CN111403048A - 一种未知传染病预警及追溯方法 - Google Patents
一种未知传染病预警及追溯方法 Download PDFInfo
- Publication number
- CN111403048A CN111403048A CN202010192789.0A CN202010192789A CN111403048A CN 111403048 A CN111403048 A CN 111403048A CN 202010192789 A CN202010192789 A CN 202010192789A CN 111403048 A CN111403048 A CN 111403048A
- Authority
- CN
- China
- Prior art keywords
- early warning
- infectious disease
- patients
- patient
- unknown infectious
- 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
- 208000015181 infectious disease Diseases 0.000 title claims abstract description 138
- 208000035473 Communicable disease Diseases 0.000 title claims abstract description 123
- 238000000034 method Methods 0.000 title claims abstract description 32
- 208000024891 symptom Diseases 0.000 claims abstract description 25
- 238000004458 analytical method Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 7
- 201000010099 disease Diseases 0.000 claims description 7
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 7
- 230000002458 infectious effect Effects 0.000 claims description 5
- 238000012544 monitoring process Methods 0.000 claims description 5
- 238000003745 diagnosis Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 3
- 239000012678 infectious agent Substances 0.000 claims description 3
- 239000002245 particle Substances 0.000 claims description 3
- 230000001575 pathological effect Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 6
- 206010037660 Pyrexia Diseases 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- 230000036541 health Effects 0.000 description 3
- 206010012735 Diarrhoea Diseases 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006806 disease prevention Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000005180 public health Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Images
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- 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
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- 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
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Engineering & Computer Science (AREA)
