CN112331342A - 一种基于网格化协变量因素的患病风险等级评估方法 - Google Patents
一种基于网格化协变量因素的患病风险等级评估方法 Download PDFInfo
- Publication number
- CN112331342A CN112331342A CN202011160509.4A CN202011160509A CN112331342A CN 112331342 A CN112331342 A CN 112331342A CN 202011160509 A CN202011160509 A CN 202011160509A CN 112331342 A CN112331342 A CN 112331342A
- Authority
- CN
- China
- Prior art keywords
- model
- disease
- risk
- grid
- gridding
- 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
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 91
- 201000010099 disease Diseases 0.000 title claims abstract description 89
- 238000011156 evaluation Methods 0.000 title claims abstract description 9
- 238000009826 distribution Methods 0.000 claims abstract description 44
- 230000000694 effects Effects 0.000 claims abstract description 26
- 238000011160 research Methods 0.000 claims abstract description 22
- 238000000034 method Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000000137 annealing Methods 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims 1
- 230000008676 import Effects 0.000 claims 1
- 238000013178 mathematical model Methods 0.000 claims 1
- 238000000605 extraction Methods 0.000 abstract 1
- 239000011159 matrix material Substances 0.000 description 7
- 208000015181 infectious disease Diseases 0.000 description 6
- 230000011218 segmentation Effects 0.000 description 5
- 206010062038 Lip neoplasm Diseases 0.000 description 4
- 201000006721 lip cancer Diseases 0.000 description 4
- 238000005070 sampling Methods 0.000 description 3
- 241000282414 Homo sapiens Species 0.000 description 2
- 238000000342 Monte Carlo simulation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000009795 derivation Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000009827 uniform distribution Methods 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 108010014173 Factor X Proteins 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000006806 disease prevention Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000013179 statistical model 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
- G16H50/30—ICT 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
-
- 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
