CN111063451A - 基于输入-扩散函数的传染病疫情早期风险态势分析方法 - Google Patents

Abstract

本发明公开了一种基于输入‑扩散函数的传染病早期疫情风险态势分析方法，包括以下步骤：步骤1、识别传染病输入风险源规模；步骤2、模拟风险源传播扩散函数；步骤3、疫情风险态势短期预报。本发明融合人口流动大数据趋势判断和疾病传播扩散规律，首先在空间维度上发掘不同地区发病率差异描述疾病分布格局，并基于人口流动大数据分析地区间人口流动的规模和趋势，然后，基于人口流动测算潜在输入风险病例规模，统计潜在输入病例数与当地累计确诊的病例数的函数关系，揭示疫情发展特征和内在规律，简洁、快速准确监测疫情的发展并预判其未来疫情风险发展态势，可为传染病疾病防控提供更精确、更持久、更有效的决策支持。

Description

基于输入-扩散函数的传染病疫情早期风险态势分析方法

技术领域

本发明属于空间流行病学和公共卫生应急决策领域，具体地说，涉及一种基于输入-扩散函数的传染病疫情早期风险态势分析方法。

背景技术

重大传染病已经成为威胁群众安全和社会稳定的重大公共卫生事件，如何快速、准确、定量地评估疫情所处的阶段、管控措施的效果以及预判未来走势，成为摆在政府、科学界及民众面前重大而急迫的任务。在新的传染病爆发的早期阶段，掌握传染病的风险发展态势至关重要，尤其是对疫情随时间变化的有效估计是疫情防疫的关键，准确把握疫情动态是变被动防疫到主动防疫的根本。

传统流行病学通常以人群为单位，用观察、测量的方法对相关的健康问题进行科学合理的分析与解释，从而找出解决的办法。流行病学通常统计发病率、患病率、死亡率、病死率、伤残率以及特定临床观察、诊断指标等。这些测量指标在描述疾病分布、分析临床疗效、寻找病因等方面起到了非常重要的作用，但这些测量指标这些测量指标是时间点测量值，是固定不变的。流行病学领域长期使用基本传染数R0来描述流行病的传播率，可简单理解为一个感染者可以传染几个人。这是传染病学的核心参数，流行病学专家从不同角度、依靠经验来估计该参数，结果差异很大，而且随着管控措施的优化、对疫情科学认知的深化、医疗条件趋好等人为条件的变化，传统的基于自然状态下的流行病数学模型用于描述疾病动态发展与流行过程是有缺陷的，同时这种测量方式与疾病发生的自然规律也有很大的冲突。传染病流行的时空传播规律反映了人与传染病斗争博弈的动态过程，传统趋势判断的技术路径基于多种假设条件，且将参数设定为常数，而忽略了疾病传染过程中的时空动态信息变化，限制了模型在实际应用过程中的准确度和应用范围。

发明内容

针对现有技术的不足，本发明提供一种基于输入-扩散函数的传染病疫情早期风险态势分析方法，不需要大量的临床观测数据，可简洁、快速准确监测疫情的发展并预判其未来疫情风险发展态势。

为实现上述目的，本发明采用的技术方案是：

一种基于输入-扩散函数的传染病疫情早期风险态势分析方法，包括以下步骤：

步骤1、识别传染病输入风险源规模；

传染病输入风险源规模主要取决于来自疫区的人口规模和发病率，通过下式计算出输入风险源：

式中，

为t日j城市的潜在输入风险源数量；

为疫区i城市的平均发病率；

为截至t日从i城市到j城市的总人数，可通过手机信令数据或者互联网人口迁移数据获取；

其中，i城市的平均发病率为：

式中，

为i城市的截至t日的累计确诊病例数，单位为人，可通过疾病防控或者公共卫生部门发布的数据获取；

为发病年度i城市年平均常驻人口数，单位为万人，可通过统计年鉴或者其他统计资料获取；

步骤2、模拟风险源传播扩散函数；

根据传染病发病规律，在t日人口输入以后通常会在一定时期后发病，假设传染病的平均发病周期是n天，扩散风险会在t+n日反映，因此可以将步骤1计算的风险源规模与本地截止t+n日的累计确诊病例数进行曲线拟合，得到风险源传播扩散函数：

式中，

为j城市截止t+n日的累计发病数量，a，b，c为常数；

步骤3、疫情风险态势短期预报；

根据步骤1的潜在输入风险源数量和步骤2的风险源传播扩散函数，即可预测j城市在未来一个发病周期内的发病规模。

进一步地，还包括：步骤4、疫情风险整体态势预测；

预测未来m日从i城市迁入j城市的人口规模：

式中，

为截至t+m日从i城市到j城市的总人数，

为截止t日从j城市到i城市的总人数，

为截止t日从i城市返回j城市的返程率，

为t+1日至t+m日从i城市返回j城市的返程率；

其中，

和

可通过手机信令数据或者互联网人口迁移数据获取，

可通过历年同期工作日、周末和长假期人口迁移的平均态势推出；

结合i城市未来m日的平均发病率

，再依据步骤1至步骤3，预测j城市的疫情风险整体态势，其中

可从疾病防控或者公共卫生部门的预测数据中获取。

本发明的有益效果是：

1、本发明融合了人口流动大数据趋势判断和疾病传播扩散规律，首先在空间维度上发掘不同地区发病率差异描述疾病分布格局，并基于人口流动大数据分析地区间人口流动的规模和趋势，然后，基于人口流动测算潜在输入风险病例规模，统计潜在输入病例数与当地累计确诊的病例数的函数关系，揭示疫情发展特征和内在规律。

