CN112365998A - 传染病传播规模模拟方法、装置与电子设备 - Google Patents
传染病传播规模模拟方法、装置与电子设备 Download PDFInfo
- Publication number
- CN112365998A CN112365998A CN202011262866.1A CN202011262866A CN112365998A CN 112365998 A CN112365998 A CN 112365998A CN 202011262866 A CN202011262866 A CN 202011262866A CN 112365998 A CN112365998 A CN 112365998A
- Authority
- CN
- China
- Prior art keywords
- target
- activity
- propagation
- infectious disease
- persons
- 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
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
- 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)
- 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)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本公开提供一种传染病传播规模模拟方法、装置与电子设备。传染病传播规模模拟方法包括:根据预设数据获取目标传染病的聚集活动有效再生数和社区传播有效再生数;根据所述聚集活动有效再生数和参加目标聚集活动的已感染人数确定目标聚集活动结束当天的参与传播人数;根据所述目标聚集活动结束当天的参与传播人数、所述社区传播有效再生数、预设控制参数和社区传播天数确定所述目标聚集活动结束后每日。本公开实施例可以准确模拟计算聚集活动举办后的传染病感染人数变化。
Description
技术领域
本公开涉及数据处理技术领域,具体而言,涉及一种传染病传播规模模拟方法、装置与电子设备。
背景技术
爆发的传染性疾病给社会活动带来巨大影响,如何在疫情期间实现控制疫情发展的条件下尽量维护社会正常运转,是本领域急需解决的问题。
相关技术中,通常以地区为单位,使用SEIR模型(Mathematical models ofepidemic diseases,流行病数学模型)分析疫情爆发后易感者(Susceptible)、暴露者(Exposed)、感病者(Infectious)、康复者(Recovered)各类人群的数量变化等区域疫情发展数据,通过某些已发生的聚集活动,估算其他聚集活动的有效再生数R0(指没有干预的情况下,在一个全部是易感人群的环境中,平均一个感染者在患病周期可以传染的人数)。但是,这种方法考虑的因素有限,在预估未发生的聚集性社会活动对疫情发展的影响时难以输出准确的预估结果;此外,这种方法仅能做出是否开放活动的建议,无法根据活动开放限制的不同而得出不同结论。
因此,需要一种能够准确预估未发生的聚集性社会活动对传染人数变化的影响、为活动提供开放限制建议的方法。
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
本公开的目的在于提供一种传染病传播规模模拟方法、装置与电子设备,用于至少在一定程度上克服由于相关技术的限制和缺陷而导致的无法准确预估未发生的聚集性社会活动对目标传染病的参与传播人数变化的影响问题。
根据本公开实施例的第一方面,提供一种传染病传播规模模拟方法,包括:根据预设数据获取目标传染病的聚集活动有效再生数和社区传播有效再生数;根据所述聚集活动有效再生数和参加目标聚集活动的已感染人数确定目标聚集活动结束当天的参与传播人数;根据所述目标聚集活动结束当天的参与传播人数、所述社区传播有效再生数、预设控制参数和社区传播天数确定所述目标聚集活动结束后每日的参与传播人数。
在本公开的一种示例性实施例中,所述预设数据包括多个聚集活动对应的所述目标传染病已感染人数、感染者的密切接触者总人数、聚集活动后确诊总人数,所述获取目标传染病的聚集活动有效再生数和社区传播有效再生数包括根据以下公式确定所述聚集活动有效再生数和所述社区传播有效再生数:其中,L是所述目标传染病的有效传播距离,d是建议社交距离,Nini是参加所述多个聚集活动的目标传染病已感染人数,Nc是所述多个聚集活动对应的感染者的密切接触者总人数,Nm是所述多个聚集活动对应的聚集活动后确诊总人数,R1是所述聚集活动有效再生数,R2是所述社区传播有效再生数。
在本公开的一种示例性实施例中,所述根据所述聚集活动有效再生数和参加目标聚集活动的已感染人数确定目标聚集活动结束当天的参与传播人数包括根据以下公式确定所述目标聚集活动结束当天的参与传播人数:其中,N1是所述目标聚集活动结束当天的参与传播人数,N0是所述参加目标聚集活动的已感染人数,T是所述目标传染病从感染到确诊的平均时间,R1是所述聚集活动有效再生数。