- Public Health (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Theoretical Computer Science (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开了一种未知传染病预警及追溯方法,包括以下步骤,S1、建立未知传染病预警及追溯系统;S2、采集患者的就诊信息,和人员位置信息,并上传至数据库;S3、数据库将所有患者的就诊信息根据不同的症状进行分类;S4、未知传染病预警模块对数据库中出现某种症状的患者分布规律进行分析,当患者出现密集程度高时发生预警信号;S5、未知传染病预警决策模块追溯传染病患者及可能被传染的人员;S6、拟合上代最大可能传染源的发生位置,通过不断的迭代,直至追溯到初代最大可能传染源。本发明中的未知传染病预警及追溯方法能够在未知传染病确认之前发出预警,在未知传染病确认之后逆向追溯到传染病患者及可能传染的人群。
Description
技术领域
本发明涉及公共卫生技术领域,尤其涉及一种未知传染病预警及追溯方法。
背景技术
随着我国城市化的推进以及交通的快速发展,城市地区人口密度较大,人口流动速度较快,如果出现传染病会导致快速的大量流行,在疫情达到一定严重程度前很难引起足够的重视。且在引起一定关注后,确认传染源以及零号患者也有一定难度。
目前已有的传染病预警大多不能进行逆向追溯,而且功能比较单一,申请号为201710315294.0,名称为一种传染病防控方法及系统的发明专利申请文件中,主要功能为监测已知的传染病高风险区域相关人员的移动情况,并针对有可能发生传染的人员进行传染预警,主要针对的是已知传染病人群,位于未知的传染病,不能做出及时的预警;申请号为201910099513.5,名称为传染病监测系统的发明专利申请文件中,服务器将学生终端发送的请假信息及注册信息作为请假记录,并将请假记录和教师终端发送的晨午检记录作为健康记录保存至数据库中;若预设区域内存在第一传染病的健康记录的数量超过预设预警阈值,则生成预设区域的第一传染病对应的预警信息,其主要针对的是固定人群,并需要进行专门的采样,需要耗费大量的人力和物力;申请号为201910046912.5,名称为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的发明专利申请文件,将数据发送至多个共识节点中的每一个共识节点,分别确定数据的真实性,并进行共识,在对数据进行采集时采用的是区块链的采集方式,数据采集不够全面完善;申请号为201711375439.2,名称为一种传染病前期预警的方法的专利申请文件,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,设置一个基线窗口对传染病发病量数据进行权重预处理,其仅为一种数据处理方式,并不能对未知传染病进行预警和追溯。
发明内容
针对上述存在的问题,本发明旨在提供一种可对位置传染病进行预警,且在未知传染病被确认时,能够逆向追溯主要传染病患者及可能被传染人员的未知传染病预警及追溯方法。
为了实现上述目的,本发明所采用的技术方案如下:
一种未知传染病预警及追溯方法,其特征在于,包括以下步骤,
S1、建立未知传染病预警及追溯系统,所述未知传染病预警及追溯系统包括基于手机信息的医院就诊数据采集模块和人员位置信息采集模块、数据库、未知传染病预警模块和未知传染病预警决策模块;
S2、数据采集:医院挂号数据采集模块采集患者的身份信息、实名认证的手机号信息,以及就诊过程中检查诊断信息,并上传至数据库;人员位置信息采集模块根据手机定位系统采集人员的位置信息,并上传至数据库;
S3、数据分类:数据库将所有患者的就诊信息根据不同的症状进行分类;
S4、预警分析:未知传染病预警模块对数据库中出现某种症状的患者在一段时间内的位置信息进行提取,利用初步预警算法分析其位置分布规律,根据患者的位置分布规律决定是否发出未知传染病的预警;
S5、传染病患者及其可能被传染人员追溯:当专业监测人员确认存在未知传染病风险时,未知传染病预警决策模块调用数据库中的患者就诊信息,确定出现过该种症状的患者,作为主要传染病人员,并结合未知传染病预警模块中分析出的患者移动的轨迹,在患者出现过的区域,追溯可能传染的人员群体;
S6、传染源追溯:通过追溯所有的主要传染病人员及可能传染的人员群体,拟合上代最大可能传染源的发生位置,通过不断的迭代,直至追溯到初代最大可能传染源。
进一步的,步骤S1中所述的数据库内设有分类单元,所述分类单元用于将所有患者的就诊信息根据不同的症状进行分类;
所述数据库还连接有数据更新模块,用于对数据库中的患者就诊信息和位置信息进行数据更新。
进一步的,步骤S1中所述的未知传染病预警模块包括区域识别模块、轨迹分析模块和预警模块;
所述区域识别模块识别患者所处的区域;
所述轨迹分析模块对患者的位置信息进行分析,获取患者的区域位置分布规律;
所述预警模块根据轨迹分析模块得出的人员位置分布规律,决定是否发出预警,对于满足预警情况的发出未知传染病预警信号。
进一步的,步骤S4中所述的初步预警算法具体操作包括:
