CN110459329B - 一种登革热风险综合评估方法 - Google Patents

一种登革热风险综合评估方法 Download PDF

Info

Publication number
CN110459329B
CN110459329B CN201910622205.6A CN201910622205A CN110459329B CN 110459329 B CN110459329 B CN 110459329B CN 201910622205 A CN201910622205 A CN 201910622205A CN 110459329 B CN110459329 B CN 110459329B
Authority
CN
China
Prior art keywords
risk
data
dengue fever
dengue
cases
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
Application number
CN201910622205.6A
Other languages
English (en)
Other versions
CN110459329A (zh
Inventor
马文军
刘涛
肖建鹏
黄宇琳
张兵
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
GUANGDONG PROVINCIAL INSTITUTE OF PUBLIC HEALTH
Original Assignee
GUANGDONG PROVINCIAL INSTITUTE OF PUBLIC HEALTH
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by GUANGDONG PROVINCIAL INSTITUTE OF PUBLIC HEALTH filed Critical GUANGDONG PROVINCIAL INSTITUTE OF PUBLIC HEALTH
Priority to CN201910622205.6A priority Critical patent/CN110459329B/zh
Publication of CN110459329A publication Critical patent/CN110459329A/zh
Application granted granted Critical
Publication of CN110459329B publication Critical patent/CN110459329B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G16INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16HHEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • GPHYSICS
    • G16INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16HHEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/80ICT 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
    • YGENERAL 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
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02ATECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种登革热风险综合评估方法,收集登革热病例数据、蚊媒数据、气象数据、地图数据、环境因素数据、社会经济数据、人口学数据及周边国家或地区疫情资料;计算基础风险值、近期风险值和未来预测风险值,并确定这三个风险值的权重系数;构建综合评估方法,计算登革热风险总值;参考气象灾害等级预警,对登革热风险评估风险总值进行分级;基于广义相加模型,可利用平滑函数对变量实现非线性处理;综合考虑了气象因素、登革热病例数以及蚊媒因素等变量,包含了更多发病相关的信息;结合三种风险值构建登革热风险评估模型,从多角度识别登革热的流行风险,全面考虑多方面因素对登革热流行的影响,有效提高了登革热风险评估的准确性。

