CN114708985B - 呼吸道传染病预警方法及系统 - Google Patents

呼吸道传染病预警方法及系统 Download PDF

Info

Publication number
CN114708985B
CN114708985B CN202210245393.7A CN202210245393A CN114708985B CN 114708985 B CN114708985 B CN 114708985B CN 202210245393 A CN202210245393 A CN 202210245393A CN 114708985 B CN114708985 B CN 114708985B
Authority
CN
China
Prior art keywords
grid
cases
case
patient
vector
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
CN202210245393.7A
Other languages
English (en)
Other versions
CN114708985A (zh
Inventor
王心静
裴嵩楠
曹彦
乔娟
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.)
8th Medical Center of PLA General Hospital
Original Assignee
8th Medical Center of PLA General Hospital
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 8th Medical Center of PLA General Hospital filed Critical 8th Medical Center of PLA General Hospital
Priority to CN202210245393.7A priority Critical patent/CN114708985B/zh
Publication of CN114708985A publication Critical patent/CN114708985A/zh
Application granted granted Critical
Publication of CN114708985B publication Critical patent/CN114708985B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/80—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for detecting, monitoring or modelling epidemics or pandemics, e.g. flu
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9538—Presentation of query results
    • 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
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
    • 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
    • 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

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Medical Informatics (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Remote Sensing (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本发明实施例公开了一种呼吸道传染病预警方法及系统，所述方法包括：步骤1：栅格人口数据等数据预处理；步骤2：筛选症状病例的电子病历；步骤3：建立病例信息向量；步骤4：计算各栅格的病例数和病例累计数；步骤5：计算病例在各栅格的当日发病率和累计发病率；步骤6：进行呼吸道传染病预警。本发明根据呼吸道患者的相关症状特征、患者的地域和行为轨迹特征，计算其发病量和发病比例，并进而分析判断，在呼吸道传染病确诊和大规模传播之前给出预警；这将大大提前发现呼吸道传染病传播的时间，更好地控制疾病的传播，保障公共健康。