S41:将城市区域划分成m行n列,也即将所在城市划分成m*n 个区域,每个区域记为Nij,其中,i为该区域所在的行数,j为该与区域所在的列数,i=1,2,……,m;j=1,2,……,n;
S42:将出现某种症状的患者,根据其位置信息,自动落入每个区域中,每个区域出现患者的人数为Mij;
S43:以一固定点为原点建立坐标系,记区域Nij的中心点坐标为 (aij,bij),根据质点系原理,得出城市内患者密集的中心点(p,q),
其中,i=1,2,……,m;j=1,2,……,n;T为城市内所有患者的人数;
进一步的,所述预警模块发出未知传染病预警的情况包括:
当出现患者的区域总数≤城市划分区域总个数的25%,且所有出现患者的区域的中心点(aij,bij)与城市内患者密集的中心点(p,q)间平均距离≤某一特定值B,也即时,预警模块发出未知传染病预警,其中,B为预先设定的一个定值;
当出现患者的区域总数≥城市划分区域总个数的25%,且出现患者的区域的中心点(aij,bij)与城市内患者密集的中心点(p,q)间的距离的方差≥某一特定值C;也即且δ2≥C时,预警模块发出未知传染病预警,其中,C为预先设定的一个定值;
当某一天城市内患者人数增长率≥某一特定值D,也即f≥D时,预警模块发出未知传染病预警,其中,D为预先设定的一个定值。
进一步的,步骤S6的具体操作包括,
S61:将发出预警前一天所有患者的位置信息从数据库中调取出来,按照逆时间顺序依次填入划分出来的m*n个区域,填图完成后计算重叠系数R1;重叠系数的计算方法为
R=∑Hz,其中,R为重叠系数,H为同时出现在同一区域的人数,且H≥2,z为出现重叠现象的次数;
S62:按照步骤S61中的方法对发出预警前倒数第二天至第Y 天的所有患者的位置信息进行填图,并计算重叠系数R2、R3、R4、…… RY;
S63:根据步骤S61和S62的填图和计算结果,得出该传染病的近似发病周期t1;
S64:确定了发病周期t1后,观察第t1天时的填图结果,患者出现重叠性显著提高的点,即为上代最大可能传染源的发生位置,进入此区域的患者即为上代病人;
S65:通过不断的向前迭代追溯,直到剩余人数符合目标值,则剩余的人群为初代最大可能传染源;
S66:针对初代最大可能传染源的人群开展病理学研究。
进一步的,步骤S65中的目标值为10-20。
本发明的有益效果是:
1、本发明中的未知传染病预警与追溯方法能够将未知传染病从开始出现至被确认期间,所有患者的就诊信息和位置信息进行采集,并存储在数据库中,方便随时进行调用,并根据某种症状的患者出现的密集程度,提早进行预警,起到有效防控作用;
2、本发明中的未知传染病预警与追溯方法采用质子系的原理,建立了一个计算患者密集程度的函数,该函数能够更加精准的对患者的移动轨迹和密集程度进行计算,从而更加精准的对患者密集度高的区域进行预警;
3、本发明中的未知传染病预警与追溯方法,在未知传染病被确认后,能够第一时间逆向追溯到传染病的患者,以及可能被传染的人员,所需时间短,效率高,有效防止传染病的大规模传染;
4、本发明中的未知传染病预警与追溯方法通过上代传染源的拟合,很大可能追溯到传染源,对零号患者的查找提供了价值极高的有效信息。
附图说明
图1为本发明未知传染病预警及追溯方法流程图;
图2为本发明未知传染病预警与追溯系统结构示意图;
图3为本发明初步预警算法中区域划分以及所建立的坐标系示意图。
图4为本发明中重叠系数与时间t的关系曲线图。
图5为本发明实施例中对1号病人位置信息进行填图的结果示意图。
图6为本发明实施例中对2号病人位置信息进行填图的结果示意图。
图7为本发明实施例中对3号病人位置信息进行填图的结果示意图。
图8为本发明实施例中对4号病人位置信息进行填图的结果示意图。
具体实施方式
为了使本领域的普通技术人员能更好的理解本发明的技术方案,下面结合附图和实施例对本发明的技术方案做进一步的描述。
参照附图1所示,一种未知传染病预警及追溯方法,包括以下步骤,
S1、建立未知传染病预警及追溯系统,所述未知传染病预警及追溯系统包括基于手机信息的医院就诊数据采集模块和人员位置信息采集模块、数据库、未知传染病预警模块和未知传染病预警决策模块;
具体的,如附图2所示,未知传染病预警与追溯系统,包括基于手机信息的医院就诊数据采集模块和人员位置信息采集模块、数据库、未知传染病预警模块和未知传染病预警决策模块;
具体的,所述医院就诊数据采集模块通过采用就诊卡+身份证+ 手机实名卡相关联的方式对患者的就诊信息进行采集;患者在医院就诊时,医院就诊数据采集模块不仅对患者的就诊卡信息、身份信息、住址信息进行采集,同时还对患者实名认证的手机号信息进行采集;所述就诊卡信息包括医生的诊断信息;
进一步的,所述人员位置信息采集模块基于手机基站定位服务,通过手机定位功能,对人员的位置信息进行采集;
进一步的,所述数据库与所述数据采集模块进行联网关联,存储患者在医院的就诊信息和人员位置信息;
具体的,所述数据库内设有分类单元,所述分类单元用于将所有患者的就诊信息根据不同的症状进行分类;如具有发烧症状的患者分为一类,具有腹泻症状的患者分为另一类;
