CN111739658B - 基于输入病例预测传染病趋势的方法及装置 - Google Patents

基于输入病例预测传染病趋势的方法及装置 Download PDF

Info

Publication number
CN111739658B
CN111739658B CN202010695758.7A CN202010695758A CN111739658B CN 111739658 B CN111739658 B CN 111739658B CN 202010695758 A CN202010695758 A CN 202010695758A CN 111739658 B CN111739658 B CN 111739658B
Authority
CN
China
Prior art keywords
target area
people
input
latent
intervention
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
CN202010695758.7A
Other languages
English (en)
Other versions
CN111739658A (zh
Inventor
焦增涛
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.)
Yidu Cloud Beijing Technology Co Ltd
Original Assignee
Yidu Cloud Beijing Technology Co Ltd
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 Yidu Cloud Beijing Technology Co Ltd filed Critical Yidu Cloud Beijing Technology Co Ltd
Priority to CN202010695758.7A priority Critical patent/CN111739658B/zh
Publication of CN111739658A publication Critical patent/CN111739658A/zh
Application granted granted Critical
Publication of CN111739658B publication Critical patent/CN111739658B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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

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

本公开的实施例提供了一种基于输入病例预测传染病趋势的方法及装置。该方法包括：针对目标传染病，预测外部区域输入至目标区域的潜伏期人数；基于所述输入至目标区域的潜伏期人数以及干预措施的漏检率，确定经过干预后输入所述目标区域的潜伏期的人数；基于经过干预后输入所述目标区域的潜伏期的人数、历史疫情数据以及所述目标传染病的预设的传染病模型，预测未来所述目标区域的疫情数据。本公开中，在进行疫情数据预测时，融合了外部区域的输入数据以及干预措施的影响，提升传染病预测的准确性。

