CN112992373A - 一种传染病的流行趋势预判方法及系统 - Google Patents
一种传染病的流行趋势预判方法及系统 Download PDFInfo
- Publication number
- CN112992373A CN112992373A CN202110260151.0A CN202110260151A CN112992373A CN 112992373 A CN112992373 A CN 112992373A CN 202110260151 A CN202110260151 A CN 202110260151A CN 112992373 A CN112992373 A CN 112992373A
- Authority
- CN
- China
- Prior art keywords
- cases
- epidemic
- instantaneous
- time
- rate
- 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
- 238000000034 method Methods 0.000 title claims abstract description 59
- 208000035473 Communicable disease Diseases 0.000 title claims abstract description 36
- 230000034994 death Effects 0.000 claims abstract description 59
- 231100000517 death Toxicity 0.000 claims abstract description 59
- 208000015181 infectious disease Diseases 0.000 claims abstract description 48
- 238000011084 recovery Methods 0.000 claims abstract description 40
- 230000008929 regeneration Effects 0.000 claims abstract description 19
- 238000011069 regeneration method Methods 0.000 claims abstract description 19
- 201000010099 disease Diseases 0.000 claims abstract description 12
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 12
- 238000011156 evaluation Methods 0.000 claims description 30
- 230000001186 cumulative effect Effects 0.000 claims description 23
- 238000003860 storage Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 4
- 238000009795 derivation Methods 0.000 claims 1
- 238000011478 gradient descent method Methods 0.000 claims 1
- 230000002265 prevention Effects 0.000 abstract description 20
- 230000008569 process Effects 0.000 description 21
- 230000008859 change Effects 0.000 description 16
- 230000000694 effects Effects 0.000 description 13
- 230000007123 defense Effects 0.000 description 11
- 238000013459 approach Methods 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 6
- 230000001276 controlling effect Effects 0.000 description 6
- 230000007423 decrease Effects 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000009825 accumulation Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000007480 spreading Effects 0.000 description 3