在本公开的一种示例性实施例中,所述根据所述目标聚集活动结束当天的参与传播人数、所述社区传播有效再生数、预设控制参数和社区传播天数确定所述目标聚集活动结束后每日的参与传播人数包括:根据预设公式确定所述目标聚集活动结束后第n天的新增感染人数:其中,Nnew是所述目标聚集活动结束后第n天的新增感染人数,Nn-1是所述目标聚集活动结束后第n-1天对应的参与传播人数,N1为所述目标聚集活动结束当天的参与传播人数,T是所述目标传染病从感染到确诊的平均时间,R2是所述社区传播有效再生数,n为大于1的整数;根据所述预设控制参数确定通过检测手段发现新增感染者的检测发现概率,所述预设控制参数包括第一聚集活动后隔离时间和第一检测比例;根据所述检测发现概率与所述新增感染人数的乘积确定所述目标聚集活动结束后第n天的新增参与传播人数;根据所述新增参与传播人数与所述目标聚集活动结束后第n-1天的参与传播人数确定所述目标聚集活动结束后第n天对应的参与传播人数。
在本公开的一种示例性实施例中,所述根据所述预设控制参数确定通过检测手段发现新增感染者的检测发现概率包括:根据所述目标传染病的潜伏期天数统计数据获取所述目标传染病的平均潜伏期和潜伏期天数标准差;根据所述平均潜伏期和所述潜伏期天数标准差确定正态分布公式;根据所述正态分布公式和所述第一聚集活动后隔离时间确定感染者在隔离期内的发病概率;根据所述发病概率、所述第一检测比例、检测准确度的乘积确定所述检测发现概率。
在本公开的一种示例性实施例中,还包括:获取所述目标聚集活动的聚集活动周期并根据所述聚集活动周期确定社区传播天数;根据所述社区传播天数确定一个活动周期结束后的参与传播人数;获取所述目标聚集活动的聚集活动次数并根据所述聚集活动次数确定多个活动周期结束后的参与传播人数。
在本公开的一种示例性实施例中,还包括:根据所述目标聚集活动结束后目标社区传播天数对应的目标参与传播人数确定目标控制参数,所述目标控制参数包括第二聚集活动后隔离时间和第二检测比例。
根据本公开实施例的第二方面,提供一种传染病传播规模模拟装置,包括:传染参数确定模块,设置为根据预设数据获取目标传染病的聚集活动有效再生数和社区传播有效再生数;感染人数确定模块,设置为根据所述聚集活动有效再生数和参加目标聚集活动的已感染人数确定目标聚集活动结束当天的参与传播人数;传播人数确定模块,设置为根据所述目标聚集活动结束当天的参与传播人数、所述社区传播有效再生数、预设控制参数和社区传播天数确定所述目标聚集活动结束后每日的参与传播人数。
根据本公开的第三方面,提供一种电子设备,包括:存储器;以及耦合到所述存储器的处理器,所述处理器被配置为基于存储在所述存储器中的指令,执行如上述任意一项所述的方法。
根据本公开的第四方面,提供一种计算机可读存储介质,其上存储有程序,该程序被处理器执行时实现如上述任意一项所述的传染病传播规模模拟方法。
本公开实施例可以根据预设数据、参加目标聚集活动的已感染人数、预设控制参数和社区传播天数计算举办聚集活动后每天的参与传播人数变化,可以在多种居家隔离天数、会后检测范围等参数的条件下预估聚集活动对疫情传播的影响,输出准确的预估数值,进而为聚集活动的举办提供合理的建议。
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。
图1是本公开一个实施例中传染病传播规模模拟方法的流程图。
图2是本公开实施例中感染者的平均密切接触人数的计算方法示意图。
图3是本公开实施例中传染病传播规模模拟方法的一个子流程图。
图4是本公开实施例中根据聚集活动后隔离时间确定感染者在隔离期的发病概率的示意图。
图5是本公开另一个实施例中传染病传播规模模拟方法的流程图。
图6是本公开实施例中传染病传播规模模拟装置的方框图。
图7是本公开实施例中电子设备的方框图。
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。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方式中。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方式的充分理解。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省略所述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技术方案以避免喧宾夺主而使得本公开的各方面变得模糊。
此外,附图仅为本公开的示意性图解,图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。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。
下面结合附图对本公开示例实施方式进行详细说明。
图1示意性示出本公开示例性实施例中传染病传播规模模拟方法的流程图。参考图1,传染病传播规模模拟方法100可以包括:
步骤S102,根据预设数据获取目标传染病的聚集活动有效再生数和社区传播有效再生数;
步骤S104,根据所述聚集活动有效再生数和参加目标聚集活动的已感染人数确定目标聚集活动结束当天的参与传播人数;
步骤S106,根据所述目标聚集活动结束当天的参与传播人数、所述社区传播有效再生数、预设控制参数和社区传播天数确定所述目标聚集活动结束后每日的参与传播人数。