所述数据库还连接有数据更新模块,用于对数据库中的患者就诊信息和位置信息进行数据更新,对新加入数据库的数据进行实时更新,并对应的分类到不同的症状分组中。
进一步的,所述未知传染病预警模块调用数据库中的人员位置信息,通过初步预警算法,对人员移动轨迹进行分析,并发出预警信号;
具体的,所述未知传染病预警模块包括区域识别模块、轨迹分析模块和预警模块;
所述区域识别模块自动将城市分为若干区域,并通过调用数据库中的人员位置信息,识别每名患者所经过的所有区域;
所述轨迹分析模块根据患者出现过的区域,对患者的位置信息进行分析,获取患者的区域位置分布规律;
所述预警模块根据轨迹分析模块得出的位置分布规律,当出现同一种症状的患者密集度较高时,预警模块发出未知传染病预警。
进一步的,所述未知传染病预警决策模块通过技术专家确认存在未知传染病风险时,立即调用数据库中的患者就诊信息,确定出现过该种症状的患者,作为主要传染病人员,结合未知传染病预警模块中分析出的患者移动的轨迹,在患者出现过的区域,追溯可能传染的人员群体;
优选的,所述医院就诊数据采集模块基于PC系统,采用intelI3 以上处理器。
优选的,所述人员位置信息采集模块采用安卓5.0以上系统,及其相匹配的硬件设备。
另外,所述人员位置信息采集模块还可以采用ios10以上系统,及其相匹配的硬件设备。
优选的,所述数据库模块、未知传染病预警模块和专家决策模块采用网络传输速度大于500M的光纤,或者具备4G以上网络信号的服务器平台。
优选的,所述数据库模块、未知传染病预警模块和专家决策模块采用网络传输速度为1000M的光纤,或者具备5G网路信号的服务器平台。
优选的,所述数据库模块、未知传染病预警模块和专家决策模块采用IntelXeonCPU为核心的多处理器平台。
S2、数据采集:医院挂号数据采集模块采集患者的身份信息、实名认证的手机号信息,以及就诊过程中检查诊断信息,并上传至数据库;人员位置信息采集模块根据手机定位系统采集人员的位置信息,并上传至数据库;
S3、数据分类:数据库将所有患者的就诊信息根据不同的症状进行分类,如发烧出现发烧症状的为一类,出现腹泻症状的为另一类。
S4、预警分析:未知传染病预警模块对数据库中出现某种症状的患者在一段时间内的位置信息进行提取,利用初步预警算法分析其位置分布规律,根据患者的位置分布规律决定是否发出未知传染病的预警;
具体的,S41:如附图3所示,将城市区域划分成m行n列,即将所在城市划分成m*n个区域,每个区域记为Nij,其中,i为该区域所在的行数,j为该与区域所在的列数,i=1,2,……,m;j=1,2,……, n;
S42:将出现某种症状的患者,根据其位置信息,自动落入每个区域中,每个区域出现患者的人数为Mij;
S43:以一固定点为原点建立坐标系,记区域Nij的中心点坐标为 (aij,bij),根据质点系原理,得出城市内患者密集的中心点(p,q),
其中,i=1,2,……,m;j=1,2,……,n;T为城市内所有患者的人数;
当出现患者的区域总数≤城市划分区域总个数的25%,且所有出现患者的区域的中心点(aij,bij)与城市内患者密集的中心点(p,q)间平均距离≤某一特定值B,也即时,预警模块发出未知传染病预警,其中,B为预先设定的一个定值,B的取值根据城市区域面积以及划分的区域个数设定。
当出现患者的区域总数≥城市划分区域总个数的25%,且出现患者的区域的中心点(aij,bij)与城市内患者密集的中心点(p,q)间的距离的方差≥某一特定值C;也即且δ2≥C时,预警模块发出未知传染病预警,其中,C为预先设定的一个定值;C的取值根据城市区域面积以及划分的区域个数设定;依据离散程度的原理一般认为δ2≥1.3就存在集中的风险,需要进行预警。
当某一天城市内患者人数增长率≥某一特定值D,也即f≥D时,预警模块发出未知传染病预警,其中,D为预先设定的一个定值,比如50%。
S5、传染病患者及其可能被传染人员追溯:当专业监测人员确认存在未知传染病风险时,未知传染病预警决策模块调用数据库中的患者就诊信息,确定出现过该种症状的患者,作为主要传染病人员,并结合未知传染病预警模块中分析出的患者移动的轨迹,在患者出现过的区域,追溯可能传染的人员群体;
S6、传染源追溯:通过追溯所有的主要传染病人员及可能传染的人员群体,拟合上代最大可能传染源的发生位置,通过不断的迭代,直至追溯到初代最大可能传染源。
具体的,S61:将发出预警前一天所有患者的位置信息从数据库中调取出来,按照逆时间顺序依次填入划分出来的m*n个区域,填图完成后计算重叠系数R1;重叠系数的计算方法为 R=∑Hz,其中,R为重叠系数,H为同时出现在同一区域的人数,且H≥2,z为出现重叠现象的次数;
S62:按照步骤S61中的方法对发出预警前倒数第二天至第Y 天的所有患者的位置信息进行填图,并计算重叠系数R2、R3、R4、…… RY;
S63:根据步骤S61和S62的填图和计算结果,得出该传染病的近似发病周期t1;
具体的,由于时间越接近传染病发病周期,患者出现的重合率越高,因此,重叠系数R1、R2,……,RY会出现逐渐提高,然后降低的规律,如附图4所示,出现峰值的位置即为发病周期的中间值t1;