Description

基于输入病例预测传染病趋势的方法及装置
技术领域
本公开涉及医疗数据处理技术领域，具体而言，涉及一种基于输入病例预测传染病趋势的方法、装置、存储介质及电子设备。
背景技术
传染病模型基于对传染病的传播速度、空间范围、传播途径、动力学机理等问题研究，用以指导对传染病的有效地预防和控制。
在传染病模型SEIR中，人群按照易感期（Susceptible，S）、潜伏期（Exposed，E）、感染期（Infectious，I）以及移除期（Remove，R）的顺序感染。
相关技术中，基于上述模型进行疫情数据预测时，并未考虑针对输入病例的预测的情况，仅基于目标区域内的感染数据对疫情进行预测，无法适应一些复杂情况下的传染病感染预测，降低了传染病预测的准确性。
需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本公开实施例提供一种基于输入病例预测传染病趋势的方法及装置，融合了外部区域输入目标地区的输入数据以及干预措施的影响，提升传染病预测的准确性。
本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。
根据本公开实施例的一个方面，提供了一种基于输入病例预测传染病趋势的方法，其中，包括：针对目标传染病，预测外部区域输入至目标区域的潜伏期人数；基于所述输入至目标区域的潜伏期人数以及干预措施的漏检率，确定经过干预后输入所述目标区域的潜伏期的人数；基于经过干预后输入所述目标区域的潜伏期的人数、历史疫情数据以及所述目标传染病的预设的传染病模型，预测未来所述目标区域的疫情数据。
在本公开的一些示例性实施例中，基于前述方案，所述预测外部区域输入至目标区域的潜伏期人数，包括：确定所述外部区域在当地的潜伏期人数；确定所述外部区域输入所述目标区域的人数；根据输入所述目标区域的人数，以及所述外部地区在当地的潜伏期人数，预测外部区域输入至目标区域的潜伏期人数。
在本公开的一些示例性实施例中，基于前述方案，根据输入所述目标区域的人数，以及所述外部地区在当地的潜伏期人数，预测外部区域输入至目标区域的潜伏期人数，包括：确定所述外部地区在当地的潜伏期人数占据所述外部地区的总人数的比值；将所述比值与所述外部区域输入所述目标区域的人数的乘积的值，作为所述外部区域输入至目标区域的潜伏期人数。
在本公开的一些示例性实施例中，基于前述方案，所述漏检率是基于所述目标传染病的干预措施对应的历史疫情数据确定的。
在本公开的一些示例性实施例中，基于前述方案，基于所述输入至目标区域的潜伏期人数以及干预措施的漏检率，确定经过干预后输入所述目标区域的潜伏期的人数，包括：若所述外部区域的数目为一个，则将所述外部区域输入至目标区域的潜伏期人数与所述外部区域的干预措施的漏检率的乘积的值，作为所述经过干预后输入所述目标区域的潜伏期的人数；若所述外部区域的数目为多个，则将每一外部区域的输入至目标区域的潜伏期人数与该外部区域的干预措施的漏检率的乘积的值，作为每一外部区域经过干预后输入所述目标区域的潜伏期人数，对各个外部区域经过干预后输入所述目标区域的潜伏期人数求和，以确定经过干预后输入所述目标区域的潜伏期的人数。
在本公开的一些示例性实施例中，基于前述方案，所述干预措施包括：进入所述目标区域的人员隔离预设时间段、从高风险的外部区域进入所述目标区域的人员隔离预设时间段、进入所述目标区域的人员的筛查以及不进行任何干预中的任意一种。
在本公开的一些示例性实施例中，基于前述方案，所述历史疫情数据包括：目标区域当前的易感染人数、目标区域当前的潜伏期人数；
基于经过干预后输入所述目标区域的潜伏期的人数、历史疫情数据以及所述目标传染病的预设的传染病模型，预测未来所述目标区域的疫情数据，包括：根据目标区域当前的潜伏期人数、所述传染病当前的感染能力指数、目标区域当前的易感期人数、潜伏期内当前被感染的概率、经过干预后输入至所述目标区域的潜伏期的人数以及预设的潜伏期模型，预测未来所述目标区域的潜伏期人数；其中，所述传染病当前的感染能力指数、潜伏期内当前被感染的概率是通过所述历史疫情数据确定。
在本公开的一些示例性实施例中，基于前述方案，所述潜伏期模型包括：
Figure DEST_PATH_IMAGE001
其中，
Figure 150341DEST_PATH_IMAGE002
表示潜伏期在
Figure DEST_PATH_IMAGE003
时刻的人数，
Figure 536323DEST_PATH_IMAGE004
表示潜伏期在t时刻的 人数，
Figure DEST_PATH_IMAGE005
表示易感期在t时刻的人数，
Figure 175115DEST_PATH_IMAGE006
表示t时刻目标传染病的感染能力指数，
Figure DEST_PATH_IMAGE007
表示所有外部区域输入至目标区域的潜伏期的人数，
Figure 39166DEST_PATH_IMAGE008
表示潜伏期内t时刻被感 染的概率，
Figure DEST_PATH_IMAGE009
表示经过干预后t时刻输入至目标区域的潜伏期的人数。
根据本公开实施例的一个方面，提供了一种基于输入病例预测传染病趋势的装置，其中，包括：第一预测模块，配置为针对目标传染病，预测外部区域输入至目标区域的潜伏期人数；第一确定模块，配置为基于所述输入至目标区域的潜伏期人数以及干预措施的漏检率，确定经过干预后输入所述目标区域的潜伏期的人数；第二预测模块，配置为基于经过干预后输入所述目标区域的潜伏期的人数、历史疫情数据以及所述目标传染病的预设的传染病模型，预测未来所述目标区域的疫情数据。
根据本公开实施例的一个方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如上述实施例中所述的方法。
根据本公开实施例的一个方面，提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如上述实施例中所述的方法。
本发明实施例中，针对目标传染病，预测外部区域输入至目标区域的潜伏期人数；基于所述输入至目标区域的潜伏期人数以及干预措施的漏检率，确定经过干预后输入所述目标区域的潜伏期的人数；基于经过干预后输入所述目标区域的潜伏期的人数、历史疫情数据以及所述目标传染病的预设的传染病模型，预测未来所述目标区域的疫情数据。可见，本发明实施例中，融合了外部区域输入目标区域的输入数据以及干预措施的影响，结合目标区域的历史疫情数据，进行疫情数据的预测，从而提升传染病预测的准确性。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：
图1示意性示出了根据相关技术中的一个实施例的传染病模型的结构示意图；
图2示意性示出了根据本公开的一个实施例的基于输入病例预测传染病趋势的方法的流程图；
图3示意性示出了根据本公开的一个实施例的传染病模型的结构示意图；
