CN112687396A - 基于防疫措施的疾病信息的处理方法、装置、设备和介质 - Google Patents
基于防疫措施的疾病信息的处理方法、装置、设备和介质 Download PDFInfo
- Publication number
- CN112687396A CN112687396A CN202011633370.0A CN202011633370A CN112687396A CN 112687396 A CN112687396 A CN 112687396A CN 202011633370 A CN202011633370 A CN 202011633370A CN 112687396 A CN112687396 A CN 112687396A
- Authority
- CN
- China
- Prior art keywords
- determining
- effective regeneration
- regeneration number
- epidemic prevention
- isolation
- 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.)
- Granted
Links
- 230000002265 prevention Effects 0.000 title claims abstract description 115
- 201000010099 disease Diseases 0.000 title claims abstract description 62
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 62
- 230000010365 information processing Effects 0.000 title claims abstract description 20
- 238000003672 processing method Methods 0.000 title claims abstract description 12
- 238000002955 isolation Methods 0.000 claims abstract description 183
- 230000008929 regeneration Effects 0.000 claims abstract description 179
- 238000011069 regeneration method Methods 0.000 claims abstract description 179
- 238000011156 evaluation Methods 0.000 claims abstract description 26
- 238000000034 method Methods 0.000 claims description 32
- 238000012545 processing Methods 0.000 claims description 32
- 208000035473 Communicable disease Diseases 0.000 claims description 25
- 208000015181 infectious disease Diseases 0.000 claims description 23
- 238000004590 computer program Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 3
- 238000005457 optimization Methods 0.000 abstract 1
- 230000006870 function Effects 0.000 description 19
- 238000004364 calculation method Methods 0.000 description 5
- 238000007689 inspection Methods 0.000 description 5
- 230000001105 regulatory effect Effects 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000003786 synthesis reaction Methods 0.000 description 4
- 238000011534 incubation Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000005204 segregation Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 206010022000 influenza Diseases 0.000 description 2
- 239000012212 insulator Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000007480 spreading Effects 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 241000193738 Bacillus anthracis Species 0.000 description 1
- 206010006500 Brucellosis Diseases 0.000 description 1
- 206010061192 Haemorrhagic fever Diseases 0.000 description 1
- 206010037660 Pyrexia Diseases 0.000 description 1
- 206010039587 Scarlet Fever Diseases 0.000 description 1
- 241000282898 Sus scrofa Species 0.000 description 1
- 208000024949 Swine Erysipelas Diseases 0.000 description 1
- 206010043376 Tetanus Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000006806 disease prevention Effects 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000001717 pathogenic effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 201000008827 tuberculosis Diseases 0.000 description 1