- 238000003892 spreading Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000003449 preventive effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 206010027336 Menstruation delayed Diseases 0.000 description 1
- 230000009118 appropriate response Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000003778 catagen phase Effects 0.000 description 1
- 230000002354 daily effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 230000005180 public health Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000010408 sweeping Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 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
- 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
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (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
本发明公开了一种传染病的流行趋势预判方法及系统，包括：根据t时刻到t+i+1时刻的现存病例数和康复病例数，以及中间t+i时刻的病例数和康复病例数得到瞬时传染速率和瞬时恢复速率；根据瞬时传染速率和瞬时恢复速率计算瞬时再生数；根据瞬时再生数、累计病例数和累计死亡病例数采用构建的广义生长预测模型预测流行周期内各时间节点的发病例数和死亡病例数；根据各时间节点的发病例数和死亡病例数计算流行周期内新增病例数的增长速度，以此得到流行趋势。保证流行动力预测的准确性与时效性，保证流行趋势曲线预测的准确性，从而实现在有效的时间节点采取防控措施以抑制疫情。
Description
技术领域
本发明涉及传染病学技术领域，特别是涉及一种传染病的流行趋势预判方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
传染病的开始、爆发和控制过程，均遵循相应的客观规律，对其演变过程进行科学的预测，是决策部门正确判断形势、做出恰当反应的重要环节。对传染病的流行动力评估、流行/死亡规模及疫情趋势预估研判方案中，目前大多采用各种舱室模型、网络动力学模型及现象模型等，然而，实践证明，上述模型的准确性及可信度均欠佳；原因是：
其一，上述预测模型所必须的传染病学先验参数往往主要靠人为假定，并且基于多种假设条件将参数设定为常数，而由于很多传染病为缺少前例的新发突发传染病，人为设定假设条件、设定参数，如引入季节因素、环境条件、区域条件、人口流动等假设条件，会存在人为假设的条件或人为设定的参数与时间传染病的流行演变趋势不符，可能会导致构建的预测模型与实际传染病的流行演变趋势不符，最终导致预测模型的可靠性和准确性较差，若在预测期内引入无关假设条件，易导致对流行趋势曲线预测不准确、传染病持续流行时间的预测不准确、流行周期阶段划分不准确、防控措施采取的时间节点预判不准确等问题。
其二，各种模型往往过于追求理论上的复杂性和完美性，而忽略了其所需数据信息的可及性；其三，流行动力学参数的分析，如基础再生数R0、周期、流行/死亡规模等，均受数据的实时动态调控的影响，而现有模型忽略疾病传染过程中的动态信息变化，则无法保证预测准确性且存在预测的滞后性，不利于早期预判，限制模型在实际应用过程中的准确度和应用范围。
发明内容
为了解决上述问题，本发明提出了一种传染病的流行趋势预判方法及系统，通过实际的病例数据，基于实时数据驱动的SIR模型实时估计流行动力参数，同时基于该流行动力学参数构建预测模型，保证流行动力预测的准确性与时效性，保证流行趋势曲线预测的准确性，从而实现在有效的时间节点采取防控措施以抑制疫情。
为了实现上述目的，本发明采用如下技术方案：
第一方面，本发明提供一种传染病的流行趋势预判方法，包括：
根据t时刻到t+i+1时刻的现存病例数和康复病例数，以及中间t+i时刻的病例数和康复病例数得到瞬时传染速率和瞬时恢复速率；
根据瞬时传染速率和瞬时恢复速率计算瞬时再生数；
根据瞬时再生数、累计病例数和累计死亡病例数采用构建的广义生长预测模型预测流行周期内各时间节点的发病例数和死亡病例数；
根据各时间节点的发病例数和死亡病例数计算流行周期内新增病例数的增长速度，以此得到流行趋势。
第二方面，本发明提供一种传染病的流行趋势预判系统，包括：
第一计算模块，用于根据t时刻到t+i+1时刻的现存病例数和康复病例数，以及中间t+i时刻的病例数和康复病例数得到瞬时传染速率和瞬时恢复速率；
第二计算模块，用于根据瞬时传染速率和瞬时恢复速率计算瞬时再生数；
流行规模预测模块，用于根据瞬时再生数、累计病例数和累计死亡病例数采用构建的广义生长预测模型预测流行周期内各时间节点的发病例数和死亡病例数；
