CN113192644B - 针对区域疫情风险实现量化分级评估检测的方法、装置、处理器及其计算机可读存储介质 - Google Patents

针对区域疫情风险实现量化分级评估检测的方法、装置、处理器及其计算机可读存储介质 Download PDF

Info

Publication number
CN113192644B
CN113192644B CN202110215671.XA CN202110215671A CN113192644B CN 113192644 B CN113192644 B CN 113192644B CN 202110215671 A CN202110215671 A CN 202110215671A CN 113192644 B CN113192644 B CN 113192644B
Authority
CN
China
Prior art keywords
days
area
average
risk
risk level
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.)
Active
Application number
CN202110215671.XA
Other languages
English (en)
Other versions
CN113192644A (zh
Inventor
夏寒
冯骏
赵丹丹
付晨
夏天
马逸韬
张鑫金
王晔
张�诚
道理
王春芳
虞慧婷
毛丹
林维晓
刘星航
钱晨嗣
杨妹
许锦
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Health Committee
Shanghai Institute Of Preventive Medicine
Shanghai Municipal Center For Disease Control & Prevention
WONDERS INFORMATION CO Ltd
Original Assignee
Shanghai Health Committee
Shanghai Institute Of Preventive Medicine
WONDERS INFORMATION CO Ltd
Shanghai Municipal Center For Disease Control & Prevention
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Health Committee, Shanghai Institute Of Preventive Medicine, WONDERS INFORMATION CO Ltd, Shanghai Municipal Center For Disease Control & Prevention filed Critical Shanghai Health Committee
Priority to CN202110215671.XA priority Critical patent/CN113192644B/zh
Publication of CN113192644A publication Critical patent/CN113192644A/zh
Application granted granted Critical
Publication of CN113192644B publication Critical patent/CN113192644B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/20—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the management or administration of healthcare resources or facilities, e.g. managing hospital staff or surgery rooms
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Public Health (AREA)
  • General Business, Economics & Management (AREA)
  • Medical Informatics (AREA)
  • Strategic Management (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Biomedical Technology (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Pathology (AREA)
  • Databases & Information Systems (AREA)
  • Game Theory and Decision Science (AREA)
  • Data Mining & Analysis (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本发明涉及一种基于计算机软件针对区域疫情风险实现量化分级评估检测的方法，其中，该方法根据不同区域的实际特点，确定某一具体时间范围内该区域的风险等级数值RRL；根据该区域内各个医院的实际运作饱和状态，计算该区域针对疫情风险的医院救治能力等级HS；根据该区域各个医院的救治能力情况，计算该区域确诊人员的感染严重程度等级SI；从而确定该区域最终的风险等级，完成该区域风险量化分级评估。本发明还涉及一种相应的装置、处理器及其存储介质。采用了本发明的相应的方法、装置、处理器及其存储介质，对比传统传播模型的预测方法更侧重实际，结果更真实，同时在数据获取方面更简单，大大降低了传统训练模型所需的训练成本。