- 229960005486 vaccine Drugs 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开涉及一种基于防疫措施的疾病信息的处理方法、装置、设备和介质，包括：获取疾病的确诊病例的潜伏期时长的统计记录；确定潜伏期时长的统计记录所属的概率密度模型，概率密度模型用于确定潜伏期时长大于隔离时长时疾病的发病概率；根据发病概率确定无管控措施下的有效再生数；根据无管控措施下的有效再生数和概率密度模型预测防疫措施的预设隔离时长下的有效再生数；根据预设隔离时长下的有效再生数与再生数阈值之间的大小关系，生成防疫措施的评价结果。通过本公开的技术方案，能够提高预测各种防疫措施下的有效再生数的可靠性和准确性，有利于对各种防疫措施进行优化调整，以提升疫情防疫效果。
Description
技术领域
本公开涉及疾病信息处理技术领域，具体而言，涉及一种基于防疫措施的疾病信息的处理方法、一种基于防疫措施的疾病信息的处理装置、一种电子设备和一种计算机可读存储介质。
背景技术
由于流感、新冠、出血热和布病等传染病的存在，严重威胁了生物体的健康和寿命，在没有百分比有效疫苗的情况下，各个国家或地区针对传染病采取了不同的非药物防疫措施进行干预，以抑制传染病的传播。
但是，不同的非药物的防疫措施可能会产生不同的防疫效果。那么如何确定有效的防疫措施或对防疫措施进行调整，对于传染病的控制至关重要。
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基于防疫措施的疾病信息的处理方法、装置、设备和介质，至少在一定程度上克服由于相关技术中如何预测各种防疫措施的效果的技术问题。
本公开的其他特性和优点将通过后续的详细描述变得显然，或部分地通过本公开的实践而习得。
根据本公开的一个方面，提供一种基于防疫措施的疾病信息的处理方法，包括：获取疾病的确诊病例的潜伏期时长的统计记录；确定所述潜伏期时长的统计记录所属的概率密度模型，所述概率密度模型用于确定潜伏期时长大于隔离时长时所述疾病的发病概率；根据所述发病概率确定无管控措施下的有效再生数；根据所述无管控措施下的有效再生数和所述概率密度模型预测防疫措施的预设隔离时长下的有效再生数；根据所述预设隔离时长下的有效再生数与再生数阈值之间的大小关系，生成所述防疫措施的评价结果。
在本公开的一种实施例中，根据所述发病概率确定无管控措施下的有效再生数包括：确定与所述确诊病例接触的密切接触信息；确定所述疾病当前的有效再生数；根据所述发病概率、所述密切接触信息和所述当前的有效再生数确定无管控措施下的有效再生数。
在本公开的一种实施例中，根据所述发病概率、所述密切接触信息和所述当前的有效再生数确定无管控措施下的有效再生数包括：确定所述密切接触信息中的密切接触总数；确定与所述确诊病例接触的个体中已确诊的隔离人数；确定所述已确诊的隔离人数占所述密切接触总数的第一比例；确定所述密切接触信息中的隔离总数；确定所述居家隔离措施下的隔离人数占所述隔离总数的第二比例；确实与确诊病例的密切接触的亲属数量；确定所述亲属数量占所述密切接触总数的第三比例。
在本公开的一种实施例中，根据所述发病概率、所述密切接触信息和所述当前的有效再生数确定无管控措施下的有效再生数包括：根据所述第一比例、所述第二比例和所述发病概率确定第一系数；根据所述第一比例、所述第二比例、所述第三比例、所述发病概率确定第二系数；根据所述第一比例确定第三系数；根据所述第一系数、所述第二系数、所述第三系数和所述当前的有效再生数确定无管控措施下的有效再生数。
在本公开的一种实施例中，根据所述无管控措施下的有效再生数和所述概率密度模型预测防疫措施的预设隔离时长下的有效再生数包括：确定所述预设隔离时长内采用所述集中隔离措施；根据所述概率密度模型预测潜伏期时长大于所述预设隔离时长时的第一预测发病概率；根据所述第一比例、所述第一预测发病概率和所述无管控措施下的有效再生数预测确定所述集中隔离措施下的有效再生数。
在本公开的一种实施例中，根据所述无管控措施下的有效再生数和所述概率密度模型预测防疫措施的预设隔离时长下的有效再生数还包括：确定所述预设隔离时长内采用所述居家隔离措施；根据所述概率密度模型预测潜伏期时长大于所述预设隔离时长时的第二预测发病概率；根据所述第一比例、所述第三比例、所述第二预测发病概率和所述无管控措施下的有效再生数预测确定所述居家隔离措施下的有效再生数。
在本公开的一种实施例中，根据所述无管控措施下的有效再生数和所述概率密度模型预测防疫措施的预设隔离时长下的有效再生数包括：确定所述预设隔离时长内采用所述集中隔离措施的第一预设时长；确定所述预设隔离时长内采用所述居家隔离措施的第二预设时长；根据所述概率密度模型预测潜伏期时长大于所述第一预设时长时的第三预测发病概率；根据所述概率密度模型预测潜伏期时长大于所述第二预设时长时的第四预测发病概率；根据所述第一比例、所述第三比例、第三预测发病概率、第四预测发病概率和所述无管控措施下的有效再生数预测确定所述防疫措施下的有效再生数。
在本公开的一种实施例中，基于防疫措施的传染病疫情信息的处理方法还包括：获取指定时段内的已确诊病例的个数；根据所述已确诊病例的个数和所述防疫措施下的有效再生数确定新增确诊病例的个数。
在本公开的一种实施例中，根据所述预设隔离时长下的有效再生数与再生数阈值之间的大小关系，生成所述防疫措施的评价结果包括：判断所述预设隔离时长下的有效再生数是否大于或等于所述再生数阈值；若确定所述预设隔离时长下的有效再生数大于或等于所述再生数阈值，则生成所述防疫措施的第一评价结果，所述第一评价结果用于不推荐所述防疫措施；若确定所述预设隔离时长下的有效再生数小于所述再生数阈值，则生成所述防疫措施的第二评价结果，所述第二评价结果用于推荐所述防疫措施。
根据本公开的另一个方面，提供一种基于防疫措施的疾病信息的处理装置，包括：确定模块，用于获取疾病的确诊病例的潜伏期时长的统计记录；所述确定模块还用于，确定所述潜伏期时长的统计记录所属的概率密度模型，所述概率密度模型用于确定潜伏期时长大于隔离时长时所述疾病的发病概率；所述确定模块还用于，根据所述发病概率确定无管控措施下的有效再生数；预测模块，用于根据所述无管控措施下的有效再生数和所述概率密度模型预测防疫措施的预设隔离时长下的有效再生数；生成模块，用于根据所述预设隔离时长下的有效再生数与再生数阈值之间的大小关系，生成所述防疫措施的评价结果。
根据本公开的再一个方面，提供一种电子设备，包括：处理器；以及存储器，用于存储所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行上述任意一项技术方案所述的基于防疫措施的疾病信息的处理方法。
根据本公开的再一个方面，提供一种计算机可读存储介质，所述计算机程序被处理器执行时实现上述任意一项技术方案所述的基于防疫措施的疾病信息的处理方法。
本公开的实施例所提供的基于防疫措施的疾病信息的处理方法、装置、设备和介质，通过概率密度模型确定潜伏期时长大于隔离时长时的发病概率，并结合无管控措施下的有效再生数，对各种防疫措施下的预设隔离时长下的疫情发展进行了准确且可靠地预测。
进一步地，根据疫情发展对各种防疫措施进行调整，以尽量降低有效再生数，为各部门以尽量小的代价对疫情进行防控提供了客观的定量标准。
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示出本公开实施例中一种基于防疫措施的疾病信息的处理方法的概率密度函数的示意图；
图2示出本公开实施例中另一种基于防疫措施的疾病信息的处理方法的概率密度函数的示意图；
图3示出本公开实施例中另一种基于防疫措施的疾病信息的处理方法的流程图；
图4示出本公开实施例中另一种基于防疫措施的疾病信息的处理方法的流程图；
图5示出本公开实施例中另一种基于防疫措施的疾病信息的处理方法的流程图；
图6示出本公开实施例中又一种基于防疫措施的疾病信息的处理方法的流程图；