本公开实施例可以根据预设数据、参加目标聚集活动的已感染人数、预设控制参数和社区传播天数计算举办聚集活动后每天的参与传播人数变化,可以在多种居家隔离天数、会后检测范围等参数的条件下预估聚集活动对疫情传播的影响,输出准确的预估数值,进而为聚集活动的举办提供合理的建议。
下面,对传染病传播规模模拟方法100的各步骤进行详细说明。
在步骤S102,根据预设数据获取目标传染病的聚集活动有效再生数和社区传播有效再生数。
本公开实施例中预设数据可以包括根据前期统计数据得到的多个聚集活动对应的所述目标传染病已感染人数、感染者的密切接触者总人数、聚集活动后确诊总人数。
在一个实施例中,可以根据目标传染病对应的前期统计数据和以下公式确定聚集活动有效再生数R1和社区传播有效再生数R2:
其中,L是目标传染病的有效传播距离,是根据流行病学研究得出的专业数据,d是建议社交距离,Nini是参加该多个聚集活动的已感染人数,Nc是该多个聚集活动对应的感染者的密切接触者总人数,Nm是该多个聚集活动对应的聚集活动后确诊总人数,R1是所述聚集活动有效再生数,R2是所述社区传播有效再生数。聚集活动有效再生数R1用于表示活动举办当天的新增感染人数,社区传播有效再生数R2用于表示活动结束后社区的新增感染人数。
下面介绍公式(1)的计算原理。
已知计算有效再生数的计算公式为:
R=k×b×T (2)
其中k为感染者平均密切接触者人数,b为目标传染病的传染率,T为传播时间。
根据公式(2)可知聚集活动有效再生数R1为:
R1=k1×b×T (3)
社区传播有效再生数R2为:
R2=k2×b×T (4)
则有:
因此可以得出:
参考图2,假设目标传染病的有效传播距离为L,则在边长为L的正方形中,参加聚集活动的人的平均密切接触者人数k1为(L/d+1)2-1。当假设目标传染病的有效传播区域是圆形或者其他形状时,可以根据图2所示计算原理确定k1的值,本公开不以此为限。可以理解的是,对一个目标传染病来说,可以设置唯一的有效传播距离以及唯一的建议社交距离。
根据前期统计数据确定的目标传染病对应的聚集活动后感染者平均密切接触者人数k2、社区传播有效再生数R2均为统计值,即k2和R2的计算是基于目标传染病的统计数据得出的平均值。
通过以上公式,根据确定的k2、R2、k1可以得到目标传染病对应的聚集活动有效再生数R1以及社区传播有效再生数R2。
步骤S104,根据所述聚集活动有效再生数和参加目标聚集活动的已感染人数确定目标聚集活动结束当天的参与传播人数。
在本公开一个实施例中,可以根据以下公式确定目标聚集活动结束当天的参与传播人数N1:
其中,N0是参加目标聚集活动的已感染人数,T是目标传染病从感染到确诊的平均时间,R1是聚集活动有效再生数。
在本公开实施例中,参与传播人数是指已经感染目标传染病但并未发现的目标传染病的感染者的数量。由于这些感染者未被发现,无法被隔离,因此将参与目标传染病的传播,造成传染病的传播规模扩大。在本公开实施例中,将每日对应的参与传播人数称为目标传染病在当日的传播规模。在公式(7)中,由于无法准确得知参与目标聚集活动的已感染人数(如果已经知道该人是感染者,则不会邀请该人参会),且本公开实施例的方法可以用于预估未发生的聚集活动对疫情传播的影响,因此,N0可以是未发生的聚集活动对应的假设已感染人数。
步骤S106,根据所述目标聚集活动结束当天的参与传播人数、所述社区传播有效再生数、预设控制参数和社区传播天数确定所述目标聚集活动结束后每日的参与传播人数。
图3是本公开一个实施例中步骤S106的子步骤图。
参考图3,步骤S106可以包括:
步骤S1061,根据预设公式确定目标聚集活动结束后第n天的新增感染人数;
步骤S1062,根据所述预设控制参数确定通过检测手段发现新增感染者的检测发现概率,所述预设控制参数包括第一聚集活动后隔离时间和第一检测比例;
步骤S1063,根据所述检测发现概率与所述新增感染人数的乘积确定所述目标聚集活动结束后第n天的新增参与传播人数;
步骤S1064,根据所述新增参与传播人数与所述目标聚集活动结束后第n-1天的参与传播人数确定所述目标聚集活动结束后第n天对应的参与传播人数。
在步骤S1061中,根据以下公式确定第n天的新增感染人数Nnew:
其中,Nn-1是目标聚集活动结束后第n-1天的参与传播人数,N1为所述目标聚集活动结束当天的参与传播人数,T是目标传染病从感染到确诊的平均时间,R2是所述社区传播有效再生数,n为大于1的整数。
在步骤S1062中,预设控制参数例如可以包括第一聚集活动后隔离时间t和第一检测比例β。
可以根据目标传染病的潜伏期天数统计数据获取目标传染病的平均潜伏期和潜伏期天数标准差,然后根据平均潜伏期和潜伏期天数标准差确定正态分布公式,再根据正态分布公式和第一聚集活动后隔离时间t确定感染者在隔离期内的发病概率p,最后根据发病概率p、第一检测比例、检测准确度x的乘积确定检测发现概率。在本步骤中,第一聚集活动后隔离时间t和第一检测比例β均为假设值。
图4本公开一个实施例中根据聚集活动后隔离时间确定感染者在隔离期的发病概率的示意图。
参考图4,聚集活动后隔离时间t决定了潜在感染是否暴露。此处假设潜伏期符合正态分布,依据当前疫情数据的统计,得到目标传染病的平均潜伏期为μ天,标准差为σ。根据标准正态分布表,结合平均潜伏期μ天和第一聚集活动后隔离时间t,计算φ(x<=t)的概率值,即感染者在隔离期限内的发病概率p。由于通过正态分布计算t与p的关系为常用数学公式,本公开于此不再赘述。