Description

针对区域疫情风险实现量化分级评估检测的方法、装置、处理 器及其计算机可读存储介质
技术领域
本发明涉及疫情防控技术领域，尤其涉及疫情传播风险量化评估技术领域，具体是指一种基于计算机软件针对区域疫情风险实现量化分级评估检测的方法、装置、处理器及其计算机可读存储介质。
背景技术
2019年底发生并持续至今的新冠肺炎疫情，让世界各国政府和公众认识到公共卫生安全治理的极度重要性。在本次疫情应对过程中，大数据和人工智能得到前所未有的重视和应用。各地运用大数据和人工智能技术，结合疫情防控工作的具体需求，加强传染源控制、切断传播链、落实重点人群监测跟踪，全面助力大型城市的防控救治、流行病学调查和疫情监测分析。
在实际的工作中，如何对某一个地区的风险分级是一个十分显示和迫切的问题，传统的仅仅依靠确诊人数来划定风险分级的方法存在一些不足。在突发疫情时，由于不同地域在新增确诊人数、检测阳性占比人数、该区域的救治能力，与感染的严重程度，密切接触者追踪能力等方面都存在的很大的差异，这些也都决定了区域风险不可一概而论，更应该根据不同区域的特点，进行量化评估、询证决策，以提高防疫政策的精准度和资源利用效率。
因此，亟需一种可以将多方面相关因素综合在一起，以量化评估某一区域的疫情风险等级，从而为疫情防控做出量化指导的智能化检测方法就显得尤为重要。
发明内容
本发明的目的是克服了上述现有技术的缺点，提供了一种可信度高、结果更准确且成本极为低廉的基于计算机软件针对区域疫情风险实现量化分级评估检测的方法、装置、处理器及其计算机可读存储介质。
为了实现上述目的，本发明的基于计算机软件针对区域疫情风险实现量化分级评估检测的方法、装置、处理器及其计算机可读存储介质如下：
该基于计算机软件针对区域疫情风险实现量化分级评估检测的方法，其主要特点是，所述的方法包括以下步骤：
(1)根据不同区域的实际特点，确定某一具体时间范围内该区域的风险等级数值RRL；
(2)根据该区域内各个医院的实际运作饱和状态，计算该区域针对疫情风险的医院救治能力等级HS；
(3)根据该区域各个医院的救治能力情况，计算该区域确诊人员的感染严重程度等级SI；
(4)根据上述各个等级数值确定该区域最终的风险等级，从而完成该区域风险量化分级评估。
较佳地，所述的步骤(1)具体包括以下步骤：
(1.1)计算该区域每10万人在系统预设的n天内平均新增感染人数Pi，所述的n天内平均新增感染人数Pi，根据以下公式进行计算：
其中，系统预设的天数n为7至14天；
(1.2)计算该区域n天内平均检测人数呈阳性占比ptd，所述的n天内检测人数呈阳性占比ptd，根据以下公式进行计算：
其中，Ppos为n天内平均每天检测出阳性患者的总数，Pall_test为n天内平均每天的检测总量；
(1.3)根据该区域疾控中心提供的基本传播系数确定所述区域的基本传播等级R0′；
(1.4)根据上述各个步骤所得到的变量参数计算该区域的风险等级数值RRL，所述的风险等级数值RRL根据以下公式进行计算：
RRL＝β0×Pi+β1×ptd+β2×R′0；
其中，β0+β1+β2＝1，β0为该区域每10万人在系统预设的n天内平均新增感染人数所占权重，β1为该区域n天内平均检测人数呈阳性占比所占权重，β2为该区域内的基本传播系数所占权重。
较佳地，所述的风险等级数值RRL根据所述的n天内平均新增感染人数Pi，n天内检测人数呈阳性占比ptd以及基本传播等级R0′三者的计算评分结果设置为低风险等级、中风险等级、较高风险等级、高风险等级或者极高风险等级。
较佳地，所述的步骤(2)具体为：
计算该区域内各个医院n天内平均住院空病床率以及n天内平均ICU空床率从而确定该区域相关医院救治能力等级HS，所述的医院救治能力等级HS根据以下公式进行计算：
其中，bi为n天内平均空床数；ball为n天内平均床位总数；bicu为n天内平均icu空床数；bicu_all为n天内平均icu床位总数。
较佳地，所述的医院救治能力等级HS根据所述的n天内平均住院空病床率以及n天内平均icu空床率/>两者的计算评分结果设置为低风险等级、中风险等级、较高风险等级、高风险等级或者极高风险等级。
较佳地，所述的步骤(3)具体为：
根据n天内平均每天新增住院人数以及n天内平均每天新增icu人数计算出该区域的感染严重程度等级SI，所述的感染严重程度等级SI根据以下公式进行计算：