图4示意性示出了根据本公开的一个实施例的基于输入病例预测传染病趋势的方法的数据流的示意图；
图5示意性示出了根据本公开的一实施例的基于输入病例预测传染病趋势的装置的框图；
图6示出了适于用来实现本公开实施例的电子设备的计算机系统的结构示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。
此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本公开的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而没有特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知方法、装置、实现或者操作以避免模糊本公开的各方面。
附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。
图1示意性示出了根据相关技术中的一个实施例的传染病模型的结构示意图，如图1所示，SEIR模型包括4个部分，感染顺序为：易感期（Susceptible，S）、潜伏期（Exposed，E）、感染期（Infectious，I）以及移除期（Remove，R）。该模型仅能基于目标区域内的感染数据对疫情进行预测，无法适应一些复杂情况下的传染病感染预测，降低了传染病预测的准确性。
基于此，本发明实施例提出了一种基于输入病例预测传染病趋势的方法，融合了外部区域的输入数据以及干预措施的影响，提升传染病预测的准确性。
图2示意性示出了根据本公开的一个实施例的基于输入病例预测传染病趋势的方法的流程图。本公开实施例所提供的方法可以由任意具备计算处理能力的电子设备处理，例如服务器和/或终端设备，在下面的实施例中，以服务器为执行主体为例进行举例说明，但本公开并不限定于此。
如图2所示，该方法可以包括但不限于以下流程：
在S210中，针对目标传染病，预测外部区域输入至目标区域的潜伏期人数。
本发明实施例中，外部区域是针对目标区域而言，外部区域是目标区域以外的区域，如国家、省份、城市、镇/区等，外部区域可以是一个或多个。例如，目标区域为中国，外部区域可以是美国、日本、加拿大等国家。
本发明实施例中，在预测外部区域输入至目标区域的潜伏期人数时，可以首先确定所述外部区域在当地的潜伏期人数，然后确定所述外部区域输入目标区域的人数，进而根据所述输入目标区域的人数以及所述外部地区在当地的潜伏期人数，预测外部区域输入至目标区域的潜伏期人数。
本发明实施例中，根据输入所述目标区域的人数，以及所述外部地区在当地的潜伏期人数，预测外部区域输入至目标区域的潜伏期人数，包括：确定所述外部地区在当地的潜伏期人数占据所述外部地区的总人数的比值，将所述比值与所述外部区域输入所述目标区域的人数的乘积的值，作为所述外部区域输入至目标区域的潜伏期人数。
需要指出的是，对于外部区域输入至目标区域的感染期以及移除期的病例已经在干预措施的情况下进行隔离，因此本发明实施例中仅是针对潜伏期人数进行预测。
需要说明的是，可以基于外部区域的历史疫情数据，确定外部区域本地的传染病模型，然后基于该传染病模型，可以预测出外部区域当地的潜伏期人数，根据所述外部地区在当地的潜伏期人数占据所述外部地区的总人数的比值，从输入所述目标区域的人数中预测所述外部区域输入至目标区域的潜伏期人数。
例如，某外部区域预测的潜伏期人数为100，该外部区域总人数为10000，则潜伏期人数占比为1%，输入至目标区域的人数为500，则输入目标区域的潜伏期的人数为500×1%=5。
需要说明的是，上述预测外部区域输入至目标区域的潜伏期人数的方法，是基于各个外区区域疫情均匀感染，且每个人进入目标区域是等概率的情况下进行的。
在S220中，基于所述输入至目标区域的潜伏期人数以及干预措施的漏检率，确定经过干预后输入所述目标区域的潜伏期的人数。
本发明实施例中，干预措施Interaction可以包括以下中的一种：进入所述目标区域的人员隔离预设时间段、从高风险的外部区域进入所述目标区域的人员隔离预设时间段、进入所述目标区域的人员的筛查以及不进行任何干预。
本发明实施例中，针对不同的干预措施，其漏检率都是通过该干预措施对应的历史疫情数据确定的，但是具体的估算方法不同。
1）针对进入所述目标区域的人员隔离预设时间段
例如，所有输入至目标区域的人员隔离14天。可以分析该目标区域所有有详情流调的患者，统计历史疫情数据中发生潜伏期大于14天以上感染者，确定该感染者数量占总感染者的比例，该比例为进入目标区域的人员隔离14天的漏检率。
2）从高风险的外部区域进入所述目标区域的人员隔离预设时间段
例如，从高风险地区进入目标区域的人员隔离14天，其中，该高风险地区可以是移除期病例大于阈值的地区。例如，最近14天累计移除期病例大于50的区域，为高风险地区。
在确定漏检率时，分析该目标区域所有有详情流调的患者，统计历史疫情数据中最近14天内，（低风险地区输入潜伏期人数+高风险国家输入潜伏期人数*潜伏期大于14天的比例）/ 总输入潜伏期人数的值，该值为从高风险地区进入目标区域的人员隔离14天的漏检率。
3）进入所述目标区域的人员的筛查
可以通过个人历史数据筛查，统计出没有筛查出问题但是仍被移除的人员占总输入潜伏期人数的值，该值为进入目标区域的人员的筛查的漏检率，或者，直接从海关或其他进入目标区域的人员管理系统得到。
4）不进行任何干预
不进行任何干预，其漏检率为100%。
需要指出的是，针对一个外部区域输入至目标区域的潜伏期人数，只能采用以上干预措施中的一种，而不能采用多种。若所述外部区域的数目为一个，基于所述外部区域输入至目标区域的潜伏期人数以及所述外部区域的干预措施的漏检率，确定经过干预后输入所述目标区域的潜伏期的人数。
但是，针对多个外部区域输入至目标区域的潜伏期人数，既可以采用以上干预措施中的任意一种，也可以设置每个外部区域对应一种干预措施。若所述外部区域的数目为多个，基于各外部区域的输入至目标区域的潜伏期人数以及各外部区域的干预措施，确定各外部区域经过干预后输入所述目标区域的潜伏期人数，对各外部区域经过干预后输入所述目标区域的潜伏期人数求和，以确定经过干预后输入所述目标区域的潜伏期的人数。具体地，若所述外部区域的数目为一个，则将所述外部区域输入至目标区域的潜伏期人数与所述外部区域的干预措施的漏检率的乘积的值，作为所述经过干预后输入所述目标区域的潜伏期的人数；若所述外部区域的数目为多个，则将每一外部区域的输入至目标区域的潜伏期人数与该外部区域的干预措施的漏检率的乘积的值，作为每一外部区域经过干预后输入所述目标区域的潜伏期人数，对各个外部区域经过干预后输入所述目标区域的潜伏期人数求和，以确定经过干预后输入所述目标区域的潜伏期的人数。
需要指出的是，针对多个外部区域采用一种干预措施时，在可以获取各个外部区域输入至目标区域的潜伏期人数，也可以将各个外部区域输入至目标区域的潜伏期人数相加，得到外部区域输入至目标区域的潜伏期人数的总和，利用该总和以及采用的一种干预措施的漏检率，确定经过干预后输入至目标区域的潜伏期的人数。