流行趋势预测模块，用于根据各时间节点的发病例数和死亡病例数计算流行周期内新增病例数的增长速度，以此得到流行趋势。
第三方面，本发明提供一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成第一方面所述的方法。
第四方面，本发明提供一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成第一方面所述的方法。
与现有技术相比，本发明的有益效果为：
本发明首先获取流行动力学参数，通过实际的发病数据，包括感染病例数、死亡病例、康复病例数等，通过梯度下降算法实时估计流行动力参数，无需其他假设条件，也避免了引入无关假设条件，同时基于实时病例数据实时动态预测流行动力，保证流行动力学参数获取的准确性与时效性，保证基于该流行动力学参数构建的预测模型与相应传染病的适配性。
本发明以实时数据驱动的SIR模型获取流行动力学参数后，基于SIR模型构建广义生长预测模型，以此模型更准确、有效的进行预测，以得到流行趋势，减小预测误差，保证流行趋势曲线预测的准确性，保证传染病持续流行时间、以及流行趋势阶段划分预测的准确性，从而保证在有效的时间节点采取防控措施以抑制疫情。
本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1为本发明实施例1提供的传染病的流行趋势预判方法流程图；
图2为本发明实施例1提供的传染病评估三级指标体系示意图。
具体实施方式：
下面结合附图与实施例对本发明做进一步说明。
应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
实施例1
如图1所示，本实施例提供一种传染病的流行趋势预判方法，包括：
S1：根据t时刻到t+i+1时刻的现存病例数和康复病例数，以及中间t+i时刻的病例数和康复病例数得到瞬时传染速率和瞬时恢复速率；
S2：根据瞬时传染速率和瞬时恢复速率计算瞬时再生数；
S3：根据瞬时再生数、累计病例数和累计死亡病例数采用构建的广义生长预测模型预测流行周期内各时间节点的发病例数和死亡病例数；
S4：根据各时间节点的发病例数和死亡病例数计算流行周期内新增病例数的增长速度，以此得到流行趋势。
在本实施例中，所述对中间t+i时刻病例数和康复病例数的预测通过时变SIR模型，采用梯度下降学习算法，求得瞬时传染速率βt和瞬时恢复速率γt；具体为：
S1-1：以加权平均预测误差平方和作为梯度下降学习算法的代价函数：
其中，
表示在t+i时刻的现存病例数预测值(即感染者)，
表示在t+i时刻的死亡和康复之和的预测值，It+i+1表示在t+i+1时刻的现存病例数的实际值，Rt+i+1表示在t+i+1时刻的康复病例数的实际值。
对参数β和γ偏导可得下降梯度：
选择初始学习速率λ＝10-2，迭代更新过程中通过判断代价函数是否减小来不断降低学习速率，以参数β和γ的迭代精度10-5为收敛标准，输出迭代结果，则可求得瞬时传染速率βt和瞬时恢复速率γt。
进而，根据瞬时传染速率βt和瞬时恢复速率γt的比值计算瞬时再生数
瞬时再生数表示在t时刻一个感染者传染给其他人的人数平均数，用于衡量瞬时平均传播强度。
在本实施例中，所述SIR模型为：
其中，N为总人口数，St＝N-It-Rt为t时刻的易感人群数量，It为t时刻的现存病例数，Rt为t时刻的累计康复病例数和死亡病例数之和。
所述步骤S3中，构建实时数据驱动的基于SIR模型的广义流行生长模型(TD-SIR-GEGM)，获取t时刻的累计病例数Ct和累计死亡病例数Ft，将瞬时再生数
嵌入广义生长模型的流行规模参数K中，构建时依发病规模预测模型和时依死亡规模预测模型；具体地：
其中，
实时校正的最终流行规模模型为
实时校正的最终死亡规模模型为
其中，q为病死率，r生长率，p∈[0,1]为拟合各种生长曲线的形状参数，α为曲线与简单logistic回归曲线相比的S形动态参数；
和
分别表示在t时刻的流行动力
下，预测流行周期长度T内的最大发病例数和最大死亡例数。
在本实施例中，预测流行周期长度
τ为世代时间，即从一个病例发病到被其传染的病例发病之间的平均时间。
所述步骤S4中，新增病例数表示为t时刻累计病例数Ct的增长速度，即：
则，新增病例数的增长速度表示为累计病例Ct的增长加速度，即：
C″t＝(C′t+Δt-C′t)/Δt
那么，根据步骤S3得到的各时间节点的发病例数和死亡病例数，计算各时间节点的累积病例数和累积死亡病例数，将流行周期划分为流行前期、流行高峰期和流行衰退期的3个阶段；具体地：
a)流行前期
；从发生首例病例至C″t取得最大值的时间点，此期新增病例迅速增加，是控制流行规模的最佳时期。
b)流行高峰期
；从C″t取得最大值的时间点至其取得最小值的时间点，此期又以C″t＝0为界划分为流行高峰前期和流行高峰后期；在流行高峰前期，虽然新增病例仍在持续增加，但其增长速度放缓而逐渐趋近于0，此期及时采取措施，仍可降低流行高峰；在流行高峰后期，新增病例在达到高峰后开始减少，减速逐渐增大，此期已经失去疫情控制的最佳时期。
c)流行衰退期
；从C″t取得最小值的时间点至流行终止，此期新增病例逐渐趋近0，但往往拖尾很长时间；类似地，根据方程(5)，由dFt/dt的一阶差分F″t也可将死亡预测曲线划分为死亡剧增期