其中，ph为平均每天新增住院人数，ph_icu为平均每天新增ICU人数,为每10万人n天内平均每天新增住院人数，/>为每10万人n天内平均每天新增icu人数。
较佳地，所述的感染严重程度等级SI根据所述的n天内平均每天新增住院人数以及n天内平均每天新增icu人数/>两者的计算评分结果设置为低风险等级、中风险等级、较高风险等级、高风险等级或者极高风险等级。
较佳地，所述的步骤(4)具体为：
将所述的风险等级数值RRL、医院救治能力等级HS以及感染严重程度等级SI通过分配三者的权重，计算出该地区最终的风险等级，所述的最终风险等级根据以下公式进行计算：
风险等级＝γ0×RRL+γ1×SI+γ2×HS；
其中，γ0+γ1+γ2＝1，γ0为该地区风险等级权重，γ1为该地区救治能力权重，γ2为该地区确诊人员感染严重等级权重。
尤佳地，所述的系统预设的天数n为7天。
该用于针对区域疫情风险实现量化分级评估检测的装置，其主要特点是，所述的装置包括：
处理器，被配置成执行计算机可执行指令；
存储器，存储一个或多个计算机可执行指令，所述计算机可执行指令被所述处理器执行时，实现上述基于计算机软件针对区域疫情风险实现量化分级评估检测的方法的各个步骤。
该用于针对区域疫情风险实现量化分级评估检测的处理器，其主要特点是，所述的处理器被配置成执行计算机可执行指令，所述的计算机可执行指令被所述的处理器执行时，实现上述基于计算机软件针对区域疫情风险实现量化分级评估检测的方法的各个步骤。
该计算机可读存储介质，其主要特点是，其上存储有计算机程序，所述的计算机程序可被处理器执行以实现上述基于计算机软件针对区域疫情风险实现量化分级评估检测的方法的各个步骤。
采用了本发明的基于计算机软件针对区域疫情风险实现量化分级评估检测的方法、装置、处理器及其计算机可读存储介质，基于多源数据汇聚和分析研判，计算出相关地区的风险等级数值、医院救治能力以及人员感染严重程度，从而综合评估某个地区当前的疫情爆发风险情况，与现有技术相比更侧重于当前实际的实时疫情情况，并且通过将多方面的计算数值加权计算后可得到更可信的计算结果，同时，在数据获取方面更简单，在模型训练上几乎没有成本，可更直接明了的清楚某一地区的实际的疫情风险情况，具有较高的准确性和实用性。
附图说明
图1为本发明的基于计算机软件针对区域疫情风险实现量化分级评估检测的方法的流程图。
具体实施方式
为了能够更清楚地描述本发明的技术内容，下面结合具体实施例来进行进一步的描述。
在详细说明根据本发明的实施例前，应该注意到的是，在下文中，术语“包括”、“包含”或任何其他变体旨在涵盖非排他性的包含，由此使得包括一系列要素的过程、方法、物品或者设备不仅包含这些要素，而且还包含没有明确列出的其他要素，或者为这种过程、方法、物品或者设备所固有的要素。
请参阅图1所示，该基于计算机软件针对区域疫情风险实现量化分级评估检测的方法，其中，所述的方法包括以下步骤：
(1)根据不同区域的实际特点，确定某一具体时间范围内该区域的风险等级数值RRL；
(2)根据该区域内各个医院的实际运作饱和状态，计算该区域针对疫情风险的医院救治能力等级HS；
(3)根据该区域各个医院的救治能力情况，计算该区域确诊人员的感染严重程度等级SI；
(4)根据上述各个等级数值确定该区域最终的风险等级，从而完成该区域风险量化分级评估。
作为本发明的优选实施方式，所述的步骤(1)具体包括以下步骤：
(1.1)计算该区域每10万人在系统预设的n天内平均新增感染人数Pi，所述的n天内平均新增感染人数Pi，根据以下公式进行计算：
其中，系统预设的天数n为7至14天；
(1.2)计算该区域n天内平均检测人数呈阳性占比ptd，所述的n天内检测人数呈阳性占比ptd，根据以下公式进行计算：
其中，Ppos为n天内平均每天检测出阳性患者的总数，Pall_test为n天内平均每天的检测总量；
(1.3)根据该区域疾控中心提供的基本传播系数确定所述区域的基本传播等级R0′；
(1.4)根据上述各个步骤所得到的变量参数计算该区域的风险等级数值RRL，所述的风险等级数值RRL根据以下公式进行计算：
RRL＝β0×Pi+β1×ptd+β2×R′0；
其中，β0+β1+β2＝1，β0为该区域每10万人在系统预设的n天内平均新增感染人数所占权重，β1为该区域n天内平均检测人数呈阳性占比所占权重，β2为该区域内的基本传播系数所占权重。