例如，当针对多个外部区域输入至目标区域的潜伏期人数，采用以上干预措施中的一种进行干预，假设各个外区区域疫情均匀感染，且所有人进入目标区域是等概率的，则本发明实施例中，所有外部区域进入目标区域的潜伏期人数可以用以下公式表示：
Figure 587959DEST_PATH_IMAGE010
（1）
其中，
Figure DEST_PATH_IMAGE011
表示所有外部区域输入至目标区域的潜伏期的人数，m属于0至M中的 任意一个整数，M表示外部区域的总数，
Figure 3897DEST_PATH_IMAGE012
表示第m个外部区域t时刻的潜伏期人数，
Figure DEST_PATH_IMAGE013
表示第m个外部区域t时刻输入至目标区域的人数，
Figure 5351DEST_PATH_IMAGE014
表示第m个外 部区域的总人数。
根据上述公式（1）得到所有外部区域输入至目标区域的潜伏期的人数后，可以基于如下的公式计算经过干预后输入所述目标区域的潜伏期的人数：
Figure DEST_PATH_IMAGE015
（2）
其中，
Figure 938672DEST_PATH_IMAGE009
表示t时刻经过干预后输入至目标区域的潜伏期人数，
Figure 968070DEST_PATH_IMAGE007
表示所 有外部区域在t时刻输入至目标区域的潜伏期人数，
Figure 695854DEST_PATH_IMAGE016
表示干预措施的漏检率。
当针对多个外部区域输入至目标区域的潜伏期人数，设置每个外部区域对应一种干预措施，可以基于各外部区域的输入至目标区域的潜伏期人数以及各外部区域对应的干预措施，确定各外部区域经过干预后输入所述目标区域的潜伏期人数，对各外部区域经过干预后输入所述目标区域的潜伏期人数求和，以确定经过干预后输入所述目标区域的潜伏期的人数。
例如，针对多个外部区域设置每个外部区域对应一种干预措施时，可以获取各个外部区域输入至目标区域的人数，然后基于各个外部区域对应的干预措施的漏检率，得到每个外部区域经过干预后输入至目标区域的潜伏期人数，然后将各个外部区域经过干预后输入至目标区域的潜伏期人数相加，得到经过干预后输入至目标区域的潜伏期人数。
在S230中，基于经过干预后输入所述目标区域的潜伏期的人数、历史疫情数据以及所述目标传染病的预设的传染病模型，预测未来所述目标区域的疫情数据。
需要说明的是，未来是指当前时刻以后的任意时刻。
本发明实施例中，历史疫情数据还可以包括：目标区域当前的易感染人数、目标区域当前的潜伏期人数，但本发明并不限于此，例如，还可以包括：目标区域当前的感染期人数以及目标区域当前移除期人数。
本发明实施例中，感染期是指患者发病、产生症状的时期，移除期包括：确诊、自愈、死亡三个时期。
目标传染病的预设的传染病模型包括以下传播感染参数：所述目标传染病当前的感染能力指数、潜伏期内当前被感染的概率、感染期内当前被移除的概率。其中，所述传染病当前的感染能力指数、潜伏期内当前被感染的概率是通过所述历史疫情数据确定的。
本发明实施例中，针对历史疫情数据不同，未来所述目标区域的疫情数据不同，例如，当历史疫情数据包括：目标区域当前的易感染人数、目标区域当前的潜伏期人数时，未来所述目标区域的疫情数据包括：未来所述目标区域的潜伏期人数，或未来所述目标区域的易感期人数以及潜伏期人数。当历史疫情数据包括：目标区域当前的易感染人数、目标区域当前的潜伏期人数、目标区域当前的感染期人数以及目标区域当前移除期人数时，未来所述目标区域的疫情数据包括：未来所述目标区域的易感期人数、潜伏期人数、感染期人数以及移除期人数。
本发明实施例中，若仅对未来所述目标区域的潜伏期人数，或未来所述目标区域的易感期人数以及潜伏期人数预测，此时，仅根据预设的传染病模型的传播感染参数：所述目标传染病当前的感染能力指数以及潜伏期内当前被感染的概率既能进行预测，若对未来所述目标区域的易感期人数、潜伏期人数、感染期人数以及移除期人数预测，还需要确定所述目标传染病的感染期内当前被移除的概率。
本发明实施例中，可以根据目标区域当前的易感期人数、所述传染病当前的感染能力指数以及预设的易感期模型，预测未来所述目标区域的易感期人数。
易感期模型可以如下：
Figure DEST_PATH_IMAGE017
（3）
其中，
Figure 184604DEST_PATH_IMAGE018
表示易感期在
Figure 656037DEST_PATH_IMAGE003
时刻的人数，
Figure 179422DEST_PATH_IMAGE005
表示易感期在t时刻的 人数，
Figure 468321DEST_PATH_IMAGE006
表示t时刻目标传染病的感染能力指数，
Figure 709947DEST_PATH_IMAGE007
表示所有外部区域输入至目标 区域的潜伏期的人数。
需要指出的是，该N（t）包括t时刻外部区域输入至目标区域的人数。
本发明实施例中，可以根据目标区域当前的潜伏期人数、所述传染病当前的感染能力指数、目标区域当前的易感期人数、潜伏期内当前被感染的概率、经过干预后输入至所述目标区域的潜伏期的人数以及预设的潜伏期模型，预测未来所述目标区域的潜伏期人数。
潜伏期模型可以如下：
Figure DEST_PATH_IMAGE019
（4）
其中，
Figure 453912DEST_PATH_IMAGE002
表示潜伏期在
Figure 97383DEST_PATH_IMAGE003
时刻的人数，
Figure 166970DEST_PATH_IMAGE004
表示潜伏期在t时刻的 人数，
Figure 754946DEST_PATH_IMAGE005
表示易感期在t时刻的人数，
Figure 833760DEST_PATH_IMAGE006
表示t时刻目标传染病的感染能力指数，
Figure 66159DEST_PATH_IMAGE007
表示所有外部区域输入至目标区域的潜伏期的人数，
Figure 837806DEST_PATH_IMAGE008
表示潜伏期内t时刻被感 染的概率，
Figure 522865DEST_PATH_IMAGE009
表示经过干预后t时刻输入至目标区域的潜伏期的人数。
需要指出的是，该N（t）包括t时刻外部区域输入至目标区域的人数。
本发明实施例中，可以根据目标区域当前的感染期人数、潜伏期内当前被感染的概率、目标区域当前的感染期人数、感染期内当前被移除的概率以及预设的感染期模型，预测未来所述目标区域的感染期人数。
感染期模型可以如下：
Figure 139791DEST_PATH_IMAGE020
（5）
其中，
Figure DEST_PATH_IMAGE021
表示感染期在
Figure 351330DEST_PATH_IMAGE003