死亡高峰期
死亡消退期
从而，实现流行趋势和死亡趋势的预估研判。
在本实施例中，获取传染病所有发病地区的基础数据，包括感染病例数，死亡病例数和康复病例数等，以数据可及性为前提，创建实时数据驱动的预测模型，将SIR模型嵌入到广义生长模型中Generalized Richards model(GRM)，构建Time-varying Data-drivenSIR-basedGeneralized Epidemic Growth Models(TD-SIR-GEGM)；进而采用梯度下降学习算法，实时动态预测流行动力、流行/死亡规模、流行周期等实时变化的传染病学参数，从而实现传染病态势的实时动态预判。
在本实施例中，基于上述提出的TD-SIR-GEGM模型得到的流行强度、传播力等传染病学参数，结合世界卫生组织等权威机构在线发布的全球各国及下辖行政区的传染病数据以及相关的人口、卫生应急能力、社会经济等信息，构建时空数据库；从流行强度、传播动力及防控、临床救治、联防联控、应急能力、社会经济影响五个方面，建立传染病评估指标体系，并结合熵权TOPSIS综合评价方法进行类指标量化，构建传染病评估指标，为掌握传染病疫情动态、研判疫情态势、评估改善防控措施、优化资源配置、预估经济影响等提供支持。
具体地，如图2所示，疫情综合指数，即一级评估指标是由“流行强度指数、传播防控指数、临床救治指数、联防联控指数、应急能力指数、经济影响指数”等6个二级评估指标综合而成，疫情综合指数的范围在0-1之间，越接近于1，疫情形势越严峻；越接近于0，疫情形势越好；各二级评估指标分别由若干三级指标综合而成，各评价指标的含义解释如下：
流行强度评价指标中：
(1)流行强度指数(Et)：范围在0-1之间，越接近于1，说明疫情流行强度越大，反应流行强度的动态变化过程。
(2)每日新增病例数(ct)：以日为时间单位，反映瞬时绝对流行强度的动态变化过程。
(3)累计病例数(Ct)：首例病例出现至时刻t的累计发病例数，反应疫情发生以来的累计绝对流行强度的动态变化过程。
(4)每日发病率
：以日为时间单位计算的瞬时发病率，反映每百万人中瞬时平均流行强度的动态变化过程。
(5)累计发病率
：以首例病例出现至时刻t的累计发病例数计算的时期发病率，反应疫情发生以来的累计平均流行强度的动态变化过程。
(6)每日死亡率
：以日为时间单位计算的瞬时死亡率，反映每百万人中瞬时平均死亡强度的动态变化过程。
(7)累计死亡率
：以首例死亡病例出现至时刻t的累计死亡例数计算的时期死亡率，反应疫情发生以来的累计平均死亡强度的动态变化过程。
传播动力及防控效果评价指标中：
(1)传播防控指数(DCi)：范围在0-1之间，越接近于1，说明疫情传播力越强，防控效果越差，反应传播力及防控效果的动态变化过程。
(2)传播动力
：
既是衡量瞬时平均传播强度的指标，也是间接反应防控措施效果的指标；
大于1说明疫情尚未得到控制，
越大说明传播力越强，防控效果越差；而
小于1，说明传播趋于终止，防控效果奏效，疫情得到控制。
(3)流行规模
：
刻画在t时刻的流行动力
及防控措施下，未来预测期限T内的最大发病例数；
越大，说明未来流行规模越大，防控压力越大。
(4)流行前期
：表示从发生首例病例至新增病例增速最大的时间段，此期新增病例迅速增加，是控制流行规模的最佳时期。
(5)流行高峰期
：表示从新增病例增速最快到最小的时间段；此期又可划分为流行高峰前期
和流行高峰后期
在流行高峰前期，虽然新增病例仍在持续增加，但其增长速度放缓而逐渐趋近于0，此期及时采取措施，仍可降低流行高峰；在流行高峰后期，新增病例在达到高峰后开始减少，减速逐渐增大，此期已经失去疫情控制的最佳时期。
(6)流行衰退期
：表示从新增病例增速最小至流行终止的时间段，此期新增病例逐渐趋近0，疫情进入漫长的拖尾散发期。
(7)死亡规模
：表示在t时刻的流行动力
及防控救治措施下，未来预测期限T内最大死亡例数；
越大，说明未来死亡规模越大，防控救治压力越大。
(8)死亡剧增期
：表示从发生首例死亡至新增死亡增速最大之间的时间段；此期新增死亡速度剧增，是控制死亡规模的关键时期。
(9)死亡高峰期
：表示从新增死亡增速最大值最小之间的时间段；此期又可划分为死亡高峰前期
和死亡高峰后期
；在死亡高峰前期
，虽然新增死亡病例仍在持续增加，但其增长速度放缓而逐渐趋近于0，此期及时采取救治措施，仍可降低死亡高峰；在死亡高峰后期
，新增死亡病例在达到高峰后开始减少，减速逐渐增大，此期已经失去控制死亡规模的最佳时期。
(10)死亡消退期
：表示从新增死亡病例增速最小时至死亡病例数逐渐趋于0的时间段，此期防控救治进入扫尾期。
临床救治效果评价指标中：
(1)临床救治指数(CTt)：范围在0-1之间，越接近于1，说明临床救治压力也大，救治效果越差，反应临床救治压力及救治效果的动态变化过程。
(2)每日新增死亡数(ft)：以日为时间单位，反映瞬时绝对死亡强度的动态变化过程。
(3)累计死亡病例数(Ft)：表示首例死亡病例出现至时刻t的累计死亡例数，反应疫情发生以来的累计绝对死亡强度的动态变化过程。
(4)累计病死率
：以首例死亡病例出现至时刻t的累计死亡例数计算的时期病死率，反应临床救治水平的动态积累变化过程。