作为本发明的优选实施方式，所述的风险等级数值RRL根据所述的n天内平均新增感染人数Pi，n天内检测人数呈阳性占比ptd以及基本传播等级R0′三者的计算评分结果设置为低风险等级、中风险等级、较高风险等级、高风险等级或者极高风险等级。
作为本发明的优选实施方式，所述的步骤(2)具体为：
计算该区域内各个医院n天内平均住院空病床率以及n天内平均icu空床率从而确定该区域相关医院救治能力等级HS，所述的医院救治能力等级HS根据以下公式进行计算：
其中，bi为n天内平均空床数；ball为n天内平均床位总数；bicu为n天内平均icu空床数；bicu_all为n天内平均icu床位总数。
作为本发明的优选实施方式，所述的医院救治能力等级HS根据所述的n天内平均住院空病床率以及n天内平均icu空床率/>两者的计算评分结果设置为低风险等级、中风险等级、较高风险等级、高风险等级或者极高风险等级。
作为本发明的优选实施方式，所述的步骤(3)具体为：
根据n天内平均每天新增住院人数以及n天内平均每天新增icu人数计算出该区域的感染严重程度等级SI，所述的感染严重程度等级SI根据以下公式进行计算：
其中，ph为平均每天新增住院人数，ph_icu为平均每天新增icu人数,为每10万人n天内平均每天新增住院人数，/>为每10万人n天内平均每天新增icu人数。
作为本发明的优选实施方式，所述的感染严重程度等级SI根据所述的n天内平均每天新增住院人数以及n天内平均每天新增icu人数/>两者的计算评分结果设置为低风险等级、中风险等级、较高风险等级、高风险等级或者极高风险等级。
作为本发明的优选实施方式，所述的步骤(4)具体为：
将所述的风险等级数值RRL、医院救治能力等级HS以及感染严重程度等级SI通过分配三者的权重，计算出该地区最终的风险等级，所述的最终风险等级根据以下公式进行计算：
风险等级＝γ0×RRL+γ1×SI+γ2×HS；
其中，γ0+γ1+γ2＝1，γ0为该地区风险等级权重，γ1为该地区救治能力权重，γ2为该地区确诊人员感染严重等级权重。
作为本发明的优选实施方式，所述的系统预设的天数n为7天。
该用于针对区域疫情风险实现量化分级评估检测的装置，其中，所述的装置包括：
处理器，被配置成执行计算机可执行指令；
存储器，存储一个或多个计算机可执行指令，所述计算机可执行指令被所述处理器执行时，实现上述基于计算机软件针对区域疫情风险实现量化分级评估检测的方法的各个步骤。
该用于针对区域疫情风险实现量化分级评估检测的处理器，其中，处理器被配置成执行计算机可执行指令，所述的计算机可执行指令被所述的处理器执行时，实现上述基于计算机软件针对区域疫情风险实现量化分级评估检测的方法的各个步骤。
该计算机可读存储介质，其中，其上存储有计算机程序，所述的计算机程序可被处理器执行以实现上述基于计算机软件针对区域疫情风险实现量化分级评估检测的方法的各个步骤。
在本发明的一具体实施方式中，基本传播数一般由疾控中心提供，如在本次疫情中，基本传播数的数值大约在2.9～3.8之间，具体数值根据地区不同会有稍许不同，查阅下方的3个表格可以得出每个变量相应的得分。随后根据地区之间不同的特性分配三个变量之间的权重，分别记为β0,β1,β2，若某地区的人口密度非常高，对于同样的感染人数，在该地区的检测数量就会大幅上升，此时就可以适当降低检测阳性占比的权重。
本技术方案所涉及的各项相关变量的具体含义如下：
1)病毒传播风险数值RRL
·每10万人7天内平均新增人数Pi(New Case per 100k)：新增感染人数/100000；
·7天内平均检测阳性占比ptd(Positive Test per Day)：检测出阳性的数量/检测总量；
·基本传播等级R0′:在没有外力介入的情况下，一个被感染者，会把疾病传染给其他多少个人的平均数。将数值分在5个区间得到R0′；
本技术方案所述的风险等级数值RRL各项参数具体的量化等级见下表1所示：
表1
其中，检测阳性占比，是反映某一地区检测普及程度的指标。通常情况下，最完美的情况是对区域内所有人进行检测，但考虑到人力成本这显然不可能。因此这个指标下，如果一区域内阳性检测率很高，在不可能全员检测的情况下，则说明该地区的检测力度不够，我们并没有找到所有的病毒携带者。如果一区域内的阳性检测率较低，则说明我们检测的不仅仅是最有病的人，同时更可能覆盖到潜伏期患者；