Description

一种登革热风险综合评估方法
技术领域
本发明涉及传染病风险评估方法领域,尤其涉及的是一种登革热风险综合评估方法。
背景技术
登革热是由登革病毒引起的急性传染病,主要通过埃及伊蚊或白纹伊蚊叮咬传播;全世界每年约有3.9亿人感染登革热;过去五十年以来,全球范围内的登革热发病率增长了30余倍,累及东南亚,美洲,西太平洋和非洲区域等100多个国家;登革热具有传播迅猛、发病率高、人群普遍易感、重症类型死亡率高等特点,已成为全球主要的公共卫生问题之一;因此,如何科学构建登革热风险评估模型,提前预知未来月份的发病风险值,将可对未来开展登革热防控工作提供有利依据。
传染病的风险评估过程主要包括三个部分,首先是确定风险评估的指标体系,然后运用指标体系预测风险大小,最后对评估结果进行验证与评价;当前国内外对登革热风险评估的新方法不断涌现,如基于传统登革热病例监测数据的登革热风险早期预警,德尔菲法及层次分析法等定性评估方法,以及使用蚊媒监测数据对登革热流行风险进行评估的方法,但都存在有一定的局限性;同时,由于当前的登革热风险评估模型多以单一评估方法和单一风险为主,仅单纯的纳入病例数进行预警,难以准确进行风险评估;但是,目前中国国内还几乎没有关于基于多个风险值维度,综合登革热定性和定量风险评估方法的报道。
因此,现有技术尚有待改进和发展。
发明内容
为解决上述技术问题,本发明提供一种登革热风险综合评估方法,可从多角度识别登革热的流行风险,全面考虑多方面因素对登革热流行的影响,有效提高登革热风险评估的准确性。
本发明的技术方案如下:一种登革热风险综合评估方法,包括以下步骤:
步骤A、收集过去至少4年的登革热病例数据、蚊媒数据、气象数据、社会经济数据、环境因素数据、人口学数据以及周边国家或地区疫情资料;
步骤B、使用文献回顾方法确立指标体系,基于专家会商方法建立登革热风险评估指标体系及评分标准,利用层次分析方法确定指标权重,通过多指标综合评分方法计算登革热风险评估基础风险值;
步骤C、计算过去4年各地每月同期历史病例数的四分位数,并分为4个风险等级,将评估月份的前一月各地病例数所处的风险等级设为各地登革热近期风险值;
步骤D、结合泊松分布的广义相加模型对登革热未来1-2个月的风险进行预测,获得登革热风险评估模型中的未来风险值;
步骤E、通过专家咨询确定三个风险值的权重,构建结合三个风险值的登革热风险综合评估方法,计算登革热风险总值,并参考气象灾害等级预警,对登革热风险评估风险总值进行分级。
所述的登革热风险综合评估方法,其中:所述步骤A中,登革热病例数据采用疾病预防控制机构传染病报告管理系统的官方数据;蚊媒数据来源于疾病预防控制中心蚊媒监测系统的监测指标,包括布雷图指数和诱蚊诱卵指数;气象数据从官方气象部门获取与登革热病例数据同期的每日气象数据;环境因素数据包括通过地理空间数据云获取归一化植被指数遥感影像栅格数据,并利用空间分析软件提取数据和计算植被覆盖度,水体面积和建成区面积数据可来源于地理国情监测矢量影像数据;地图数据通过GEOFBRIK获取公开街道地图数量数据,并利用矢量数据统计工具计算道路密度;社会经济数据从各地统计局获取GDP数据;人口学数据从官方统计年鉴收集同期同地每年常住人口数,以每年年末人口代替;周边国家或地区疫情资料来源于世界卫生组织发布的疫情数据和新闻报道。
所述的登革热风险综合评估方法,其中,所述步骤B中,在利用层次分析方法确定指标权重的过程中,具体包括以下步骤:
步骤B1、构建层次结构模型:根据登革热相关危险因素的不同属性,将危险因素由上到下划分为三个不同层次与分组:将该地区登革热的发病风险作为第一层目标层,将蚊媒密度、输入病例、本地病例、气象条件及社会、环境因素作为第二层准侧层,将专家会商最终确定的具体指标作为第三层指标层;
步骤B2、确定判断矩阵的权重标度:聘请长期从事登革热预防与控制的专家,通过问卷的形式,运用评分法对构建的层次结构模型指标进行两两比较打分;评分采用1~9标度法,将各层各因素分别进行比较;统计分析专家的基本资料,计算有效问卷的回收率;计算各指标的专家评分均数;计算Kendall协调系数并进行卡方检验;专家的权威系数由专家自我评价获得;
步骤B3、构建判断矩阵,计算指标权重:根据指标对上一层指标的重要性,对每层的每一组指标两两比较,并进行打分赋值后,将依据评分的问卷构建判断矩阵;通过几何平均法计算指标权重,并对判断矩阵进行一致性分析。
所述的登革热风险综合评估方法,其中,所述步骤B中,在采用多指标综合评分方法计算登革热风险评估基础风险值Y时,按照如下计算公式计算:
Figure 100002_DEST_PATH_IMAGE001
公式一;