(5)每日治愈病例数(ht)：以日为时间单位，反映瞬时治愈出院病例数的动态变化过程。
(6)累计治愈病例数(Ft)：表示首例治愈病例出院至时刻t的累计治愈例数，反应疫情发生以来的治疗成效的动态积累变化过程。
(7)累计治愈率
：以首例治愈病例出院至时刻t的累计治愈病例数计算的时期治愈率，反应临床救治平均水平的动态变化过程。
联防联控评价指标中：
(1)联防联控指数(Ut)：范围在0-1之间，越接近于1，说明国际或区域联防联控压力越大，反应联防联控需求及压力的动态变化过程。
(2)每日输入病例数(int)：以日为时间单位，每日境外输入病例数的动态变化过程，反映境外输入病例的绝对量及联防联控需求的动态变化过程。
(3)累计输入病例数(Int)：表示自首例境外病例输入至时刻t的累计输入病例数的动态变化过程，反映境外输入积累程度及联防联控总压力。
(4)境外输入病例传播力
：表示在t时刻一个境外输入病例会传染给其他多少个境内个体的平均数，既是衡量瞬时境外输入病例平均传播强度的指标，也是间接反应联防联控效果的指标；
大于1说明境外输入病例开始向境内人群传播，
越大说明境外输入病例的传播力越强，联防联控效果越差；而
小于1，说明境外输入病例得到有效隔离控制，联防联控效果处于良好状态。
卫生应急能力评价指标中：
(1)应急能力指数(Ut)：范围在0-1之间，越接近于1，说明卫生应急反应能力越好、可调配的卫生应急能力资源越丰富。
(2)预防能力(Prevent)指数：衡量多层次多部门识别和控制多种危险源的协作能力，范围在0-1之间，越接近于1，说明卫生体系预防能力越好。
(3)检测能力(Detect)指数：表示风险监测、标本检测、标本运输、风险评估及预警能力的综合评价指标；范围在0-1之间，越接近于1，说明卫生体系提前预警、检测能力越强。
(4)反应能力(Respond)指数：综合反映突发事件的应急管理以及疫情控制能力；范围在0-1之间，越接近于1，卫生体系应对和处理突发公共安全事件的能力越强。
(5)实现能力(enabling function)指数：反映应对突发公共卫生安全事件的人、财、物等资源筹集和再配置能力以及医疗服务的可及性；范围在0-1之间，越接近于1，说明卫生体系应对突发公共安全事件的可利用资源越丰富。
(6)预案能力(operational readiness)指数：反映根据风险优先级，多部门响应架构及其设计和实施干预方案的能力；范围在0-1之间，越接近于1，说明卫生体系行动能力越强。
经济影响评价指标中：
(1)经济影响综合指数：综合反映疫情对总体经济的影响；范围在0-1之间，越接近于1，说明疫情的经济负面影响越大。
(2)市场信心指数：包括商业信心和消费者信心两个方面，综合反映生产者和消费者对疫情影响未来经济的预期；范围在0-1之间，越接近于1，说明疫情产生的经济负面情绪越大。
(3)经济波动指数：综合反映疫情对宏观经济波动(包括经济增长、物价波动和股指振幅)的影响；范围在0-1之间，越接近于1，说明疫情导致的经济下行波动幅度越大。
(4)复工复产指数：综合反映疫情中生产运行以及疫情后期生产恢复的能力；范围在0-1之间，越接近于1，说明疫情过后复工复产情况越严峻。
(5)消费波动指数：综合反映疫情对消费水平和偏好的影响；范围在0-1之间，越接近于1，说明疫情遏制消费水平的趋势越明显。
基于上述指标和传统的TOPSIS法，结合熵权和层次分析计算疫情综合指数，步骤如下：
a)熵权法给定指标权重：根据各指标的信息熵，对信息熵较大(即信息量较大)的指标赋予较高的权重。
b)TOPSIS方法：对各指标做同向化和归一化处理后，获取同一评价周期内各指标的最优值和最劣值，通过计算各评价对象与最优指标和最劣指标间的距离，获得其与最优指标的相对接近程度，即为疫情指数。
c)层次分析思想实现多层指数比较：以二级指标划分为基础，求得划分内各指标权重，结合二级指标疫情指数可获得对应的各一级指标指数，对其再赋权重可计算得到最终的疫情综合指数。
所述疫情综合指数范围在0-1之间，越接近于1，则说明该传染病的流行趋势越严峻，越接近于0，则流行趋势越好；
本实施例通过实际的病例数据，基于实时数据驱动的SIR模型实时估计流行动力参数，同时基于该流行动力学参数构建预测模型，以该预测模型有效预测流行趋势，且基于准确的流行趋势阶段划分和流行动力学参数，构建本实施例的评估指标体系，保证流行动力预测的准确性与时效性，保证流行趋势曲线预测的准确性，从而实现在有效的时间节点采取防控措施以抑制疫情。
实施例2
本实施例提供一种传染病的流行趋势预判系统，包括：
数据获取模型，用于根据t时刻到t+i+1时刻的现存病例数和康复病例数，以及中间t+i时刻的病例数和康复病例数得到瞬时传染速率和瞬时恢复速率；
流行动力模块，用于根据瞬时传染速率和瞬时恢复速率计算瞬时再生数；
流行规模模块，用于根据瞬时再生数、累计病例数和累计死亡病例数采用构建的广义生长预测模型预测流行周期内各时间节点的发病例数和死亡病例数；
流行趋势模块，用于根据各时间节点的发病例数和死亡病例数计算流行周期内新增病例数的增长速度，以此得到流行趋势。