S64:确定了发病周期t1后,观察第t1天时的填图结果,患者出现重叠性显著提高的点,即为上代最大可能传染源的发生位置,进入此区域的患者即为上代病人;
S65:通过不断的向前迭代追溯,直到剩余人数符合目标值,则剩余的人群为初代最大可能传染源;所述目标值依据医疗调查的人数,人数越多准确性约高,但所需的工作量较大,一般认为10-20人较为合适。
S66:针对初代最大可能传染源的人群开展病理学研究。
进一步的,为了避免本发明中的未知传染病预警及追溯系统在使用过程中覆盖率不足的情况发生,可将每个区域进一步的进行细分,通过定位精度提高后的网格细化,增加覆盖率,解决细致不足的缺陷;也可将不同潜伏期下的患者进行迭代优化,计算多种潜伏期下的重叠人群数据集中或离散程度,作为未命中人员增加或错误命中人员的去除依据。
实施例:
假定有4个患者在医院出现了可能的传染病症状发烧,依据相关资料调取其移动轨迹,并按照本发明的方法完成了Mij区域的填图,4 个患者的填图结果如附图4-7所示。
对该城市区域内国有出现患者的区域进行统计,并统计每个区域出现的患者人次,统计结果如表1所示。
表1出现患者的区域统计结果表
说明:在坐标系中,由于各个区域四周坐标为整数,因此中心点坐标为点为0.5序列,为方便计算原点坐标定为(0.5,0.5)。该变化不影响坐标间的相对位置,对计算结果无影响。
可得(p,q)=(2.8,3.9)
计算所有有病人出现的区域中心点至(p,q)距离的均值
计算所有有病人出现的区域中心点至(p,q)距离的方差
δ2=1.34
在该实施例中将城市区域划分成了42个区域,出现患者的区域数为13个,属于出现患者的区域总数≤城市划分区域总个数的25%的情况,可根据的值决定是否发出预警,该值是否需要发出预警根据专家对既往传染病的研究决定,可提前输入程序内。
本实施例中,如果出现患者的区域数为15个,超过了42的25%,那么计算出来方差δ2=1.34时,则需要进行预警。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (7)
1.一种未知传染病预警及追溯方法,其特征在于,包括以下步骤,
S1、建立未知传染病预警及追溯系统,所述未知传染病预警及追溯系统包括基于手机信息的医院就诊数据采集模块和人员位置信息采集模块、数据库、未知传染病预警模块和未知传染病预警决策模块;
S2、数据采集:医院挂号数据采集模块采集患者的身份信息、实名认证的手机号信息,以及就诊过程中检查诊断信息,并上传至数据库;人员位置信息采集模块根据手机定位系统采集人员的位置信息,并上传至数据库;
S3、数据分类:数据库将所有患者的就诊信息根据不同的症状进行分类;
S4、预警分析:未知传染病预警模块对数据库中出现某种症状的患者在一段时间内的位置信息进行提取,利用初步预警算法分析其位置分布规律,根据患者的位置分布规律决定是否发出未知传染病的预警;
S5、传染病患者及其可能被传染人员追溯:当专业监测人员确认存在未知传染病风险时,未知传染病预警决策模块调用数据库中的患者就诊信息,确定出现过该种症状的患者,作为主要传染病人员,并结合未知传染病预警模块中分析出的患者移动的轨迹,在患者出现过的区域,追溯可能传染的人员群体;
S6、传染源追溯:通过追溯所有的主要传染病人员及可能传染的人员群体,拟合上代最大可能传染源的发生位置,通过不断的迭代,直至追溯到初代最大可能传染源。
2.根据权利要求1所述的一种未知传染病预警及追溯方法,其特征在于:步骤S1中所述的数据库内设有分类单元,所述分类单元用于将所有患者的就诊信息根据不同的症状进行分类;
所述数据库还连接有数据更新模块,用于对数据库中的患者就诊信息和位置信息进行数据更新。
3.根据权利要求2所述的一种未知传染病预警及追溯方法,其特征在于:步骤S1中所述的未知传染病预警模块包括区域识别模块、轨迹分析模块和预警模块;
所述区域识别模块识别患者所处的区域;
所述轨迹分析模块对患者的位置信息进行分析,获取患者的区域位置分布规律;
所述预警模块根据轨迹分析模块得出的人员位置分布规律,决定是否发出预警,对于满足预警情况的发出未知传染病预警信号。
4.根据权利要求3所述的一种未知传染病预警及追溯方法,其特征在于,步骤S4中所述的初步预警算法具体操作包括:
S41:将城市区域划分成m行n列,也即将所在城市划分成m*n个区域,每个区域记为Nij,其中,i为该区域所在的行数,j为该与区域所在的列数,i=1,2,……,m;j=1,2,……,n;
S42:将出现某种症状的患者,根据其位置信息,自动落入每个区域中,每个区域出现患者的人数为Mij;
S43:以一固定点为原点建立坐标系,记区域Nij的中心点坐标为(aij,bij),根据质点系原理,得出城市内患者密集的中心点(p,q),
其中,i=1,2,……,m;j=1,2,……,n;T为城市内所有患者的人数;
5.根据权利要求4所述的一种未知传染病预警及追溯方法,其特征在于,所述预警模块发出未知传染病预警的情况包括:
当出现患者的区域总数≤城市划分区域总个数的25%,且所有出现患者的区域的中心点(aij,bij)与城市内患者密集的中心点(p,q)间平均距离≤某一特定值B,也即时,预警模块发出未知传染病预警,其中,B为预先设定的一个定值;
当出现患者的区域总数≥城市划分区域总个数的25%,且出现患者的区域的中心点(aij,bij)与城市内患者密集的中心点(p,q)间的距离的方差≥某一特定值C;也即且δ2≥C时,预警模块发出未知传染病预警,其中,C为预先设定的一个定值;
当某一天城市内患者人数增长率≥某一特定值D,也即f≥D时,预警模块发出未知传染病预警,其中,D为预先设定的一个定值。
6.根据权利要求5所述的一种未知传染病预警及追溯方法,其特征在于,步骤S6的具体操作包括,
S61:将发出预警前一天所有患者的位置信息从数据库中调取出来,按照逆时间顺序依次填入划分出来的m*n个区域,填图完成后计算重叠系数R1;重叠系数的计算方法为
R=∑Hz,其中,R为重叠系数,H为同时出现在同一区域的人数,且H≥2,z为出现重叠现象的次数;
S62:按照步骤S61中的方法对发出预警前倒数第二天至第Y天的所有患者的位置信息进行填图,并计算重叠系数R2、R3、R4、……RY;
S63:根据步骤S61和S62的填图和计算结果,得出该传染病的近似发病周期t1;
S64:确定了发病周期t1后,观察第t1天时的填图结果,患者出现重叠性显著提高的点,即为上代最大可能传染源的发生位置,进入此区域的患者即为上代病人;
S65:通过不断的向前迭代追溯,直到剩余人数符合目标值,则剩余的人群为初代最大可能传染源;
S66:针对初代最大可能传染源的人群开展病理学研究。
7.根据权利要求6所述的一种未知传染病预警及追溯方法,其特征在于,步骤S65中的目标值为10-20。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010192789.0A CN111403048A (zh) | 2020-03-18 | 2020-03-18 | 一种未知传染病预警及追溯方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010192789.0A CN111403048A (zh) | 2020-03-18 | 2020-03-18 | 一种未知传染病预警及追溯方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111403048A true CN111403048A (zh) | 2020-07-10 |
Family
ID=71430956
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010192789.0A Pending CN111403048A (zh) | 2020-03-18 | 2020-03-18 | 一种未知传染病预警及追溯方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111403048A (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN112185586A (zh) * | 2020-11-17 | 2021-01-05 | 北京嘉和海森健康科技有限公司 | 一种传染病监测预警方法及装置 |
CN112203231A (zh) * | 2020-10-10 | 2021-01-08 | 深圳壹账通智能科技有限公司 | 传染病追踪方法、装置、电子设备及存储介质 |
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 |
CN112382407A (zh) * | 2020-11-12 | 2021-02-19 | 平安科技(深圳)有限公司 | 一种风险管控方法、装置、电子设备和存储介质 |
CN112420211A (zh) * | 2020-09-30 | 2021-02-26 | 医渡云(北京)技术有限公司 | 未知传染病的预警方法、装置、电子设备及计算机介质 |
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 |
CN112669981A (zh) * | 2020-12-30 | 2021-04-16 | 广东省科学院广州地理研究所 | 呼吸道传染病的三维时空溯源方法、装置及设备 |
CN112768086A (zh) * | 2021-02-07 | 2021-05-07 | 厦门兆信物之联智能科技有限公司 | 基于区块链的健康追溯方法、系统、移动终端及存储介质 |
CN112820413A (zh) * | 2021-01-27 | 2021-05-18 | 秦友慈 | 一种疫情防御大数据平台 |
CN112866945A (zh) * | 2021-01-11 | 2021-05-28 | 成戍 | 一种基于传感器网络及大数据分析的传染病防控追溯系统 |
CN113729643A (zh) * | 2021-06-29 | 2021-12-03 | 暨南大学 | 基于健康监测和轨道监测的传染病防控方法、设备及系统 |
