CN112366000A - 预测传染病传播时区域特定人群人数的方法 - Google Patents
预测传染病传播时区域特定人群人数的方法 Download PDFInfo
- Publication number
- CN112366000A CN112366000A CN202011345732.6A CN202011345732A CN112366000A CN 112366000 A CN112366000 A CN 112366000A CN 202011345732 A CN202011345732 A CN 202011345732A CN 112366000 A CN112366000 A CN 112366000A
- Authority
- CN
- China
- Prior art keywords
- event
- confirmed
- person
- close contact
- esti
- 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 40
- 208000035473 Communicable disease Diseases 0.000 title claims abstract description 29
- 238000000034 method Methods 0.000 title claims abstract description 23
- 230000005541 medical transmission Effects 0.000 title description 4
- 238000003745 diagnosis Methods 0.000 claims abstract description 14
- 230000009471 action Effects 0.000 claims abstract description 4
- 201000010099 disease Diseases 0.000 claims description 5
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 5
- 238000011084 recovery Methods 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims 1
- 238000004458 analytical method Methods 0.000 abstract description 6
- 238000002955 isolation Methods 0.000 description 8
- 230000008859 change Effects 0.000 description 4
- 230000002265 prevention Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000002349 favourable effect Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000000586 desensitisation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000008821 health effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
- 238000010200 validation analysis 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
- 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)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Epidemiology (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (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
本发明涉及预测传染病传播时区域特定人群人数的方法,主要包括如下步骤,1)根据疫情爆发点上报确定确诊人群和密切接触人群,分别以确诊人员和密切接触人员建立事件抽象序列;2)由每一个确诊人员以出行地为事件回溯时间线,确定新的密切接触人员和高风险人群;3)寻找不同确诊人员之间的事件汇合处,确定感染趋势,直到寻找到疫情感染源;4)基于确诊人员的回溯事件线,构建单人和所有确诊人员的行动轨迹图,绘制基于事件的三维图;5)构建模型计算特定人群的人数。本发明方法具有通用性,可以运用至传染病的跟踪分析,为快速发现传染病特征,阻止传染病进一步爆发提供参考。
Description
技术领域
本发明涉及预测方法,特别涉及预测传染病传播时区域特定人群人数的方法。
背景技术