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (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)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明公开了一种基于网格化协变量因素的患病风险等级评估方法，用来量化评估网格内疾病发生的相对风险等级。本发明首先将研究区域进行网格化处理并标记；其次进行参数提取，确定空间结构化效应项、空间非结构随机效应项、网格中对患病有影响的协变量因素项、研究区域的平均相对风险的参数，构建模型；然后假设模型参数的先验分布；对参数的后验分布进行计算，确定各网格的患病风险；最后进行风险值的范围划分，确定患病风险的等级。本发明提出了一种基于网格化协变量因素的患病风险等级评估的方法，通过空间网格化划分，充分考虑网格中影响疾病发病的协变量因素，能更好的评估研究区域内各网格间患病的相对风险等级。
Description
技术领域
本发明涉及一种基于网格化协变量因素的患病风险等级评估方法，本发明属于信息处理技术领域。
背景技术
随着大数据时代的到来，各个领域之间的交流越来越频繁，信息交叉更加密集，信息共享更加方便。在这些海量数据中，往往蕴含着许多的潜在价值，挖掘和探索这些数据的潜在价值是非常有意义的。其中，人类社会发展过程中，疾病的预防和治疗是人们永恒的话题，与人类有着密切关系的疾病相关数据研究，显得格外重要。目前研究地区疾病风险的方法中，未考虑患病地区的周边地域对本地区某疾病患病的影响。每种疾病都有它们各自的特点，利用一种基于网格化协变量因素的患病风险等级评估方法，将可以更精确、全面地对研究区域，某种疾病的患病风险等级作出量化评估，进而在疾病大规模爆发前，对疾病预防作出判断和抉择。这个方法具有较高的使用价值。
发明内容
本发明要解决的技术问题在于提出一种患病风险等级评估的方法，针对某种疾病特点，根据历史病例数据，评估研究区域不同网格疾病的患病风险等级。为解决上述技术问题，本发明采用如下技术方案：一种基于网格化协变量因素的患病风险等级评估方法，通过将研究区域网格化划分，建立模型，将影响患病的协变量因素考虑到网格内风险变量中，更加全面精确的评估研究区域不同网格疾病的患病风险等级。
具体可分为以下几个步骤：获取研究区域疾病数据、网格化处理、构建层次贝叶斯模型、确定参数的先验分布、计算后验分布、划分网格空间的患病风险等级并可视化。如图1所示。
S1:首先网格化处理
S1.1建立网格
对研究患病风险区域进行网格划分，以行政区、街道或重点关注的区域划分为一个网格，进行划分并编号。如图2所示，针对一个正方形研究区域，进行网格划分(可按行政区，街道等对空间进行划分)。建立网格，有益于我们对研究区域不同的位置进行疾病数据的收集，以及对研究区域细化，更精确的表示区域的相关信息。
S1.2数据网格化预处理
整理统计不同网格内实际患病人数、对疾病有影响的协变量因素及其大小。以便更好的表示各网格的患病信息，得到更加精确的研究区域患病风险的计算和判别。
S2:建立模型
S2.1模型假设：假定网格i的某传染病患病人数为Yi，假设所研究的该疾病的感染率较低，可以认为它服从泊松分布。
Yi～possion(λi) (2-1)
根据泊松分布的性质有
E(Yi)＝λi＝ei×θi (2-2)
ei表示网格i的期望发病的人数，θi表示网格i的实际发病人数与期望发病人数之比。按患病总人数中不同各性别各自的患病率，计算出的各网格的期望感染人数。表达式为：
其中，m＝1,2,分别表示男性人群，女性人群。
pim表示区域i内性别m的人口数，rm表示全部区域内性别m患病的概率，θi即是研究区域i内某疾病感染的相对风险。·
S2.2研究区域相对风险：α表示研究区域内各网格的平均相对风险
S2.3网格空间非结构随机效应项：与各个网格的空间位置无关，U(i) 用于表示其它对θi有影响，但没有包含在假设的模型中的自变量的影响效应，可以用来解释在满足泊松分布中的病例数据，可能有过度分散现象的存在。
S2.4网格空间结构化效应项：S(i)是一个空间结构化随机效应项，表示该疾病患病的空间效应，考虑了空间邻近网格之间的相互关系，θi的空间相关性，进一步与感染患者人数Yi相关，考虑了邻近关系(即相近的网格传染病发生的风险有密切的关联，其近邻矩阵W为N×N阶矩阵(N为网格个数)，对角线上的值wii为0，如果网格A和网格B有公共边界，则wAB为1，反之为 0)，根据图2所示，针对一个正方形研究区域，进行网格划分，分作8个网格，由此得到各网格之间的邻接矩阵。
S2.5网格空间协变量因素项：Xi表示网格i的第j个协变量因素，βj表示第j个协变量因素对应的回归系数。则针对第i个网格对患病风险有影响的的 n个协变量因素之和可以写为：
根据上面所假设的模型，模型的数学表达式为
以log(θi)建立模型，则有
取对数的目的是保证θi大于0，其数学推导为：
根据模型的推导，考虑空间项以及与空间相关的社会经济协变量因素项，研究区域的各网格患病风险的变量为RR，记作：
S2.6对模型中的未知参数指定先验分布。