此处需要说明的是，上述模块对应于实施例1中的步骤S1至S4，上述模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例1所公开的内容。需要说明的是，上述模块作为系统的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。
在更多实施例中，还提供：
一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成实施例1中所述的方法。为了简洁，在此不再赘述。
应理解，本实施例中，处理器可以是中央处理单元CPU，处理器还可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC，现成可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如，存储器还可以存储设备类型的信息。
一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成实施例1中所述的方法。
实施例1中的方法可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器、闪存、只读存储器、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。为避免重复，这里不再详细描述。
本领域普通技术人员可以意识到，结合本实施例描述的各示例的单元即算法步骤，能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (10)
1.一种传染病的流行趋势预判方法，其特征在于，包括：
根据t时刻到t+i+1时刻的现存病例数和康复病例数，以及中间t+i时刻的病例数和康复病例数得到瞬时传染速率和瞬时恢复速率；
根据瞬时传染速率和瞬时恢复速率计算瞬时再生数；
根据瞬时再生数、累计病例数和累计死亡病例数采用构建的广义生长预测模型预测流行周期内各时间节点的发病例数和死亡病例数；
根据各时间节点的发病例数和死亡病例数计算流行周期内新增病例数的增长速度，以此得到流行趋势。
2.如权利要求1所述的一种传染病的流行趋势预判方法，其特征在于，采用梯度下降法求得瞬时传染速率和瞬时恢复速率，具体包括：初始学习速率和梯度下降参数，对梯度下降参数求偏导得到下降梯度，根据代价函数降低学习速率，直至迭代精度满足迭代收敛条件，得到瞬时传染速率和瞬时恢复速率。
3.如权利要求1所述的一种传染病的流行趋势预判方法，其特征在于，根据瞬时传染速率和瞬时恢复速率的比值计算瞬时再生数，所述瞬时再生数为t时刻内一个感染者传染给其他人的人数平均数。
4.如权利要求1所述的一种传染病的流行趋势预判方法，其特征在于，根据各时间节点的发病例数和死亡病例数更新累积病例数，所述累计病例数的增长速度为新增病例数，所述累计病例数的增长加速度为新增病例数的增长速度，根据新增病例数的增长速度在最大值的时间节点，将流行周期划分为流行前期、流行高峰期和流行衰退期。
5.如权利要求4所述的一种传染病的流行趋势预判方法，其特征在于，所述流行高峰期包括新增病例数的增长速度取得最大值的时间节点至取得最小值的时间节点，根据增长速度为零的时间节点将流行高峰期划分为流行高峰前期和流行高峰后期。
6.如权利要求1所述的一种传染病的流行趋势预判方法，其特征在于，所述广义生长预测模型包括流行规模模型和死亡规模模型；
所述流行规模模型为
所述死亡规模模型为
其中，Ct为t时刻的累计病例数，Ft为t时刻的累计死亡病例数，It为t时刻的现存病例数，βt为瞬时传染速率，γt为瞬时恢复速率，T为流行周期，τ为世代时间，q为病死率。
7.如权利要求1所述的一种传染病的流行趋势预判方法，其特征在于，根据得到的流行趋势预判疫情综合指数，具体包括：
基于流行动力学参数构建传染病二级评估指标；
根据二级评估指标的信息熵为二级评估指标赋权；
获取同一评价周期内二级评估指标的最优值和最劣值，根据评估对象与最优指标和最劣指标间的距离，获得二级评估指标疫情指数；
根据二级评估指标的权重和二级评估指标疫情指数，获取对应的一级评估指标疫情指数，对一级评估指标赋权后得到疫情综合指数。
8.一种传染病的流行趋势预判系统，其特征在于，包括：
第一计算模块，用于根据t时刻到t+i+1时刻的现存病例数和康复病例数，以及中间t+i时刻的病例数和康复病例数得到瞬时传染速率和瞬时恢复速率；
第二计算模块，用于根据瞬时传染速率和瞬时恢复速率计算瞬时再生数；
流行规模预测模块，用于根据瞬时再生数、累计病例数和累计死亡病例数采用构建的广义生长预测模型预测流行周期内各时间节点的发病例数和死亡病例数；
流行趋势预测模块，用于根据各时间节点的发病例数和死亡病例数计算流行周期内新增病例数的增长速度，以此得到流行趋势。