疫情防控中的各类重要事件大都包含时间和空间维度,自物理学四维空间理论的提出,复数概念的产生,在四维时空中标识、度量事件成为可能,这非常符合疫情防控事件存储、分析和分享的需要。国外在2000年前后即有文献讨论传染病行为的时空建模方法,2014年以来有文献讨论将时空模型用于单例传染病的数据分析和预测,国内中山大学2018年建立了传染病森林时空模型,用于分析疾病传播。前述研究主要都是将时空模型运用于单个病种的分析和预测或是通用的建模方法,尚无贴近疫情防控需要的时空事件模型和相关计算方法,用以辅助个人测算与确诊患者之间的时空距离,以及不同确诊患者之间的时空交点,估算传染概率和高风险场所和时段。
发明内容
针对现有技术存在的上述问题,本发明的要解决的目的是:如何预测传染病在传播时特定区域可能新增确诊人数和死亡人数的方法。
为实现上述目的,本发明采用如下技术方案:预测传染病传播时区域特定人群人数的方法,包括如下步骤:
S01:疫情爆发点上报:确定确诊人群和密切接触人群,分别以确诊人员和密切接触人员建立事件抽象序列;
第i个确诊人员的确诊事件
EventI(0)=f(EidI0,EstI0,EetI0,EaI0,EOI0)
其中标号“0”表示疫情事件点,EidI表示确诊人员事情编号,EstI表示确诊人员事件发生时间,EetI表示确诊人员事件结束时间,EaI表示确诊人员事件的属性,EOI表示事件的其他说明;
第i个确诊人员的第j个密切人员的事件为:
EventIJ(0)=f(EidIJ0,EstIJ0,EetIJ0,EaIJ0,EOIJ0)
其中标号“0”表示疫情事件点,EidIJ表示密切接触人员事情编号,EstIJ表示密切接触人员事件发生时间,EetIJ表示密切接触人员事件结束时间,EaIJ表示密切接触人员事件的属性,EOIJ表示事件的其他说明;
S02:由每一个确诊人员以出行地为事件回溯时间线,确定新的密切接触人员和高风险人群;
EventI(-p)=f(EidI-p,EstI-p,EetI-p,EaI-p,EOI-p)
其中p=1,2,…表示确诊之前的事件抽象;
S03:寻找不同确诊人员之间的事件汇合处,确定感染趋势,直到寻找到疫情感染源;当EaI-p=EaJ-q时,确认感染趋势是从I→J还是从J→I,被传染者回溯事件结束,同时得到被传染者的回溯事件线;感染者继续回溯事件,直到寻找到最初的感染源,同时得到感染者的回溯事件线;
被传染者的回溯事件线和感染者的回溯事件线构成确诊人员的回溯事件线;
S04:基于确诊人员的回溯事件线,构建单人和所有确诊人员的行动轨迹图,绘制基于事件的三维图,其一维为时间,另外两维均为空间位置信息,在所述三维图中分别绘制确诊人员的曲线,寻找时间交汇处,确定疫情感染源,时间维度由事件的初始时间EstI-p决定,空间信息由事件属性EaI-p得到;
S05:基于确诊人员的回溯事件线,构建如下模型预测区域内在接下来的t时间段内的确诊人员I、密切接触人群C、高风险人群H、确诊后治愈人员R和病发死亡人员D:
其中,δ表示每个确诊人员的密切接触人数,μ(t)表示第t天发病没有被治疗的比率,k1表示密切接触人员的发病率,k2表示密切接触人员自愈的几率,r1表示确诊人员每天痊愈的比率,r2表示确诊人员每天去世的比率。
作为改进,所述模型的整个时间线为:
EstI-STAR<EetI-STAR≤…<EstI-p<EetI-p≤…<EstI0<EetI0≤…<EstIm<EetIm≤…<EstIEND<EetIEND。相对于现有技术,本发明至少具有如下优点:
本发明提出预测传染病传播时区域特定人群人数的方法,以时空信息为事件进行倒序时间线,迅速寻找确诊人员的外出路线,在时空范围内划分密切接触者、高风险人群和低风险人群,绘制确诊人员的时空图;根据人员划分建立模型预估可能预测区域内未来t时间内的确诊人员的人数I、密切接触人群的人数C、高风险人群的人数H、确诊后治愈人员的人数R和病发死亡人员的人数D;本发明方法具有通用性,可以运用至传染病的跟踪分析,为快速发现传染病特征,阻止传染病进一步爆发提供参考。本发明方法有利于助于实现快速有效的排查高风险人群,有利于政府划分针对性的实施隔离、治疗等方案,有利于防控传染病的爆发。
附图说明
图1为本发明方法的流程图。
图2为确诊人员的事件抽象时空图;
图3为基于模型预测确诊人数、密切接触人群和高风险人群。
具体实施方式
下面对本发明作进一步详细说明。
针对某传染病疫情,建立确诊人群及高风险人群健康状态、人员卫生活动的事件抽象时空模型,从时间倒序事件出发确定密切接触人员、高风险人群,从时间正序事件出发建立时空模型;绘制所有确诊人员事件抽象的空间图,有利于快速划分人群和实施相对应的策略。
参见图1-3,预测传染病传播时区域特定人群人数的方法,包括如下步骤:
对某传染病疫情的控制主要集中在密切接触人员和高风险人员上,如何在确认疫情后估计疫情范围、可能感染人数,寻找密切接触人员是疫情控制的核心所在。本发明中的特定人群是指确诊人员的人数I、密切接触人群的人数C、高风险人群的人数H、确诊后治愈人员的人数R和病发死亡人员的人数D。
S01:疫情爆发点上报:确定确诊人群和密切接触人群,分别以确诊人员和密切接触人员建立事件抽象序列;
第i个确诊人员的确诊事件
EventI(0)=f(EidI0,EstI0,EetI0,EaI0,EOI0)
其中标号“0”表示疫情事件点,EidI表示确诊人员事情编号,EstI表示确诊人员事件发生时间,EetI表示确诊人员事件结束时间,EaI表示确诊人员事件的属性,EOI表示事件的其他说明;