网格平均患病风险α认为服从区间为整个数轴上的均匀先验分布。因为对患病有影响的协变量效应的方向和强度没有确切的先验预期，各协变量因素对应的回归系数认为服从模糊先验分布——期望为0，方差为10000的正态分布。期望为0表示假定各协变量因素对患病风险这一因变量没有影响，方差较大可以用来表示对先验的高度不确定；网格空间非结构化随机效应项U(i)认定为服从期望为0，方差为
的正态先验分布；超参数σu服从均值为0，方差为100的均匀分布；网格空间结构化随机效应项S(i)，在对所分析疾病患病风险时，若空间结构缺少已知信息，S(i)用car.normal来描述。
各参数的先验分布
α～df lat() (3-1)
βi～dnorm(0,10000) (3-2)
S[1:N]～car.normal(adj[],weights[],num[],tau) (3-3)
其中，adj[]为邻近网格编号，weight[]为近邻网格的权重矩阵，num[] 为各网格的实际患病人数，tau是超参数
的倒数，反映了空间结构信息先验分布的精度，认为服从伽马分布
σu～dunif(0,100) (3-5)
tau～dgamma(0.5,0.0005) (3-6)
S3得到模型中各参数的先验分布后，进行参数后验分布的计算，模型运算使用OpenBUGS软件(WinBUGs的优化版)，它是一款通过MCMC算法来分析复杂统计模型的统计软件，从参数的后验分布中生成样本。计算流程如下：
S3.1首先在OpenBUGS平台编写模型程序，通过Specification中的cheak model检查模型是否存在语法错误
S3.3数据加载和编译：将前面收集整理的各网格病例数据进行导入和编译，通过load data按钮和compile按钮检查数据是否按正确语法导入。
S3.4初始值设定：对建立的模型中的相关参数进行后验分布的估计计算前，对各参数的初始值进行赋值，如果不设定初值，OpenBUGS将会对各参数默认赋初值。
S3.5模型退火：为了消除初始值对抽样的影响，通过调整Sample Monitor Tool中beg参数，表示抛去前beg次抽样。
S3.6患病风险变量监控：考虑疾病风险变量的计算结果，将变量名RR 设定到node参数中，并且选出参数估计需要的置信区间
S3.7模型迭代：设置迭代的次数和步长，对模型进行迭代运算。
S3.8患病风险变量结果输出：模型迭代结束后，查看在模型迭代前指定需要研究统计的变量RR(i)，获得RR(i)的后验分布统计量。包括RR(i) 的平均数、由模拟引起的参数均值的方差(即蒙特卡洛模拟的误差)、中位数、 Gibbs抽样的起点以及运算中一共抽样的样本数，参数的核密度图、迭代轨迹图以及迭代历史图等统计结果。
S3.9收敛性判别：通过迭代轨迹图和迭代历史图，观察迭代轨迹和迭代历史是否趋于稳定，验证模型的收敛性。
S4网格空间患病风险等级划分
确定患病风险变量，对患病风险的均值，以适合风险值的精度进行分段划分。设定变量均值的分段点。按分段值从小到大进行等级范围划分，确定患病风险等级，得到不同网格的患病风险等级。风险等级评估的结果可借助 OpenBUGS进行可视化。在OpenBUGS平台中GeoBUG模块，导入研究区域地图。选择Map Tool菜单中选择研究区域的地图，在variable中选RR(i)这个变量，设置RR(i)均值的分段点和不同分段区间的绘图颜色，点击plot进行绘图。
本发明的有益效果是：充分考虑了研究区域的不同网格内各自的经济人文因素，提升了研究区域患病风险评估的精确度。
附图说明
图1是本发明具体步骤概括图
图2是本发明流程图
图3是网格划分示例图
图4是网格1空间风险变量的核密度图
图5是网格1空间风险变量的迭代轨迹图
图6是网格1空间风险变量的迭代历史图
图7是研究地区各网格的风险等级可视化结果图
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面通过附图和具体实施例，对本发明作进一步详细说明。
本发明提供一种基于网格化协变量因素的患病风险等级评估方法，具体步骤如下：
得到苏格兰地区唇癌疾病数据，对该地区各区域进行唇癌发病风险等级评估
S1:首先网格化处理
S1.1建立网格
对苏格兰地区区域进行网格划分，以行政区区域为划分依据，划分网格，得到56个网格并编号。
S1.2数据网格化预处理
整理统计不同网格内实际患病人数，对唇癌有影响的协变量因素——特殊人群，即各网格内农业、渔业、林业人口所占当地总人口的比例。如表1 所示
S2:建立模型
模型假设：网格1的唇癌患病人数Y1＝9，且该疾病的感染率较低，已知男性感染率和女性感染率分别为0.0000025，0.00001438，可以认为此疾病服从泊松分布。
根据泊松分布的性质有
E(Y1)＝λ1＝e1×θ1 ①
e1为网格1的期望发病的人数，θ1表示网格1的实际发病人数与期望发病人数之比。按患病总人数中不同各性别各自的患病率，计算出的各网格的期望感染人数。代入公式2-3，2-4有：
其中，m＝1,2,分别表示男性人群，女性人群。
p11，p12分别为区域1内男性，女性的人口数，r1，r2分别为研究区域男性和女性的患病率，θ1即是网格1内某疾病感染的相对风险。以上取值可由表1得到，分别代入公式2-3,2-4，计算得到e1＝1.4。同理可计算得到另外剩下55个网格的期望发病人数，结果见表1。