图7示出本公开实施例中又一种基于防疫措施的疾病信息的处理方法的流程图；
图8示出本公开实施例中又一种基于防疫措施的疾病信息的处理方法的流程图；
图9示出本公开实施例中又一种基于防疫措施的疾病信息的处理方法的流程图；
图10示出本公开实施例中又一种基于防疫措施的疾病信息的处理方法的流程图；
图11示出本公开实施例中又一种基于防疫措施的疾病信息的处理方法的流程图；
图12示出本公开实施例中一种基于防疫措施的疾病信息的处理装置的流程图；
图13示出本公开实施例中一种电子设备的示意框图。
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。
此外，附图仅为本公开的示意性图解，并非一定是按比例绘制。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。
本公开提供的方案，通过概率密度模型确定潜伏期时长大于隔离时长时的发病概率，并结合无管控措施下的有效再生数，对各种防疫措施下的预设隔离时长下的疫情发展进行了准确且可靠地预测。进一步地，根据疫情发展对各种防疫措施进行调整，以尽量降低有效再生数，为各部门以尽量小的代价对疫情进行防控提供了客观的定量标准。
根据本公开的基于防疫措施的疾病信息的处理方案，涉及到潜伏期、有效再生数和概率密度函数等概念，下面进行具体说明：
(1)密切接触人群：定义为与传染病确诊患者有过接触但尚未发病或尚未出现症状的人群。
(2)隔离方式：由于密切接触人群曾经接触过传染病确诊患者，通常防控措施会要求密接人群隔离，其中隔离方式可能涉及居家隔离、在院隔离或集中隔离等。
(3)隔离时长：对于密接接触人群，当采取不同的隔离方式时，需要遵守在某种隔离方式下的持续隔离时长，通常以天为单位。
(4)传播有效再生数(Rt)：真实世界的传染病传播过程中，由于防控措施、个体行为改变等外在因素影响下，描述传染病随时间变化，在传播过程某一时刻t平均每个感染个体可传播感染人数。
(5)传染病潜伏期：定义为确诊患者的平均暴露时刻与发病时刻的间隔时间，通常以天计算。
(6)对数正态分布：如图1所示，指一个随机变量的对数服从正态分布，则该随机变量服从对数正态分布，是均值为μ方差为σ2是高斯函数的一个实例正态分布的表达式如下：
正态分布具备以下特点：
(6.1)密度函数关于平均值对称。
(6.2)平均值是它的众数(statistical mode)以及中位数(median)。
(6.3)函数曲线下68.268949％的面积在平均值左右的一个标准差范围内。
(6.4)95.449974％的面积在平均值左右两个标准差2σ的范围内。
(6.5)99.730020％的面积在平均值左右三个标准差3σ的范围内。
(6.6)99.993666％的面积在平均值左右四个标准差4σ的范围内。
反曲点(inflection point)在离平均值的距离为标准差之处。
如图1所示，本公开的概率密度函数由正态分布确定，x轴为时长，y轴为概率密度函数为100。
(7)伽马分布：是统计学的一种连续概率函数，参数α称为形状参数，β称为逆尺度参数，在本公开中，x轴为时长，y轴为概率密度函数f(x)为200，当形状参数α＝1时，伽马分布就是参数为γ的指数分布，X～Exp(γ)，当α＝n/2，β＝1/2时，伽马分布就是自由度为n的卡方分布，X2(n)。
如图2所示，本公开的概率密度函数由伽马分布确定，x轴为时长，y轴为概率密度函数为200。
(8)概率密度函数：描述随机变量的输出值，在某个确定的取值点附近的可能性的函数。而随机变量的取值落在某个区域之内的概率则为概率密度函数在这个区域上的积分，在本公开的实施例中，通过概率密度函数来确定发病概率。
下面，将结合附图及实施例对本示例实施方式中的基于防疫措施的疾病信息的处理方法的各个步骤进行更详细的说明。
图3示出本公开实施例中一种基于防疫措施的疾病信息的处理方法的流程图。
如图3所示，根据本公开的实施例的基于防疫措施的疾病信息的处理方法，包括：
步骤S302，获取疾病的确诊病例的潜伏期时长的统计记录。
在本公开的一种实施例中，疾病可例如流感、新冠、肺结核、布氏病和猩红热等，但不限于此。通过确定潜伏期时长的统计记录，来确定疾病的发病率与潜伏期时长之间的关系。
其中，潜伏期是指从致病刺激物侵入机体或者对机体发生作用起，到机体出现反应或开始呈现该疾病对应的相关症状时止。在传染病通常称这一阶段为“潜伏期”，各种传染病的潜伏期长短不一。
潜伏期时长可例如，猪瘟是5天—8天，猪丹毒平均为3天—5天，炭疽是1天—5天，破伤风7天—15天，但不限于此。
步骤S304，确定潜伏期时长的统计记录所属的概率密度模型，概率密度模型用于确定潜伏期时长大于隔离时长时疾病的发病概率。
在本公开的一种实施例中，对于不同疾病来说潜伏期时长存在较大差别，但是很多传染病的确诊病例在潜伏期既具备传染性，因此，通过确定潜伏期时长的统计记录所属的概率密度模型，概率密度模型用于确定潜伏期时长大于隔离时长时疾病的发病概率，一方面，能够更准确地确定疾病的潜伏期时长的分布特点，以制定各种防疫措施，另一方面，有利于更准确地确定疾病的发病概率和发病规律。
步骤S306，根据发病概率确定无管控措施下的有效再生数。
在本公开的一种实施例中，无管控措施是指未与确诊病例接触的隔离对象的管控，根据发病概率确定无管控措施下的有效再生数，提供了无防疫措施下的新增确诊病例的参考基准。
步骤S308，根据无管控措施下的有效再生数和概率密度模型预测防疫措施的预设隔离时长下的有效再生数。
在本公开的一种实施例中，通过接触人群管控下的有效再生数和概率密度模型，能够准确且客观地预测各种防疫措施的预设隔离时长下的有效再生数，以尽量降低有效再生数，为各部门以尽量小的代价对疫情进行防控提供了客观的定量标准。
步骤S310，根据预设隔离时长下的有效再生数与再生数阈值之间的大小关系，生成防疫措施的评价结果。
在本公开的一种实施例中，通过根据预设隔离时长下的有效再生数与再生数阈值之间的大小关系，生成防疫措施的评价结果，评价结果用于指示防疫措施是否对于疫情控制有效，可例如，再生数阈值设置为1，则预设隔离时长下的有效再生数大于或等于1，则预设隔离时长对于疾病防控是无效的，无法降低新增确诊病例的个数。
进一步地，评价结果可以发送至疾控中心人员的用户端。
如图4所示，根据发病概率确定无管控措施下的有效再生数包括：
步骤S402，确定与确诊病例接触的密切接触信息。
在本公开的一种实施例中，通过确定密切接触信息，以确定待隔离对象与确诊病例之间的接触时间、接触时长和接触区域等，可例如，接触时间为2020年3月20日13时至2020年3月20日14时，在A超市与确诊病例在2米内接触的人为100人，但不限于此。
另外，通过密切接触信息可以确定隔离措施，譬如，集中隔离措施、居家隔离措施、在医院或疾控中心设置多级隔离区等。
步骤S404，确定疾病当前的有效再生数。
在本公开的一种实施例中，有效再生数是指单位时长内的病例统计数据，譬如，单日内的有效再生数、一周内的有效再生数、一个月内的有效再生数等，但不限于此。
步骤S406，根据发病概率、密切接触信息和当前的有效再生数确定无管控措施下的有效再生数。
在本公开的一种实施例中，通过发病概率、密切接触信息和当前的有效再生数，对于后续的防疫措施下的预设隔离时长下的有效再生数进行准确且可靠地预测。
如图5所示，根据发病概率、密切接触信息和当前的有效再生数确定无管控措施下的有效再生数包括：
步骤S502，确定密切接触信息中的密切接触总数。