9.一种电子设备，其特征在于，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成权利要求1-7任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，用于存储计算机指令，所述计算机指令被处理器执行时，完成权利要求1-7任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110260151.0A CN112992373B (zh) | 2021-03-10 | 2021-03-10 | 一种传染病的流行趋势预判方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110260151.0A CN112992373B (zh) | 2021-03-10 | 2021-03-10 | 一种传染病的流行趋势预判方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112992373A true CN112992373A (zh) | 2021-06-18 |
| CN112992373B CN112992373B (zh) | 2022-09-16 |
Family
ID=76336301
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110260151.0A Active CN112992373B (zh) | 2021-03-10 | 2021-03-10 | 一种传染病的流行趋势预判方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112992373B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113744888A (zh) * | 2021-09-02 | 2021-12-03 | 深圳万海思数字医疗有限公司 | 区域流行病趋势预测预警方法及系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108198629A (zh) * | 2018-03-06 | 2018-06-22 | 云南省疾病预防控制中心 | 一种传染病跨境输入传播风险自动评估系统及方法 |
| CN111354471A (zh) * | 2020-02-19 | 2020-06-30 | 自然资源部第一海洋研究所 | 基于数据的传染病传播率及疫情评估方法 |
| CN111403051A (zh) * | 2020-04-08 | 2020-07-10 | 医渡云（北京）技术有限公司 | 基于周期预测疫情发病人数的方法及装置、设备和介质 |
| 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 |
| CN111768875A (zh) * | 2020-06-23 | 2020-10-13 | 深圳市城市公共安全技术研究院有限公司 | 传染病疫情预测方法、系统、装置及存储介质 |
| CN112201361A (zh) * | 2020-09-01 | 2021-01-08 | 浙江大学山东工业技术研究院 | 一种基于lstm模型的covid-19疫情预测方法 |
| CN112259248A (zh) * | 2020-08-03 | 2021-01-22 | 四川大学 | 一种covid-19境外输入风险评估预测方法 |
-
2021
- 2021-03-10 CN CN202110260151.0A patent/CN112992373B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108198629A (zh) * | 2018-03-06 | 2018-06-22 | 云南省疾病预防控制中心 | 一种传染病跨境输入传播风险自动评估系统及方法 |
| CN111354471A (zh) * | 2020-02-19 | 2020-06-30 | 自然资源部第一海洋研究所 | 基于数据的传染病传播率及疫情评估方法 |
| CN111403051A (zh) * | 2020-04-08 | 2020-07-10 | 医渡云（北京）技术有限公司 | 基于周期预测疫情发病人数的方法及装置、设备和介质 |
| 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 |
| CN111768875A (zh) * | 2020-06-23 | 2020-10-13 | 深圳市城市公共安全技术研究院有限公司 | 传染病疫情预测方法、系统、装置及存储介质 |
| CN112259248A (zh) * | 2020-08-03 | 2021-01-22 | 四川大学 | 一种covid-19境外输入风险评估预测方法 |
| CN112201361A (zh) * | 2020-09-01 | 2021-01-08 | 浙江大学山东工业技术研究院 | 一种基于lstm模型的covid-19疫情预测方法 |
Non-Patent Citations (5)
| Title |
|---|
| ANNE CORI: "A New Framework and Software to Estimate Time-Varying Reproduction", 《PRACTICE OF EPIDEMIOLOGY》 * |
| X YU: "Assessing epidemic trends in real time with a simple ratio plot", 《RESREACH LETTER》 * |