表1是研究网格的各个病例以及协变量因素数据
确定研究区域相对风险，网格空间非结构随机效应项，网格空间结构化效应项。针对研究区域，进行网格划分，分作56个网格，由此得到各网格之间的邻接矩阵。为56x56的矩阵，如式④
网格空间协变量因素项：此实例中取特殊人群的比例(当地农业、渔业、林业人口所占当地总人口的比例)作为协变量因素则针对第1个网格对患病风险有影响的协变量因素X1(1)，β1为第1个协变量因素对应的回归系数。
根据上面所假设的模型，模型的数学表达式为：
以log(θi)建立模型，则有
考虑空间项以及与空间相关的社会经济协变量因素项，研究区域网格1 的患病风险的变量为RR1：
对模型中的未知参数指定先验分布。
网格平均患病风险α认为服从区间为整个数轴上的均匀先验分布，各协变量因素对应的回归系数认为服从模糊先验分布——期望为0，方差为10000 的正态分布。网格空间非结构化随机效应项U(i)认定为服从期望为0，方差为
的正态先验分布；超参数σu服从均值为0，方差为100的均匀分布；网格空间结构化随机效应项S(i)，用car.normal来描述。
各参数的先验分布
α～df lat() ①
βi～dnorm(0,10000) ②
S[1:N]～car.normal(adj[],weights[],num[],tau) ③
其中，adj[]为邻近网格编号，weight[]为近邻网格的权重矩阵，num[] 为各网格的实际患病人数，tau是超参数
的倒数，服从伽马分布
σu～dunif(0,100) ⑤
tau～dgamma(0.5,0.0005) ⑥
S3得到模型中各参数的先验分布后，进行参数后验分布的计算，模型运算使用OpenBUGS软件(WinBUGs的优化版)，从参数的后验分布中生成样本。计算流程如下：
S3.1首先在OpenBUGS平台编写模型程序。
S3.2检查模型：通过Specification中的cheak model检查模型，检查模型是否存在语法错误
S3.3数据加载和编译：将前面收集整理的各网格病例数据进行导入和编译，通过load data按钮和compile按钮检查数据是否按正确语法导入。
S3.4初始值设定：对建立的模型中的相关参数进行后验分布的估计计算前，对各参数的初始值进行赋值，分别为tau＝1,b＝0,beita1＝0,u＝0。
S3.5模型退火：为了消除初始值对抽样的影响，通过调整Sample Monitor Tool中beg参数，抛去前1000次抽样。
S3.6患病风险变量监控：考虑疾病风险变量的计算结果，将变量名RR 设定到node参数中，选择参数估计的置信区间为95％
S3.7模型迭代：设置迭代次数为10000，步长为100，对模型进行迭代运算。
S3.8患病风险变量结果输出：指定变量RR(i)，获得RR(i)的后验分布统计量。这里以RR(1)为例，得到RR(1)的平均数为4.926、蒙特卡洛模拟的误差为0.01858、中位数为4.76、Gibbs抽样的起点为1000以及运算中一共抽样的样本数为10000，以及参数的核密度图、迭代轨迹图以及迭代历史图等统计结果，分别如图3，图4，图5所示。
S3.9收敛性判别：观察迭代轨迹图和迭代历史图，其迭代轨迹和迭代历史几乎稳定，模型收敛。
S4网格空间患病风险等级划分
确定患病风险变量，对患病风险的均值，以0.5的间隔进行分段划分。设定变量均值的分段点。按分段值从小到大进行等级范围划分，确定患病风险等级，如表2所示。
表2是风险等级及其范围
得到不同网格的患病风险等级。风险等级评估的结果借助OpenBUGS 进行可视化。如图6所示。
Claims (5)
1.一种基于网格化协变量因素的患病风险等级评估方法，其特征在于：
S1网格化处理：将研究区域进行网格划分，更有助于各网格患病风险的判别。网格化处理过程分为两个步骤：建立网格、数据网格化预处理；
S2构建模型：假设模型，提取研究区域的平均相对风险，提取各个网格中的空间结构化效应项、空间非结构随机效应项以及网格中对患病有影响的协变量因素项，确定模型。确定各参数的先验分布，为进行参数后验分布的计算与分析做准备；
S3计算模型参数的后验分布：得到可以分析的模型后，通过以下九个步骤进行模型参数的后验分布计算和分析。分别为：导入模型、检查模型、数据加载和编译、初始值设定、模型退火、患病风险变量监控、模型迭代、患病风险变量结果输出、收敛性判别；
S4网格空间患病风险等级划分。
2.根据权利要求1所述的一种基于网格化协变量因素的患病风险等级评估方法，其特征在于：网格化处理，包括两个步骤：建立网格、数据网格化预处理；
S1.1建立网格：就是将研究区域进行网格划分。对研究区域按地区，划分成不同的网格，将以上网格用编号依次顺序标记。
S1.2数据网格化预处理：划分网格后，根据网格各自的空间位置，将已有的疾病数据进行调整划分，把研究区域的疾病数据按网格收集整理。
3.根据权利要求1所述的基于网格化协变量因素的患病风险等级评估方法，其特征在于：提取参数构建模型，具体包括：
S2.1模型假设：针对研究疾病的特点，假设是服从某种分布的模型。
S2.2研究区域的平均相对风险：整个研究区域患病的平均相对风险