步骤S504，确定与确诊病例接触的个体中已确诊的隔离人数。
步骤S506，确定已确诊的隔离人数占密切接触总数的第一比例。
在本公开的一种实施例中，通过确定已确诊的隔离人数占密切接触总数的第一比例，可以用于间接地确定无管控措施下的有效再生数。
步骤S508，确定密切接触信息中的隔离总数。
步骤S510，确定居家隔离措施下的隔离人数占隔离总数的第二比例。
在本公开的一种实施例中，通过确定居家隔离措施下的隔离人数占隔离总数的第二比例，即通过第二比例来反映居家隔离措施对无管控措施下的有效再生数的影响系数。
步骤S502，确实与确诊病例的密切接触的亲属数量。
步骤S504，确定亲属数量占密切接触总数的第三比例。
在本公开的一种实施例中，通过确定亲属数量占密切接触总数的第三比例，即通过第三比例来反映亲属的比例对无管控措施下的有效再生数的影响系数。
如图6所示，根据发病概率、密切接触信息和当前的有效再生数确定无管控措施下的有效再生数包括：
步骤S602，根据第一比例、第二比例和发病概率确定第一系数。
步骤S604，根据第一比例、第二比例、第三比例、发病概率确定第二系数。
步骤S606，根据第一比例确定第三系数。
步骤S608，根据第一系数、第二系数、第三系数和当前的有效再生数确定无管控措施下的有效再生数。
在本公开的一种实施例中，通过第一系数、第二系数、第三系数和当前的有效再生数确定无管控措施下的有效再生数，以构建当前的有效再生数与无管控措施下的有效再生数之间的线性关系。
具体地，计算确定第一比例a、第二比例b、第三比例c、潜伏期时长D、隔离时长T和发病概率P(D>T)，Rnow为当前的有效再生数，无管控措施下的有效再生数为Rn，可以获得Rnow＝θ×Rn的线性关系，θ即为通过第一系数、第二系数、第三系数确定的线性系数。
如图7所示，根据无管控措施下的有效再生数和概率密度模型预测防疫措施的预设隔离时长下的有效再生数包括：
步骤S702，确定预设隔离时长内采用集中隔离措施。
步骤S704，根据概率密度模型预测潜伏期时长大于预设隔离时长时的第一预测发病概率。
步骤S706，根据第一比例、第一预测发病概率和无管控措施下的有效再生数预测确定集中隔离措施下的有效再生数。
在本公开的一种实施例中，通过据第一比例、第一预测发病概率和无管控措施下的有效再生数预测确定集中隔离措施下的有效再生数，以确定集中隔离措施下的各种预设隔离时长对有效再生数的影响。
具体地，已知第一比例a、第二比例b、第三比例c、潜伏期时长D、隔离时长T和发病概率P(D>T)，无管控措施下的有效再生数为Rn，考虑到没有密接管理的人群，那么易感人群被隔离者传染力出现在集中隔离期满后的有效再生数如下表达式：
Rt(T天集中隔离)＝P(D>T)×a×Rn+(1-a)×Rn。
如图8所示，根据无管控措施下的有效再生数和概率密度模型预测防疫措施的预设隔离时长下的有效再生数还包括：
步骤S802，确定预设隔离时长内采用居家隔离措施。
步骤S804，根据概率密度模型预测潜伏期时长大于预设隔离时长时的第二预测发病概率。
步骤S806，根据第一比例、第三比例、第二预测发病概率和无管控措施下的有效再生数预测确定居家隔离措施下的有效再生数。
在本公开的一种实施例中，通过根据第一比例、第三比例、第二预测发病概率和无管控措施下的有效再生数预测确定居家隔离措施下的有效再生数，以确定居家隔离措施下的各种预设隔离时长对有效再生数的影响。
具体地，已知第一比例a、第二比例b、第三比例c、潜伏期时长D、隔离时长T和发病概率P(D>T)，无管控措施下的有效再生数为Rn，在整体隔离期T天内只执行居家隔离，那么易感人群被隔离者传染力出现在隔离期内(家庭内部传染)和隔离期满后(考虑到没有密接管理的人群)：
Rt(T天居家隔离)＝[1-P(D>T)]×c×a×Rn+P(D>T)×a×Rn+(1-a)×Rn。
如图9所示，根据无管控措施下的有效再生数和概率密度模型预测防疫措施的预设隔离时长下的有效再生数包括：
步骤S902，确定预设隔离时长内采用集中隔离措施的第一预设时长。
步骤S904，确定预设隔离时长内采用居家隔离措施的第二预设时长。
步骤S906，根据概率密度模型预测潜伏期时长大于第一预设时长时的第三预测发病概率。
步骤S908，根据概率密度模型预测潜伏期时长大于第二预设时长时的第四预测发病概率。
步骤S910，根据第一比例、第三比例、第三预测发病概率、第四预测发病概率和无管控措施下的有效再生数预测确定防疫措施下的有效再生数。
在本公开的一种实施例中，如果隔离方式非单一情况下，当前隔离有效性＝集中隔离有效性+居家隔离有效性(还可以扩展为n种隔离方式)。
假设集中隔离t1天后居家隔离t2天，那么传染风险在集中隔离时为0，忽略不计，之后居家隔离t2天时存在家庭内部传染，最后隔离期满后也存在传播风险，在非单一隔离方式下，Rt的表达式如下：
Rt＝[P(D>t1)-P(D>T)]×c×a×Rn+P(D>T)×a×Rn+(1-a)×Rn。
如图10所示，基于防疫措施的传染病疫情信息的处理方法还包括：
步骤S1002，获取指定时段内的已确诊病例的个数。
步骤S1004，根据已确诊病例的个数和防疫措施下的有效再生数确定新增确诊病例的个数。
在本公开的一种实施例中，通过获取指定时段内的已确诊病例的个数，并结合各种防疫措施下的有效再生数，可以确定由每个已确诊病例传染的新增确诊病例，对所有新增确诊病例进行加和计算，以获得总的新增确诊病例的个数。
如图11所示，根据预设隔离时长下的有效再生数与再生数阈值之间的大小关系，生成防疫措施的评价结果包括：
步骤S1102，判断预设隔离时长下的有效再生数是否大于或等于再生数阈值，若是，则执行步骤S1104，若否，则执行步骤S1106。
步骤S1104，若确定预设隔离时长下的有效再生数大于或等于再生数阈值，则生成防疫措施的第一评价结果，第一评价结果用于不推荐防疫措施。
步骤S1106，若确定预设隔离时长下的有效再生数小于再生数阈值，则生成防疫措施的第二评价结果，第二评价结果用于推荐防疫措施。
在本公开的一种实施例中，通过再生数阈值来提供一个评价防疫措施的标准，进而通过预设隔离时长下的有效再生数与再生数阈值之间的大小关系来提供对防疫措施的客观的评价结果。
实施例一：
根据本公开的基于防疫措施的疾病信息的处理方案，假设隔离期的最长的预设隔离时长为T天，那么多种防疫措施的预设隔离时长与T之间的关系的表达式为：
i和n为大于1的正整数。
可例如，集中隔离t1天，居家隔离t2天，在t1天发病的概率P(t1)，可利用上述分布的密度函数计算，有效再生数的计算涉及到以下参数：
(1)密接人群转归确诊占的人数所有确诊人数的比例记作q。
(2)居家隔离人群占总体隔离人数的比例记作m。
(3)假设无密接管理下的有效再生数用Rn表示，假设为基础R值。
(4)预设隔离时长为T天的发病率记作P(T)。
基于上述参数，相对于无密接管控的有效再生数Rn，如果在T天只执行集中隔离，那么传播风险可区分为非密接人群和密接人群，其中密接人群的管控的传播风险可区分时间段T天内和T天后。
(1)假设隔离措施为集中隔离T天，R集中可以通过以下表达式确定：
R集中＝R非密接观察+R密接观察＝(1-q)×Rn+q×P(T)×Rn+(1-P(T))×q×Rn。
(2)假设隔离措施为集中隔离T天，R居家可以通过以下表达式确定：
R居家＝R非密接观察+R密接观察＝(1-q)×Rn+m×Rn×q×P(T)+(1-P(T))×q×Rn。
(3)如果隔离措施包括集中隔离t1天和居家隔离t2天，则隔离有效性＝集中隔离有效性+居家隔离有效性，R综合可以通过以下表达式确定：