而基本传播等级这个值直接可以表示流行病的传染能力(在所有人免疫力相同的且都是平均水平的时候，一个感染到某种传染病的人，会把疾病传染给其他多少个人的平均数)，数字越大代表流行病越难控制；
通过调整上述三个变量之间权重的重要程度，从而能够得到最终的风险等级数值RRL，比如某个地区有足够能力进行全员检测，那阳性检测率的权重就可以调整的很低，因为检测结果有足够让人信服的能力；反之，如果该地区只有能力对少部分人检测，或者检测目标过于针对某一部分认清，那此时检测率将明显偏大，则需要调大它的权重。
2)医院救治能力HS
·7日内平均住院空病床率医院空床数/医院病床总数
·7日内平均ICU空床率医院ICU病房空床数/医院ICU病床总数
将上述两个参数变量结合后可得到医院救治能力得分情况，详见下表2所示：
表2
医院救治能力HS该变量分别针对两方面，普通患者和危重患者，医院救治能力的数值可以直接反映该地区医疗负担情况，很容易理解同样每天新增10000病例对不同城市所造成的影响是不同的。特别是在疫情暴发初期，过低的医院空床率会导致医院瘫痪导致无法对需要救治的病人实施治疗。
3)感染的严重程度SI
·每10万人7天内平均新增住院人数新增住院人数/100000
·每10万人7天内平均新增ICU人数新增ICU人数/100000
将上述两个参数变量结合后可得到病毒感染严重程度得分情况，详见下表3所示：
表3
如果把传染病得病过程分为感染，治疗，死亡/康复这三个步骤，感染严重程度主要是通过治疗阶段的量化计算来判定感染严重程度。显然在一定人数内(这里取了10万)，每天因这个疾病住院或者进icu的人越多，就说明这个疾病的严重程度越高；反之如果症状足够普通，则更多的人可以在家自然康复。
在本发明的一具体实施方式中，将所述的风险等级数值RRL、医院救治能力等级HS以及感染严重程度等级SI通过分配三者的权重，加权求和并根据下列公式决定该区域的最终风险等级：
S＝γ0RRL+γ1SI+γ2HS
其中，γ0+γ1+γ2＝1
综上，本技术方案在实际的风险等级评估过程所涉及的结果输出值包括：
·区域风险等级数值RRL(Regional Risk Level)：RRL∈[1,5]
·医院救治能力等级HS(Hospital Capacity):HS∈[0,1]
·感染严重程度SI(Severity of Infection)：SI∈R
·风险等级：一共分为五类，分别为低风险，中风险，较高风险，高风险和极高风险。
本技术方案在实际评估过程中，还涉及一种密切接触者追踪能力，该值的含义是指该区域是否有足够的资源与人员可以调查每个感染这的行动轨迹和接触人员。根据不同区域的人员密度，工作人员多少等因素可以生成一个具体的数值，这个数值代表了一周内需要追踪的密接人数总数，每周根据实际变化更新这个数值。比较该数值与实际可以寻找到的密接人数可以判断该地区在流行病调查方面的资源是否充足。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行装置执行的软件或固件来实现。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成的，程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。
在本说明书的描述中，参考术语“一实施例”、“一些实施例”、“示例”、“具体示例”、或“实施例”、“实施方式”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
采用了本发明的基于计算机软件针对区域疫情风险实现量化分级评估检测的方法、装置、处理器及其计算机可读存储介质，基于多源数据汇聚和分析研判，计算出相关地区的风险等级数值、医院救治能力以及人员感染严重程度，从而综合评估某个地区当前的疫情爆发风险情况，与现有技术相比更侧重于当前实际的实时疫情情况，并且通过将多方面的计算数值加权计算后可得到更可信的计算结果，同时，在数据获取方面更简单，在模型训练上几乎没有成本，可更直接明了的清楚某一地区的实际的疫情风险情况，具有较高的准确性和实用性。
在此说明书中，本发明已参照其特定的实施例作了描述。但是，很显然仍可以作出各种修改和变换而不背离本发明的精神和范围。因此，说明书和附图应被认为是说明性的而非限制性的。