S2.3网格空间非结构随机效应项：与各个网格的空间位置无关，随机效应项可用于表示其它对患病风险有影响，但没有包含在假设的模型中的自变量的影响效应。通常其先验分布假定为是服从一个均值为0，方差为
的正态分布。
S2.4网格空间结构化效应项：考虑空间邻近网格之间的相互关系，通常其先验分布假定为是一个条件自回归过程；
S2.5网格中对患病有影响的协变量因素项：考虑对网格患病风险有影响的相关的协变量包含到模型中。考虑对网格内患病风险有影响的人口流动量、人口经济水平、特殊人群比例、受教育程度以及医疗水平因素
S2.6确定以上参数的先验分布。
4.根据权利要求1所述的一种基于网格化协变量因素的患病风险等级评估方法，其特征在于：计算模型参数的后验分布，包括以下步骤：
S3.1导入并检查模型：将建立好的数学模型，用OpenBUGS的语言进行编写和导入，检查模型是否存在语法错误。
S3.2数据加载和编译：检查数据是否按正确语法导入。
S3.3初始值设定：对建立的模型中的相关参数进行后验分布的估计计算前，对各参数的初始值进行赋值。
S3.4模型退火：为了消除初始值对抽样的影响，抛去前面的部分抽样。
S3.5患病风险变量监控：选择需要观察统计的变量，并监控该变量名。
S3.6模型迭代：对模型进行迭代运算。
S3.7患病风险变量结果输出：模型迭代结束后，查看在模型迭代前指定需要的参数，获得参数的后验分布统计量。
S3.8收敛性判别：通过迭代轨迹图和迭代历史图，观察迭代轨迹和迭代历史是否趋于稳定，验证模型是否收敛。
5.根据权利要求1所述的基于网格化协变量因素的患病风险等级评估方法，其特征在于：网格空间患病风险等级划分。确定患病风险变量，对各个网格患病风险的均值，以适合风险值的精度进行分段划分。确定患病风险等级，得到不同网格的患病风险等级。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011160509.4A CN112331342A (zh) | 2020-10-27 | 2020-10-27 | 一种基于网格化协变量因素的患病风险等级评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011160509.4A CN112331342A (zh) | 2020-10-27 | 2020-10-27 | 一种基于网格化协变量因素的患病风险等级评估方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112331342A true CN112331342A (zh) | 2021-02-05 |
Family
ID=74311999
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011160509.4A Pending CN112331342A (zh) | 2020-10-27 | 2020-10-27 | 一种基于网格化协变量因素的患病风险等级评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112331342A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117436677A (zh) * | 2023-12-21 | 2024-01-23 | 福建省捷云软件股份有限公司 | 基层网格管理方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107680676A (zh) * | 2017-09-26 | 2018-02-09 | 电子科技大学 | 一种基于电子病历数据驱动的妊娠期糖尿病预测方法 |
| CN109065168A (zh) * | 2018-08-29 | 2018-12-21 | 昆明理工大学 | 一种基于时空聚类统计进行疾病风险评估的方法 |
| CN110459329A (zh) * | 2019-07-11 | 2019-11-15 | 广东省公共卫生研究院 | 一种登革热风险综合评估方法 |
| CN111737651A (zh) * | 2020-06-22 | 2020-10-02 | 黄河勘测规划设计研究院有限公司 | 基于多源数据的空间网格化干旱灾情风险评估方法及系统 |
-
2020
- 2020-10-27 CN CN202011160509.4A patent/CN112331342A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107680676A (zh) * | 2017-09-26 | 2018-02-09 | 电子科技大学 | 一种基于电子病历数据驱动的妊娠期糖尿病预测方法 |
| CN109065168A (zh) * | 2018-08-29 | 2018-12-21 | 昆明理工大学 | 一种基于时空聚类统计进行疾病风险评估的方法 |
| CN110459329A (zh) * | 2019-07-11 | 2019-11-15 | 广东省公共卫生研究院 | 一种登革热风险综合评估方法 |