时刻的人数，
Figure 293878DEST_PATH_IMAGE022
表示感染期在t时刻的人 数，
Figure 466233DEST_PATH_IMAGE008
表示潜伏期内t时刻被感染的概率，
Figure 621271DEST_PATH_IMAGE004
表示潜伏期在t时刻的人数，
Figure DEST_PATH_IMAGE023
表示 感染期在t时刻被移除的概率。
本发明实施例中，可以根据目标区域当前的潜伏期人数、感染期内当前被移除的概率、目标区域当前的移除期人数以及预设置的移除期模型，预测未来所述目标区域的移除期人数。
移除期模型可以如下：
Figure 828261DEST_PATH_IMAGE024
（6）
其中，
Figure DEST_PATH_IMAGE025
表示移除期在
Figure 299301DEST_PATH_IMAGE003
时刻的人数，
Figure 958952DEST_PATH_IMAGE026
表示移除期在t时刻的 人数，
Figure DEST_PATH_IMAGE027
表示感染期在t时刻被移除的概率，
Figure 917681DEST_PATH_IMAGE022
表示感染期在t时刻的人数。
本发明实施例中，当前时刻可以是t时刻，基于t时刻的易感期、潜伏期、感染期以 及移除期人数，可以确定
Figure 979178DEST_PATH_IMAGE028
时刻（即未来）的各个时期的人数。
本发明实施例中，根据第一预设时间段内的所述历史疫情数据中有症状感染者在潜伏期的各个时间段被感染的人数占据该第一预设时间段对应的潜伏期的人数的比值，确定第一分布的参数，基于所述第一分布确定所述潜伏期内当前被感染的概率。
第一时预设时间段是当前时间以前的一段时间，根据该第一预设时间段对应的历史疫情数据可以确定潜伏期内当前被感染的概率。
本发明实施例中，可以统计出历史疫情数据中潜伏期被感染的各个时间段的人数以及潜伏期的总人数，利用各个时间段的人数除以潜伏期的总人数，得到第一分布的参数，该第一分布可以是泊松分布、均匀分布、正太分布中的一种，表示潜伏期的每一时刻被感染的概率。
例如，当前时刻为t，t-14至t为第一预设时间段，在其对应的历史疫情数据中，在潜伏期的第一天被感染的人数为10，在潜伏期的第二天被感染的人数为20……在t-14至t内潜伏期的总人数（t-14至t的各个时刻的潜伏期人数之和）为100，则利用潜伏期被感染的各个时间段（t-14至t的每一天）的人数除以100，则得到泊松分布（或均匀分布、正太分布）的分布参数，利用泊松分布（或均匀分布、正太分布）表示潜伏期的每一时刻被感染的概率。
本发明实施例中，根据第二预设时间段内的所述历史疫情数据中有症状感染者在感染期的各个时间段被移除的人数占据该第二预设时间段对应的感染期的人数的比值，确定第二分布的参数，基于所述第二分布确定所述感染期内当前被移除的概率。
第二时预设时间段是当前时间以前的一段时间，根据该第二预设时间段对应的历史疫情数据可以确定感染期内当前被移除的概率。
本发明实施例中，可以统计出历史疫情数据中感染期被移除的各个时间段的人数以及感染期的总人数，利用各个时间段的人数除以感染期的总人数，得到第二分布的参数，该第二分布可以是泊松分布、均匀分布、正太分布中的一种，表示感染期的每一时刻被移除的概率。
例如，当前时刻为t，t-14至t为第二预设时间段，在其对应的历史疫情数据中，在感染期的第一天被移除的人数为10，在感染期的第二天被移除的人数为20……在t-14至t内感染期的总人数（t-14至t的各个时刻的感染期人数之和）为100，则利用感染期被移除的各个时间段（t-14至t的每一天）的人数除以100，则得到泊松分布（或均匀分布、正太分布）的分布参数，利用泊松分布（或均匀分布、正太分布）表示感染期的每一时刻被移除的概率。
需要说明的是，由于历史疫情数据的数目有限，因此，本发明实施例中为了求得各个时刻的潜伏期被感染的概率（各个时刻的感染期被移除的概率），利用潜伏期被感染的各个时间段的人数除以潜伏期的总人数（利用感染期被移除的各个时间段的人数除以感染期的总人数），得到第一分步（第二分步）的分布参数，从而可以得到潜伏期的任意时刻被感染的概率（感染期的任意时刻被移除的概率）。
需要指出的是，第一预设时间段与第二预设时间段可以相同或不同。
本发明实施例中，目标传染病当前的感染能力指数可以通过历史疫情数据确定，例如基于历史疫情数据中的各个时期的人数以及各个时期的传染病模型，反推导出当前的感染能力指数，或根据赋值的方法，为感染能力指数设置多个初始值，进而基于移除期的预测值以及真实值的均方误差取最小值时的初始值，确定感染能力指数。
本发明实施例中，在确定以上传播感染参数后，将目标区域当前的易感染人数、目标区域当前的潜伏期人数、目标区域当前的感染期人数以及目标区域当前移除期人数输入至目标传染病的传染病模型，通过该模型对疫情数据进行预测。
图3示意性示出了根据本公开的一个实施例的传染病模型的结构示意图，如图3所示，本发明实施例中，在潜伏期模型中除了目标区域本地的潜伏期人数，还加入了经过干预后输入至目标区域的潜伏期人数，从而改变了传染病模型预测的感染期人数以及移除期人数。
图4示意性示出了根据本公开的一个实施例的基于输入病例预测传染病趋势的方法的数据流的示意图。如图4所示，该方法可以包括以下流程：
在S410中，确定第m个外部区域的t时刻的潜伏期人数N（t,m）。
在S420中，确定第m个外部区域t时刻进入目标区域的人数Open（t,m）。
在S430中，基于N（t,m）和Open（t,m），确定第m个外部区域输入至目标区域的潜伏期人数N（t）。
在S440中，确定干预措施Interaction以及干预措施的漏检率p。
在S450中，基于N（t）和p，确定经过干预后输入至目标区域的潜伏期人数In(t)。
在S460中，确定预设置的传染病模型。
在S470中，基于所述传染病模型，预测目标区域未来的疫情数据。
本发明实施例中，针对目标传染病，预测外部区域输入至目标区域的潜伏期人数；基于所述输入至目标区域的潜伏期人数以及干预措施的漏检率，确定经过干预后输入所述目标区域的潜伏期的人数；基于经过干预后输入所述目标区域的潜伏期的人数、历史疫情数据以及所述目标传染病的预设的传染病模型，预测未来所述目标区域的疫情数据。可见，本发明实施例中，融合了外部区域输入目标区域的输入数据以及干预措施的影响，结合目标区域的历史疫情数据，进行疫情数据的预测，从而提升传染病预测的准确性。
以下介绍本公开的装置实施例，可以用于执行本公开上述的预测传染病趋势的方法。对于本公开装置实施例中未披露的细节，请参照本公开上述的预测传染病趋势的方法的实施例。
图5示意性示出了根据本公开的一实施例的基于输入病例预测传染病趋势的装置的框图。
参照图5所示，根据本公开的一个实施例的基于输入病例预测传染病趋势的装置500，可以包括：第一预测模块510、第一确定模块520以及第二预测模块530。