通过将隔离期对参与传播人数的影响转化为隔离期相对于疾病传染周期的正态分布概率问题,可以提高输出预估结果的准确性。
由于引入了群众在家隔离的天数,新增确诊人数(即通过检测发现的新增感染者)将和上述感染者在隔离期限内发病的概率p呈正相关。此外,新增确诊人数也和密切接触者的检测比例β相关。基于当前统计数据,估算检测的准确度为x,再结合现有新增感染人数和检测的比例β,即可得到检测可以发现的新增确诊人数:
其中,Nout是第n天被确诊的感染者人数。这些感染者由于被确诊,将会被隔离,无法参与接下来的疫情传播,因此,可以在现有新增感染人数中减去这部分暴露感染者即可得到第n天的新增参与传播人数NEWn:
接下来,将第n日的新增参与传播人数NEWn与第n-1日的参与传播人数Nn-1相加,即可得到第n日对应的参与传播人数Nn:
Nn=NEWn+Nn-1 (11)
第n日对应的参与传播人数可以称为目标聚集活动结束后第n日目标传染病的传播规模。其中,可以理解的是,由于传染病的传染力维持时间(假设为Tc天)有限,因此,在每次维护具有传染性的感染总量的时候,还可以只选取最近Tc天的数据参与计算,因为Tc天以前的感染者已不具备传染性。即,在公式(9)中计算的Nn的基础上删除Tc天以前每一天对应的新增参与传播人数。
图5是本公开另一个实施例中传染病传播规模模拟方法的流程图。
参考图5,在一个实施例中,还可以进一步对参与传播人数进行以下处理:
步骤S51,获取所述目标聚集活动的聚集活动周期并根据所述聚集活动周期确定所述社区传播天数;
步骤S52,根据所述社区传播天数确定一个活动周期结束后的参与传播人数;
步骤S53,获取所述目标聚集活动的聚集活动次数并根据所述聚集活动次数确定多个活动周期结束后的参与传播人数。
根据目标聚集活动的聚集活动的频次不同,可以计算参与传播人数随时间的变化,例如一周举行一次该目标聚集活动时,在一个周期的第一天计算一次目标聚集活动结束当天的参与传播人数,然后,在后续的六天每天都根据前一天的数据计算参与传播人数,直到第七天结束时,将这一天计算的参与传播人数作为本周期结束时的感染人数。当进行多个周期的活动预估时,可以将前一个周期结束时预估的的感染人数作为下一个周期的参加目标聚集活动的已感染人数,即N0。如此,即可模拟出不同活动频率对疫情传播的影响。
在本公开一个实施例中,还可以根据以上建立的模型,设置目标输出值,反推合适的输入值,即根据目标聚集活动结束后目标社区传播天数对应的目标参与传播人数确定目标控制参数。
可以根据以上方法,设置不同的参加目标聚集活动的已感染人数、建议社交距离、检测比例、聚集活动后隔离时间、活动频率对应的不同的参与传播人数随时间变化模型,进而,可以根据模型找到在预设社区传播天数时参与传播人数低于预设参与传播人数的条件组合,作为活动建议。例如,可以假设参会人群中潜在感染率为γ(即参加目标聚集活动的易感染人数占全部参会人员的比例),设置邀请参会人员数量为M,建议社交距离为d,检测比例为β,聚集活动后隔离时间为t,活动频率为1次,目标社区传播天数为n,则此时可以根据以上分析建立模型为:
Nn=f(Mγ,β,t,d,n) (12)
Nn为目标活动结束后第n天的参与传播人数,即未被发现并隔离的感染者人数,f是根据公式(1)~公式(11)建立的各输入参数与Nn的关系,即数学模型,可以由以上公式推出,本公开于此不再赘述。根据以上分析可知,Nn的值受到各输入参数M、γ、β、t、d、n的影响。
假设对一个目标传染病,设置唯一的建议社交距离d,并且设置在第5天(n=5)时,Nn不大于200人(Nn=200),则将d、n、Nn三个固定值带入公式(12)求解,可以得到多组[Mγ,β,t]。当活动邀请参会人员数量M固定,估算的潜在感染率γ固定时,可以得到一或多组[β,t]的值,为聚集活动的聚集活动后隔离时间、检测比例提供建议。当活动邀请参会人员数量M不固定时,可以得到一或多组[M,β,t]的值,为聚集活动的邀请人数、聚集活动后隔离时间、检测比例提供建议。
此时得到的建议值可以称为目标控制参数,建议值中的β可以称为第二检测比例,建议值中的t可以称为第二聚集活动后隔离时间。
通过这种建议举办的活动,将维持较低的疫情传播风险,进而在控制疫情的条件下尽量能够实现社会的正常运转。
综上所述,本公开实施例可以模拟开放部分经济或者社会活动下,疫情的发展趋势,有助于经济和疫情的可控性权衡,对于影响不大的聚集活动,可以开放控制,恢复经济。
本公开实施例通过细化针对聚集活动提供针对的政策参数,可以体现每一项聚集活动限制对疫情发展的影响。通过分开考虑社区+家庭传播和聚集活动传播带来的影响,可以实现对周期性的聚集活动造成疫情传播的新增人数模拟。
对于必要开放的聚集活动,可以细化地针对:聚集活动开放的频次,初始传染者的数量,发现确诊患者后确诊患者的密接人群中做核酸检测的人数比例,参加聚集活动的人员占比,群众参加完聚集活动后在家隔离的时间进行调整,观察预估的疫情发展趋势,选取保证疫情可控条件下对应的聚集活动的政策参数,作为开展必要活动的政策建议,保障民生的同时也保证了疫情的可控。
对应于上述方法实施例,本公开还提供一种传染病传播规模模拟装置,可以用于执行上述方法实施例。
图6示意性示出本公开一个示例性实施例中一种传染病传播规模模拟装置的方框图。
参考图6,传染病传播规模模拟装置600可以包括:
传染参数确定模块602,设置为根据预设数据获取目标传染病的聚集活动有效再生数和社区传播有效再生数;