| CN111737651A (zh) * | 2020-06-22 | 2020-10-02 | 黄河勘测规划设计研究院有限公司 | 基于多源数据的空间网格化干旱灾情风险评估方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 吴北平 等: "利用贝叶斯时空模型分析山东省手足口病时空变化及影响因素", 地球信息科学学报, vol. 18, no. 12, pages 1645 - 1652 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117436677A (zh) * | 2023-12-21 | 2024-01-23 | 福建省捷云软件股份有限公司 | 基层网格管理方法及系统 |
| CN117436677B (zh) * | 2023-12-21 | 2024-03-08 | 福建省捷云软件股份有限公司 | 基层网格管理方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| AU2018101946A4 (en) | Geographical multivariate flow data spatio-temporal autocorrelation analysis method based on cellular automaton | |
| CN101354757B (zh) | 一种精细尺度下的动态风险及易损性预测方法 | |
| CN110111888A (zh) | 一种XGBoost疾病概率预测方法、系统及存储介质 | |
| Bezak et al. | Reconstruction of past rainfall erosivity and trend detection based on the REDES database and reanalysis rainfall | |
| CN115688404B (zh) | 基于svm-rf模型的降雨型滑坡预警方法 | |
| Kiamari et al. | COVID-19 Risk Estimation using a Time-varying SIR-model | |
| CN112506990A (zh) | 一种基于时空信息的水文数据异常检测方法 | |
| CN114330812A (zh) | 基于机器学习的滑坡灾害风险评估方法 | |
| CN106777935A (zh) | 一种基于网络结构的疾病动态预测方法 | |
| CN111079999A (zh) | 一种基于cnn和svm的洪水灾害易发性预测方法 | |
| CN114429245A (zh) | 一种工程造价数据的分析展示方法 | |
| Xie et al. | Autoencoder-based deep belief regression network for air particulate matter concentration forecasting | |
| CN112331342A (zh) | 一种基于网格化协变量因素的患病风险等级评估方法 | |
| CN112070129B (zh) | 地面沉降风险识别方法、装置以及系统 | |
| CN117972343A (zh) | 一种基于哈密顿蒙特卡罗的电压暂降概率评估方法及系统 | |
| CN109710720A (zh) | 一种顾及背景效应的犯罪风险环境因素影响分析方法 | |
| CN116110210B (zh) | 复杂环境下数据驱动的滑坡灾害辅助决策方法 | |
| CN112447303A (zh) | 一种传染病时空聚集性探测分析方法及系统 | |
| Bărbulescu et al. | Detecting aberrant values and their influence on the time series forecast | |
| bin Othman et al. | Neuro fuzzy classification and detection technique for bioinformatics problems | |
| Kabanikhin et al. | Geo-information system of spread of tuberculosis based on inversion and prediction | |
| CN111965733A (zh) | 一种预报因子与太阳耀斑发生的相关性评估方法 | |
| Önen | A Comparison of Frequentist and Bayesian Approaches: The Power to Detect Model Misspecifications in Confirmatory Factor Analytic Models. | |
| CN110674471A (zh) | 基于GIS与Logistic回归模型的泥石流易发性预测方法 | |
| CN118094314B (zh) | 一种基于改进时空模型的化工过程故障诊断方法及系统 |
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 |