第i个确诊人员的第j个密切人员的事件为:
EventIJ(0)=f(EidIJ0,EstIJ0,EetIJ0,EaIJ0,EOIJ0)
其中标号“0”表示疫情事件点,EidIJ表示密切接触人员事情编号,EstIJ表示密切接触人员事件发生时间,EetIJ表示密切接触人员事件结束时间,EaIJ表示密切接触人员事件的属性,EOIJ表示事件的其他说明;
S02:由每一个确诊人员以出行地为事件回溯时间线,确定新的密切接触人员和高风险人群;
EventI(-p)=f(EidI-p,EstI-p,EetI-p,EaI-p,EOI-p)
其中p=1,2,…表示确诊之前的事件抽象;
S03:寻找不同确诊人员之间的事件汇合处,确定感染趋势,直到寻找到疫情感染源;当EaI-p=EaJ-q时,确认感染趋势是从I→J还是从J→I,被传染者回溯事件结束,同时得到被传染者的回溯事件线;感染者继续回溯事件,直到寻找到最初的感染源,同时得到感染者的回溯事件线;
被传染者的回溯事件线和感染者的回溯事件线构成确诊人员的回溯事件线;
S04:基于确诊人员的回溯事件线,构建单人和所有确诊人员的行动轨迹图,确定受影响的社区和公共场合,明确区域内的密切接触者、高风险人群和低风险人群,从空间地理上进行展示。绘制基于事件的三维图,其一维为时间,另外两维均为空间位置信息,在所述三维图中分别绘制确诊人员的曲线,寻找时间交汇处,确定疫情感染源,时间维度由事件的初始时间EstI-p决定,空间信息由事件属性EaI-p得到;
S05:基于确诊人员的回溯事件线,构建如下模型预测区域内在接下来的t时间段内的确诊人员的人数I、密切接触人群的人数C、高风险人群的人数H、确诊后治愈人员的人数R和病发死亡人员的人数D:
新增确诊人员主要由密切接触者产生,高风险人群也有较小的概率产生;密切接触者由于在爆发疫情后采用隔离措施,人数是不断减少的过程;高风险人群在疫情爆发后主要由于确诊人员和密切接触者产生;
其中,δ表示每个确诊人员的密切接触人数,μ(t)表示第t天发病没有被治疗的比率,k1表示密切接触人员的发病率,k2表示密切接触人员自愈的几率,r1表示确诊人员每天痊愈的比率,r2表示确诊人员每天去世的比率。这些参数与疫情监控和防治密切相关,将直接反应疫情的状态。μ(t)在政府采取隔离等措施后会变为0或者非常小的值。
针对同一个确诊人员的时间序列满足:EstIi<EetIi,且EetIi≤EstIi+1。针对不同的确诊人员,时间序列存在交互,即确认人员i的事件起始时间EstI-START是确认人员j的某一事件抽象的起始时间EstJ-p,即EstI-STAR=EstJ-p。因此,上述时间线包含从确诊人员开始到最后一个康复为止。所述模型的整个时间线为:
EstI-ST<EetI-START≤…<EstI-p<EetI-p≤…<EstI0<EetI0≤…<EstIm<EetIm≤…<EstIEND<EetIEND。
密切接触人员的时间线可依次类推建立,但通常密切接触人员的数量远多于确诊人员,时空模型会更加复杂,也存在大量时间和空间的交互。
具体实施时,可以通过本发明预测的预测区域内在接下来的t时间段内的确诊人员I、密切接触人群C、高风险人群H、确诊后治愈人员R和病发死亡人员D对该预测区域采取相应的措施,例如:
1)对确诊人员I、密切接触人群C和高风险人群H分别进行隔离,隔离期间,确诊人员和密切接触者属性信息变化的事件分别为:
EventI(m)=f(EidIm,EstIm,EetIm,EaIm,EOIm)
和
EventIJ(n)=f(EidIJn,EstIJn,EetIJn,EaIJn,EOIJn)
其中m=1,2,…和n=1,2,…分别表示确诊人员和密切接触人员的事件发展序列。这里的属性信息变化主要是指人员属性和状态的改变。
2)直到所有确诊人员、密切接触者和高风险人群降为低风险人群为止,方解除隔离。
实验:
本发明选择的数据集来自脱敏后的某市某传染病患者流调数据和患者亲缘关系数据。数据集包括458个患者及其流调数据,2587个亲缘关系人员,798个家庭。运用本发明方法,随机选取46个患者流调数据,整理形成了221个事件,涉及29个地理位置,41个医疗机构,50个时间点,共计14458条记录。
为方便展示,从中选择3个有代表性的确诊人员绘制三维视图。依据发明的步骤S03到S05,将三名确诊人员的事件统一成{空间信息,时间},其中空间信息由两维坐标组成。
基于某传染病疫情的数据,治愈率为0.9181,平均痊愈时间为30天,因此r1=0.3;发病死亡率为0.0401,平均死亡时间为20天,因此r1=0.002。密切接触人员的发病率为k1=0.143;自愈几率为k2=0.1。基于这些数据,可预测在接下来一段时间内,确诊人员、密切接触人员、高风险人群和死亡病例人数变化。在模拟时,设定政府在初期实行隔离措施,则μ(t)=0。可根据措施得不同而设定不同的值,这也是预测模型与政府措施最相关的参数。
从三维事件图中可清晰看到,当两个确诊人员的时间曲线相交时,通常是其中一个确诊人员的收到感染后的起始状态。而当两条曲线存在多个事件的交互时,说明两个确诊人员存在亲缘关系,长时间居于相同的时空内。基于确诊人员的时空曲线,可快速确定高风险区域和时间。