其中,i代表第二目标层次因素,j代表第三目标层次因素,W ij 代表各个风险因素相对于第一目标层的组合权重,X ij 代表指标层各风险因素经量化分级后的风险评分结果。
所述的登革热风险综合评估方法,其中,所述步骤C具体包括以下步骤:
步骤C1、统计分析各地每月病例数与滞后一月病例数的Spearman相关系数,评估每月病例数与前一月病例数相关性;
步骤C2、根据过去4年各地每月同期历史病例数计算各地的每月病例数的百分位数P25、P50及P75;
步骤C3、以评估月份的前一月的各地对应月份病例数百分位数作为分界点,将评估月份的上月各地病例数划分为4个风险等级,获得各地登革热近期风险值。
所述的登革热风险综合评估方法,其中:所述步骤D中,采用自相关分析研究本地病例的滞后自相关性,并采用交叉相关分析探究登革热月病例数与月最低温度及降雨量间的滞后相关性,由此得到纳入模型的指标:累计降雨量、周最低温、输入性病例和蚊媒密度数据所对应的最高相关系数滞后项。
所述的登革热风险综合评估方法,其中,所述步骤D具体包括以下步骤:
步骤D1、通过自相关分析和交叉相关分析,选取自变量指标相关系数最大的滞后项纳入模型;
步骤D2、纳入yearmon用于控制季节趋势与长期趋势;
步骤D3、将过去4年的原始数据作为训练集进行模型拟合,并将当年的原始数据作为验证集进行验证预测风险的效果评估。
所述的登革热风险综合评估方法,其中,模型的基本形式如下:
Figure 100002_DEST_PATH_IMAGE003
;其中,log为泊松分布的连接函数, t 为第t月的各地登革热病例数的期望值,β 0 为截距项,df为自由度,
Figure 100002_DEST_PATH_IMAGE004
为相应df值下各地登革热病例数滞后a月的光滑函数,
Figure 100002_DEST_PATH_IMAGE005
为相应df值下各地最低温度滞后b月的光滑函数,
Figure 100002_DEST_PATH_IMAGE006
为相应df值下各地降雨量滞后c月的光滑函数。
所述的登革热风险综合评估方法,其中,所述步骤E中,在计算各地登革热风险总值之前,对各个风险值进行统一的量化处理,具体包括:
1)基础风险值的量化:先对基础值指标体系中的各指标值统一分级量化处理之后再计算;
2)近期风险值的量化:参考历史文献及专家意见,以过去4年各地每月同期历史病例数的百分位数P25、P50及P75为分级界点,对评估月份的上月登革热病例数进行量化分级;
3)未来风险值的量化:经广义相加模型分析获得登革热病例预测值后,根据过去4年各地评估月份的同期历史病例数的百分位数P25、P50及P75进行量化分级处理。
所述的登革热风险综合评估方法,其中,所述步骤E中,按照如下公式计算各地登革热风险总值:
风险总值=(基础风险值×W 1 +近期风险值×W 2 +未来风险值×W 3 )/3;
其中,W 1 为基础风险值的权重系数,W 2 为近期风险值的权重系数,W 3 为未来风险值的权重系数。
本发明所提供的一种登革热风险综合评估方法,基于广义相加模型,可利用平滑函数对变量实现非线性处理;在利用传统监测数据(降雨量、气温及病例数)构建的模型基础上,纳入了蚊媒指数、社会经济因素、环境因素,综合考虑了气象因素、登革热病例数以及蚊媒因素等变量,包含了更多发病相关的信息;并结合基础风险值、近期风险值及未来预测风险值构建登革热风险评估模型,从多角度识别登革热的流行风险,全面考虑多方面因素对登革热流行的影响,有效提高了登革热风险评估的准确性;综合考虑基础风险、近期风险和预测风险三个层面的风险,定性和定量相结合,能够更加准确地评估登革热风险。
附图说明
图1是本发明登革热风险综合评估方法实施例的流程图。
具体实施方式
以下将结合附图,对本发明的具体实施方式和实施例加以详细说明,说描述的具体实施例仅用于解释本发明,并非用于限制本发明的具体实施方式。
如图1所示,图1是本发明登革热风险综合评估方法实施例的流程图,本发明登革热风险综合评估方法包括以下步骤:
步骤S110、数据的收集,包括收集登革热病例数据、蚊媒数据、气象数据、地图数据、环境因素数据、社会经济数据、人口学数据以及周边国家或地区疫情资料;
步骤S120、基础风险值的计算,包括使用文献回顾方法确立指标体系,基于专家会商方法建立登革热风险评估指标体系及评分标准,利用层次分析方法确定指标权重,通过多指标综合评分方法计算登革热风险评估基础风险值;
步骤S130、近期风险值的计算,包括计算过去4年各地每月同期历史病例数的四分位数,并分为4个风险等级,将评估月份的前一月各地病例数所处的风险等级设为各地登革热近期风险值;