R综合＝R非密接观察+R密接观察(居家隔离t2天内+t2天后)+R密接观察(集中隔离t1天内+t1天后)。
将上述参数代入R综合表达式可得：
R综合＝(1-q)×Rn+P集中(t1)×q×Rn+ΔP×(t1-T)×m×q×Rn+(1-P(T))×q×Rn。
实施例二：
(1)根据本公开的基于防疫措施的疾病信息的处理方案，假设隔离期的最长的预设隔离时长为T天，那么多种防疫措施的预设隔离时长与T之间的关系的表达式为：
i和n为大于1的正整数。
密切接触人群数据记录及时，不考虑密接管理前造成的潜在传染影响，集中隔离时，传染力近似为0。
(2)由密切接触人群统计数据确定以下比例值：
(2.1)密切接触确诊占比a：密切接触人群中转归确诊人数占所有确诊人数的比例。
(2.2)居家隔离占比b：当前居家隔离人数占总体隔离人数比例。
(2.3)家属密接占比c：密切接触人群关系为家属(同住)占总密切接触人群比例。
(3)由潜伏期统计分布的概率密度函数可以结合预设隔离时长t，计算当预设隔离时长t天小于潜伏期时长D的发病概率值P(D>t)。
(4)由当前现状有效再生数Rnow可以推算出无密切接触人群管控下的有效再生数Rn，用于后面假设不同隔离方式场景下的基础参考值，由Rt定义可推出：
Rnow＝Rt(集中隔离下)+Rt(居家隔离下)+Rn(非密切接触管理下)。
将上述比例值代入Rnow后得到，Rnow＝a×(a-b)×Rt(集中)+a×b×Rt(居家)+(1-a)×Rn。
相对于Rn，在T天内只执行集中隔离政策下的有效再生数Rt(集中)：
Rt(集中)＝P(D>T)×Rn。
相对于Rn，在T天内只执行居家隔离政策下的有效再生数Rt(居家)：
Rt(居家)＝[(1-P(D>T)]×c+P(D>T)×Rn。
基于上述计算过程，可以推算出Rnow＝θ×Rn，θ为一个线性系数，根据预先计算确定的a、b、c、P(D>T)可以确定θ的数值，又由于Rnow可以根据统计数据确定，因此，可以确定Rn。
(5)基于上述计算确定的Rn，仿真不同隔离方式下的有效再生数Rt：
(5.1)在整体隔离期T天内只执行集中隔离，那么易感人群被隔离者传染力出现在隔离期满后(考虑到没有密接管理的人群)：
Rt(T天集中隔离)＝P(D>T)×a×Rn+(1-a)×Rn。
(5.2)在整体隔离期T天内只执行居家隔离，那么易感人群被隔离者传染力出现在隔离期内(家庭内部传染)和隔离期满后(考虑到没有密接管理的人群)：
Rt(T天居家隔离)＝[1-P(D>T)]×c×a×Rn+P(D>T)×a×Rn+(1-a)×Rn。
(5.3)如果隔离方式非单一情况下，当前隔离有效性＝集中隔离有效性+居家隔离有效性(还可以扩展为n种隔离方式)。
假设集中隔离t1天后居家隔离t2天，那么传染风险在集中隔离时为0，忽略不计，之后居家隔离t2天时存在家庭内部传染，最后隔离期满后也存在传播风险，在非单一隔离方式下，Rt的表达式如下：
Rt＝[P(D>t1)-P(D>T)]×c×a×Rn+P(D>T)×a×Rn+(1-a)×Rn。
下面参照图12来描述根据本发明的这种实施方式的基于防疫措施的疾病信息的处理装置1200。图12所示的基于防疫措施的疾病信息的处理装置1200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。
基于防疫措施的疾病信息的处理装置1200以硬件模块的形式表现。基于防疫措施的疾病信息的处理装置1200的组件可以包括但不限于：确定模块1202、获取模块1204和生成模块1206。
确定模块1202，用于获取疾病的确诊病例的潜伏期时长的统计记录。
所述确定模块122还用于，确定所述潜伏期时长的统计记录所属的概率密度模型，所述概率密度模型用于确定潜伏期时长大于隔离时长时所述疾病的发病概率。
所述确定模块122还用于，根据所述发病概率确定无管控措施下的有效再生数。
预测模块124，用于根据所述无管控措施下的有效再生数和所述概率密度模型预测防疫措施的预设隔离时长下的有效再生数；
生成模块1206，用于根据所述预设隔离时长下的有效再生数与再生数阈值之间的大小关系，生成所述防疫措施的评价结果。
下面参照图13来描述根据本发明的这种实施方式的电子设备1300。图13显示的电子设备1300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13所示，电子设备1300以通用计算设备的形式表现。电子设备1300的组件可以包括但不限于：上述至少一个处理单元1310、上述至少一个存储单元1320、连接不同系统组件(包括存储单元1320和处理单元1310)的总线1330。
其中，存储单元存储有程序代码，程序代码可以被处理单元1310执行，使得处理单元1310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，处理单元1310可以执行如图3至图9中所示的步骤和本公开的数据业务的风险监控方法中限定的其他步骤。
存储单元1320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)13201和/或高速缓存存储单元13202，还可以进一步包括只读存储单元(ROM)13203。
存储单元1320还可以包括具有一组(至少一个)程序模块13205的程序/实用工具13204，这样的程序模块13205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1330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1300也可以与一个或多个外部设备1340(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交互的设备通信，和/或与使得该电子设备1300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1350进行。并且，电子设备1300还可以通过网络适配器1360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1360通过总线1330与电子设备1300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。
根据本公开的实施方式的用于实现上述方法的程序产品，其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，本公开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。
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公开操作的程序代码，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)。
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。
此外，尽管在附图中以特定顺序描述了本公开中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的，可以省略某些步骤，将多个步骤合并为一个步骤执行和/或者将一个步骤分解为多个步骤执行等。