Claims (8)

1.一种基于计算机软件针对区域疫情风险实现量化分级评估检测的方法，其特征在于，所述的方法包括以下步骤：
(1)根据不同区域的实际特点，确定某一具体时间范围内该区域的风险等级数值RRL；
(2)根据该区域内各个医院的实际运作饱和状态，计算该区域针对疫情风险的医院救治能力等级HS；
(3)根据该区域各个医院的救治能力情况，计算该区域确诊人员的感染严重程度等级SI；
(4)根据上述各个等级数值确定该区域最终的风险等级，从而完成该区域风险量化分级评估；
所述的步骤(1)具体包括以下步骤：
(1.1)计算该区域每10万人在系统预设的n天内平均新增感染人数Pi，所述的n天内平均新增感染人数Pi，根据以下公式进行计算：
其中，系统预设的天数n为7至14天；
(1.2)计算该区域n天内平均检测人数呈阳性占比ptd，所述的n天内检测人数呈阳性占比ptd，根据以下公式进行计算：
其中，Ppos为n天内平均每天检测出阳性患者的总数，Pall_test为n天内平均每天的检测总量；
(1.3)根据该区域疾控中心提供的基本传播系数确定所述区域的基本传播等级R0′；
(1.4)根据上述各个步骤所得到的变量参数计算该区域的风险等级数值RRL，所述的风险等级数值RRL根据以下公式进行计算：
RRL＝β0×Pi+β1×ptd+β2×R′0；
其中，β0+β1+β2＝1，β0为该区域每10万人在系统预设的n天内平均新增感染人数所占权重，β1为该区域n天内平均检测人数呈阳性占比所占权重，β2为该区域内的基本传播系数所占权重；
所述的步骤(2)具体为：
计算该区域内各个医院n天内平均住院空病床率以及n天内平均icu空床率从而确定该区域相关医院救治能力等级HS，所述的医院救治能力等级HS根据以下公式进行计算：
其中，bi为n天内平均空床数；ball为n天内平均床位总数；bicu为n天内平均icu空床数；bicu_all为n天内平均icu床位总数；
所述的步骤(3)具体为：
根据n天内平均每天新增住院人数以及n天内平均每天新增icu人数计算出该区域的感染严重程度等级SI，所述的感染严重程度等级SI根据以下公式进行计算：
其中，ph为平均每天新增住院人数，ph_icu为平均每天新增icu人数,为每10万人n天内平均每天新增住院人数，/>为每10万人n天内平均每天新增icu人数；
所述的步骤(4)具体为：
将所述的风险等级数值RRL、医院救治能力等级HS以及感染严重程度等级SI通过分配三者的权重，计算出该区域最终的风险等级，所述的最终风险等级根据以下公式进行计算：
风险等级＝γ0×RRL+γ1×SI+γ2×HS；
其中，γ0+γ1+γ2＝1，γ0为该区域风险等级权重，γ1为该区域救治能力权重，γ2为该区域确诊人员感染严重等级权重。
2.根据权利要求1所述的基于计算机软件针对区域疫情风险实现量化分级评估检测的方法，其特征在于，所述的风险等级数值RRL根据所述的n天内平均新增感染人数Pi，n天内检测人数呈阳性占比ptd以及基本传播等级R0′三者的计算评分结果设置为低风险等级、中风险等级、较高风险等级、高风险等级或者极高风险等级。
3.根据权利要求1所述的基于计算机软件针对区域疫情风险实现量化分级评估检测的方法，其特征在于，所述的医院救治能力等级HS根据所述的n天内平均住院空病床率以及n天内平均icu空床率/>两者的计算评分结果设置为低风险等级、中风险等级、较高风险等级、高风险等级或者极高风险等级。
4.根据权利要求1所述的基于计算机软件针对区域疫情风险实现量化分级评估检测的方法，其特征在于，所述的感染严重程度等级SI根据所述的n天内平均每天新增住院人数以及n天内平均每天新增icu人数/>两者的计算评分结果设置为低风险等级、中风险等级、较高风险等级、高风险等级或者极高风险等级。
5.根据权利要求1所述的基于计算机软件针对区域疫情风险实现量化分级评估检测的方法，其特征在于，所述的系统预设的天数n为7天。
6.一种用于针对区域疫情风险实现量化分级评估检测的装置，其特征在于，所述的装置包括：
处理器，被配置成执行计算机可执行指令；
存储器，存储一个或多个计算机可执行指令，所述计算机可执行指令被所述处理器执行时，实现权利要求1至4中任一项所述的基于计算机软件针对区域疫情风险实现量化分级评估检测的方法的各个步骤。
7.一种用于针对区域疫情风险实现量化分级评估检测的处理器，其特征在于，所述的处理器被配置成执行计算机可执行指令，所述的计算机可执行指令被所述的处理器执行时，实现权利要求1至4中任一项所述的基于计算机软件针对区域疫情风险实现量化分级评估检测的方法的各个步骤。
8.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，所述的计算机程序可被处理器执行以实现权利要求1至4中任一项所述的基于计算机软件针对区域疫情风险实现量化分级评估检测的方法的各个步骤。
CN202110215671.XA 2021-02-26 2021-02-26 针对区域疫情风险实现量化分级评估检测的方法、装置、处理器及其计算机可读存储介质 Active CN113192644B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110215671.XA CN113192644B (zh) 2021-02-26 2021-02-26 针对区域疫情风险实现量化分级评估检测的方法、装置、处理器及其计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110215671.XA CN113192644B (zh) 2021-02-26 2021-02-26 针对区域疫情风险实现量化分级评估检测的方法、装置、处理器及其计算机可读存储介质