步骤S140、未来风险值的计算,结合泊松(Poisson)分布的广义相加模型(即GAM模型)对登革热未来1-2个月的风险进行预测,获得登革热风险评估模型中的未来风险值;
步骤S150、风险综合评估及分级,对上述各个风险值进行统一量化处理,包括通过专家咨询确定三个风险值的权重,构建结合三个风险值的登革热风险综合评估方法,计算登革热风险总值,并参考气象灾害等级预警,对登革热风险评估风险总值进行分级。
所谓的四分位数(Quartile)也称四分位点,是指在统计学中把所有数值由小到大排列并分成四等份,处于三个分割点位置的数值;多应用于统计学中的箱线图绘制;它是一组数据排序后处于25%和75%位置上的值;四分位数是通过3个点将全部数据等分为4部分,其中每部分包含25%的数据;很显然,中间的四分位数就是中位数,因此通常所说的四分位数是指处在25%位置上的数值(称为下四分位数)和处在75%位置上的数值(称为上四分位数);与中位数的计算方法类似,根据未分组数据计算四分位数时,首先对数据进行排序,然后确定四分位数所在的位置,该位置上的数值就是四分位数;与中位数不同的是,四分位数位置的确定方法有几种,每种方法得到的结果会有一定差异,但差异不会很大。
具体的,所述步骤S110中,收集资料的时间长度设为四年,以获得较为理想的评估结果;而实际应用中应不短于此时间;
登革热在中国属于乙类法定传染病,用于构建模型的登革热病例数据可采用疾病预防控制机构传染病报告管理系统的官方数据,以确保模型的有效性;官方的数据格式为逐日登革热发病监测数据,内容包括登革热病例性别、出生日期、报告地点、现住址、发病时间、确诊时间、职业、确诊方式及病例类型;
所述蚊媒数据可来源于疾病预防控制中心蚊媒监测系统,监测指标包括布雷图指数和诱蚊诱卵指数;
所述气象数据可从官方气象部门获取与登革热病例数据同期的每日气象数据,包括每日平均温度、每日最低气温、每日最高气温、每日相对湿度、风速、降雨量;
所述环境因素数据包括:通过地理空间数据云(www.gscloud.cn)获取归一化植被指数遥感影像栅格数据,利用空间分析软件(例如ArcGIS软件)提取数据并计算植被覆盖度;水体面积和建成区面积数据可来源于地理国情监测矢量影像数据;
所述地图数据通过GEOFBRIK(www.geofabrik.de)获取公开街道地图数量数据,并利用矢量数据统计工具计算道路密度;
所述社会经济数据可从各地统计局获取GDP数据;
所述人口学数据可从官方统计年鉴收集同期同地每年常住人口数,以每年年末人口代替;
关于周边国家或地区疫情资料,中国国内的登革热疫情数数据来源于中国疾病预防控制中心的传染病疫情监测系统,由传染病监测系统报告病例的地区分布评估国内疫情分布情况;中国国外的登革热疫情数据可来源于世界卫生组织网页(https://www.who.int/topics/dengue/zh/),由世界卫生组织发布的疫情和新闻评估全球疫情分布情况以及周边国家疫情。
具体的,所述步骤S120中,采用文献回顾方法,选择代表性强、相对稳定、易于评价、相对独立的登革热高风险因素作为评估指标,初步建立登革热风险评估指标体系和评分标准;并将选取的指标按蚊媒、病例、气象、社会四个要素分组,采用专家会商方法,对风险指标进行最终筛选,最终建立登革热风险评估指标体系及评分标准;
具体的,所述步骤S120中,利用层次分析方法确定指标权重的过程,具体包括以下步骤:
步骤S121、构建层次结构模型:根据登革热相关危险因素的不同属性,将危险因素由上到下划分为三个不同层次与分组:将该地区登革热的发病风险作为第一层目标层,将蚊媒密度、输入病例、本地病例、气象条件及社会、环境因素作为第二层准侧层(即A层子目标),将专家会商最终确定的具体指标作为第三层指标层(即B层子目标);
步骤S122、确定判断矩阵的权重标度:聘请多位长期从事登革热预防与控制的专家,通过问卷的形式,运用评分法对构建的层次结构模型指标进行两两比较打分;评分主要采用1~9标度法,将各层各因素分别进行比较;统计分析专家的基本资料,计算有效问卷的回收率,以反映专家的积极程度;计算各指标的专家评分均数,以反映专家的意见集中程度;计算Kendall协调系数W并进行卡方检验以评估专家的协调程度;专家的权威程度主要体现在权威系数Cr,该系数由专家自我评价获得;
步骤S123、构建判断矩阵,计算指标权重:根据指标对上一层指标的重要性,对每层的每一组指标两两比较,并进行打分赋值后,便可将依据评分的问卷构建判断矩阵;通过几何平均法计算指标权重,并对判断矩阵进行一致性分析。
具体的,所述步骤S120中,在采用多指标综合评分方法计算登革热风险评估基础风险值Y时,其计算公式如下:
Figure 405865DEST_PATH_IMAGE001
公式一;
其中,i代表第二目标层次因素,j代表第三目标层次因素,W ij 代表各个风险因素相对于第一目标层的组合权重,X ij 代表指标层各风险因素经量化分级后的风险评分结果;各指标的具体评分标准由之前的专家会商确定。
具体的,所述步骤S130中,近期风险值主要是指在评估某月的登革热流行风险时,前一月的登革热确诊病例数对当月登革热流行风险造成的影响大小;所述步骤S130具体包括以下步骤:
步骤S131、统计分析各地每月病例数与滞后一月病例数的Spearman相关系数,评估每月病例数与前一月病例数相关性;
步骤S132、根据过去4年各地每月同期历史病例数计算各地的每月病例数的百分位数P25、P50及P75;
步骤S133、以评估月份的前一月的各地对应月份病例数百分位数作为分界点,将评估月份的上月各地病例数划分为4个风险等级,获得各地登革热近期风险值。
具体的,所述步骤S140中,采用自相关分析研究本地病例的滞后自相关性,并采用交叉相关分析探究登革热月病例数与月最低温度及降雨量间的滞后相关性,由此得到纳入模型的指标:累计降雨量、周最低温、输入性病例和蚊媒密度数据所对应的最高相关系数滞后项。
具体的,所述步骤S140具体包括以下步骤:
步骤S141、通过自相关分析和交叉相关分析,选取自变量指标相关系数最大的滞后项纳入模型,以避免同一变量不同滞后阶数间因高度相关出现多重共线性;
步骤S142、纳入yearmon用于控制季节趋势与长期趋势;其中,year代表年,mon代表月;
步骤S143、将过去4年的原始数据作为训练集进行模型拟合,并将评估年的原始数据作为验证集进行验证预测风险的效果评估,以验证所构建的GAM模型对每月登革热发病的预测能力;因为风险评估是实时的,如果评估年是2019年,则将2015-2018年的原始数据作为训练集进行模型拟合。
具体的,所述步骤S140中,GAM模型的基本形式如下公式二所示:
Figure 650901DEST_PATH_IMAGE003
;其中,log为泊松分布的连接函数, t 为第t月的各地登革热病例数的期望值,β 0 为截距项,df为自由度,
Figure 509267DEST_PATH_IMAGE004
为相应df值下各地登革热病例数滞后a月的光滑函数,
Figure 232373DEST_PATH_IMAGE005
为相应df值下各地最低温度滞后b月的光滑函数,
Figure 623908DEST_PATH_IMAGE006
为相应df值下各地降雨量滞后c月的光滑函数。
具体的,所述步骤S140中,所构建的各地GAM模型主要通过模型的广义交叉验证(Generalized cross validation,GCV)得分,并通过变异解释度(Deviance explained)和确定系数(R-square)进行模型的拟合与预测效果评估。
具体的,所述步骤S150中,在计算各地登革热风险总值之前,需要对各个风险值进行统一的量化处理,包括:
1)基础风险值的量化:先对基础值指标体系中的各指标值统一分级量化处理之后再计算;
2)近期风险值的量化:参考历史文献及专家意见,以过去4年各地每月同期历史病例数的百分位数P25、P50及P75为分级界点,对评估月份的上月登革热病例数进行量化分级;
3)未来风险值的量化:经GAM模型预测获得登革热病例预测值后,根据过去4年各地评估月份的同期历史病例数的百分位数P25、P50及P75进行量化分级处理。
在经过上述方法分别获得各地登革热风险评估模型构建的基础风险值、近期风险值、未来风险值之后,通过专家咨询确定三个风险值的权重系数W i ,即可按照如下公式三所示计算各地登革热风险总值:
风险总值=(基础风险值×W 1 +近期风险值×W 2 +未来风险值×W 3 )/3;
其中,W 1 为基础风险值的权重系数,W 2 为近期风险值的权重系数,W 3 为未来风险值的权重系数。
具体的,所述步骤S150中,参考气象灾害等级预警,对登革热各地风险评估风险总值进行分级:高发病风险、较高发病风险、中等发病风险、低发病风险;具体设定预警值介于0-0.5间为低风险,0.5-1间为中等风险,1-2间为较高风险,2-3间为高风险;同时,设置基础风险值、近期风险值及未来风险值间的不同权重比例计算风险总值,以评估不同权重比例对评估年登革热预测结果的影响。
应当理解的是,以上所述仅为本发明的较佳实施例而已,并不足以限制本发明的技术方案,对本领域普通技术人员来说,在本发明的精神和原则之内,可以根据上述声明加以增减、替换、变换或改进,而所有这些技术方案,都应属于本发明所附权利要求的保护范围。