通过将确诊人员的回溯事件抽象进行可视化展示,能够清楚的分析看出感染过程,以及感染时间和位置序列,并分析抽象出高风险人群特征。与传统非结构化流调数据模型相比,本方法能够更加直观、快捷的发现感染源、感染途径以及区分高风险人群。
而从确诊人数、密切接触人员、高风险人群、低风险人群的预测可知,在疫情爆发初期,由于缺乏有效的隔离和治疗,密切接触人群和高风险人群会有发病概率而造成确诊人员增加较快;而在后期,由于隔离和治疗措施的实施,确诊人员稳定在某个阶段后,会不断减少。
通过确诊人员的正向事件抽象,可有效预测区域内的确诊人数、密切接触人员的人数、高风险人群的人数和低风险人群的人数。
简而言之,本发明提出了一种针对某传染病的确诊人群和高风险人群的事件抽象时空模型,一方面解决了传染病数据时空序列结构化问题,另一方面使得分析过程更加直观和快捷。本发明的模型具有一定通用性,可以运用至其他传染病的跟踪分析,为快速发现传染病特征,阻止传染病进一步爆发提供参考。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (2)
1.预测传染病传播时区域特定人群人数的方法,其特征在于,包括如下步骤:
S01:疫情爆发点上报:确定确诊人群和密切接触人群,分别以确诊人员和密切接触人员建立事件抽象序列;
第i个确诊人员的确诊事件
EventI(0)=f(EidI0,EstI0,EetI0,EaI0,EOI0)
其中标号“0”表示疫情事件点,EidI表示确诊人员事情编号,EstI表示确诊人员事件发生时间,EetI表示确诊人员事件结束时间,Eal表示确诊人员事件的属性,EOI表示事件的其他说明;
第i个确诊人员的第j个密切人员的事件为:
EventIJ(0)=f(EidIJ0,EstIJ0,EetIJ0,EaIJ0,ROIJ0)
其中标号“0”表示疫情事件点,EidIJ表示密切接触人员事情编号,EstIJ表示密切接触人员事件发生时间,EetIJ表示密切接触人员事件结束时间,EaIJ表示密切接触人员事件的属性,EOIJ表示事件的其他说明;
S02:由每一个确诊人员以出行地为事件回溯时间线,确定新的密切接触人员和高风险人群;
EventI(-p)=f(EidI-p,EstI-p,EetI-p,EaI-p,EOI-p)
其中p=1,2,…表示确诊之前的事件抽象;
S03:寻找不同确诊人员之间的事件汇合处,确定感染趋势,直到寻找到疫情感染源;当EaI-p=EaJ-q时,确认感染趋势是从I→J还是从J→I,被传染者回溯事件结束,同时得到被传染者的回溯事件线;感染者继续回溯事件,直到寻找到最初的感染源,同时得到感染者的回溯事件线;
被传染者的回溯事件线和感染者的回溯事件线构成确诊人员的回溯事件线;
S04:基于确诊人员的回溯事件线,构建单人和所有确诊人员的行动轨迹图,绘制基于事件的三维图,其一维为时间,另外两维均为空间位置信息,在所述三维图中分别绘制确诊人员的曲线,寻找时间交汇处,确定疫情感染源,时间维度由事件的初始时间EstI-p决定,空间信息由事件属性EaI-p得到;
S05:基于确诊人员的回溯事件线,构建如下模型预测区域内在接下来的t时间段内的确诊人员I、密切接触人群C、高风险人群H、确诊后治愈人员R和病发死亡人员D:
其中,δ表示每个确诊人员的密切接触人数,μ(t)表示第t天发病没有被治疗的比率,k1表示密切接触人员的发病率,k2表示密切接触人员自愈的几率,r1表示确诊人员每天痊愈的比率,r2表示确诊人员每天去世的比率。
2.如权利要求1所述的预测传染病传播时区域特定人群人数的方法,其特征在于,所述模型的整个时间线为:
EstI-START<EetI-ST≤…<EstI-p<EetI-p≤…<EstI0<EetI0≤…<EstIm<EetIm≤…<EstIEND<EstIEND。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011345732.6A CN112366000A (zh) | 2020-11-25 | 2020-11-25 | 预测传染病传播时区域特定人群人数的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011345732.6A CN112366000A (zh) | 2020-11-25 | 2020-11-25 | 预测传染病传播时区域特定人群人数的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112366000A true CN112366000A (zh) | 2021-02-12 |
Family
ID=74533420
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011345732.6A Pending CN112366000A (zh) | 2020-11-25 | 2020-11-25 | 预测传染病传播时区域特定人群人数的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112366000A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113113153A (zh) * | 2021-04-13 | 2021-07-13 | 上海市疾病预防控制中心 | 利用图模型实现疫情爆发期间疫情动态信息分析的方法、系统、装置、处理器及其存储介质 |