Publications (2)

Publication Number Publication Date
CN113192644A CN113192644A (zh) 2021-07-30
CN113192644B true CN113192644B (zh) 2024-05-24

Family

ID=76973045

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110215671.XA Active CN113192644B (zh) 2021-02-26 2021-02-26 针对区域疫情风险实现量化分级评估检测的方法、装置、处理器及其计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN113192644B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115132371A (zh) * 2022-08-31 2022-09-30 深圳市海清视讯科技有限公司 疫情防控区域确定方法、装置、服务器及存储介质
CN117594248B (zh) * 2023-12-02 2024-06-14 北京中数睿智科技有限公司 一种适用于多方联控的大数据处理方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109636172A (zh) * 2018-12-06 2019-04-16 南开大学 基于风险场的区域环境风险评价与区划方法
CN111462918A (zh) * 2020-03-29 2020-07-28 北京天仪百康科贸有限公司 一种基于区块链的疫情监控方法及系统
CN111489831A (zh) * 2020-04-10 2020-08-04 智慧足迹数据科技有限公司 公共卫生事件风险评估方法及装置
CN111768873A (zh) * 2020-06-03 2020-10-13 中国地质大学（武汉） 一种covid-19实时风险预测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109636172A (zh) * 2018-12-06 2019-04-16 南开大学 基于风险场的区域环境风险评价与区划方法
CN111462918A (zh) * 2020-03-29 2020-07-28 北京天仪百康科贸有限公司 一种基于区块链的疫情监控方法及系统
CN111489831A (zh) * 2020-04-10 2020-08-04 智慧足迹数据科技有限公司 公共卫生事件风险评估方法及装置
CN111768873A (zh) * 2020-06-03 2020-10-13 中国地质大学（武汉） 一种covid-19实时风险预测方法