感染人数确定模块604,设置为根据所述聚集活动有效再生数和参加目标聚集活动的已感染人数确定目标聚集活动结束当天的参与传播人数;
传播人数确定模块606,设置为根据所述目标聚集活动结束当天的参与传播人数、所述社区传播有效再生数、预设控制参数和社区传播天数确定所述目标聚集活动结束后每日的参与传播人数。
在本公开的一种示例性实施例中,传染参数确定模块602设置为包括根据以下公式确定所述聚集活动有效再生数和所述社区传播有效再生数:其中,L是所述目标传染病的有效传播距离,d是建议社交距离,Nini是参加所述多个聚集活动的目标传染病已感染人数,Nc是所述多个聚集活动对应的感染者的密切接触者总人数,Nm是所述多个聚集活动对应的聚集活动后确诊总人数,R1是所述聚集活动有效再生数,R2是所述社区传播有效再生数。
在本公开的一种示例性实施例中,感染人数确定模块604设置为根据以下公式确定所述目标聚集活动结束当天的参与传播人数:其中,N1是所述目标聚集活动结束当天的参与传播人数,N0是所述参加目标聚集活动的已感染人数,T是所述目标传染病从感染到确诊的平均时间,R1是所述聚集活动有效再生数。
在本公开的一种示例性实施例中,传播人数确定模块606设置为:根据预设公式确定所述目标聚集活动结束后第n天的新增感染人数:其中,Nnew是所述目标聚集活动结束后第n天的新增感染人数,Nn-1是所述目标聚集活动结束后第n-1天的参与传播人数,N1为所述目标聚集活动结束当天的参与传播人数,T是所述目标传染病从感染到确诊的平均时间,R2是所述社区传播有效再生数,n为大于1的整数;根据所述预设控制参数确定通过检测手段发现新增感染者的检测发现概率,所述预设控制参数包括第一聚集活动后隔离时间和第一检测比例;根据所述检测发现概率与所述新增感染人数的乘积确定所述目标聚集活动结束后第n天的新增参与传播人数;根据所述新增参与传播人数与所述目标聚集活动结束后第n-1天的参与传播人数确定所述目标聚集活动结束后第n天的参与传播人数。
在本公开的一种示例性实施例中,传播人数确定模块606设置为:根据所述目标传染病的潜伏期天数统计数据获取所述目标传染病的平均潜伏期和潜伏期天数标准差;根据所述平均潜伏期和所述潜伏期天数标准差确定正态分布公式;根据所述正态分布公式和所述第一聚集活动后隔离时间确定感染者在隔离期内的发病概率;根据所述发病概率、所述第一检测比例、检测准确度的乘积确定所述检测发现概率。
在本公开的一种示例性实施例中,还包括周期活动模拟模块,设置为:获取所述目标聚集活动的聚集活动周期并根据所述聚集活动周期确定社区传播天数;根据所述社区传播天数确定一个活动周期结束后的参与传播人数;获取所述目标聚集活动的聚集活动次数并根据所述聚集活动次数确定多个活动周期结束后的参与传播人数。
在本公开的一种示例性实施例中,还包括活动参数确定模块,设置为:根据所述目标聚集活动结束后目标社区传播天数对应的目标参与传播人数确定目标控制参数,所述目标控制参数包括第二聚集活动后隔离时间和第二检测比例。
由于装置600的各功能已在其对应的方法实施例中予以详细说明,本公开于此不再赘述。
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。
在本公开的示例性实施例中,还提供了一种能够实现上述方法的电子设备。
所属技术领域的技术人员能够理解,本发明的各个方面可以实现为系统、方法或程序产品。因此,本发明的各个方面可以具体实现为以下形式,即:完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等),或硬件和软件方面结合的实施方式,这里可以统称为“电路”、“模块”或“系统”。
下面参照图7来描述根据本发明的这种实施方式的电子设备700。图7显示的电子设备700仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图7所示,电子设备700以通用计算设备的形式表现。电子设备700的组件可以包括但不限于:上述至少一个处理单元710、上述至少一个存储单元720、连接不同系统组件(包括存储单元720和处理单元710)的总线730。
其中,所述存储单元存储有程序代码,所述程序代码可以被所述处理单元710执行,使得所述处理单元710执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。例如,所述处理单元710可以执行如图1中所示的步骤。
存储单元720可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)7201和/或高速缓存存储单元7202,还可以进一步包括只读存储单元(ROM)7203。
存储单元720还可以包括具有一组(至少一个)程序模块7205的程序/实用工具7204,这样的程序模块7205包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线730可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备700也可以与一个或多个外部设备800(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得用户能与该电子设备700交互的设备通信,和/或与使得该电子设备700能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口750进行。并且,电子设备700还可以通过网络适配器760与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器760通过总线730与电子设备700的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备700使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
