系统30,如图3所示,包括:
数据收集模块310,用于获取特定传染病的数据信息;所述数据信息包括:健康档案中与所述特定传染病具有相同或类似传染传播机理的所有疾病的传染病爆发期内个体患病时间的历史数据;其功能如步骤S1所述。
监控集合构建模块320,用于构建群体监控集合;所述群体监控集合的构建方法为:基于个体患病时间的历史数据,计算个体的个人风险指标,对所有个体进行由高到低的风险排序,顺序选取,每个监控集合包含N个个体,共构建M个监控组作为群体监控集合;其功能如步骤S2所述。
预警模块330,用于当检测到任意一个监控组感染特定传染病的人口比例超过设定的预警值,则发出所述特定传染病的早期预警。其功能如步骤S3所述。
进一步的,所述监控集合构建模块320包括:
第一风险指标构建单元,用于根据健康档案中传染病爆发期内个体患病时间的历史数据,得到估计个体风险指标:
其中,<F1 η>j∈[1,T];表示第i次传染病爆发历史中个体j最早被感染的时间,T为传染病的爆发周期,η为特定人群中传染病爆发历史观测结果中的发病次数,<F1 η>j分别为两种估计个体j的风险的指标。
具体的,所述监控集合构建模块320包括:
第二风险指标构建单元,用于根据健康档案中传染病爆发期内个体患病时间的历史数据,得到估计个体风险指标:
其中, 表示第i次传染病爆发历史中个体j最早被感染的时间,T为传染病的爆发周期,η为特定人群中传染病爆发历史观测结果中的发病次数,分别为估计个体j的风险的指标。
较佳的,所述η为5次,T为150天,利用<F1 η>j或进行个体感染风险的估计。
本发明公开了一种传染病数据监控处理方法和系统,通过获取特定传染病的数据信息;所述数据信息包括:健康档案中与所述特定传染病具有相同或类似传染传播机理的所有疾病的传染病爆发期内个体患病时间的历史数据;构建群体监控集合;所述群体监控集合的构建方法为:基于个体患病时间的历史数据计算个体的个人风险指标,对所有个体进行由高到低的风险排序,顺序选取,每个监控集合包含N个个体,共构建M个监控组作为群体监控集合;当检测到任意一个监控组感染特定传染病的人口比例超过设定的预警值,则发出所述特定传染病的早期预警。本发明所提供的方法和系统,通过对历史数据进行分析,结合构建的分析指标模块,对传染病进行早期监控和预警,提高对传染病爆发的灵敏度,对传染病的防治提供了便利。
可以理解的是,对本领域普通技术人员来说,可以根据本发明的技术方案及其发明构思加以等同替换或改变,而所有这些改变或替换都应属于本发明所附的权利要求的保护范围。
Claims (9)
1.一种传染病数据监控处理方法,其特征在于,包括:
获取特定传染病的数据信息;所述数据信息包括:健康档案中与所述特定传染病具有相同或类似传染传播机理的所有疾病的个体健康档案中传染病爆发期内个体患病时间的历史数据;
构建群体监控集合;所述群体监控集合的构建方法为:基于个体患病时间的历史数据计算个体的个人风险指标,对所有个体进行由高到低的风险排序,顺序选取,每个监控集合包含N个个体,共构建M个监控组作为群体监控集合;N和M均为大于2的自然数;
当检测到任意一个监控组感染特定传染病的人口比例超过设定的预警值,则输出所述特定传染病的早期预警。
2.根据权利要求1所述的传染病数据监控处理方法,其特征在于,所述基于个体患病时间的历史数据计算个体的个人风险指标的步骤包括:
根据健康档案中传染病爆发期内个体患病时间的历史数据得到估计个体风险指标:
其中, 表示第i次传染病爆发历史中个体j最早被感染的时间,T为传染病的爆发周期,η为特定人群中传染病爆发历史观测结果中的发病次数,分别为两种估计个体j的风险的指标。
3.根据权利要求1所述的传染病数据监控处理方法,其特征在于,所述步骤中基于个体患病时间的历史数据计算个体的个人风险指标的步骤包括:
根据健康档案中传染病爆发期内个体患病时间的历史数据,得到估计个体风险指标:
其中, 表示第i次传染病爆发历史中个体j最早被感染的时间,T为传染病的爆发周期,η为特定人群中传染病爆发历史观测结果中的发病次数,分别为两种估计个体j的风险指标。
4.根据权利要求1所述的传染病数据监控处理方法,其特征在于,所述方法中针对人数为N的监控集合基于第k种风险指标的向量表示如下:
其中,k等于1或2,N表示风险指标向量的维度,同时也表示监控组中的人数。
5.根据权利要求2或3所述的传染病数据监控处理方法,其特征在于,η为5次,T为150天,利用或进行个体感染风险的估计。
6.一种传染病数据监控处理系统,其特征在于,包括:
数据收集模块,用于获取特定传染病的数据信息;所述数据信息包括:健康档案中与所述特定传染病具有相同或类似传染传播机理的所有疾病的个体健康档案中传染病爆发期内个体患病时间的历史数据;
监控集合构建模块,用于构建群体监控集合;所述群体监控集合的构建方法为:基于个体患病时间的历史数据,计算个体的个人风险指标,对所有个体进行由高到低的风险排序,顺序选取,每个监控集合包含N个个体,共构建M个监控组作为群体监控集合;
预警模块,用于当检测到任意一个监控组感染特定传染病的人口比例超过设定的预警值f,则发出所述特定传染病的早期预警。
7.根据权利要求6所述的传染病数据监控处理系统,其特征在于,所述监控集合构建模块包括:
第一风险指标构建单元,用于根据健康档案中传染病爆发期内个体患病时间的历史数据,得到估计个体风险指标:
其中, 表示第i次传染病爆发历史中个体j最早被感染的时间,T为传染病的爆发周期,η为特定人群中传染病爆发历史观测结果中的发病次数,分别为两种估计个体j的风险的指标。
8.根据权利要求6所述的传染病数据监控处理系统,其特征在于,所述监控集合构建模块包括:
第二风险指标构建单元,用于根据健康档案中传染病爆发期内个体患病时间的历史数据,得到估计个体风险指标:
其中, 表示第i次传染病爆发历史中个体j最早被感染的时间,T为传染病的爆发周期,η为特定人群中传染病爆发历史观测结果中的发病次数,分别为估计个体j的风险的指标。