2、本发明不需要大量的临床观测数据，可简洁、快速准确监测疫情的发展并预判其未来疫情风险发展态势，为传染病疾病防控提供更精确、更持久、更有效的决策支持。

附图说明

图1是本发明实施例提供的广东省风险源传播-扩散函数的拟合曲线。

图2是本发明实施例提供的广东省COVID-19新冠肺炎疫情发展态势预测示意图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

本发明的一种基于输入-扩散函数的传染病疫情早期风险态势分析方法，包括以下步骤：

步骤1、识别传染病输入风险源规模；

目前，已有SARS/H1N1甲流/COVID-19新冠肺炎等传染病都呈现早期以外地输入病例为主，后期逐步转换为家庭传染、社区集聚性传染等模式转变，因此疫情输入风险源规模主要取决于来疫区的人口规模和发病率。因此本发明定义输入风险源计算公式如下：

式中，

为t日j城市的潜在输入风险源数量；

为疫区i城市的平均发病率；

为截至t日从i城市到j城市的总人数，可通过手机信令数据或者互联网人口迁移数据获取；

其中，i城市的平均发病率为：

式中，

为i城市的截至t日的累计确诊病例数，单位为人，可通过疾病防控或者公共卫生部门发布的数据获取；

为发病年度i城市年平均常驻人口数，单位为万人，可通过统计年鉴或者其他统计资料获取；

步骤2、模拟风险源传播扩散函数；

目前，已有SARS/H1N1甲流/COVID-19新冠肺炎等传染病都呈现早期以外地输入病例为主，以COVID-19新冠肺炎为例，早期各地的疫情都于来自武汉的人口呈现高度相关，相关系数高达84%。而本地累计确诊病例是疫情本地转播过程各种影响要素的综合作用的反映和直接结果。另因传染病的疫情有隐藏期和潜伏期，潜伏期可能导致症状出现延迟，检测和测试能力也可导致病例确认延迟。

根据上述描述可知，在t日人口输入以后通常会在一定时期后发病，假设传染病的平均发病周期是n天，扩散风险会在t+n日反映，因此可以将步骤1计算的风险源规模与本地截止t+n日的累计确诊病例数做二项式或者其他函数关系的拟合，按照相关系数最高为原则选取拟合函数，确定二项式作为风险源传播扩散函数：

式中，

为j城市截止t+n日的累计发病数量（发病规模），a，b，c为常数，通过曲线拟合获得，需要注意的是，疫情的传播在不同阶段会呈现不同的动力方式，且因各地防护措施和人口结构等差异，各城市的扩散系数都不同。

步骤3、疫情风险态势短期预报；

因传染病的疫情有隐藏期和潜伏期，在t日人口输入以后通常会在一定时期后发病，假设传染病的平均发病周期是n天，扩散风险会在t+n日反映。因此可以依据t-n+1日到t日j城市的潜在输入风险源数量、以及风险源传播扩散函数，预测j城市t+1日至t+n日的每日累计发病规模，即可预测j城市在未来一个发病周期内的发病规模。

步骤4、疫情风险整体态势预测；

步骤1至步骤3为自t+1日到t+n日的每日累计发病态势的判断，但掌握疫情的整体态势也是疫情防控决策的关键。本发明重点研究人口流动影响下疫情风险整体态势的判断。人口流动影响下疫情风险整体态势的判断需要预测未来每日迁入j城市的人口规模。再依据第一步到第三步的计算步骤分析人口流动影响下的疫情风险发展态势，具体地：

预测未来m日从i城市迁入j城市的人口规模：

式中，

为截至t+m日从i城市到j城市的总人数，

为截止t日从j城市到i城市的总人数，

为截止t日从i城市返回j城市的返程率，

为t+1日至t+m日从i城市返回j城市的返程率；

其中，

和

可通过手机信令数据或者互联网人口迁移数据获取，例如通过百度地图等查询工具，

可通过历年同期工作日、周末和长假期人口迁移的平均态势推出；

结合i城市未来m日的平均发病率

，再依据步骤1至步骤3，预测j城市的疫情风险整体态势，其中

可从疾病防控或者公共卫生部门的预测数据中获取。

实施例1：

下面结合一具体的实施例对本发明做进一步的阐述，本实施例以广东省2020年1月19日至2020年2月3日的COVID-19新冠肺炎数据进行模拟和判断。

第一步，识别传染病输入风险源规模。

因湖北省和武汉市为疫情重灾区，因此本实施例的计算对象主要针对湖北省，计算日期为2020年2月3日。按照当前各流行病学领域获得的共识，COVID‑19新冠肺炎的潜伏期到发病的周期平均为7‑14天，本实施例取7天。广东省的首例发病是在2020年1月19日，因此分别收集自2020年1月12日至2020年2月3日，自武汉、湖北省（不包含武汉）来广东省的总人数，和武汉、湖北省（不包含武汉）每天的发病率。用来广东省的总人数与湖北和武汉的发病率相乘，获得每日的潜在输入风险源规模。