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、终端装置、或者网络设备等)执行根据本公开实施方式的方法。
在本公开的示例性实施例中,还提供了一种计算机可读存储介质,其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中,本发明的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当所述程序产品在终端设备上运行时,所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。
根据本发明的实施方式的用于实现上述方法的程序产品可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在终端设备,例如个人电脑上运行。然而,本发明的程序产品不限于此,在本文件中,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。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、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。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(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。
计算机可读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,其中承载了可读程序代码。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。可读信号介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、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。
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、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
此外,上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明,而不是限制目的。易于理解,上述附图所示的处理并不表明或限制这些处理的时间顺序。另外,也易于理解,这些处理可以是例如在多个模块中同步或异步执行的。
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构思由权利要求指出。
Claims (10)
1.一种传染病传播规模模拟方法,其特征在于,包括:
根据预设数据获取目标传染病的聚集活动有效再生数和社区传播有效再生数;
根据所述聚集活动有效再生数和参加目标聚集活动的已感染人数确定目标聚集活动结束当天的参与传播人数;
根据所述目标聚集活动结束当天的参与传播人数、所述社区传播有效再生数、预设控制参数和社区传播天数确定所述目标聚集活动结束后每日的参与传播人数。
4.如权利要求1所述的传染病传播规模模拟方法,其特征在于,所述根据所述目标聚集活动结束当天的参与传播人数、所述社区传播有效再生数、预设控制参数和社区传播天数确定所述目标聚集活动结束后每日的参与传播人数包括:
根据预设公式确定所述目标聚集活动结束后第n天的新增感染人数:
其中,Nnew是所述目标聚集活动结束后第n天的新增感染人数,Nn-1是所述目标聚集活动结束后第n-1天对应的参与传播人数,N1为所述目标聚集活动结束当天的参与传播人数,T是所述目标传染病从感染到确诊的平均时间,R2是所述社区传播有效再生数,n为大于1的整数;
根据所述预设控制参数确定通过检测手段发现新增感染者的检测发现概率,所述预设控制参数包括第一聚集活动后隔离时间和第一检测比例;
根据所述检测发现概率与所述新增感染人数的乘积确定所述目标聚集活动结束后第n天的新增参与传播人数;
根据所述新增参与传播人数与所述目标聚集活动结束后第n-1天的参与传播人数确定所述目标聚集活动结束后第n天对应的参与传播人数。
5.如权利要求4所述的传染病传播规模模拟方法,其特征在于,所述根据所述预设控制参数确定通过检测手段发现新增感染者的检测发现概率包括:
根据所述目标传染病的潜伏期天数统计数据获取所述目标传染病的平均潜伏期和潜伏期天数标准差;
根据所述平均潜伏期和所述潜伏期天数标准差确定正态分布公式;
根据所述正态分布公式和所述第一聚集活动后隔离时间确定感染者在隔离期内的发病概率;