9.根据权利要求7或8所述的传染病数据监控处理系统,其特征在于,所述η为5次,T为150天,利用或进行个体感染风险的估计。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810879142.8A CN109166630B (zh) | 2018-08-03 | 2018-08-03 | 一种传染病数据监控处理方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810879142.8A CN109166630B (zh) | 2018-08-03 | 2018-08-03 | 一种传染病数据监控处理方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109166630A true CN109166630A (zh) | 2019-01-08 |
CN109166630B CN109166630B (zh) | 2021-11-23 |
Family
ID=64898908
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810879142.8A Active CN109166630B (zh) | 2018-08-03 | 2018-08-03 | 一种传染病数据监控处理方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109166630B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110926655A (zh) * | 2020-02-17 | 2020-03-27 | 深圳市刷新智能电子有限公司 | 基于可穿戴体温传感器的疫情监控方法和系统 |
CN111161872A (zh) * | 2019-12-03 | 2020-05-15 | 王洁 | 一种儿童健康智能管理系统 |
CN111403051A (zh) * | 2020-04-08 | 2020-07-10 | 医渡云(北京)技术有限公司 | 基于周期预测疫情发病人数的方法及装置、设备和介质 |
CN111885181A (zh) * | 2020-07-28 | 2020-11-03 | 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 |
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 |
CN112270999A (zh) * | 2020-10-02 | 2021-01-26 | 孙炜 | 一种基于大数据和人工智能的流行病早期发现系统和方法 |
CN112365994A (zh) * | 2020-10-23 | 2021-02-12 | 杜占玮 | 一种传染病数据监控处理方法、系统及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN201607734U (zh) * | 2010-01-26 | 2010-10-13 | 上海市长宁区疾病预防控制中心 | 传染性疾病症状监测系统、医院信息his系统 |
CN102073783A (zh) * | 2009-11-20 | 2011-05-25 | 朗迅壹科技有限公司 | 预见人群中的疫情的方法及其系统 |
US20130278414A1 (en) * | 2012-04-18 | 2013-10-24 | Qualcomm Incorporated | Biometric attribute anomoly detection system with adjusting notifications |
-
2018
- 2018-08-03 CN CN201810879142.8A patent/CN109166630B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102073783A (zh) * | 2009-11-20 | 2011-05-25 | 朗迅壹科技有限公司 | 预见人群中的疫情的方法及其系统 |
CN201607734U (zh) * | 2010-01-26 | 2010-10-13 | 上海市长宁区疾病预防控制中心 | 传染性疾病症状监测系统、医院信息his系统 |
US20130278414A1 (en) * | 2012-04-18 | 2013-10-24 | Qualcomm Incorporated | Biometric attribute anomoly detection system with adjusting notifications |
Non-Patent Citations (1)
Title |
---|
杨博 等: "基于自治计算的流行病传播网络建模与推断", 《软件学报》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111161872A (zh) * | 2019-12-03 | 2020-05-15 | 王洁 | 一种儿童健康智能管理系统 |
CN111161872B (zh) * | 2019-12-03 | 2022-08-23 | 王洁 | 一种儿童健康智能管理系统 |
CN110926655A (zh) * | 2020-02-17 | 2020-03-27 | 深圳市刷新智能电子有限公司 | 基于可穿戴体温传感器的疫情监控方法和系统 |
CN111403051A (zh) * | 2020-04-08 | 2020-07-10 | 医渡云(北京)技术有限公司 | 基于周期预测疫情发病人数的方法及装置、设备和介质 |
CN111403051B (zh) * | 2020-04-08 | 2022-04-22 | 医渡云(北京)技术有限公司 | 基于周期预测疫情发病人数的方法及装置、设备和介质 |
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 |
CN111885181A (zh) * | 2020-07-28 | 2020-11-03 | 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 |