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、移动终端、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。本公开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所附的权利要求指出。
Claims (12)
1.一种基于防疫措施的传染病疫情信息的处理方法，其特征在于，包括：
获取疾病的确诊病例的潜伏期时长的统计记录；
确定所述潜伏期时长的统计记录所属的概率密度模型，所述概率密度模型用于确定潜伏期时长大于隔离时长时所述疾病的发病概率；
根据所述发病概率确定无管控措施下的有效再生数；
根据所述无管控措施下的有效再生数和所述概率密度模型预测防疫措施的预设隔离时长下的有效再生数；
根据所述预设隔离时长下的有效再生数与再生数阈值之间的大小关系，生成所述防疫措施的评价结果。
2.根据权利要求1所述的基于防疫措施的传染病疫情信息的处理方法，其特征在于，根据所述发病概率确定无管控措施下的有效再生数包括：
确定与所述确诊病例接触的密切接触信息；
确定所述疾病当前的有效再生数；
根据所述发病概率、所述密切接触信息和所述当前的有效再生数确定无管控措施下的有效再生数。
3.根据权利要求2所述的基于防疫措施的传染病疫情信息的处理方法，其特征在于，根据所述发病概率、所述密切接触信息和所述当前的有效再生数确定无管控措施下的有效再生数包括：
确定所述密切接触信息中的密切接触总数；
确定与所述确诊病例接触的个体中已确诊的隔离人数；
确定所述已确诊的隔离人数占所述密切接触总数的第一比例；
确定所述密切接触信息中的隔离总数；
确定所述居家隔离措施下的隔离人数占所述隔离总数的第二比例；
确实与述确诊病例的密切接触的亲属数量；
确定所述亲属数量占所述密切接触总数的第三比例。
4.根据权利要求3所述的基于防疫措施的传染病疫情信息的处理方法，其特征在于，根据所述发病概率、所述密切接触信息和所述当前的有效再生数确定无管控措施下的有效再生数还包括：
根据所述第一比例、所述第二比例和所述发病概率确定第一系数；
根据所述第一比例、所述第二比例、所述第三比例、所述发病概率确定第二系数；
根据所述第一比例确定第三系数；
根据所述第一系数、所述第二系数、所述第三系数和所述当前的有效再生数确定无管控措施下的有效再生数。
5.根据权利要求3或4所述的基于防疫措施的传染病疫情信息的处理方法，其特征在于，根据所述无管控措施下的有效再生数和所述概率密度模型预测防疫措施的预设隔离时长下的有效再生数包括：
确定所述预设隔离时长内采用所述集中隔离措施；
根据所述概率密度模型预测潜伏期时长大于所述预设隔离时长时的第一预测发病概率；
根据所述第一比例、所述第一预测发病概率和所述无管控措施下的有效再生数预测确定所述集中隔离措施下的有效再生数。
6.根据权利要求3或4所述的基于防疫措施的传染病疫情信息的处理方法，其特征在于，根据所述无管控措施下的有效再生数和所述概率密度模型预测防疫措施的预设隔离时长下的有效再生数还包括：
确定所述预设隔离时长内采用所述居家隔离措施；
根据所述概率密度模型预测潜伏期时长大于所述预设隔离时长时的第二预测发病概率；
根据所述第一比例、所述第三比例、所述第二预测发病概率和所述无管控措施下的有效再生数预测确定所述居家隔离措施下的有效再生数。
7.根据权利要求3或4所述的基于防疫措施的传染病疫情信息的处理方法，其特征在于，根据所述无管控措施下的有效再生数和所述概率密度模型预测防疫措施的预设隔离时长下的有效再生数包括：
确定所述预设隔离时长内采用所述集中隔离措施的第一预设时长；
确定所述预设隔离时长内采用所述居家隔离措施的第二预设时长；
根据所述概率密度模型预测潜伏期时长大于所述第一预设时长时的第三预测发病概率；
根据所述概率密度模型预测潜伏期时长大于所述第二预设时长时的第四预测发病概率；
根据所述第一比例、所述第三比例、第三预测发病概率、第四预测发病概率和所述无管控措施下的有效再生数预测确定所述防疫措施下的有效再生数。
8.根据权利要求1-4中任一项所述的基于防疫措施的传染病疫情信息的处理方法，其特征在于，还包括：
获取指定时段内的已确诊病例的个数；
根据所述已确诊病例的个数和所述防疫措施下的有效再生数确定新增确诊病例的个数。
9.根据权利要求1-4中任一项所述的基于防疫措施的传染病疫情信息的处理方法，其特征在于，根据所述预设隔离时长下的有效再生数与再生数阈值之间的大小关系，生成所述防疫措施的评价结果包括：
判断所述预设隔离时长下的有效再生数是否大于或等于所述再生数阈值；
若确定所述预设隔离时长下的有效再生数大于或等于所述再生数阈值，则生成所述防疫措施的第一评价结果，所述第一评价结果用于不推荐所述防疫措施；
若确定所述预设隔离时长下的有效再生数小于所述再生数阈值，则生成所述防疫措施的第二评价结果，所述第二评价结果用于推荐所述防疫措施。
10.一种基于防疫措施的传染病疫情信息的处理装置，其特征在于，包括：
确定模块，用于获取疾病的确诊病例的潜伏期时长的统计记录；
所述确定模块还用于，确定所述潜伏期时长的统计记录所属的概率密度模型，所述概率密度模型用于确定潜伏期时长大于隔离时长时所述疾病的发病概率；
所述确定模块还用于，根据所述发病概率确定无管控措施下的有效再生数；
预测模块，用于根据所述无管控措施下的有效再生数和所述概率密度模型预测防疫措施的预设隔离时长下的有效再生数；
生成模块，用于根据所述预设隔离时长下的有效再生数与再生数阈值之间的大小关系，生成所述防疫措施的评价结果。
11.一种电子设备，其特征在于，包括：
处理器；以及
存储器，用于存储所述处理器的可执行指令；
其中，所述处理器配置为经由执行所述可执行指令来执行权利要求1～9中任意一项所述的基于防疫措施的传染病疫情信息的处理方法。
12.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1～9中任意一项所述的基于防疫措施的传染病疫情信息的处理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011633370.0A CN112687396B (zh) | 2020-12-31 | 2020-12-31 | 基于防疫措施的疾病信息的处理方法、装置、设备和介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011633370.0A CN112687396B (zh) | 2020-12-31 | 2020-12-31 | 基于防疫措施的疾病信息的处理方法、装置、设备和介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112687396A true CN112687396A (zh) | 2021-04-20 |
| CN112687396B CN112687396B (zh) | 2024-05-28 |
Family
ID=75456189
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011633370.0A Active CN112687396B (zh) | 2020-12-31 | 2020-12-31 | 基于防疫措施的疾病信息的处理方法、装置、设备和介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112687396B (zh) |