Also Published As

Publication number Publication date
CN113192644A (zh) 2021-07-30

Similar Documents

Publication Publication Date Title
Covid et al. Modeling COVID-19 scenarios for the United States
Coccia Sources, diffusion and prediction in COVID-19 pandemic: lessons learned to face next health emergency
Albahri et al. Detection-based prioritisation: Framework of multi-laboratory characteristics for asymptomatic COVID-19 carriers based on integrated Entropy–TOPSIS methods
Lauer et al. The incubation period of coronavirus disease 2019 (COVID-19) from publicly reported confirmed cases: estimation and application
CN113192644B (zh) 针对区域疫情风险实现量化分级评估检测的方法、装置、处理器及其计算机可读存储介质
McCloskey et al. Effects of New Zealand's health reengineering on nursing and patient outcomes
Kwan et al. Comparison of enzootic risk measures for predicting West Nile disease, Los Angeles, California, USA, 2004–2010
Polinder et al. Measuring the population burden of fatal and nonfatal injury
Du et al. The role of hazard vulnerability assessments in disaster preparedness and prevention in China
Mazumder et al. SARS-CoV-2 epidemic in India: epidemiological features and in silico analysis of the effect of interventions
Manusubroto et al. Neurosurgery services in Dr. Sardjito General Hospital, Yogyakarta, Indonesia, during the COVID-19 pandemic: experience from a developing country
CN112365997A (zh) 用于流行病预警和防控的新策略
Zhang et al. Evaluation of China's public health system response to COVID-19
Buheji et al. Designing intelligent system for stratification of covid-19 asymptomatic patients
Huy et al. Development of clinical decision rules to predict recurrent shock in dengue
Harrigan et al. Clinical severity of Omicron SARS-CoV-2 variant relative to Delta in British Columbia, Canada: a retrospective analysis of whole genome sequenced cases
Adegboye et al. Network Analysis of MERS Coronavirus within Households, Communities, and Hospitals to Identify Most Centralized and Super‐Spreading in the Arabian Peninsula, 2012 to 2016
Yue et al. A new approach to modeling the fade-out threshold of coronavirus disease
Ankuda et al. Assessing health care use trajectories after the onset of functional disability: Application of a group-based trajectory model
Knight et al. Acute care models for older people living with frailty: a systematic review and taxonomy
Musa et al. COVID-19 in the Federation of Bosnia and Herzegovina: Strengthening the public health surveillance using a web-based system to inform public health response, March 2020–March 2022
Grover et al. Estimation of quality adjusted life year (QALY) for different states of india during COVID-19
Monahan Computer-assisted violence risk assessment among people with mental disorder
Galloway et al. Rheumatic fever in New Zealand: annual report July 2014 to June 2015
Al Nasar et al. Detection of Dengue Disease Empowered with Fused Machine Learning

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
TA01 Transfer of patent application right

Effective date of registration: 20211008

Address after: 200336 No. 1380 West Zhongshan Road, Shanghai, Changning District

Applicant after: SHANGHAI MUNICIPAL CENTER FOR DISEASE CONTROL & PREVENTION

Applicant after: SHANGHAI INSTITUTE OF PREVENTIVE MEDICINE

Applicant after: Shanghai Health Committee

Applicant after: WONDERS INFORMATION Co.,Ltd.

Address before: 200336 No. 1380 West Zhongshan Road, Shanghai, Changning District

Applicant before: SHANGHAI MUNICIPAL CENTER FOR DISEASE CONTROL & PREVENTION

Applicant before: Shanghai Health Committee

Applicant before: WONDERS INFORMATION Co.,Ltd.

TA01 Transfer of patent application right
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 40046891

Country of ref document: HK

GR01 Patent grant
GR01 Patent grant