CN113871023A (zh) * | 2021-07-07 | 2021-12-31 | 厦门市美亚柏科信息股份有限公司 | 基于社会行为的传染病追踪方法、装置、设备及介质 |
CN113990418A (zh) * | 2021-08-17 | 2022-01-28 | 医渡云(北京)技术有限公司 | 传染病数据的处理方法及装置、存储介质、电子设备 |
Citations (9)
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 |
US20150371006A1 (en) * | 2013-02-15 | 2015-12-24 | Battelle Memorial Institute | Use of web-based symptom checker data to predict incidence of a disease or disorder |
CN108986921A (zh) * | 2018-07-04 | 2018-12-11 | 泰康保险集团股份有限公司 | 疾病预测方法、装置、介质及电子设备 |
CN111063451A (zh) * | 2020-03-17 | 2020-04-24 | 广州地理研究所 | 基于输入-扩散函数的传染病疫情早期风险态势分析方法 |
CN111430041A (zh) * | 2020-03-26 | 2020-07-17 | 北京懿医云科技有限公司 | 传染病疫情预测方法及装置、存储介质、电子设备 |
CN111524610A (zh) * | 2020-04-24 | 2020-08-11 | 南方科技大学 | 预测传染病的确诊人数的方法、装置、设备和存储介质 |
CN111524611A (zh) * | 2020-04-24 | 2020-08-11 | 腾讯科技(深圳)有限公司 | 构建传染病趋势预测模型的方法、预测方法、装置及设备 |
CN111739658A (zh) * | 2020-07-20 | 2020-10-02 | 医渡云(北京)技术有限公司 | 基于输入病例预测传染病趋势的方法及装置 |
CN111863271A (zh) * | 2020-06-08 | 2020-10-30 | 浙江大学 | 一种新冠肺炎的重大传染病传播风险预警及防控分析系统 |
-
2020
- 2020-11-25 CN CN202011345732.6A patent/CN112366000A/zh active Pending
Patent Citations (9)
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 |
US20150371006A1 (en) * | 2013-02-15 | 2015-12-24 | Battelle Memorial Institute | Use of web-based symptom checker data to predict incidence of a disease or disorder |
CN108986921A (zh) * | 2018-07-04 | 2018-12-11 | 泰康保险集团股份有限公司 | 疾病预测方法、装置、介质及电子设备 |
CN111063451A (zh) * | 2020-03-17 | 2020-04-24 | 广州地理研究所 | 基于输入-扩散函数的传染病疫情早期风险态势分析方法 |
CN111430041A (zh) * | 2020-03-26 | 2020-07-17 | 北京懿医云科技有限公司 | 传染病疫情预测方法及装置、存储介质、电子设备 |
CN111524610A (zh) * | 2020-04-24 | 2020-08-11 | 南方科技大学 | 预测传染病的确诊人数的方法、装置、设备和存储介质 |
CN111524611A (zh) * | 2020-04-24 | 2020-08-11 | 腾讯科技(深圳)有限公司 | 构建传染病趋势预测模型的方法、预测方法、装置及设备 |
CN111863271A (zh) * | 2020-06-08 | 2020-10-30 | 浙江大学 | 一种新冠肺炎的重大传染病传播风险预警及防控分析系统 |
CN111739658A (zh) * | 2020-07-20 | 2020-10-02 | 医渡云(北京)技术有限公司 | 基于输入病例预测传染病趋势的方法及装置 |
Non-Patent Citations (2)
Title |
---|
周松等: "从时空大数据的角度分析评价江苏省新冠疫情发展趋势", 现代测绘, no. 03, pages 5 - 10 * |
谭索怡等: "基于密切接触者人数推断新冠肺炎疫情发展趋势", 电子科技大学学报, no. 05, pages 788 - 794 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113113153A (zh) * | 2021-04-13 | 2021-07-13 | 上海市疾病预防控制中心 | 利用图模型实现疫情爆发期间疫情动态信息分析的方法、系统、装置、处理器及其存储介质 |