第一预测模块510可以配置为针对目标传染病，预测外部区域输入至目标区域的潜伏期人数。
第一确定模块520可以配置为基于所述输入至目标区域的潜伏期人数以及干预措施的漏检率，确定经过干预后输入所述目标区域的潜伏期的人数。
第二预测模块530可以配置为基于经过干预后输入所述目标区域的潜伏期的人数、历史疫情数据以及所述目标传染病的预设的传染病模型，预测未来所述目标区域的疫情数据。
本发明实施例中，所述第一预测模块510，包括：
第一确定单元511，配置为确定所述外部区域在当地的潜伏期人数。
第二确定单元512，配置为确定所述外部区域输入所述目标区域的人数。
预测单元513，配置为根据输入所述目标区域的人数，以及所述外部地区在当地的潜伏期人数，预测外部区域输入至目标区域的潜伏期人数。
所述预测单元513，配置为确定所述外部地区在当地的潜伏期人数占据所述外部地区的总人数的比值；将所述比值与所述外部区域输入所述目标区域的人数的乘积的值，作为所述外部区域输入至目标区域的潜伏期人数。
本发明实施例中，所述漏检率是基于所述目标传染病的干预措施对应的历史疫情数据确定的。
本发明实施例中，所述第二确定模块520，配置为若所述外部区域的数目为一个，则将所述外部区域输入至目标区域的潜伏期人数与所述外部区域的干预措施的漏检率的乘积的值，作为所述经过干预后输入所述目标区域的潜伏期的人数；
若所述外部区域的数目为多个，则将每一外部区域的输入至目标区域的潜伏期人数与该外部区域的干预措施的漏检率的乘积的值，作为每一外部区域经过干预后输入所述目标区域的潜伏期人数，对各个外部区域经过干预后输入所述目标区域的潜伏期人数求和，以确定经过干预后输入所述目标区域的潜伏期的人数。
本发明实施例中，所述干预措施包括：进入所述目标区域的人员隔离预设时间段、从高风险的外部区域进入所述目标区域的人员隔离预设时间段、进入所述目标区域的人员的筛查以及不进行任何干预中的任意一种。
本发明实施例中，所述历史疫情数据包括：目标区域当前的易感染人数、目标区域当前的潜伏期人数；
所述第二预测模块，配置为根据目标区域当前的潜伏期人数、所述传染病当前的感染能力指数、目标区域当前的易感期人数、潜伏期内当前被感染的概率、经过干预后输入至所述目标区域的潜伏期的人数以及预设的潜伏期模型，预测未来所述目标区域的潜伏期人数；其中，所述传染病当前的感染能力指数、潜伏期内当前被感染的概率是通过所述历史疫情数据确定。
本发明实施例中，所述潜伏期模型包括：
Figure 997949DEST_PATH_IMAGE001
其中，
Figure 410476DEST_PATH_IMAGE002
表示潜伏期在
Figure 297529DEST_PATH_IMAGE003
时刻的人数，
Figure 213533DEST_PATH_IMAGE004
表示潜伏期在t时刻的 人数，
Figure 137627DEST_PATH_IMAGE005
表示易感期在t时刻的人数，
Figure 37449DEST_PATH_IMAGE006
表示t时刻目标传染病的感染能力指数，
Figure 337981DEST_PATH_IMAGE007
表示所有外部区域输入至目标区域的潜伏期的人数，
Figure 639649DEST_PATH_IMAGE008
表示潜伏期内t时刻被感 染的概率，
Figure 859278DEST_PATH_IMAGE009
表示经过干预后t时刻输入至目标区域的潜伏期的人数。
本发明实施例中，针对目标传染病，预测外部区域输入至目标区域的潜伏期人数；基于所述输入至目标区域的潜伏期人数以及干预措施的漏检率，确定经过干预后输入所述目标区域的潜伏期的人数；基于经过干预后输入所述目标区域的潜伏期的人数、历史疫情数据以及所述目标传染病的预设的传染病模型，预测未来所述目标区域的疫情数据。可见，本发明实施例中，融合了外部区域输入目标区域的输入数据以及干预措施的影响，结合目标区域的历史疫情数据，进行疫情数据的预测，从而提升传染病预测的准确性。
图6示出了适于用来实现本公开实施例的电子设备的计算机系统的结构示意图。需要说明的是，图6示出的电子设备的计算机系统600仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图6所示，计算机系统600包括中央处理单元（CPU）601，其可以根据存储在只读存储器（ROM）602中的程序或者从存储部分608加载到随机访问存储器（RAM）603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有系统操作所需的各种程序和数据。CPU601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出（I/O）接口605也连接至总线604。
以下部件连接至I/O接口605：包括键盘、鼠标等的输入部分606；包括诸如阴极射线管（CRT）、液晶显示器（LCD）等以及扬声器等的输出部分607；包括硬盘等的存储部分608；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器610上，以便于从其上读出的计算机程序根据需要被安装入存储部分608。
特别地，根据本公开的实施例，下文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分609从网络上被下载和安装，和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元（CPU）601执行时，执行本申请的系统中限定的各种功能。
需要说明的是，本公开所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑磁盘只读存储器（CD-ROM）、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的模块和/或单元可以通过软件的方式实现，也可以通过硬件的方式来实现，所描述的模块和/或单元也可以设置在处理器中。其中，这些模块和/或单元的名称在某种情况下并不构成对该模块和/或单元本身的限定。
作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该电子设备执行时，使得该电子设备实现如下述实施例中所述的方法。例如，所述的电子设备可以实现如图3或图4所示的各个步骤。
应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质（可以是CD-ROM，U盘，移动硬盘等）中或网络上，包括若干指令以使得一台计算设备（可以是个人计算机、服务器、触控终端、或者网络设备等）执行根据本公开实施方式的方法。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。