Claims (10)

1.一种登革热风险综合评估方法,其特征在于,包括以下步骤:
步骤A、收集过去至少4年的登革热病例数据、蚊媒数据、气象数据、社会经济数据、环境因素数据、人口学数据以及周边国家或地区疫情资料;
步骤B、使用文献回顾方法确立指标体系,基于专家会商方法建立登革热风险评估指标体系及评分标准,利用层次分析方法确定指标权重,通过多指标综合评分方法计算登革热风险评估基础风险值;
步骤C、计算过去4年各地每月同期历史病例数的四分位数,并分为4个风险等级,将评估月份的前一月各地病例数所处的风险等级设为各地登革热近期风险值;
步骤D、结合泊松分布的广义相加模型对登革热未来1-2个月的风险进行预测,获得登革热风险评估模型中的未来风险值;
步骤E、通过专家咨询确定三个风险值的权重,构建结合三个风险值的登革热风险综合评估方法,计算登革热风险总值,并参考气象灾害等级预警,对登革热风险评估风险总值进行分级。
2.根据权利要求1所述的登革热风险综合评估方法,其特征在于:所述步骤A中,登革热病例数据采用疾病预防控制机构传染病报告管理系统的官方数据;蚊媒数据来源于疾病预防控制中心蚊媒监测系统的监测指标,包括布雷图指数和诱蚊诱卵指数;气象数据从官方气象部门获取与登革热病例数据同期的每日气象数据;环境因素数据包括通过地理空间数据云获取归一化植被指数遥感影像栅格数据,并利用空间分析软件提取数据和计算植被覆盖度,水体面积和建成区面积数据可来源于地理国情监测矢量影像数据;地图数据通过GEOFBRIK获取公开街道地图数量数据,并利用矢量数据统计工具计算道路密度;社会经济数据从各地统计局获取GDP数据;人口学数据从官方统计年鉴收集同期同地每年常住人口数,以每年年末人口代替;周边国家或地区疫情资料来源于世界卫生组织发布的疫情数据和新闻报道。
3.根据权利要求1所述的登革热风险综合评估方法,其特征在于,所述步骤B中,在利用层次分析方法确定指标权重的过程中,具体包括以下步骤:
步骤B1、构建层次结构模型:根据登革热相关危险因素的不同属性,将危险因素由上到下划分为三个不同层次与分组:将该地区登革热的发病风险作为第一层目标层,将蚊媒密度、输入病例、本地病例、气象条件及社会、环境因素作为第二层准侧层,将专家会商最终确定的具体指标作为第三层指标层;
步骤B2、确定判断矩阵的权重标度:聘请长期从事登革热预防与控制的专家,通过问卷的形式,运用评分法对构建的层次结构模型指标进行两两比较打分;评分采用1~9标度法,将各层各因素分别进行比较;统计分析专家的基本资料,计算有效问卷的回收率;计算各指标的专家评分均数;计算Kendall协调系数并进行卡方检验;专家的权威系数由专家自我评价获得;
步骤B3、构建判断矩阵,计算指标权重:根据指标对上一层指标的重要性,对每层的每一组指标两两比较,并进行打分赋值后,将依据评分的问卷构建判断矩阵;通过几何平均法计算指标权重,并对判断矩阵进行一致性分析。
4.根据权利要求3所述的登革热风险综合评估方法,其特征在于,所述步骤B中,在采用多指标综合评分方法计算登革热风险评估基础风险值Y时,按照如下计算公式计算:
Figure DEST_PATH_IMAGE001
公式一;
其中,i代表第二目标层次因素,j代表第三目标层次因素,W ij 代表各个风险因素相对于第一目标层的组合权重,X ij 代表指标层各风险因素经量化分级后的风险评分结果。
5.根据权利要求1所述的登革热风险综合评估方法,其特征在于,所述步骤C具体包括以下步骤:
步骤C1、统计分析各地每月病例数与滞后一月病例数的Spearman相关系数,评估每月病例数与前一月病例数相关性;
步骤C2、根据过去4年各地每月同期历史病例数计算各地的每月病例数的百分位数P25、P50及P75;
步骤C3、以评估月份的前一月的各地对应月份病例数百分位数作为分界点,将评估月份的上月各地病例数划分为4个风险等级,获得各地登革热近期风险值。
6.根据权利要求1所述的登革热风险综合评估方法,其特征在于:所述步骤D中,采用自相关分析研究本地病例的滞后自相关性,并采用交叉相关分析探究登革热月病例数与月最低温度及降雨量间的滞后相关性,由此得到纳入模型的指标:累计降雨量、周最低温、输入性病例和蚊媒密度数据所对应的最高相关系数滞后项。
7.根据权利要求6所述的登革热风险综合评估方法,其特征在于,所述步骤D具体包括以下步骤:
步骤D1、通过自相关分析和交叉相关分析,选取自变量指标相关系数最大的滞后项纳入模型;
步骤D2、纳入yearmon用于控制季节趋势与长期趋势;
步骤D3、将过去4年的原始数据作为训练集进行模型拟合,并将当年的原始数据作为验证集进行验证预测风险的效果评估。
8.根据权利要求7所述的登革热风险综合评估方法,其特征在于,模型的基本形式如下:
Figure DEST_PATH_IMAGE003
;其中,log为泊松分布的连接函数, t 为第t月的各地登革热病例数的期望值,β 0 为截距项,df为自由度,
Figure DEST_PATH_IMAGE004
为相应df值下各地登革热病例数滞后a月的光滑函数,
Figure DEST_PATH_IMAGE005
为相应df值下各地最低温度滞后b月的光滑函数,
Figure DEST_PATH_IMAGE006
为相应df值下各地降雨量滞后c月的光滑函数。
9.根据权利要求1所述的登革热风险综合评估方法,其特征在于,所述步骤E中,在计算各地登革热风险总值之前,对各个风险值进行统一的量化处理,具体包括:
1)基础风险值的量化:先对基础值指标体系中的各指标值统一分级量化处理之后再计算;
2)近期风险值的量化:参考历史文献及专家意见,以过去4年各地每月同期历史病例数的百分位数P25、P50及P75为分级界点,对评估月份的上月登革热病例数进行量化分级;
3)未来风险值的量化:经GAM模型预测获得登革热病例预测值后,根据过去4年各地评估月份的同期历史病例数的百分位数P25、P50及P75进行量化分级处理。
10.根据权利要求9所述的登革热风险综合评估方法,其特征在于,所述步骤E中,按照如下公式计算各地登革热风险总值:
风险总值=(基础风险值×W 1 +近期风险值×W 2 +未来风险值×W 3 )/3;
其中,W 1 为基础风险值的权重系数,W 2 为近期风险值的权重系数,W 3 为未来风险值的权重系数。
CN201910622205.6A 2019-07-11 2019-07-11 一种登革热风险综合评估方法 Active CN110459329B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910622205.6A CN110459329B (zh) 2019-07-11 2019-07-11 一种登革热风险综合评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910622205.6A CN110459329B (zh) 2019-07-11 2019-07-11 一种登革热风险综合评估方法