| 张艳霞: "基于SIR模型的新冠肺炎疫情传播预测分析", 《安徽工业大学学报》 * |
| 徐致靖: "复杂社会系统中的传染病动力学建模与案例研究", 《中国优秀博士学位论文全文数据库信息科技辑》 * |
| 杨涛: "浙江省人感染 H7N9 禽流感疫情半定量", 《浙江大学学报》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113744888A (zh) * | 2021-09-02 | 2021-12-03 | 深圳万海思数字医疗有限公司 | 区域流行病趋势预测预警方法及系统 |
| CN113744888B (zh) * | 2021-09-02 | 2023-09-22 | 深圳万海思数字医疗有限公司 | 区域流行病趋势预测预警方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112992373B (zh) | 2022-09-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ahalt et al. | Comparison of emergency department crowding scores: a discrete-event simulation approach | |
| Dong et al. | An analytic hierarchy process model of group consensus | |
| CN102457411B (zh) | 基于不确定数据的网络安全态势模糊评估方法 | |
| CN109002904B (zh) | 一种基于Prophet-ARMA的医院门诊就诊量预测方法 | |
| Khaldi et al. | Artificial neural network based approach for blood demand forecasting: Fez transfusion blood center case study | |
| CN111768873A (zh) | 一种covid-19实时风险预测方法 | |
| CN112037930B (zh) | 一种传染病预测设备、方法、装置及存储介质 | |
| CN102469103B (zh) | 基于bp神经网络的木马事件预测方法 | |
| CN113241188A (zh) | 一种开放体系下新发传染病的跨区域传播预测方法 | |
| CN112992373B (zh) | 一种传染病的流行趋势预判方法及系统 | |
| RU2013140670A (ru) | Клиническая система поддержки принятия решений для прогнозирующего планирования выписки | |
| CN109889391A (zh) | 一种基于组合模型的网络短时流量预测方法 | |
| CN112259248A (zh) | 一种covid-19境外输入风险评估预测方法 | |
| CN111815487B (zh) | 基于深度学习的健康教育评估方法、装置及介质 | |
| Hijry et al. | Application of machine learning algorithms for patient length of stay prediction in emergency department during Hajj | |
| CN112766576A (zh) | 一种基于数据库的参数结果预测方法及系统 | |
| CN116864142A (zh) | 一种流行病趋势预测方法及系统 | |
| CN117238460A (zh) | 一种基于护理晨交班数据的病情监测方法和系统 | |
| CN111755106B (zh) | 一种门诊量的预测方法及装置 | |
| Frize et al. | Effectiveness of a hybrid pattern classifier for medical applications | |
| US12106857B2 (en) | Complex care tool | |
| Sukmak et al. | Time series forecasting in anxiety disorders of outpatient visits using data mining | |
| CN109409700B (zh) | 一种配置数据确认方法、业务监测方法及装置 | |
| Norouzzadeh et al. | A two-phase weighted classification model to assess patient readmission risk | |
| CN111368412A (zh) | 用于护理需求预测的仿真模型构建方法和装置 |
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 |