Claims (9)

1.一种基于输入病例预测传染病趋势的方法，其特征在于，包括：
针对目标传染病，预测外部区域输入至目标区域的潜伏期人数；
基于所述输入至目标区域的潜伏期人数以及干预措施的漏检率，确定经过干预后输入所述目标区域的潜伏期的人数；
基于经过干预后输入所述目标区域的潜伏期的人数、所述历史疫情数据以及所述目标传染病的预设的传染病模型，预测未来所述目标区域的疫情数据；
所述漏检率是基于所述目标传染病的干预措施对应的历史疫情数据确定的；
基于所述输入至目标区域的潜伏期人数以及干预措施的漏检率，确定经过干预后输入所述目标区域的潜伏期的人数，包括：
In(t)=N(t)×p，
其中，In(t)表示t时刻经过干预后输入至所述目标区域的潜伏期人数，N(t)表示所有所述外部区域在t时刻输入至所述目标区域的潜伏期人数，p表示所述干预措施的漏检率；
经过干预后输入所述目标区域的潜伏期的人数包括：
E(t+1)-E(t)=β(t)S(t)/N(t)-α(t)E(t)+In(t)，
其中，E(t+1)表示潜伏期在t+1时刻的人数，E(t)表示潜伏期在t时刻的人数，S(t)表示易感期在t时刻的人数，β(t)表示t时刻目标传染病的感染能力指数，α(t)表示潜伏期内t时刻被感染的概率，N(t)表示所有所述外部区域在t时刻输入至所述目标区域的潜伏期人数，In(t)表示t时刻经过干预后输入至所述目标区域的潜伏期人数。
2.根据权利要求1所述的方法，其特征在于，所述预测外部区域输入至目标区域的潜伏期人数，包括：确定所述外部区域在当地的潜伏期人数；
确定所述外部区域输入所述目标区域的人数；
根据输入所述目标区域的人数，以及所述外部区域在当地的潜伏期人数，预测外部区域输入至目标区域的潜伏期人数。
3.根据权利要求2所述的方法，其特征在于，根据输入所述目标区域的人数，以及所述外部区域在当地的潜伏期人数，预测外部区域输入至目标区域的潜伏期人数，包括：
确定所述外部区域在当地的潜伏期人数占据所述外部区域的总人数的比值；
将所述比值与所述外部区域输入所述目标区域的人数的乘积的值，作为所述外部区域输入至目标区域的潜伏期人数。
4.根据权利要求1所述的方法，其特征在于，基于所述输入至目标区域的潜伏期人数以及干预措施的漏检率，确定经过干预后输入所述目标区域的潜伏期的人数，包括：
若所述外部区域的数目为一个，则将所述外部区域输入至目标区域的潜伏期人数与所述外部区域的干预措施的漏检率的乘积的值，作为所述经过干预后输入所述目标区域的潜伏期的人数；
若所述外部区域的数目为多个，则将每一外部区域的输入至目标区域的潜伏期人数与该外部区域的干预措施的漏检率的乘积的值，作为每一外部区域经过干预后输入所述目标区域的潜伏期人数，对各个外部区域经过干预后输入所述目标区域的潜伏期人数求和，以确定经过干预后输入所述目标区域的潜伏期的人数。
5.根据权利要求1所述的方法，其特征在于，所述干预措施包括：进入所述目标区域的人员隔离预设时间段、从高风险的外部区域进入所述目标区域的人员隔离预设时间段、进入所述目标区域的人员的筛查以及不进行任何干预中的任意一种。
6.根据权利要求1所述的方法，其特征在于，所述历史疫情数据包括：目标区域当前的易感染人数、目标区域当前的潜伏期人数；
基于经过干预后输入所述目标区域的潜伏期的人数、历史疫情数据以及所述目标传染病的预设的传染病模型，预测未来所述目标区域的疫情数据，包括：
根据目标区域当前的潜伏期人数、所述目标传染病当前的感染能力指数、目标区域当前的易感期人数、潜伏期内当前被感染的概率、经过干预后输入至所述目标区域的潜伏期的人数以及预设的潜伏期模型，预测未来所述目标区域的潜伏期人数；其中，所述目标传染病当前的感染能力指数、潜伏期内当前被感染的概率是通过所述历史疫情数据确定。
7.一种基于输入病例预测传染病趋势的装置，其特征在于，包括：
第一预测模块，配置为针对目标传染病，预测外部区域输入至目标区域的潜伏期人数；
第一确定模块，配置为基于所述输入至目标区域的潜伏期人数以及干预措施的漏检率，确定经过干预后输入所述目标区域的潜伏期的人数；
第二预测模块，基于经过干预后输入所述目标区域的潜伏期的人数、所述历史疫情数据以及所述目标传染病的预设的传染病模型，预测未来所述目标区域的疫情数据；
所述漏检率是基于所述目标传染病的干预措施对应的历史疫情数据确定的；
基于所述输入至目标区域的潜伏期人数以及干预措施的漏检率，确定经过干预后输入所述目标区域的潜伏期的人数，包括：
In(t)=N(t)×p，
其中，In(t)表示t时刻经过干预后输入至所述目标区域的潜伏期人数，N(t)表示所有所述外部区域在t时刻输入至所述目标区域的潜伏期人数，p表示所述干预措施的漏检率；
经过干预后输入所述目标区域的潜伏期的人数包括：
E(t+1)-E(t)=β(t)S(t)/N(t)-α(t)E(t)+In(t)，
其中，E(t+1)表示潜伏期在t+1时刻的人数，E(t)表示潜伏期在t时刻的人数，S(t)表示易感期在t时刻的人数，β(t)表示t时刻目标传染病的感染能力指数，α(t)表示潜伏期内t时刻被感染的概率，N(t)表示所有所述外部区域在t时刻输入至所述目标区域的潜伏期人数，In(t)表示t时刻经过干预后输入至所述目标区域的潜伏期人数。
8.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6中任一项所述的方法。
9.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1至6中任一项所述的方法。
CN202010695758.7A 2020-07-20 2020-07-20 基于输入病例预测传染病趋势的方法及装置 Active CN111739658B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010695758.7A CN111739658B (zh) 2020-07-20 2020-07-20 基于输入病例预测传染病趋势的方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010695758.7A CN111739658B (zh) 2020-07-20 2020-07-20 基于输入病例预测传染病趋势的方法及装置