第二步，模拟风险源传播扩散函数。

收集广东省公共卫生应急部门发布的逐日的COVID-19新冠肺炎疫情中的累计确诊病例数据，利用EXCEL表，以第一步计算的潜在输入风险源规模为横坐标x，以公共卫生部门发布的累计确诊病例数据为纵坐标y，拟合曲线如下。曲线的R² = 0.9781，如图1所示。

y = 0.0502x² - 6.5061x + 222.62

依据以上关系，再将曲线拟合结果与实际病例情况比对，算法计算结果与已发生实际疫情拟合效果较为理想。

第三步，疫情风险态势短期预报。

以2020年1月29日至2020年2月3日的数据推测2020年2月4日至2020年10日的潜在发病规模，计算结果为748、827、908、986、1050、1117、1181，后发布的累积确诊病例为813、944、1018、1075、1095、1151、1159。短期态势预测结果与实际确诊疫情情况较为符合。

第四步，疫情风险整体态势预测。

COVID-19新冠肺炎疫情发生时间与我国春运叠合，广东省具有人口流动规模大、流动区域广、流动持续时间长、流动方式多样特征，对疫情防控带来巨大挑战。因此，及时掌握春运期间人员流向与流动规模，成为早期判断疫情扩散风险及对后期人口回流采取有效防控措施重要依据。依据交通运输部1月9日发布的2020年春运人口出行趋势预测，2020年春运从1月10日开始，2月18日结束，共40天，受防疫控制的影响，广东省的整体春节假期推迟了约7日，以此推算，广东省的春运工作将延长至2月25日左右结束，按照2020年春运人口出行趋势预测报告，客流分布趋势在主要集中在1月15日-1月23日；节后返程客流呈双高峰态势，分别为1月26日-2月2日和2月9日-2月13日，另受武汉封城限制，自1月24日只有少量人口从武汉来广东，综合考虑全国各地的发病率和人口流动态势预测广东省的疫情将于2月底到整体疫情输入风险在2月底达到最高，如图2所示。

综上，本发明基于对传染病的疫情传播会经过从传染源输入到本地再传播扩散的这一过程的认识，从该过程出发，提出一种输入人口规模、人口来源地发病率和本地扩散函数的疫情风险态势分析方法，有效提高了疫情风险态势判断的工作效率，为传染病疾病防控提供更精确、更持久、更有效的决策支持。

上述实施例只是为了说明本发明的技术构思及特点，其目的是在于让本领域内的普通技术人员能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围。凡是根据本发明内容的实质所做出的等效的变化或修饰，都应涵盖在本发明的保护范围内。

Claims (2)

1.一种基于输入-扩散函数的传染病疫情早期风险态势分析方法，其特征在于：包括以下步骤：

步骤1、识别传染病输入风险源规模；

传染病输入风险源规模主要取决于来自疫区的人口规模和发病率，通过下式计算出输入风险源：

式中，

为t日j城市的潜在输入风险源数量；

为疫区i城市的平均发病率；

为截至t日从i城市到j城市的总人数，可通过手机信令数据或者互联网人口迁移数据获取；

其中，i城市的平均发病率为：

式中，

为i城市的截至t日的累计确诊病例数，单位为人，可通过疾病防控或者公共卫生部门发布的数据获取；

为发病年度i城市年平均常驻人口数，单位为万人，可通过统计年鉴或者其他统计资料获取；

步骤2、模拟风险源传播扩散函数；

根据传染病发病规律，在t日人口输入以后通常会在一定时期后发病，假设传染病的平均发病周期是n天，扩散风险会在t+n日反映，因此可以将步骤1计算的风险源规模与本地截止t+n日的累计确诊病例数进行曲线拟合，得到风险源传播扩散函数：

式中，

为j城市截止t+n日的累计发病数量，a，b，c为常数；

步骤3、疫情风险态势短期预报；

根据步骤1的潜在输入风险源数量和步骤2的风险源传播扩散函数，即可预测j城市在未来一个发病周期内的发病规模。

2.根据权利要求1所述的一种基于输入-扩散函数的传染病疫情早期风险态势分析方法，其特征在于：还包括：

步骤4、疫情风险整体态势预测；

预测未来m日从i城市迁入j城市的人口规模：

式中，

为截至t+m日从i城市到j城市的总人数，

为截止t日从j城市到i城市的总人数，

为截止t日从i城市返回j城市的返程率，

为t+1日至t+m日从i城市返回j城市的返程率；

其中，

和

可通过手机信令数据或者互联网人口迁移数据获取，

可通过历年同期工作日、周末和长假期人口迁移的平均态势推出；

结合i城市未来m日的平均发病率

，再依据步骤1至步骤3，预测j城市的疫情风险整体态势，其中

可从疾病防控或者公共卫生部门的预测数据中获取。

Images