Publications (2)

Publication Number Publication Date
CN110459329A CN110459329A (zh) 2019-11-15
CN110459329B true CN110459329B (zh) 2022-11-18

Family

ID=68482649

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910622205.6A Active CN110459329B (zh) 2019-07-11 2019-07-11 一种登革热风险综合评估方法

Country Status (1)

Country Link
CN (1) CN110459329B (zh)

Families Citing this family (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111128399B (zh) * 2020-03-30 2020-07-14 广州地理研究所 一种基于人流密度的流行病疫情风险等级评估方法
CN111554408B (zh) * 2020-04-27 2024-04-19 中国科学院深圳先进技术研究院 城市内部登革热时空预测方法、系统及电子设备
CN111768873A (zh) * 2020-06-03 2020-10-13 中国地质大学(武汉) 一种covid-19实时风险预测方法
CN112259239B (zh) * 2020-10-21 2023-07-11 平安科技(深圳)有限公司 一种参数处理方法、装置、电子设备及存储介质
CN112331342A (zh) * 2020-10-27 2021-02-05 昆明理工大学 一种基于网格化协变量因素的患病风险等级评估方法
CN112397205A (zh) * 2020-12-08 2021-02-23 中国气象局广州热带海洋气象研究所 一种基于气象学模型的登革热传染病预测方法
CN112951440A (zh) * 2021-02-04 2021-06-11 汕头大学医学院 一种登革热传播风险预测方法及受影响人口大小确定方法
CN113380412A (zh) * 2021-06-10 2021-09-10 山东健康医疗大数据有限公司 一种气象因素与心脑血管疾病的分析方法
CN113707338B (zh) * 2021-10-28 2022-08-30 南方科技大学 景区疫情风险预测与限流方法、装置、设备和存储介质
CN114360739B (zh) * 2022-01-05 2023-07-21 中国科学院地理科学与资源研究所 一种基于遥感云计算与深度学习的登革热风险预测方法
CN114707079B (zh) * 2022-03-07 2023-09-22 中国科学院地理科学与资源研究所 一种登革热蚊媒适生区及主要影响因素的识别方法和系统
CN114912354A (zh) * 2022-05-07 2022-08-16 吉林大学 一种预测蚊媒传染病风险的方法、装置及介质
CN115602323B (zh) * 2022-09-07 2023-06-06 浙江一山智慧医疗研究有限公司 适用于疾病风险评估的组合风险评估模型、方法及应用
CN116434974A (zh) * 2023-04-13 2023-07-14 山东第一医科大学第一附属医院(山东省千佛山医院) 一种经呼吸道传播的传染病风险综合评价方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014092230A1 (ko) * 2012-12-13 2014-06-19 대한민국 (식품의약품안전청장) 위해예측기반 수입식품검사 시스템 및 방법
CN105303020A (zh) * 2014-07-14 2016-02-03 国家电网公司 一种基于ahp的电网自然灾害风险评估方法
WO2017008180A1 (zh) * 2015-07-16 2017-01-19 广东产品质量监督检验研究院 一种光伏组件失效风险判别方法
CN108198629A (zh) * 2018-03-06 2018-06-22 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