Publications (2)

Publication Number Publication Date
CN111739658A CN111739658A (zh) 2020-10-02
CN111739658B true CN111739658B (zh) 2021-02-02

Family

ID=72655002

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010695758.7A Active CN111739658B (zh) 2020-07-20 2020-07-20 基于输入病例预测传染病趋势的方法及装置

Country Status (1)

Country Link
CN (1) CN111739658B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111968749B (zh) * 2020-10-21 2021-01-15 平安科技（深圳）有限公司 一种风险评估方法、装置、终端设备及可读存储介质
CN112002434B (zh) * 2020-10-30 2021-02-19 平安科技（深圳）有限公司 一种数据处理方法、装置、电子设备及存储介质
CN112366000A (zh) * 2020-11-25 2021-02-12 重庆市卫生健康统计信息中心 预测传染病传播时区域特定人群人数的方法
CN113658713B (zh) * 2021-01-07 2023-01-06 腾讯科技（深圳）有限公司 传染趋势预测方法、装置、设备及存储介质
CN113270202B (zh) * 2021-06-11 2024-01-23 上海海事大学 一种基于场论的病毒传播预测方法
CN113113155A (zh) * 2021-06-15 2021-07-13 四川大学 一种基于神经网络与seir模型的传染病趋势预测方法
CN113793690B (zh) * 2021-08-31 2024-03-12 医渡云（北京）技术有限公司 传染病的区域风险评估方法、装置、存储介质及设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101794342A (zh) * 2009-09-30 2010-08-04 中国人民解放军防化指挥工程学院 基于非线性、变系数预测模型的传染病疫情预测分析方法
CN102682188A (zh) * 2011-03-15 2012-09-19 中国科学院遥感应用研究所 一种城市级传染病模拟的方法及装置
WO2017201540A1 (en) * 2016-05-20 2017-11-23 Techcyte, Inc. Machine learning classification of particles or substances in digital microscopy images
CN111128398A (zh) * 2020-03-30 2020-05-08 广州地理研究所 一种基于人口迁徙大数据的流行病感染人数估算方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103390091B (zh) * 2012-05-08 2016-04-06 中国人民解放军防化学院 一种传染病疫情优化控制方法
CN107658023B (zh) * 2017-09-25 2021-07-13 泰康保险集团股份有限公司 疾病预测方法、装置、介质和电子设备
KR101960504B1 (ko) * 2017-12-18 2019-07-15 세종대학교산학협력단 전염병 확산 예측 모델링 장치 및 방법

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101794342A (zh) * 2009-09-30 2010-08-04 中国人民解放军防化指挥工程学院 基于非线性、变系数预测模型的传染病疫情预测分析方法
CN102682188A (zh) * 2011-03-15 2012-09-19 中国科学院遥感应用研究所 一种城市级传染病模拟的方法及装置
WO2017201540A1 (en) * 2016-05-20 2017-11-23 Techcyte, Inc. Machine learning classification of particles or substances in digital microscopy images
CN111128398A (zh) * 2020-03-30 2020-05-08 广州地理研究所 一种基于人口迁徙大数据的流行病感染人数估算方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
青藏铁路交通卫生检疫分析与防治策略探讨;严贵忠;《青藏铁路运营十周年学术研讨会卫生系统论文集》;20160625;141-145 *

Also Published As

Publication number Publication date
CN111739658A (zh) 2020-10-02

Similar Documents

Publication Publication Date Title
CN111739658B (zh) 基于输入病例预测传染病趋势的方法及装置
Kwon et al. Validation of deep-learning-based triage and acuity score using a large national dataset
Razavian et al. A validated, real-time prediction model for favorable outcomes in hospitalized COVID-19 patients
CN111739656B (zh) 基于无症状感染者预测传染病趋势的方法及装置
CN112270998B (zh) 区域内感染人员分布的评估方法及装置
CN112365998A (zh) 传染病传播规模模拟方法、装置与电子设备
Mahmud et al. An Advanced Practice Practitioner–Based Program to Reduce 30‐and 90‐Day Readmissions After Liver Transplantation
CN111739653A (zh) 传染病传播的评估方法、装置、计算机设备和存储介质
US9116804B2 (en) Transient detection for predictive health management of data processing systems
Yildirim et al. Real-time internet of medical things framework for early detection of Covid-19
CN111489830A (zh) 分段预测疫情数据的方法及装置、介质和电子设备
CN112420211B (zh) 未知传染病的预警方法、装置、电子设备及计算机介质
CN113869599A (zh) 鱼类疫病发展预测方法、系统、设备及介质
CN111403051A (zh) 基于周期预测疫情发病人数的方法及装置、设备和介质
CN110704614A (zh) 对应用中的用户群类型进行预测的信息处理方法及装置
CN115762704A (zh) 一种处方审核方法、装置、设备和存储介质
Lijun et al. An intuitionistic calculus to complex abnormal event recognition on data streams
Shin et al. Evaluation of optimal scene time interval for out-of-hospital cardiac arrest using a deep neural network
CN112131468A (zh) 推荐系统中的数据处理方法、装置
CN113537631A (zh) 药品需求量的预测方法、装置、电子设备及存储介质
CN113488193B (zh) 预测传染病流行趋势的方法及装置、存储介质、电子设备
Elghamrawy et al. Monitoring COVID-19 disease using Big Data and artificial intelligence-driven tools
CN112487195B (zh) 实体的排序方法、装置、介质及电子设备
CN113764109B (zh) 传染病传播规模预测方法、装置、介质及电子设备
CN112700884B (zh) 疫情防控有效性确定方法、装置、电子设备及介质

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