CN115762797A (zh) * | 2022-09-28 | 2023-03-07 | 南京汉卫公共卫生研究院有限公司 | 一种基于大数据的多点触发传染病预警方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2002019246A2 (en) * | 2000-09-01 | 2002-03-07 | The Government Of The United States Of America, As Represented By The Secretary Of The Navy | Early warning outbreak and recognition system |
KR101040043B1 (ko) * | 2011-01-24 | 2011-06-16 | 대한민국 | 환자의 분포 상태를 지리정보와 병합 출력하는 질병관리시스템 |
CN103093106A (zh) * | 2013-01-25 | 2013-05-08 | 上海市浦东新区疾病预防控制中心 | 大型活动中多源数据的传染病症状监测与预警方法 |
JP2016081321A (ja) * | 2014-10-17 | 2016-05-16 | 日本電気株式会社 | 感染症流行予測装置、感染症流行予測方法及びプログラム |
CN105740615A (zh) * | 2016-01-28 | 2016-07-06 | 中山大学 | 利用手机轨迹追踪传染源和预测传染病流行趋势的方法 |
CN109117861A (zh) * | 2018-06-29 | 2019-01-01 | 浙江大学宁波理工学院 | 一种顾及空间位置的点集多层次聚集性分析方法 |
CN110600139A (zh) * | 2019-10-25 | 2019-12-20 | 甘肃大禹九洲空间信息科技有限公司 | 一种基于gis的区域性人口传染病预警方法 |
-
2020
- 2020-03-18 CN CN202010192789.0A patent/CN111403048A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2002019246A2 (en) * | 2000-09-01 | 2002-03-07 | The Government Of The United States Of America, As Represented By The Secretary Of The Navy | Early warning outbreak and recognition system |
KR101040043B1 (ko) * | 2011-01-24 | 2011-06-16 | 대한민국 | 환자의 분포 상태를 지리정보와 병합 출력하는 질병관리시스템 |
CN103093106A (zh) * | 2013-01-25 | 2013-05-08 | 上海市浦东新区疾病预防控制中心 | 大型活动中多源数据的传染病症状监测与预警方法 |
JP2016081321A (ja) * | 2014-10-17 | 2016-05-16 | 日本電気株式会社 | 感染症流行予測装置、感染症流行予測方法及びプログラム |
CN105740615A (zh) * | 2016-01-28 | 2016-07-06 | 中山大学 | 利用手机轨迹追踪传染源和预测传染病流行趋势的方法 |
CN109117861A (zh) * | 2018-06-29 | 2019-01-01 | 浙江大学宁波理工学院 | 一种顾及空间位置的点集多层次聚集性分析方法 |
CN110600139A (zh) * | 2019-10-25 | 2019-12-20 | 甘肃大禹九洲空间信息科技有限公司 | 一种基于gis的区域性人口传染病预警方法 |
Non-Patent Citations (1)
Title |
---|
陈红缨: "疾病监测分析实用指南", 31 October 2018, 湖北科学技术出版社, pages: 61 - 64 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
CN112420211A (zh) * | 2020-09-30 | 2021-02-26 | 医渡云(北京)技术有限公司 | 未知传染病的预警方法、装置、电子设备及计算机介质 |
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 |
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 |
CN112203231A (zh) * | 2020-10-10 | 2021-01-08 | 深圳壹账通智能科技有限公司 | 传染病追踪方法、装置、电子设备及存储介质 |