Citations (16)
| 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 |
| US20150320893A1 (en) * | 2012-05-03 | 2015-11-12 | Joseph M VOLPE | Treatment of latent hiv infection |
| US20170206334A1 (en) * | 2016-01-14 | 2017-07-20 | Stuart Tin Fah Huang | Proximity Tracing Methods and Systems |
| US20170300657A1 (en) * | 2016-04-14 | 2017-10-19 | Virginia Polytechnic Institute And State University | Computerized Event Simulation Using Synthetic Populations |
| US20170323076A1 (en) * | 2016-05-04 | 2017-11-09 | International Business Machines Corporation | Social health risk estimation |
| US20190148023A1 (en) * | 2017-11-16 | 2019-05-16 | Google Llc | Machine-Learned Epidemiology |
| US20190252078A1 (en) * | 2018-02-15 | 2019-08-15 | X Development Llc | Predicting the spread of contagions |
| CN111048214A (zh) * | 2019-11-11 | 2020-04-21 | 北京荣之联科技股份有限公司 | 外来畜禽疫病传播态势的预警方法及装置 |
| 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 |
| CN111477342A (zh) * | 2020-06-25 | 2020-07-31 | 中航信移动科技有限公司 | 一种隔离区域航空输入感染预警系统 |
| CN111681772A (zh) * | 2020-05-08 | 2020-09-18 | 自然资源部第一海洋研究所 | 一种疫情管控效果定量检测方法、系统、存储介质、终端 |
| CN111710433A (zh) * | 2020-03-23 | 2020-09-25 | 中国人民解放军军事科学院军事科学信息研究中心 | 传染病的发展趋势预测方法及系统 |
| CN111798989A (zh) * | 2020-07-07 | 2020-10-20 | 医渡云（北京）技术有限公司 | 基于防控措施预测疫情发展趋势的方法及相关设备 |
| 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 |
| US20200373018A1 (en) * | 2020-04-22 | 2020-11-26 | Yeda Research And Development Co. Ltd. | Method of diagnosing pathogenesis of viral infection for epidemic prevention |
| CN112071437A (zh) * | 2020-09-25 | 2020-12-11 | 北京百度网讯科技有限公司 | 一种传染病趋势预测方法、装置、电子设备及存储介质 |
-
2020
- 2020-12-31 CN CN202011633370.0A patent/CN112687396B/zh active Active
Patent Citations (16)
| 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 |
| US20150320893A1 (en) * | 2012-05-03 | 2015-11-12 | Joseph M VOLPE | Treatment of latent hiv infection |
| US20170206334A1 (en) * | 2016-01-14 | 2017-07-20 | Stuart Tin Fah Huang | Proximity Tracing Methods and Systems |
| US20170300657A1 (en) * | 2016-04-14 | 2017-10-19 | Virginia Polytechnic Institute And State University | Computerized Event Simulation Using Synthetic Populations |
| US20170323076A1 (en) * | 2016-05-04 | 2017-11-09 | International Business Machines Corporation | Social health risk estimation |
| US20190148023A1 (en) * | 2017-11-16 | 2019-05-16 | Google Llc | Machine-Learned Epidemiology |
| US20190252078A1 (en) * | 2018-02-15 | 2019-08-15 | X Development Llc | Predicting the spread of contagions |
| CN111048214A (zh) * | 2019-11-11 | 2020-04-21 | 北京荣之联科技股份有限公司 | 外来畜禽疫病传播态势的预警方法及装置 |
| CN111710433A (zh) * | 2020-03-23 | 2020-09-25 | 中国人民解放军军事科学院军事科学信息研究中心 | 传染病的发展趋势预测方法及系统 |
| 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 |
| US20200373018A1 (en) * | 2020-04-22 | 2020-11-26 | Yeda Research And Development Co. Ltd. | Method of diagnosing pathogenesis of viral infection for epidemic prevention |
| CN111681772A (zh) * | 2020-05-08 | 2020-09-18 | 自然资源部第一海洋研究所 | 一种疫情管控效果定量检测方法、系统、存储介质、终端 |
| 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 |
| CN111477342A (zh) * | 2020-06-25 | 2020-07-31 | 中航信移动科技有限公司 | 一种隔离区域航空输入感染预警系统 |