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014092230A1 (ko) * 2012-12-13 2014-06-19 대한민국 (식품의약품안전청장) 위해예측기반 수입식품검사 시스템 및 방법
CN105303020A (zh) * 2014-07-14 2016-02-03 国家电网公司 一种基于ahp的电网自然灾害风险评估方法
WO2017008180A1 (zh) * 2015-07-16 2017-01-19 广东产品质量监督检验研究院 一种光伏组件失效风险判别方法
CN108198629A (zh) * 2018-03-06 2018-06-22 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

Also Published As

Publication number Publication date
CN110459329A (zh) 2019-11-15

Similar Documents

Publication Publication Date Title
CN110459329B (zh) 一种登革热风险综合评估方法
Mani et al. South Asia's hotspots: The impact of temperature and precipitation changes on living standards
Viswanathan et al. Weather, agriculture and rural migration: evidence from state and district level migration in India
Hondula et al. Fine-scale spatial variability of heat-related mortality in Philadelphia County, USA, from 1983-2008: a case-series analysis
Mustafa et al. Assessing the spatio-temporal variability of meteorological drought in Jordan
Domínguez et al. Present-climate precipitation and temperature extremes over Spain from a set of high resolution RCMs
Hennemuth et al. Statistical methods for the analysis of simulated and observed climate data: applied in projects and institutions dealing with climate change impact and adaptation
Solaiman et al. Development of probability based intensity-duration-frequency curves under climate change
Hashimoto et al. Scenario analysis of land-use and ecosystem services of social-ecological landscapes: implications of alternative development pathways under declining population in the Noto Peninsula, Japan
Mohammed et al. Analysis of meteorological droughts in the Lake’s Region of Ethiopian Rift Valley using reconnaissance drought index (RDI)
Etienne et al. Development of a Demand Sensitive Drought Index and its application for agriculture over the conterminous United States
de Moraes et al. Effects on runoff caused by changes in land cover in a Brazilian southeast basin: evaluation by HEC-HMS and HEC-GEOHMS
Erickson et al. Verification results from the 2017 HMT–WPC flash flood and intense rainfall experiment
Zin et al. Statistical distributions of extreme dry spell in Peninsular Malaysia
JP2022511953A (ja) 熱帯低気圧の影響の予想
Pan et al. Mapping the expected annual fatality risk of volcano on a global scale
Risser et al. Detected changes in precipitation extremes at their native scales derived from in situ measurements
Sawut et al. Examining the spatially varying effects of climatic and environmental pollution factors on the NDVI based on their spatially heterogeneous relationships in Bohai Rim, China
dos Santos et al. Aridity indices to assess desertification susceptibility: a methodological approach using gridded climate data and cartographic modeling
Bandala et al. Extreme heat and mortality rates in Las Vegas, Nevada: inter-annual variations and thresholds
Abrha et al. Future drought and aridity monitoring using multi-model approach under climate change in Hintalo Wejerat district, Ethiopia
Livingston et al. Using changes in basal area increments to map relative risk of HWA impacts on hemlock growth across the Northeastern USA
Southey Wildfires in the Cape Floristic Region: Exploring vegetation and weather as drivers of fire frequency
Herrera et al. Creating extreme weather time series through a quantile regression ensemble
WO2021084742A1 (ja) 情報処理方法、記憶媒体、及び情報処理装置

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