根据所述发病概率、所述第一检测比例、检测准确度的乘积确定所述检测发现概率。
6.如权利要求1所述的传染病传播规模模拟方法,其特征在于,还包括:
获取所述目标聚集活动的聚集活动周期并根据所述聚集活动周期确定社区传播天数;
根据所述社区传播天数确定一个活动周期结束后的参与传播人数;
获取所述目标聚集活动的聚集活动次数并根据所述聚集活动次数确定多个活动周期结束后的参与传播人数。
7.如权利要求1所述的传染病传播规模模拟方法,其特征在于,还包括:
根据所述目标聚集活动结束后目标社区传播天数对应的目标参与传播人数确定目标控制参数,所述目标控制参数包括第二聚集活动后隔离时间和第二检测比例。
8.一种传染病传播规模模拟装置,其特征在于,包括:
传染参数确定模块,设置为根据预设数据获取目标传染病的聚集活动有效再生数和社区传播有效再生数;
感染人数确定模块,设置为根据所述聚集活动有效再生数和参加目标聚集活动的已感染人数确定目标聚集活动结束当天的参与传播人数;
传播人数确定模块,设置为根据所述目标聚集活动结束当天的参与传播人数、所述社区传播有效再生数、预设控制参数和社区传播天数确定所述目标聚集活动结束后每日的参与传播人数。
9.一种电子设备,其特征在于,包括:
存储器;以及
耦合到所述存储器的处理器,所述处理器被配置为基于存储在所述存储器中的指令,执行如权利要求1-7任一项所述的传染病传播规模模拟方法。
10.一种计算机可读存储介质,其上存储有程序,该程序被处理器执行时实现如权利要求1-7任一项所述的传染病传播规模模拟方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011262866.1A CN112365998A (zh) | 2020-11-12 | 2020-11-12 | 传染病传播规模模拟方法、装置与电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011262866.1A CN112365998A (zh) | 2020-11-12 | 2020-11-12 | 传染病传播规模模拟方法、装置与电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112365998A true CN112365998A (zh) | 2021-02-12 |
Family
ID=74514619
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011262866.1A Pending CN112365998A (zh) | 2020-11-12 | 2020-11-12 | 传染病传播规模模拟方法、装置与电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112365998A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113539512A (zh) * | 2021-07-21 | 2021-10-22 | 医渡云(北京)技术有限公司 | 传染病传播趋势的预测方法及装置、存储介质、电子设备 |
CN113793690A (zh) * | 2021-08-31 | 2021-12-14 | 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 |
CN114743690A (zh) * | 2022-05-05 | 2022-07-12 | 医渡云(北京)技术有限公司 | 传染病的预警方法、装置、介质及电子设备 |
CN114974607A (zh) * | 2022-06-01 | 2022-08-30 | 平安盐野义有限公司 | 疾病传播预防方法、社交系统、服务器装置、存储介质 |
WO2023087269A1 (zh) * | 2021-11-19 | 2023-05-25 | 南方科技大学 | 人员活动控制方法、系统、终端及存储介质 |
CN117095831A (zh) * | 2023-10-17 | 2023-11-21 | 厦门畅享信息技术有限公司 | 突发流行病趋势监测方法、系统、介质及电子设备 |
-
2020
- 2020-11-12 CN CN202011262866.1A patent/CN112365998A/zh active Pending
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113539512A (zh) * | 2021-07-21 | 2021-10-22 | 医渡云(北京)技术有限公司 | 传染病传播趋势的预测方法及装置、存储介质、电子设备 |
CN113793690A (zh) * | 2021-08-31 | 2021-12-14 | 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 |
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 |
WO2023087269A1 (zh) * | 2021-11-19 | 2023-05-25 | 南方科技大学 | 人员活动控制方法、系统、终端及存储介质 |