| CN111798989A (zh) * | 2020-07-07 | 2020-10-20 | 医渡云（北京）技术有限公司 | 基于防控措施预测疫情发展趋势的方法及相关设备 |
| CN112071437A (zh) * | 2020-09-25 | 2020-12-11 | 北京百度网讯科技有限公司 | 一种传染病趋势预测方法、装置、电子设备及存储介质 |
Non-Patent Citations (4)
| Title |
|---|
| RUIWU NIU 等: "Modeling the COVID-19 Pandemic Using an SEIHR Model With Human Migration", IEEE ACCESS, pages 195503 - 195514 * |
| SOUFIANE BENTOUT等: "Parameter estimation and prediction for coronavirus disease outbreak 2019 (COVID-19) in Algeria", AIMS, pages 306 - 318 * |
| 唐三一 等: "新型冠状病毒肺炎疫情数据挖掘与离散随机传播动力学模型分析", 中国科学, vol. 50, no. 8, pages 1071 - 1086 * |
| 白宁 等: "基于动力学模型的COVID-19疫情预测与控制策略研究", 应用数学学报, vol. 43, no. 3, pages 483 - 493 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112687396B (zh) | 2024-05-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Tindale et al. | Evidence for transmission of COVID-19 prior to symptom onset | |
| Truszkowska et al. | High‐Resolution Agent‐Based Modeling of COVID‐19 Spreading in a Small Town | |
| King et al. | Avoidable errors in the modelling of outbreaks of emerging pathogens, with special reference to Ebola | |
| Català et al. | Robust estimation of diagnostic rate and real incidence of COVID-19 for European policymakers | |
| CN112365998A (zh) | 传染病传播规模模拟方法、装置与电子设备 | |
| Whittles et al. | A dynamic power-law sexual network model of gonorrhoea outbreaks | |
| CN112382406B (zh) | 传染病的基本再生数的估算方法及装置、介质和设备 | |
| Lee et al. | Estimation of the Number of HIV Infections and Time to Diagnosis in the Korea | |
| Muller et al. | Mathematical modelling of the spread of COVID-19 on a university campus | |
| Pan et al. | Effectiveness of control strategies for Coronavirus Disease 2019: a SEIR dynamic modeling study | |
| CN111739653A (zh) | 传染病传播的评估方法、装置、计算机设备和存储介质 | |
| Worden et al. | Estimation of effects of contact tracing and mask adoption on COVID-19 transmission in San Francisco: a modeling study | |
| DePhillipo et al. | Mobile phone gps data and prevalence of covid-19 infections: Quantifying parameters of social distancing in the us | |
| Keller et al. | Tracking the transmission dynamics of COVID‐19 with a time‐varying coefficient state‐space model | |
| CN112420211B (zh) | 未知传染病的预警方法、装置、电子设备及计算机介质 | |
| Vhaduri et al. | Understanding user concerns and choice of app architectures in designing audio-based mHealth apps | |
| Liao et al. | A probabilistic transmission and population dynamic model to assess tuberculosis infection risk | |
| Wand et al. | Characterizing trends in HIV infection among men who have sex with men in Australia by birth cohorts: results from a modified back-projection method | |
| CN112687396A (zh) | 基于防疫措施的疾病信息的处理方法、装置、设备和介质 | |
| Amoretti et al. | Reviewing the reproduction number R in COVID-19 models | |
| Liu et al. | Estimating the changing infection rate of COVID-19 using Bayesian models of mobility | |
| Duffey | Infection Waves in Pandemics and Risk Prediction: Physical Diffusion Theory and Data Comparisons | |
| Stakic et al. | Secondary use of EHR data for correlated comorbidity prevalence estimate | |
| Ghosh et al. | A Study on The Effectiveness of Lock-down Measures to Control The Spread of COVID-19 | |
| 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 |