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 |
CN112270999A (zh) * | 2020-10-02 | 2021-01-26 | 孙炜 | 一种基于大数据和人工智能的流行病早期发现系统和方法 |
CN112270999B (zh) * | 2020-10-02 | 2022-10-11 | 孙炜 | 一种基于大数据和人工智能的流行病早期发现系统和方法 |
CN112365994A (zh) * | 2020-10-23 | 2021-02-12 | 杜占玮 | 一种传染病数据监控处理方法、系统及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109166630B (zh) | 2021-11-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109166630A (zh) | 一种传染病数据监控处理方法和系统 | |
Karako et al. | Analysis of COVID-19 infection spread in Japan based on stochastic transition model | |
Nishiura et al. | The effective reproduction number as a prelude to statistical estimation of time-dependent epidemic trends | |
CN105141598B (zh) | 基于恶意域名检测的apt攻击检测方法及装置 | |
Fast et al. | The role of social mobilization in controlling Ebola virus in Lofa County, Liberia | |
Manitz et al. | Bayesian outbreak detection algorithm for monitoring reported cases of campylobacteriosis in Germany | |
Zhang et al. | COVID-19 infection and recovery in various countries: Modeling the dynamics and evaluating the non-pharmaceutical mitigation scenarios | |
CN106209457A (zh) | 应对智能家居环境中旁路攻击的隐私保护方法及系统 | |
CN109361728B (zh) | 一种基于多源传感数据关联度的分级事件报告系统及方法 | |
CN109190375B (zh) | 分析恶意程序传播规律的方程组及恶意程序扩散预测方法 | |
Treibert et al. | A nonstandard finite difference scheme for the SVICDR model to predict COVID-19 dynamics | |
Volz | Fitness, growth and transmissibility of SARS-CoV-2 genetic variants | |
Hinckley et al. | Transmission dynamics of primary pneumonic plague in the USA | |
Xu et al. | Green social CPS based e-healthcare systems to control the spread of infectious diseases | |
CN115865708B (zh) | 一种基于sir-d模型的复杂社交网络信息处置方法 | |
KR101752462B1 (ko) | 식중독 예측 방법 | |
Guo et al. | Discrete epidemic modelling of COVID-19 transmission in Shaanxi Province with media reporting and imported cases | |
Orkis et al. | Simulation of Legionnaires’ disease prospective spatiotemporal cluster detection, Allegheny County, Pennsylvania, USA | |
CN112365994A (zh) | 一种传染病数据监控处理方法、系统及存储介质 | |
Shi et al. | Modeling a stochastic avian influenza model under regime switching and with human-to-human transmission | |
Cetiner et al. | Recognition of dengue disease patterns using artificial neural networks | |
Augustine et al. | Economy versus disease spread: Reopening mechanisms for covid 19 | |
Shaban et al. | Networks, epidemics and vaccination through contact tracing | |
Diah et al. | A comparison of four disease mapping techniques as applied to TB diseases in Malaysia | |
CN112185583B (zh) | 一种基于贝叶斯网络的数据挖掘检疫方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |