CN113488193A - 预测传染病流行趋势的方法及装置、存储介质、电子设备 - Google Patents
预测传染病流行趋势的方法及装置、存储介质、电子设备 Download PDFInfo
- Publication number
- CN113488193A CN113488193A CN202110968264.6A CN202110968264A CN113488193A CN 113488193 A CN113488193 A CN 113488193A CN 202110968264 A CN202110968264 A CN 202110968264A CN 113488193 A CN113488193 A CN 113488193A
- Authority
- CN
- China
- Prior art keywords
- region
- relationship
- population
- area
- infection
- 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
- 208000035473 Communicable disease Diseases 0.000 title claims abstract description 208
- 238000000034 method Methods 0.000 title claims abstract description 53
- 208000015181 infectious disease Diseases 0.000 claims abstract description 294
- 201000010099 disease Diseases 0.000 claims abstract description 159
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 159
- 238000006243 chemical reaction Methods 0.000 claims abstract description 127
- 230000034994 death Effects 0.000 claims abstract description 85
- 231100000517 death Toxicity 0.000 claims abstract description 85
- 238000003745 diagnosis Methods 0.000 claims abstract description 61
- 230000007704 transition Effects 0.000 claims abstract description 40
- 238000012546 transfer Methods 0.000 claims description 24
- 230000005012 migration Effects 0.000 claims description 23
- 238000013508 migration Methods 0.000 claims description 23
- 238000004364 calculation method Methods 0.000 claims description 13
- 230000009466 transformation Effects 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 9
- 208000030507 AIDS Diseases 0.000 description 7
- 230000006399 behavior Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 239000008280 blood Substances 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 230000001684 chronic effect Effects 0.000 description 2
- 238000012790 confirmation Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 208000006454 hepatitis Diseases 0.000 description 1
- 231100000283 hepatitis Toxicity 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 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
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Public Health (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Medical Informatics (AREA)
- Development Economics (AREA)
- Primary Health Care (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Operations Research (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Educational Administration (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本公开属于医疗数据处理领域,涉及一种预测传染病流行趋势的方法及装置、存储介质、电子设备。该方法包括:获取疾病状态转换数据以及第一区域和第二区域之间的人口流动数据;利用疾病状态转换关系,对疾病状态转换数据以及人口流动数据进行计算,得到预定时间内传染病的感染率以及确诊率;其中,疾病状态转换关系基于目标传染病模型确定,目标传染病模型用于指示第一区域和第二区域中不同疾病状态人群以及死亡人群的转换关系,第一区域和第二区域具有不同的疾病风险;基于感染率以及确诊率,预测传染病的流行趋势。本公开中,存在第一区域和第二区域以及人口流动数据,完善了影响传染病流行趋势的因素,增加了区域中传染病流行趋势的预测精确度。
Description
技术领域
本公开涉及医疗数据处理领域,尤其涉及一种预测传染病流行趋势的方法与预测传染病流行趋势的处理装置、计算机可读存储介质及电子设备。
背景技术
慢性传染病具有潜伏期长、潜伏期无症状以及感染后不自知等特点,致使患者在被感染后,由于没有得到及时确诊,进而继续在不同地区流动,加速了传染病的传播,为了对慢性传染病进行及时的干预和遏制,需要对不同区域传染病的流行趋势进行预测。
在相关技术中,预测出的传染病的流行趋势通常并不考虑区域人口流动的因素,也不考虑患者的自然死亡率,进而导致无法确定出针对于某一个区域的传染病流行趋势,同时确定传染病流行趋势的过程中考虑的因素不够完善,导致确定出的传染病的流行趋势并不准确。
鉴于此,本领域亟需开发一种新的预测传染病流行趋势方法及装置。
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预测传染病流行趋势的方法、预测传染病流行趋势的装置、计算机可读存储介质及电子设备,进而至少在一定程度上克服由于相关技术导致的无法确定某一个区域传染病的流行趋势的问题。
本公开的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本公开的实践而习得。
根据本发明实施例的第一个方面,提供一种预测传染病流行趋势的方法,所述方法包括:获取疾病状态转换数据以及第一区域和第二区域之间的人口流动数据;利用疾病状态转换关系,对所述疾病状态转换数据以及所述人口流动数据进行计算,得到预定时间内所述传染病的感染率以及确诊率;其中,所述疾病状态转换关系基于目标传染病模型确定,所述目标传染病模型用于指示所述第一区域和所述第二区域中不同疾病状态人群以及死亡人群的转换关系,所述第一区域和所述第二区域具有不同的疾病风险;基于所述感染率以及所述确诊率,预测所述传染病的流行趋势。
在本发明的一种示例性实施例中,所述利用疾病状态转换关系,对所述疾病状态转换数据以及所述人口流动数据进行计算,得到预定时间内所述传染病的感染率以及确诊率,包括:基于目标传染病模型,确定所述第一区域和所述第二区域中不同疾病状态人群以及死亡人群之间的微分关系;利用拟合算法,对所述疾病状态转换数据、所述人口流动数据以及所述微分关系进行计算,以估算出预定时间内所述传染病的感染率以及确诊率。
在本发明的一种示例性实施例中,所述不同疾病状态人群包括高危人群、被感染人群、被确诊人群;所述基于目标传染病模型,确定所述第一区域和所述第二区域中不同疾病状态人群以及死亡人群之间的微分关系,包括:基于目标传染病模型,创建所述第一区域中所述高危人群与所述第二区域中所述高危人群之间的区域高危转换关系,并创建所述第一区域中所述高危人群与所述第一区域中所述被感染人群之间的第一区域感染关系;基于所述目标传染病模型,创建所述第一区域中所述被感染人群与所述第二区域中所述被感染人群之间的区域感染转换关系,并创建所述第二区域中的所述高危人群与所述第二区域中的所述被感染人群之间的第二区域感染关系;基于所述目标传染病模型,创建所述第一区域中所述被感染人群与所述第二区域中所述被确诊人群之间的第一区域确诊关系,并创建所述第二区域中所述被感染人群与所述第二区域中所述被确诊人群之间的第二区域确诊关系;基于所述目标传染病模型,创建所述第一区域中所述不同疾病状态人群与所述死亡人群之间的关系,并创建所述第二区域中所述不同疾病状态人群与所述死亡人群之间的关系,以得疾病状态死亡关系;根据所述高危转换关系、所述第一区域感染关系、所述第二区域感染关系、所述区域感染转换关系、所述第一区域确诊关系、所述第二区域确诊关系以及所述疾病状态死亡关系,确定所述第一区域和所述第二区域中不同疾病状态人群以及死亡人群之间的微分关系。
在本发明的一种示例性实施例中,所述人口流动数据中包括从所述第一区域至所述第二区域的人口迁入率;所述区域高危转换关系包括第一区域高危转换关系以及第二区域高危转换关系;所述基于目标传染病模型,创建所述第一区域中所述高危人群与所述第二区域中所述高危人群之间的区域高危转换关系,包括:根据目标传染病模型以及所述人口迁入率,创建所述第一区域中所述高危人群迁移至所述第二区域的第一区域高危转换关系,并创建所述第二区域中所述高危人群迁移至所述第一区域的第二区域高危转换关系。
在本发明的一种示例性实施例中,所述基于所述目标传染病模型,创建所述第一区域中所述被感染人群与所述第二区域中所述被感染人群之间的区域感染转换关系,包括:根据所述目标传染病模型以及所述人口迁入率,创建所述第一区域中所述被感染人群迁移至所述第二区域的第一区域感染转换关系,并创建所述第二区域中的所述被感染人群迁移至所述第一区域的第二区域感染转换关系。
在本发明的一种示例性实施例中,所述根据所述高危转换关系、所述第一区域感染关系、所述第二区域感染关系、所述区域感染转换关系、所述第一区域确诊关系、所述第二区域确诊关系以及所述疾病状态死亡关系,确定所述第一区域和所述第二区域中不同疾病状态人群以及死亡人群之间的微分关系,包括:根据第一区域高危转换关系、第二区域高危转换关系、所述第一区域中所述高危人群和所述死亡人群之间的疾病状态死亡关系以及第一区域感染关系,创建针对于所述第一区域中所述高危人群的微分关系;根据所述第一区域高危转换关系、所述第二区域高危转换关系、所述第二区域中所述高危人群和所述死亡人群之间的疾病状态转换关系,创建针对于所述第二区域中所述高危人群的微分关系;根据第一区域感染关系、第一区域确诊关系、所述第一区域中所述被感染人群与所述死亡人群之间的疾病状态死亡关系、第一区感染转换关系以及第二区域感染转换关系,创建针对于所述第一区域中所述感染人群的微分关系;根据第二区域感染关系、第二区域确诊关系、所述第二区域中所述被感染人群与所述死亡人群之间的疾病状态死亡关系、所述第一区感染转换关系以及所述第二区域感染转换关系,创建针对于所述第二区域中所述感染人群的微分关系;根据所述第一区域确诊关系以及所述第一区域中所述被确诊人群与所述死亡人群之间的疾病状态死亡关系,创建针对于所述第一区域中所述被确诊人群的微分关系;根据所述第二区域确诊关系以及所述第二区域中所述被确诊人群与所述死亡人群之间的疾病状态死亡关系,创建针对于所述第二区域中所述被确诊人群的微分关系。
在本发明的一种示例性实施例中,所述基于所述感染率以及所述确诊率,预测所述传染病的流行趋势,包括:利用所述感染率以及所述确诊率,对针对于所述第一区域中所述被感染人群的微分关系、针对于所述第二区域中所述被感染人群的微分关系、针对于所述第一区域中所述被确诊人群的微分关系以及针对于所述第二区域中所述被确诊人群的微分关系进行求解,以得到所述传染病的流行变化趋势。
根据本发明实施例的第二个方面,提供一种预测传染病流行趋势的装置,所述装置包括:获取模块,被配置为获取疾病状态转换数据以及第一区域和第二区域之间的人口流动数据;计算模块,被配置为利用疾病状态转换关系,对所述疾病状态转换数据以及所述人口流动数据进行计算,得到预定时间内所述传染病的感染率以及确诊率;其中,所述疾病状态转换关系基于目标传染病模型确定,所述目标传染病模型用于指示所述第一区域和所述第二区域中不同疾病状态人群以及死亡人群的转换关系,所述第一区域和所述第二区域具有不同的疾病风险;预测模块,被配置为基于所述感染率以及所述确诊率,预测所述传染病的流行趋势。
根据本发明实施例的第三个方面,提供一种电子设备,包括:处理器和存储器;其中,存储器上存储有计算机可读指令,所述计算机可读指令被所述处理器执行时实现上述任意示例性实施例的预测传染病流行趋势的方法。
根据本发明实施例的第四个方面,提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任意示例性实施例中的预测传染病流行趋势的方法。
由上述技术方案可知,本发明示例性实施例中的预测传染病流行趋势的方法、预测传染病流行趋势的装置、计算机存储介质及电子设备至少具备以下优点和积极效果:
在本公开的示例性实施例提供的方法及装置中,一方面,将区域划分为第一区域和第二区域,并引入了人口流动数据,使得计算出的传染病流行趋势与区域相关,进而可以针对于不同的区域采取不同的传染病遏制手段,提高了传染病遏制的效率;另一方面,目标传染病模型包括死亡人群,完善了目标传染病模型的逻辑,提高了确定出的传染病流行趋势的准确度。
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示意性示出本公开实施例中预测传染病流行趋势方法的流程示意图;
图2示意性示出本公开实施例中预测传染病流行趋势方法中得到传染病感染率以及确诊率的流程示意图;
图3示意性示出本公开实施例中预测传染病流行趋势方法中确定微分关系的流程示意图;
图4示意性示出本公开实施例中预测传染病流行趋势方法中创建微分关系的流程示意图;
图5示意性示出本公开实施例中应用场景下预测传染病流行趋势方法的流程示意图;
图6示意性示出本公开实施例中一种预测传染病流行趋势装置的装置;
图7示意性示出本公开实施例中一种用于预测传染病流行趋势方法的电子设备;
图8示意性示出本公开实施例中一种用于预测传染病流行趋势方法的计算机可读存储介质。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本公开将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中,提供许多具体细节从而给出对本公开的实施方式的充分理解。然而,本领域技术人员将意识到,可以实践本公开的技术方案而省略所述特定细节中的一个或更多,或者可以采用其它的方法、组元、装置、步骤等。在其它情况下,不详细示出或描述公知技术方案以避免喧宾夺主而使得本公开的各方面变得模糊。
本说明书中使用用语“一个”、“一”、“该”和“所述”用以表示存在一个或多个要素/组成部分/等;用语“包括”和“具有”用以表示开放式的包括在内的意思并且是指除了列出的要素/组成部分/等之外还可存在另外的要素/组成部分/等;用语“第一”和“第二”等仅作为标记使用,不是对其对象的数量限制。
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。
针对相关技术中存在的问题,本公开提出了一种预测传染病流行趋势的方法。图1示出了预测传染病流行趋势的流程示意图,如图1所示,预测传染病流行趋势方法至少包括以下步骤:
步骤S110.获取疾病状态转换数据以及第一区域和第二区域之间的人口流动数据。
步骤S120.利用疾病状态转换关系,对疾病状态转换数据以及人口流动数据进行计算,得到预定时间内传染病的感染率以及确诊率;其中,疾病状态转换关系基于目标传染病模型确定,目标传染病模型用于指示第一区域和第二区域中不同疾病状态人群以及死亡人群的转换关系,第一区域和第二区域具有不同的疾病风险。
步骤S130.基于感染率以及所述确诊率,预测传染病的流行趋势。
在本公开的示例性实施例提供的方法及装置中,一方面,将区域划分为第一区域和第二区域,并引入了人口流动数据,使得计算出的传染病流行趋势与区域相关,进而可以针对于不同的区域采取不同的传染病遏制手段,提高了传染病遏制的效率;另一方面,目标传染病模型包括死亡人群,完善了目标传染病模型的逻辑,提高了确定出的传染病流行趋势的准确度。
在步骤S110中,获取疾病状态转换数据以及第一区域和第二区域之间的人口流动数据。
在本公开的示例性实施例中,疾病状态转换数据为不同疾病状态人群之间或不同疾病状态人群与死亡人群之间的转换比例。
不同疾病状态的人群包括高危人群、被感染人群以及被确诊人群,其中,高危人群指的是进行了高危行为,存在很大感染传染病风险的人群,例如,当传染病是艾滋病时,高危人群可以是进行非法血液买卖、高危性行为的人群。被感染人群指的是已经感染了传染病的人群,被确诊人群指的是被感染人群中被确诊的人群。
第一区域和第二区域是两个不同的区域,可以是省一级的区域,可以是市一级的区域,可以是县一级的区域,还可以是国家一级的区域,除此之外,第一区域和第二区域还可以是两个传染病的疾病风险(发病率或者感染率)不同的区域,并且,第一区域的疾病风险高于第二区域的疾病风险,基于此,人口流动数据包括第一区域在单位时间内向第二区域迁入的人群数量,以及/或者,人口流动数据还包括单位时间内第二区域向第一区域迁入的人群数量。
举例而言,人群被分为了高危人群、被感染人群、被确诊人群以及死亡人群,第一区域为A省,第二区域为B省,则疾病状态转换数据包括A省中上述四种人群中任意两种之间的转换数据,疾病状态数据还包括B省中上述四种人群中任意两种之间的转换数据,人口流动数据包括第一区域中高危人群以及被感染人群向第二区域迁入的数量,人口流动数据还包括第二区域中高危人群以及被感染人群向第一区域迁入的数量。
在本示例性实施例中,引入了区域之间的人口流动数据,完善了影响传染病流行趋势的因素,进而提高了预测传染病流行趋势的准确度。
在步骤S120中,利用疾病状态转换关系,对疾病状态转换数据以及人口流动数据进行计算,得到预定时间内传染病的感染率以及确诊率;其中,疾病状态转换关系基于目标传染病模型确定,目标传染病模型用于指示第一区域和第二区域中不同疾病状态人群以及死亡人群的转换关系。
在公开的示例性实施例中,传染病指的是具有潜伏期长、潜伏期无症状以及感染后不自知的特点的传染病,例如,传染病可以是艾滋病,传染病还可以是乙肝,传染病可以是任意一种具有上述特点的传染病,本示例性实施例对此不做特殊限定。
目标传染病模型是一种指示第一区域和第二区域中不同疾病状态人群以及死亡人群之间转换关系的模型,其中,不同疾病状态人群包括容易患传染病的高危人群、被感染上传染病但未确诊的被感染人群以及感染且被确诊患有传染病的被确诊人群,死亡人群即不同疾病状态人群中死亡的人群。
基于此,疾病状态转化关系包括第一区域中上述四种人群任意两种之间的转换关系,疾病状态转换关系还包括第二区域中上述四种人群任意两种之间的转换关系,疾病状态转化关系还包括第一区域和第二区域中高危人群之间的转换关系、第一区域和第二区域中被感染人群的转换以及第一区域和第二区域中被确诊人群之间的转换关系。
并且,在疾病状态转换关系中存在与疾病状态转换数据对应的参数以及与人口流动数据对应的参数,因此,将疾病状态转换数据以及人口流动数据代入疾病状态转换关系中,可以得到在预设时间内感染传染病的感染率和确诊率。
举例而言,传染病为艾滋病,利用目标传染病模型可以确定出第一区域A省中高危人群、被感染人群、被确诊人群以及死亡人群之间的疾病状态转换关系,还可以确定第二区域B省中高危人群、被感染人群、被确诊人群以及死亡人群之间的疾病状态转换关系,还可以确定出第一区域A省高危人群与第二区域B省高危人群之间的疾病状态转换关系,还可以确定第一区域A省被感染人群与第二区域B省被感染人群之间的疾病状态转换关系,还可以确定第一区域A省被确诊人群与第二区域B省被确诊人群之间的疾病状态转换关系。
基于此,将疾病状态转换数据以及人口流动数据代入疾病状态转换关系中,可以得到预定时间内艾滋病的感染率以及确诊率。
在可选的实施例中,图2示出了预测传染病流行趋势方法中得到传染病感染率以及确诊率的流程示意图,如图2所示,该方法至少包括以下步骤:在步骤S210中,基于目标传染病模型,确定第一区域和第二区域中不同疾病状态人群以及死亡人群之间的微分关系。
具体地,微分关系指的是用微分的形式描述第一区域中不同疾病状态人群以及死亡人群之间转换关系的计算公式、第二区域中不同疾病状态人群以及死亡人群之间转换关系的计算公式、第一区域和第二区域中高危人群之间的转换关系的计算公式、第一区域和第二区域中被感染人群之间转换关系的计算公式以及第一区域和第二区域中被确诊人群之间转换关系的计算公式。
举例而言,基于目标传染病模型,可以分别确定出第一区域中高危人群、被感染人群、被确诊人群以之间的微分形式的计算公式,还可以确定出第二区域中高危人群、被感染人群、被确诊人群以之间的微分形式的计算公式,还可以确定出第一区域和第二区域中高危人群之间的微分形式的计算公式,还可以确定出第一区域和第二区域中被感染人群之间的微分形式的计算公式,还可以确定出第一区域和第二区域中被确诊人群之间的微分形式的计算公式。
在步骤S220中,利用拟合算法,对疾病状态转换数据、人口流动数据以及微分关系进行计算,以估算出预定时间内传染病的感染率以及确诊率。
其中,利用拟合算法,对疾病状态转换数据、人口流动数据以及微分关系进行计算,以估算出预定时间内感染传染病的感染率以及确诊传染病的确诊率。
其中,拟合算法指的是一种把现有数据透过数学方法来代入一条数学表达式的表示方式,即根据微分关系、疾病状态转换数据以及人口流动数据,用一条数学表达式表示出感染传染病的感染率与时间之间的公式以及确诊传染病的确诊率与时间之间的公式,具体的,拟合算法可是马尔科夫链蒙特卡罗算法,也可以是其他拟合算法,本示例性实施例对此不做特殊限定。
举例而言,将每年确诊艾滋病的病例数以及接收治疗的艾滋病病例数作为拟合数据,利用马尔科夫链蒙特卡罗算法,对疾病状态转换数据、人口流动数据以及疾病状态转换关系进行计算,得到每年艾滋病的感染率以及确诊率。
在可选的实施例中,图3示出了预测传染病流行趋势方法中确定微分关系的流程示意图,如图3所示,不同疾病状态人群包括高危人群、被感染人群以及被确诊人群,该方法至少包括以下步骤:在步骤S310中,基于目标传染病模型,创建第一区域中高危人群与第二区域中高危人群之间的区域高危转换关系,并创建第一区域中高危人群与第一区域中被感染人群之间的第一区域感染关系。
其中,不同疾病状态人群包括高危人群、被感染人群以及被确诊人群,其中,高危人群指的是容易感染传染病的人群,例如对于艾滋病来说,高危人群可以是不具有资质的机构中卖血液的人群,可以是有过高危性行为的人群。被感染人群指的是已经被感染传染病但未确诊的人群,被确诊人群指的是被感染且被确诊的人群。
区域高危转换关系即第一区域中高危人群转换成第二区域中高危人群的疾病状态转换关系,第一区域感染关系指的是第一区域中高危人群转换成第二区域中被感染人群的疾病状态转换关系,值得说明的是,在被感染人群中存在已经感染传染病却不自知的人群、自己已经知道自身感染传染病的人群,在本申请中默认,自己已经知道自身感染传染病的人群不再将传染病传染于他们,而已经感染传染病却不自知的人群依然会传播传染病,基于此,被感染人群中的一部分人群是被已经感染传染病却不自知的人群所感染。
举例而言,根据目标传染病模型,创建如公式(1)所示的区域高危转换关系以及如公式(2)所示的第一区域感染关系。
S2(t)=S1(t)×α2 (1)
G1(t)=H1(t)×β1 (2)
其中,S1(t)为单位时间内第一区域中的高危人群,S2(t)为单位时间内第二区域中的高危人群,α2为第一区域高危人群与第二区域高危人群之间的转换率,G1(t)为单位时间内第一区域中被感染人群,H1(t)为单位时间内第一区域中被感染传染病却不自知的人群,β1为在第一区域中接触感染传染病却不自知的人群后被感染的比例。
在步骤S320中,基于目标传染病模型,创建第一区域中被感染人群与第二区域中被感染人群之间的区域感染转换关系,并创建第二区域中的高危人群与第二区域中的被感染人群之间的第二区域感染关系。
其中,区域感染转换关系指的是第一区域中被感染人群与第二区域中的被感染人群之间的疾病状态转换关系,第二区域感染关系指的是接触第二区域中感染传染病却不自知的人群后,转换成被感染人群的疾病状态转换关系。
举例而言,根据目标传染病模型,可以创建如公式(3)所示的区域感染转换关系以及如公式(4)所示的第二区域感染转换关系。
G1(t)=G2(t)×α2 (3)
G2(t)=H2(t)×β2 (4)
其中,G1(t)为单位时间内第一区域被感染人群,G2(t)为单位时间内第二区域被感染人群,H2(t)为单位时间内第二区域中感染传染病却不自知的人群,α2为第一区域高危人群与第二区域高危人群之间的转换率,β2为在第二区域中接触感染传染病却不自知的人群后被感染的比例。
在步骤S330中,基于目标传染病模型,创建第一区域中被感染人群与第二区域中被确诊人群之间的第一区域确诊关系,并创建第二区域中被感染人群第二区域中被确诊人群之间的第二区域确诊关系。
其中,第一区域确诊关系指的是第一区域中被感染人群转换成第一区域中被确诊人群的疾病状态转换关系,第二区域确诊关系指的是第二区域中被感染人群转换成第二区域中被确诊人群的疾病状态转换关系。
举例而言,根据目标传染病模型,可以创建如公式(5)所示的第一区域确诊关系以及如公式(6)所示的第二区域确诊关系。
A1(t)=G1(t)×m1 (5)
A2(t)=G2(t)×m2 (6)
其中,A1(t)为单位时间内第一区域被确诊人群,A2(t)为单位时间内第二区域被确诊人群,G1(t)为单位时间内第一区域中被感染人群,G2(t)为单位时间内第二区域中被感染人群,m1为第一区域被感染人群转换至第一区域被确诊人群的转换率,m2为在第二区域中被感染人群转换至第二区域被确诊人群的转换率。
在步骤S340中,基于目标传染病模型,创建第一区域中不同疾病状态人群与死亡人群之间的关系,并创建第二区域中不同疾病状态人群与死亡人群之间的关系,以得疾病状态死亡关系。
其中,疾病状态死亡关系中包括第一区域中不同疾病状态人群与死亡人群之间的关系以及第二区域中不同疾病状态人群与死亡人群之间的关系。
第一区域中不同疾病状态人群与死亡人群之间的关系具体包括第一区域中高危人群与死亡人群之间的关系、第一区域中被感染人群与死亡人群之间的关系以及第一区域中被确诊人群与死亡人群之间的关系。第二区域中不同疾病状态人群与死亡人群之间的关系具体包括第二区域中高危人群与死亡人群之间的关系、第二区域中被感染人群与死亡人群之间的关系以及第二区域中被确诊人群与死亡人群之间的关系。
举例而言,疾病状态死亡关系如公式(7)至公式(12)所示。
DS1(t)=S1(t)×μ (7)
DS2(t)=S2(t)×μ (8)
DG1(t)=G1(t)×μ (9)
DG2(t)=G2(t)×μ (10)
DA1(t)=A1(t)×e (11)
DA2(t)=A2(t)×e (12)
其中,DS1(t)为单位时间内第一区域中高危人群自然死亡的人数,DS2(t)为单位时间内第二区域中高危人群自然死亡的人数,DG1(t)为单位时间内第一区域中被感染人群自然死亡的人数,DG2(t)为单位时间内第二区域中被感染人群自然死亡的人数,DA1(t)为单位时间内第一区域中被确诊人群因为传染病而死亡的人数,DA2(t)为单位时间内第二区域中被确诊人群因为传染病而死亡的人数,μ为自然死亡率,e为被确诊人群的死亡率。
在步骤S350中,根据高危转换关系、第一区域感染关系、第二区域感染关系、区域感染转换关系、第一区域确诊关系、第二区域确诊关系以及疾病状态死亡关系,确定第一区域和第二区域中不同疾病状态人群以及死亡人群之间的微分关系。
其中,微分关系由高危转化关系、第一区域感染关系、第二区域感染关系、区域感染转换关系、第一区域确诊关系、第二区域确诊关系以及疾病状态死亡关系计算而成。
举例而言,根据公式(1)至公式(12)确定第一区域和第二区域中不同疾病状态人群以及死亡人群之间的微分关系。
在本示例性实施例中,目标传染病模型中包括了实际传染病流行过程中存在的死亡人群,完善了目标传染病模型的逻辑,进而提高了后续预测出的传染病流行趋势的准确度。
在可选的实施例中,人口流动数据中包括从第一区域至第二区域的人口迁入率;区域高危转换关系包括第一区域高危转换关系以及第二区域高危转换关系;基于目标传染病模型,创建第一区域中高危人群第二区域中高危人群之间的区域高危转换关系,包括:根据目标传染病模型以及人口迁入率,创建第一区域中高危人群迁移至第二区域的第一区域高危转换关系,并创建第二区域中高危人群迁移至第一区域的第二区域高危转换关系。
其中,人口流动数据可以描述第一区域和第二区域之间的人口流动情况,因此,人口流动数据包括第一区域至第二区域的迁入率,还包括第二区域至第一区域的迁入率。
基于此,区域高危转换关系包括第一区域高危人群转换至第二区域高危人群的转换关系以及第二区域高危人群转换至第一区域高危人群的转换关系,即包括第一区域高危转换关系以及第二区域高危转换关系。
举例而言,基于目标传染病模型,创建如公式(13)所示的第一区域高危转换关系以及如公式(14)所示的第二区域高危转换关系。
S2(t)=S1(t)×α21 (13)
S1(t)=S2(t)×α22 (14)
其中,S1(t)为单位时间内第一区域中的高危人群,S2(t)为单位时间内第二区域中的高危人群,α21为第一区域高危人群迁入第二区域的迁入率,α22为第二区域高危人群迁入第一区域的迁入率。
在本示例性实施例中,充分考虑到第一区域高危人群迁入第二区域的情况以及第二区域高危任务迁入第一区域的情况,完善了区域高危转换关系,进而提高了后续预测传染病流行趋势的准确度。
在可选的实施例中,基于目标传染病模型,创建第一区域中被感染人群与第二区域中被感染人群之间的区域感染转换关系,包括:根据目标传染病模型以及人口迁入率,创建第一区域中被感染人群迁移至第二区域的第一区域感染转换关系,并创建第二区域中的被感染人群迁移至第一区域的第二区域感染转换关系。
其中,在被感染人群中也存在第一区域向第二区域迁移的情况,因此,根据目标传染病模型,可以创建第一区域至第二区域的第一区域感染转换关系以及第二区域至第一区域的第二区域感染转换关系。
举例而言,根据目标传染病模型,可以创建如公式(14)所示的第一区域感染转换关系以及如公式(15)所示的第二区域感染转换关系。
G2(t)=G1(t)×α21 (13)
G1(t)=G2(t)×α22 (14)
其中,G1(t)为单位时间内第一区域中的被感染人群,G2(t)为单位时间内第二区域中的被感染人群,α21为第一区域被感染人群迁入第二区域的迁入率,α22为第二区域被感染人群迁入第一区域的迁入率。
在本示例性实施例中,充分考虑到第一区域被感染人群迁入第二区域的情况以及第二区域被感染人群迁入第一区域的情况,完善了区域感染转换关系,进而提高了后续预测传染病流行趋势的准确度
在可选的实施例中,图4示出了预测传染病流行趋势方法中创建微分关系的流程示意图,如图4所示,该方法至少包括以下步骤:在步骤S410中,根据第一区域高危转换关系、第二区域高危转换关系、第一区域中高危人群和死亡人群之间的疾病状态死亡关系以及第一区域感染关系,创建针对于第一区域中高危人群的微分关系。
其中,对于第一区域的高危人群来说,有发生了高危行为转换为高危人群的,有从第一区域高危人群转换为第一区域被感染人群的,有从第一区域高危人群转换为第二区域高危人群的,有从第一区域高危人群转换为死亡人群的,因此,根据第一区域感染关系、第二区域感染关系、第一区域中高危人群与死亡人群之间的疾病状态死亡关系以及第一区域感染关系,可以创建出针对于第一区域中高危人群的微分关系。
举例而言,根据如公式(3)所示的第一区域感染关系、如公式(7)所示的第一区域中高危人群与死亡人群之间的疾病状态死亡关系以及如公式(2)所示的第一区域感染关系,可以得到如公式(15)所示的针对于第一区域中高危人群的微分关系。
其中,S1(t)为单位时间内第一区域高危人群,S2(t)为单位时间内第二区域高危人群,H1(t)为单位时间内第一区域中感染却不自知人群,z1为单位时间内新增的高危人群,α21为第一区域高危人群迁入第二区域的迁入率,α22为第二区域高危人群迁入第一区域的迁入率,β1为在第一区域中接触被感染却不自知的人群后被感染的比例,μ为自然死亡率。
在步骤S420中,根据第一区域高危转换关系、第二区域高危转换关系、第二区域中高危人群和死亡人群之间的疾病状态转换关系,创建针对于第二区域中高危人群的微分关系。
其中,针对于第二区域中高危人群,有从第一区域高危人群转换而来的,有从第二区域高危人群转换为死亡人群的,有第二区域中发生高危行为后转换成高危人群的,有从第二区域高危人群转换为第一区域高危人群的,因此,根据第一区域转换高危转换关系、第二区域中高危人群和死亡人群之间的疾病状态转换关系以及第二区域高危转换关系,可以创建针对于第二区域高危人群的微分关系。
举例而言,根据如公式(13)所示的第一区域高危转换关系、如公式(14)所示的第二区域高危转换关系以及公式(8)所示的第二区域中高危人群和死亡人群之间的疾病状态转换关系,可以得到如公式(16)所示的针对于第二区域高危人群的微分关系。
其中,S1(t)为单位时间内第一区域高危人群,S2(t)为单位时间内第二区域高危人群,H2(t)为单位时间内第二区域中感染却不自知人群,z2为单位时间内第二区域新增的高危人群,α21为第一区域高危人群迁入第二区域的迁入率,α22为第二区域高危人群迁入第一区域的迁入率,β2为在第二区域中接触感染传染病却不自知的人群后被感染的比例,μ为自然死亡率。
在步骤S430中,根据第一区域感染关系、第一区域确诊关系、第一区域中被感染人群与死亡人群之间的疾病状态死亡关系、第一区感染转换关系以及第二区域感染转换关系,创建针对于第一区域中被感染人群的微分关系。
其中,针对于第一区域中被感染人群,有从第一区域高危人群转换而来的,有从第一区域被感染人群转换成死亡人群的,有从第一区域被感染人群转换至第二区域被感染人群的,有从第二区域被感染人群转换成第一区域被感染人群的,因此,根据第一区域感染关系、第一区域中被感染人群与死亡人群之间的疾病状态死亡关系、第一区域感染转换关系以及第二区域感染转换关系,可以得到针对于第一区域被感染人群的微分关系。
举例而言,根据如公式(3)所示的第一区域感染关系、如公式(9)所示的第一区域中被感染人群与死亡人群之间的疾病状态死亡关系、如公式(3)所示的第一区域感染转换关系以及如公式(4)所示的第二区域感染转换关系,可以得到如公式(17)所示的针对于第一区域被感染人群的微分关系。
其中,G1(t)为单位时间内第一区域中的被感染人群,G2(t)为单位时间内第二区域中的被感染人群,α21为第一区域被感染人群迁入第二区域的迁入率,α22为第二区域被感染人群迁入第一区域的迁入率,μ为自然死亡率,m1为第一区域被感染人群转换至第一区域被确诊人群的转换率。
在步骤S440中,根据第二区域感染关系、第二区域确诊关系、第二区域中被感染人群与死亡人群之间的疾病状态死亡关系、第一区感染转换关系以及第二区域感染转换关系,创建针对于第二区域中被感染人群的微分关系。
其中,针对于第二区域中被感染人群,有从第二区域高危人群转换而来的,有从第二区域被感染人群转换成死亡人群的,有从第一区域被感染人群转换至第二区域被感染人群的,有从第二区域被感染人群转换成第一区域被感染人群的,因此,根据第二区域感染关系、第二区域中被感染人群与死亡人群之间的疾病状态死亡关系、第一区域感染转换关系以及第二区域感染转换关系,可以得到针对于第二区域被感染人群的微分关系。
举例而言,根据如公式(4)所示的第一区域感染关系、如公式(10)所示的第一区域中被感染人群与死亡人群之间的疾病状态死亡关系、如公式(3)所示的第一区域感染转换关系以及如公式(4)所示的第二区域感染转换关系,可以得到如公式(18)所示的针对于第一区域被感染人群的微分关系。
其中,G1(t)为单位时间内第一区域中的被感染人群,G2(t)为单位时间内第二区域中的被感染人群,α21为第一区域被感染人群迁入第二区域的迁入率,α22为第二区域被感染人群迁入第一区域的迁入率,μ为自然死亡率,m2为第二区域被感染人群转换至第一区域被确诊人群的转换率。
在步骤S450中,根据第一区域确诊关系以及第一区域中被确诊人群与死亡人群之间的疾病状态死亡关系,创建针对于第一区域中被确诊人群的微分关系。
其中,针对于第一区域被确诊人群,有从第一区域被感染人群中转换而来的,有从第一区域被感染人群转换至死亡人群的,基于此,根据第一区域确诊关系以及第一区域中被确诊人群与死亡人群之间的疾病状态死亡关系,可以创建出针对于第一区域中被确诊人群的微分关系。
举例而言,根据如公式(5)第一区域确诊关系以及公式(11)所示的第一区域中被确诊人群与死亡人群之间的关系,可以创建出如公式(19)所示的针对于第一区域中被确诊人群的微分关系。
其中,A1(t)为第一区域中被确诊人群,G1(t)为第一区域中被感染人群,m1为第一区域被感染人群转换至第一区域被确诊人群的转换率,e为被确诊人群的死亡率。
在步骤S460中,根据第二区域确诊关系以及第二区域中被确诊人群与死亡人群之间的疾病状态死亡关系,创建针对于第二区域中被确诊人群的微分关系。
其中,针对于第二区域被确诊人群,有从第二区域被感染人群中转换而来的,有从第二区域被感染人群转换至死亡人群的,基于此,根据第二区域确诊关系以及第二区域中被确诊人群与死亡人群之间的疾病状态死亡关系,可以创建出针对于第二区域中被确诊人群的微分关系。
举例而言,根据如公式(6)第二区域确诊关系以及公式(12)所示的第二区域中被确诊人群与死亡人群之间的关系,可以创建出如公式(20)所示的针对于第一区域中被确诊人群的微分关系。
其中,A2(t)为第二区域中被确诊人群,G2(t)为第二区域中被感染人群,m2为第二区域被感染人群转换至第二区域被确诊人群的转换率,e为被确诊人群的死亡率。
值得说明的是,若第一区域被感染人群转换至第二区域被确诊人群的转换率为m1,第一区域被感染人群转换这第二区域被确诊人群的转换率为m2,m1可以与m2相等,m1也可以与m2不相等。
举例而言,若第一区域被感人群转换至第二区域被确诊人群的转换率为m1与第一区域被感染人群转换这第二区域被确诊人群的转换率为m2相等,则根据如公式(6)第二区域确诊关系以及公式(12)所示的第二区域中被确诊人群与死亡人群之间的关系,可以创建出的公式(20)中的m2等于m1。
在本示例性实施例中,基于目标传染病模型,建立起不同地区不同疾病状态人群以及死亡人群之间的微分关系,完善了目标传染病模型的逻辑,为后续预测传染病流行趋势奠定了基础。
在步骤S130中,基于感染率以及所述确诊率,预测传染病的流行趋势。
在公开的示例性实施例中,传染病的感染率指的是在预设时间内感染传染病的比例,对应的,确诊率指的是在预设时间内确诊传染病的比例。
基于感染率与时间的关系以及确诊率与时间的关系,可以分析出传染病的流行趋势,具体地,可以根据第一区域高危人群的初始值、第二区域高危人群的初始值、第一区域被感染人群的初始值、第二区域被感染人群的初始值、第一区域被确诊人群的初始值以及第二区域被确诊人群的初始值,得到传染病被感染者或传染病被确诊人群随着时间增长的数目,进一步地,若感染率持续上升,但确诊率并没有明显上升,即传染病被感染人群的数量随着时间上升,但是传染病被确诊人群的数量随着时间趋于平稳,可以预测出传染病流行的可能性增大,若感染率下降并且确诊率提高,即传染病被感染人群的数量随着时间下降,但是传染病被确诊人群的数量随着时间提高,可以预测出传染病得到了有效控制,流行的可能性较低。
在可选的实施例中,基于感染率以及确诊率,预测传染病的流行趋势,包括:利用感染率以及确诊率,对针对于第一区域中被感染人群的微分关系、针对于第二区域中被感染人群的微分关系、针对于第一区域中被确诊人群的微分关系以及针对于第二区域中被确诊人群的微分关系进行求解,以得到传染病的流行变化趋势。
其中,当确定出传染病确诊率以及感染率后,将确诊率以及感染率代入针对于第一区域中被感染人群的微分关系、针对于第二区域中被感染人群的微分关系,针对于第一区域中被确诊人群的微分关系以及针对于第二区域中被确诊人群的微分关系进行求解,可以得到不同区域传染病确诊率与时间的关系以及不同区域传染病感染率与时间的关系,基于此,对传染病的流行趋势进行预测。
举例而言,确定出第一区域中艾滋病患者的感染率β1以及确诊率m1,并确定出第二区域中艾滋病患者的感染率β2以及确诊率m2,将β1、β2、m1以及m2代入公式(17)至公式(20),可以根据得到结果对传染病的流行趋势进行预测。
在本示例性实施例中,通过确诊率以及感染率可以对传染病的流行趋势进行预测,其中,感染率和确诊率是基于目标传染病模型得出的,目标传染病模型中引入了人口流动数据以及死亡人群,因此提高了确诊率以及感染率的准确度,进而提高了预测出的传染病流行趋势的准确度。
在本公开的示例性实施例提供的方法及装置中,一方面,将区域划分为第一区域和第二区域,并引入了人口流动数据,使得计算出的传染病流行趋势与区域相关,进而可以针对于不同的区域采取不同的传染病遏制手段,提高了传染病遏制的效率;另一方面,目标传染病模型包括死亡人群,完善了目标传染病模型的逻辑,提高了确定出的传染病流行趋势的准确度。
下面结合一应用场景对本公开实施例中预测传染病流行趋势方法做出详细说明。
图5示出了在应用场景下预测传染病流行趋势方法的流程示意图,如图5所示,其中,S1(t)为单位时间第一区域中高危人群,S2(t)为单位时间第二区域中高危人群,G1(t)为单位时间第一区域中被感染人群,G2(t)为单位时间第二区域中被感染人群,A1(t)为单位时间内第一区域被确诊人群,A2(t)为单位时间内第二区域被确诊人群。
μ为自然死亡率,e(t)为艾滋病感染者的死亡率,α21为第一区域迁移进入第二区域的迁入率,α22为第二区域迁移进入第一区域的迁入率,默认,第一区域高危人群迁入第二区域的迁入率与第一区域被感染人群迁入第二区域的迁入率相同,第二区域高危人群迁入第一区域的迁入率与第二区域被感染人群迁入第一区域的迁入率相同,β1为在第一区域中接触被感染传染病却不自知的人群后被感染的比例,β2为第二区域中接触被感染传染病却不自知的人群后被感染的比例,m1为第一区域被感染人群转换至第一区域被确诊人群的转换率,m2为第二区域被感染人群转换至第一区域被确诊人群的转换率。
在本应用场景中,一方面,将区域划分为第一区域和第二区域,并引入了人口流动数据,使得计算出的传染病流行趋势与区域相关,进而可以针对于不同的区域采取不同的传染病遏制手段,提高了传染病遏制的效率;另一方面,目标传染病模型包括死亡人群,完善了目标传染病模型的逻辑,提高了确定出的传染病流行趋势的准确度。
此外,在本公开的示例性实施例中,还提供一种预测传染病流行趋势的装置。图6示出了预测传染病流行趋势装置的结构示意图,如图6所示,预测传染病流行趋势装置600可以包括:获取模块610、计算模块620以及预测模块630。其中:
获取模块610,被配置获取疾病状态转换数据以及第一区域和第二区域之间的人口流动数据;计算模块620,被配置为利用疾病状态转换关系,对疾病状态转换数据以及人口流动数据进行计算,得到预定时间内传染病的感染率以及确诊率;其中,疾病状态转换关系基于目标传染病模型确定,目标传染病模型用于指示第一区域和第二区域中不同疾病状态人群以及死亡人群的转换关系,第一区域和第二区域具有不同的疾病风险;预测模块630,被配置为基于感染率以及所述确诊率,预测传染病的流行趋势。
上述预测传染病流行趋势装置600的具体细节已经在对应的预测传染病流行趋势方法中进行了详细的描述,因此此处不再赘述。
应当注意,尽管在上文详细描述中提及预测传染病流行趋势装置600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,在本公开的示例性实施例中,还提供了一种能够实现上述方法的电子设备。
下面参照图7来描述根据本发明的这种实施例的电子设备700。图7显示的电子设备700仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图7所示,电子设备700以通用计算设备的形式表现。电子设备700的组件可以包括但不限于:上述至少一个处理单元710、上述至少一个存储单元720、连接不同系统组件(包括存储单元720和处理单元710)的总线730、显示单元740。
其中,所述存储单元存储有程序代码,所述程序代码可以被所述处理单元710执行,使得所述处理单元710执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施例的步骤。
存储单元720可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)721和/或高速缓存存储单元722,还可以进一步包括只读存储单元(ROM)723。
存储单元720还可以包括具有一组(至少一个)程序模块725的程序/使用工具724,这样的程序模块725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含网络环境的现实。
总线730可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备700也可以与一个或多个外部设备770(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得用户能与该电子设备700交互的设备通信,和/或与使得该电子设备700能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口750进行。并且,电子设备700还可以通过网络适配器760与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器760通过总线730与电子设备700的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备700使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAI系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施例的描述,本领域的技术人员易于理解,这里描述的示例实施例可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施例的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施例的方法。
在本公开的示例性实施例中,还提供了一种计算机可读存储介质,其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施例中,本发明的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当所述程序产品在终端设备上运行时,所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施例的步骤。
参考图8所示,描述了根据本发明的实施例的用于实现上述方法的程序产品800,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,本发明的程序产品不限于此,在本文件中,可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
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他实施例。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由权利要求指出。
Claims (10)
1.一种预测传染病流行趋势的方法,其特征在于,所述方法包括:
获取疾病状态转换数据以及第一区域和第二区域之间的人口流动数据;
利用疾病状态转换关系,对所述疾病状态转换数据以及所述人口流动数据进行计算,得到预定时间内所述传染病的感染率以及确诊率;其中,所述疾病状态转换关系基于目标传染病模型确定,所述目标传染病模型用于指示所述第一区域和所述第二区域中不同疾病状态人群以及死亡人群的转换关系,所述第一区域和所述第二区域具有不同的疾病风险;
基于所述感染率以及所述确诊率,预测所述传染病的流行趋势。
2.根据权利要求1所述的预测传染病流行趋势的方法,其特征在于,所述利用疾病状态转换关系,对所述疾病状态转换数据以及所述人口流动数据进行计算,得到预定时间内所述传染病的感染率以及确诊率,包括:
基于目标传染病模型,确定所述第一区域和所述第二区域中不同疾病状态人群以及死亡人群之间的微分关系;
利用拟合算法,对所述疾病状态转换数据、所述人口流动数据以及所述微分关系进行计算,以估算出预定时间内所述传染病的感染率以及确诊率。
3.根据权利要求2所述的预测传染病流行趋势的方法,其特征在于,所述不同疾病状态人群包括高危人群、被感染人群以及被确诊人群;
所述基于目标传染病模型,确定所述第一区域和所述第二区域中不同疾病状态人群以及死亡人群之间的微分关系,包括:
基于目标传染病模型,创建所述第一区域中所述高危人群与所述第二区域中所述高危人群之间的区域高危转换关系,并创建所述第一区域中所述高危人群与所述第一区域中所述被感染人群之间的第一区域感染关系;
基于所述目标传染病模型,创建所述第一区域中所述被感染人群与所述第二区域中所述被感染人群之间的区域感染转换关系,并创建所述第二区域中的所述高危人群与所述第二区域中的所述被感染人群之间的第二区域感染关系;
基于所述目标传染病模型,创建所述第一区域中所述被感染人群与所述第二区域中所述被确诊人群之间的第一区域确诊关系,并创建所述第二区域中所述被感染人群与所述第二区域中所述被确诊人群之间的第二区域确诊关系;
基于所述目标传染病模型,创建所述第一区域中所述不同疾病状态人群与所述死亡人群之间的关系,并创建所述第二区域中所述不同疾病状态人群与所述死亡人群之间的关系,以得疾病状态死亡关系;
根据所述高危转换关系、所述第一区域感染关系、所述第二区域感染关系、所述区域感染转换关系、所述第一区域确诊关系、所述第二区域确诊关系以及所述疾病状态死亡关系,确定所述第一区域和所述第二区域中不同疾病状态人群以及死亡人群之间的微分关系。
4.根据权利要求3所述的预测传染病流行趋势的方法,其特征在于,所述人口流动数据中包括从所述第一区域至所述第二区域的人口迁入率;所述区域高危转换关系包括第一区域高危转换关系以及第二区域高危转换关系;
所述基于目标传染病模型,创建所述第一区域中所述高危人群与所述第二区域中所述高危人群之间的区域高危转换关系,包括:
根据目标传染病模型以及所述人口迁入率,创建所述第一区域中所述高危人群迁移至所述第二区域的第一区域高危转换关系,并创建所述第二区域中所述高危人群迁移至所述第一区域的第二区域高危转换关系。
5.根据权利要求4所述的预测传染病流行趋势的方法,其特征在于,所述基于所述目标传染病模型,创建所述第一区域中所述被感染人群与所述第二区域中所述被感染人群之间的区域感染转换关系,包括:
根据所述目标传染病模型以及所述人口迁入率,创建所述第一区域中所述被感染人群迁移至所述第二区域的第一区域感染转换关系,并创建所述第二区域中的所述被感染人群迁移至所述第一区域的第二区域感染转换关系。
6.根据权利要求5所述的预测传染病流行趋势的方法,其特征在于,所述根据所述高危转换关系、所述第一区域感染关系、所述第二区域感染关系、所述区域感染转换关系、所述第一区域确诊关系、所述第二区域确诊关系以及所述疾病状态死亡关系,确定所述第一区域和所述第二区域中不同疾病状态人群以及死亡人群之间的微分关系,包括:
根据第一区域高危转换关系、第二区域高危转换关系、所述第一区域中所述高危人群和所述死亡人群之间的疾病状态死亡关系以及第一区域感染关系,创建针对于所述第一区域中所述高危人群的微分关系;
根据所述第一区域高危转换关系、所述第二区域高危转换关系、所述第二区域中所述高危人群和所述死亡人群之间的疾病状态转换关系,创建针对于所述第二区域中所述高危人群的微分关系;
根据第一区域感染关系、第一区域确诊关系、所述第一区域中所述被感染人群与所述死亡人群之间的疾病状态死亡关系、第一区感染转换关系以及第二区域感染转换关系,创建针对于所述第一区域中所述被感染人群的微分关系;
根据第二区域感染关系、第二区域确诊关系、所述第二区域中所述被感染人群与所述死亡人群之间的疾病状态死亡关系、所述第一区感染转换关系以及所述第二区域感染转换关系,创建针对于所述第二区域中所述被感染人群的微分关系;
根据所述第一区域确诊关系以及所述第一区域中所述被确诊人群与所述死亡人群之间的疾病状态死亡关系,创建针对于所述第一区域中所述被确诊人群的微分关系;
根据所述第二区域确诊关系以及所述第二区域中所述被确诊人群与所述死亡人群之间的疾病状态死亡关系,创建针对于所述第二区域中所述被确诊人群的微分关系。
7.根据权利要求6所述的预测传染病流行趋势的方法,其特征在于,所述基于所述感染率以及所述确诊率,预测所述传染病的流行趋势,包括:
利用所述感染率以及所述确诊率,对针对于所述第一区域中所述被感染人群的微分关系、针对于所述第二区域中所述被感染人群的微分关系、针对于所述第一区域中所述被确诊人群的微分关系以及针对于所述第二区域中所述被确诊人群的微分关系进行求解,以得到所述传染病的流行变化趋势。
8.一种预测传染病流行趋势的装置,其特征在于,包括:
获取模块,被配置为获取疾病状态转换数据以及第一区域和第二区域之间的人口流动数据;
计算模块,被配置为利用疾病状态转换关系,对所述疾病状态转换数据以及所述人口流动数据进行计算,得到预定时间内所述传染病的感染率以及确诊率;其中,所述疾病状态转换关系基于目标传染病模型确定,所述目标传染病模型用于指示所述第一区域和所述第二区域中不同疾病状态人群以及死亡人群的转换关系,所述第一区域和所述第二区域具有不同的疾病风险;
预测模块,被配置为基于所述感染率以及所述确诊率,预测所述传染病的流行趋势。
9.一种电子设备,其特征在于,包括:
处理器;
存储器,用于存储所述处理器的可执行指令;
其中,所述处理器被配置为经由执行所述可执行指令来执行权利要求1-7中的任意一项所述的预测传染病流行趋势的方法。
10.一种计算机可读存储介质,其上存储计算机程序,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1-7中的任意一项所述的预测传染病流行趋势的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110968264.6A CN113488193B (zh) | 2021-08-23 | 2021-08-23 | 预测传染病流行趋势的方法及装置、存储介质、电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110968264.6A CN113488193B (zh) | 2021-08-23 | 2021-08-23 | 预测传染病流行趋势的方法及装置、存储介质、电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113488193A true CN113488193A (zh) | 2021-10-08 |
CN113488193B CN113488193B (zh) | 2023-08-15 |
Family
ID=77946039
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110968264.6A Active CN113488193B (zh) | 2021-08-23 | 2021-08-23 | 预测传染病流行趋势的方法及装置、存储介质、电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113488193B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113921147A (zh) * | 2021-10-18 | 2022-01-11 | 医渡云(北京)技术有限公司 | 一种传染病感染发现率确定方法、装置、存储介质及设备 |
CN118136277A (zh) * | 2024-05-06 | 2024-06-04 | 万链指数(青岛)信息科技有限公司 | 一种基于大数据的智慧医疗病情监控管理系统及方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102682188A (zh) * | 2011-03-15 | 2012-09-19 | 中国科学院遥感应用研究所 | 一种城市级传染病模拟的方法及装置 |
JP2015038708A (ja) * | 2013-08-19 | 2015-02-26 | 国立大学法人 東京大学 | 感染症対策プログラム、感染症対策装置および感染症対策方法 |
CN112382405A (zh) * | 2020-11-02 | 2021-02-19 | 北京机电工程研究所 | 结构化新冠肺炎疫情预测和评估方法、装置、设备及介质 |
CN112529329A (zh) * | 2020-12-21 | 2021-03-19 | 广东珠江智联信息科技股份有限公司 | 基于bp算法和seir模型的传染病预测方法 |
CN113241188A (zh) * | 2021-04-14 | 2021-08-10 | 大连理工大学 | 一种开放体系下新发传染病的跨区域传播预测方法 |
-
2021
- 2021-08-23 CN CN202110968264.6A patent/CN113488193B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102682188A (zh) * | 2011-03-15 | 2012-09-19 | 中国科学院遥感应用研究所 | 一种城市级传染病模拟的方法及装置 |
JP2015038708A (ja) * | 2013-08-19 | 2015-02-26 | 国立大学法人 東京大学 | 感染症対策プログラム、感染症対策装置および感染症対策方法 |
CN112382405A (zh) * | 2020-11-02 | 2021-02-19 | 北京机电工程研究所 | 结构化新冠肺炎疫情预测和评估方法、装置、设备及介质 |
CN112529329A (zh) * | 2020-12-21 | 2021-03-19 | 广东珠江智联信息科技股份有限公司 | 基于bp算法和seir模型的传染病预测方法 |
CN113241188A (zh) * | 2021-04-14 | 2021-08-10 | 大连理工大学 | 一种开放体系下新发传染病的跨区域传播预测方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113921147A (zh) * | 2021-10-18 | 2022-01-11 | 医渡云(北京)技术有限公司 | 一种传染病感染发现率确定方法、装置、存储介质及设备 |
CN118136277A (zh) * | 2024-05-06 | 2024-06-04 | 万链指数(青岛)信息科技有限公司 | 一种基于大数据的智慧医疗病情监控管理系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113488193B (zh) | 2023-08-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Van der Schaar et al. | How artificial intelligence and machine learning can help healthcare systems respond to COVID-19 | |
Wang et al. | Artificial intelligence for COVID-19: a systematic review | |
CA3046247C (en) | Data platform for automated data extraction, transformation, and/or loading | |
US9649073B2 (en) | Usage modeling for intelligent management of alarms and messages in mobile health systems | |
Kwon et al. | Validation of deep-learning-based triage and acuity score using a large national dataset | |
Chan et al. | Putting the public back in public health—surveying symptoms of Covid-19 | |
US9734301B2 (en) | Intelligent presentation of alarms and messages in mobile health systems | |
US9906543B2 (en) | Automated abnormality detection in service networks | |
CN113488193A (zh) | 预测传染病流行趋势的方法及装置、存储介质、电子设备 | |
EP3489957A1 (en) | Accelerated clinical biomarker prediction (acbp) platform | |
CN112435759A (zh) | 疫情数据预测方法及装置、电子设备和存储介质 | |
CN111739658A (zh) | 基于输入病例预测传染病趋势的方法及装置 | |
Khan et al. | A review on predictive systems and data models for covid-19 | |
CN112382406A (zh) | 传染病的基本再生数的估算方法及装置、介质和设备 | |
CN111739653A (zh) | 传染病传播的评估方法、装置、计算机设备和存储介质 | |
US9129501B1 (en) | Augmented acknowledgement of alarms and messages in mobile health systems | |
Wei et al. | Noninvasive evaluation of liver fibrosis reverse using artificial neural network model for chronic hepatitis B patients | |
CN111489830A (zh) | 分段预测疫情数据的方法及装置、介质和电子设备 | |
Ahmat et al. | Estimating the threshold of health workforce densities towards universal health coverage in Africa | |
US20230098491A1 (en) | Assessment method and device for infectious disease transmission, computer equipment and storage medium | |
US20200357515A1 (en) | System and method for clinical decision support system with inquiry based on reinforcement learning | |
US11145412B2 (en) | Methods for the diagnosis and prognosis of melanoma from topical skin swabs | |
CN111834005B (zh) | 基于传染病的医疗数据筛选方法、装置、介质及设备 | |
CN111078440B (zh) | 一种磁盘错误检测方法、装置及存储介质 | |
Tarakeswara Rao et al. | [Retracted] Deep Neural Networks for Optimal Selection of Features Related to Flu |
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 |