CN114743690A (zh) * | 2022-05-05 | 2022-07-12 | 医渡云(北京)技术有限公司 | 传染病的预警方法、装置、介质及电子设备 |
CN114974607A (zh) * | 2022-06-01 | 2022-08-30 | 平安盐野义有限公司 | 疾病传播预防方法、社交系统、服务器装置、存储介质 |
CN114974607B (zh) * | 2022-06-01 | 2023-08-25 | 平安盐野义有限公司 | 疾病传播预防方法、社交系统、服务器装置、存储介质 |
CN117095831A (zh) * | 2023-10-17 | 2023-11-21 | 厦门畅享信息技术有限公司 | 突发流行病趋势监测方法、系统、介质及电子设备 |
CN117095831B (zh) * | 2023-10-17 | 2024-01-16 | 厦门畅享信息技术有限公司 | 突发流行病趋势监测方法、系统、介质及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112365998A (zh) | 传染病传播规模模拟方法、装置与电子设备 | |
CN111524611B (zh) | 构建传染病趋势预测模型的方法、预测方法、装置及设备 | |
Britton et al. | Estimation in emerging epidemics: biases and remedies | |
CN111883260B (zh) | 一种基于改进的seir模型疫情群体演变预测方法 | |
CN114864104A (zh) | 传染病疫情预测方法及装置、存储介质、电子设备 | |
CN112435759A (zh) | 疫情数据预测方法及装置、电子设备和存储介质 | |
CN113593716B (zh) | 一种传染病趋势预测方法及装置 | |
CN111739658A (zh) | 基于输入病例预测传染病趋势的方法及装置 | |
CN112382406B (zh) | 传染病的基本再生数的估算方法及装置、介质和设备 | |
Örmeci et al. | A modeling framework for control of preventive services | |
Pellis et al. | Estimation of reproduction numbers in real time: conceptual and statistical challenges | |
CN113838580B (zh) | 传染病传染规模预测方法、装置、存储介质及电子设备 | |
CN113345599A (zh) | 疫情预测方法、疫情预测装置、存储介质与电子设备 | |
CN111403051B (zh) | 基于周期预测疫情发病人数的方法及装置、设备和介质 | |
Nehme et al. | A predictive model for the post-pandemic delay in elective treatment | |
CN112259248B (zh) | 一种covid-19境外输入风险评估预测方法 | |
Wascher et al. | Monitoring SARS-COV-2 transmission and prevalence in populations under repeated testing | |
Santana et al. | Type I multivariate zero‐inflated COM–Poisson regression model | |
CN114188035B (zh) | 一种基于改进seir模型的传染病预测方法及系统 | |
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 | |
An et al. | A Bayesian hierarchical model with novel prior specifications for estimating HIV testing rates | |
CN113345594B (zh) | 信息预测的方法和装置 | |
Sichone et al. | Assessing required SARS-CoV-2 blanket testing rates for possible control of the outbreak in the epicentre Lusaka province of Zambia with consideration for asymptomatic individuals: A simple mathematical modelling study | |
CN114496265A (zh) | 城市内部传染病时空扩散建模方法及系统 | |
Fawcett et al. | A Bayesian multivariate approach to estimating the prevalence of a superordinate category of disorders |
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 |