CN112382407A (zh) * | 2020-11-12 | 2021-02-19 | 平安科技(深圳)有限公司 | 一种风险管控方法、装置、电子设备和存储介质 |
CN112185586A (zh) * | 2020-11-17 | 2021-01-05 | 北京嘉和海森健康科技有限公司 | 一种传染病监测预警方法及装置 |
CN112669981A (zh) * | 2020-12-30 | 2021-04-16 | 广东省科学院广州地理研究所 | 呼吸道传染病的三维时空溯源方法、装置及设备 |
CN112669981B (zh) * | 2020-12-30 | 2023-03-21 | 广东省科学院广州地理研究所 | 呼吸道传染病的三维时空溯源方法、装置及设备 |
CN112866945A (zh) * | 2021-01-11 | 2021-05-28 | 成戍 | 一种基于传感器网络及大数据分析的传染病防控追溯系统 |
CN112820413A (zh) * | 2021-01-27 | 2021-05-18 | 秦友慈 | 一种疫情防御大数据平台 |
CN112768086A (zh) * | 2021-02-07 | 2021-05-07 | 厦门兆信物之联智能科技有限公司 | 基于区块链的健康追溯方法、系统、移动终端及存储介质 |
CN112768086B (zh) * | 2021-02-07 | 2024-03-15 | 厦门兆信物之联智能科技有限公司 | 基于区块链的健康追溯方法、系统、移动终端及存储介质 |
CN113729643A (zh) * | 2021-06-29 | 2021-12-03 | 暨南大学 | 基于健康监测和轨道监测的传染病防控方法、设备及系统 |
CN115762797A (zh) * | 2022-09-28 | 2023-03-07 | 南京汉卫公共卫生研究院有限公司 | 一种基于大数据的多点触发传染病预警方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111403048A (zh) | 一种未知传染病预警及追溯方法 | |
WO2021051609A1 (zh) | 细颗粒物污染等级的预测方法、装置及计算机设备 | |
CN108510495A (zh) | 一种基于人工智能的肺部影像数据处理方法、装置及系统 | |
EP1964014A1 (en) | Method of identifying clusters and connectivity between clusters | |
CN109166630B (zh) | 一种传染病数据监控处理方法和系统 | |
CN113034489B (zh) | 基于深度学习的人工智能鼻窦ct图像处理系统 | |
WO2021068781A1 (zh) | 一种疲劳状态识别方法、装置和设备 | |
WO2021151290A1 (zh) | 基于机器学习的面部信息识别监控方法及装置 | |
CN112820415B (zh) | 一种基于gis的慢性病时空演化特征分析及环境健康风险监测系统及方法 | |
CN111081379A (zh) | 一种疾病概率决策方法及其系统 | |
CN116110597B (zh) | 一种基于数字孪生的患者病症类别智能分析方法及装置 | |
WO2022184124A1 (zh) | 生理电信号分类处理方法、装置、计算机设备和存储介质 | |
CN108717875A (zh) | 一种基于大数据的慢性疾病智能管理系统 | |
CN112669925A (zh) | 一种新冠肺炎ct复查的报告模板及形成方法 | |
CN109192312B (zh) | 一种心力衰竭患者不良事件智能管理系统及方法 | |
Abd Algani et al. | Autonomous service for managing real time notification in detection of COVID-19 virus | |
CN114386500A (zh) | 传染病采样点选取方法、装置、设备及存储介质 | |
CN113096785A (zh) | 一种疫情时期医疗资源分配方法 | |
CN110020222A (zh) | 标志点确定方法、装置及存储介质 | |
CN111933283A (zh) | 一种健康监测方法及装置 | |
CN114068036B (zh) | 一种基于物联网感知的传染传播预测方法及系统 | |
CN116364305A (zh) | 基于流行病学的疾病传播风险快速分析系统及方法 | |
CN116013508A (zh) | 一种用于眼科的数据采集系统及方法 | |
CN114360732B (zh) | 医疗数据分析方法、装置、电子设备及存储介质 | |
CN115732098A (zh) | 一种基于改进seir模型的传染病跨城市传播预测方法及系统 |
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 |