CN113871023A (zh) * | 2021-07-07 | 2021-12-31 | 厦门市美亚柏科信息股份有限公司 | 基于社会行为的传染病追踪方法、装置、设备及介质 |
CN113990418A (zh) * | 2021-08-17 | 2022-01-28 | 医渡云(北京)技术有限公司 | 传染病数据的处理方法及装置、存储介质、电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112366000A (zh) | 预测传染病传播时区域特定人群人数的方法 | |
CN112786205B (zh) | 基于数据模型的症候群预警方法、装置、介质及设备 | |
WO2021151351A1 (zh) | 一种数据处理方法、装置、计算机设备及存储介质 | |
Lu et al. | Application of AI and IoT in clinical medicine: summary and challenges | |
WO2015127065A1 (en) | Disease prediction system using open source data | |
CN105224821A (zh) | 一种基于gis的军队人员伤病信息监测预警系统及方法 | |
CN112712903A (zh) | 一种基于人机物三元空间协同感知的传染病监测方法 | |
CN112669980B (zh) | 一种基于节点相似度的流行病传播网络重构方法和系统 | |
CN110215189A (zh) | 一种基于云平台的大数据智能健康监护系统 | |
Groendyke et al. | epinet: an R package to analyze epidemics spread across contact networks | |
CN117912717A (zh) | 一种公共卫生预警平台 | |
CN113130085A (zh) | 一种基于大数据的5g智能感控预测系统 | |
Tavares et al. | IoT-based architecture for data analytics of arboviruses in smart cities | |
CN113380420B (zh) | 一种疫情预测方法、装置、电子设备及存储介质 | |
CN109409411A (zh) | 基于运维管理的问题定位方法、装置及存储介质 | |
Levonevskiy et al. | Automation of data processing for patient monitoring in the smart ward environment | |
Panhwer et al. | Spatial risk mapping for dengue fever using GIS: a case study of Hyderabad | |
Inibhunu et al. | State based hidden Markov models for temporal pattern discovery in critical care | |
Lu et al. | Modelling of cancer patient records: a structured approach to data mining and visual analytics | |
WO2021108003A1 (en) | Data management system to track and distribute public data collection with user privacy protection and event token exchange | |
Tsehay | Social Media Mining Algorithms Big Data Analysts Need to Improve Infectious Disease Predictive Model for Malaria in Ethiopia | |
Bersimis et al. | Public health monitoring using control charts based on convex hull | |
Ramanan et al. | Discriminative boosted Bayes networks for learning multiple cardiovascular procedures | |
Madhu et al. | A Survey: Big Data Ethics and Challenges in Healthcare Division | |
Afkir et al. | Machine learning based approach for context aware system |
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 |