Description

呼吸道传染病预警方法及系统
技术领域
本发明涉及传染病防控技术领域，尤其涉及一种呼吸道传染病预警方法及系统。
背景技术
传染病疫情报告制度是我国传染病控制的基本手段，它为各级政府提供传染病发生、发展等信息，是政府及时进行决策与采取预防控制措施的重要前提。依据传染病疫情报告制度，执行职务的医务人员发现传染病暴发、流行以及原因不明的传染病后、应及时向疾病预防控制机构报告。
可以看出目前传染病上报比较依赖于医生的判断。但是由于呼吸道传染病缺乏症状和体征的独特性，且病因隐匿，对不常见的呼吸道传染病情况则更加严重。当疾病尚处于初发阶段时，各医疗机构接诊散发病人，医生比较容易发生误诊或漏诊。另外，即便医生上报了病例，若疾病预防控制机构认为病例不具有流行性，也可能造成误判，这样就会错过控制病原体传播的最佳时间窗口。
大数据、人工智能为传染病预警提供了很好的技术手段。已经有多种根据既有传染病数据预警传染病的方法，包括收集传染病例、分析其传播等。然而，这些方法虽然提高了数据分析速度，但针对的仍然还是对医疗机构已确诊的传染病的分析和处理。如前所述，对医生诊断的依赖可能会错过控制病原体传播的最佳时间窗口。
如果在传染病例尚处于散发接诊时，疾病预防机构就能够发现预警信号，将极大提高传染病控制的水平。
发明内容
本发明实施例所要解决的技术问题在于，提供一种呼吸道传染病预警方法及系统，以实现在呼吸道传染病确诊和大规模传播之前给出预警。
为了解决上述技术问题，本发明实施例提出了一种呼吸道传染病预警方法，包括：
步骤1：获取待预警区的地理信息数据，把待预警区的地理区域划分成南北和东西等距的栅格；获取待预警区内的手机信令数据，根据手机信令数据，给出每个栅格的居住人口、工作人口和人流密集地的动态人口数据；
步骤2：从待预警区内的当天新增的电子病历中筛选匹配呼吸道传染病症状的电子病历；
步骤3：记录匹配症状的病例信息，建立病例信息向量；
步骤4：根据全部的病例向量，计算每个栅格的病例数和病例累计数；
步骤5：计算病例在各栅格的当日发病率和累计发病率；
步骤6：进行预警判断，若出现如下3种情况则进行预警：
1)若栅格内的当日发病率达到预设阈值，则判定为当日该地区传播速度快，有病例大量传播风险；
2)若栅格内的累计发病率达到预设阈值，则判定为近期该地区累计病例多，有病例大量传播风险；
3)若栅格内当天新增病例数或累计病例数达到预设阈值，则检查是否存在该栅格中单一居住地phi或单一工作地pwi或单一人流密集地
Figure BDA0003545040230000021
对应的病例达到一定阈值的情况，如果存在，则判定为该地有集中病例出现，有病例大量传播风险。
进一步地，步骤1中，将栅格内的动态人口数据记为
Figure BDA0003545040230000022
其中i＝1,2,...,N为栅格序号，N为栅格个数；idi为栅格i的唯一标识；celli表示该栅格的位置范围，celli＝[lefti,topi,righti,bottomi]，向量中元素lefti、topi、righti、bottomi依次分别表示栅格左侧的经度，上方的纬度，右侧的经度和底部的纬度；rpi为栅格内的居住人口数量；wpi为栅格内的工作人口数量；
Figure BDA0003545040230000023
为向量数组，表示栅格内人流密集地人数，
Figure BDA0003545040230000024
其中j＝1,2,...,M，j为栅格i内的人流密集地编号，向量中元素
Figure BDA0003545040230000025
依次为第i个栅格中第j个人流密集地的经度、纬度和症状病例个数；datei为统计日期。
进一步地，步骤3中，对有症状的病例，根据该病例的手机号码，结合步骤1中数据预处理的结果，得到每一个病例的病例向量
Figure BDA0003545040230000026
其中k为患者的序号，k＝1,2,...,Q；idk为患者k的唯一标识；phonek为该患者的手机号；tk为该患者症状开始时间；phk为该患者的居住地位置；pwk为该患者的工作地位置；
Figure BDA0003545040230000027
为向量素组，表示该患者在症状前预设时间内去过的人流密集地位置，
Figure BDA0003545040230000028
其中c为该患者去过的人流密集地的序号，c＝1,2,...,P，向量中元素
Figure BDA0003545040230000029
为相应的人流密集地的精度和纬度；如果患者没有去过人流密集地则
Figure BDA0003545040230000031
为空数组。
进一步地，步骤4中，采用以下方法计算：
1)初始化pri＝0,i＝1,2,...,N，pri为当天新增病例数；
2)从k＝1开始遍历待预警区内的病例向量pvk；
3)计算pvk.phk的位置所在栅格的序号，假定为s，则prs＝prs+1；其中pvk.phk表示向量pvk的phk元素，后面类似；
4)计算pvk.pwk的位置所在栅格的序号，假定为s，则prs＝prs+1；
5)计算
Figure BDA0003545040230000032
数组中每个元素所在栅格的序号，假定为s，则prs＝prs+1；
6)k＝k+1,若k＞N执行下一步，否则回到3)；
7)计算每个栅格在预设统计周期内的累计病例数
Figure BDA0003545040230000033
其中pri d表示第i个栅格在预设统计周期中第d天的病例个数。
进一步地，步骤5中，采用下式计算栅格i内的当日发病率ρtri和累计发病率ρari：
Figure BDA0003545040230000034
Figure BDA0003545040230000035
相应地，本发明实施例还提供了一种呼吸道传染病预警系统，包括：
数据预处理模块：获取待预警区的地理信息数据，把待预警区的地理区域划分成南北和东西等距的栅格；获取待预警区内的手机信令数据，根据手机信令数据，给出每个栅格的居住人口、工作人口和人流密集地的动态人口数据；
症状病历筛选模块：从待预警区内的当天新增的电子病历中筛选匹配呼吸道传染病症状的电子病历；
病例信息向量建立模块：记录匹配症状的病例信息，建立病例信息向量；
各栅格病例数计算模块：根据全部的病例向量，计算每个栅格的病例数和病例累计数；
各栅格发病率计算模块：计算病例在各栅格的当日发病率和累计发病率；
预警模块：进行预警判断，若出现如下3种情况则进行预警：
1)若栅格内的当日发病率达到预设阈值，则判定为当日该地区传播速度快，有病例大量传播风险；
2)若栅格内的累计发病率达到预设阈值，则判定为近期该地区累计病例多，有病例大量传播风险；
3)若栅格内当天新增病例数或累计病例数达到预设阈值，则检查是否存在该栅格中单一居住地phi或单一工作地pwi或单一人流密集地
Figure BDA00035450402300000411
对应的病例达到一定阈值的情况，如果存在，则判定为该地有集中病例出现，有病例大量传播风险。
进一步地，数据预处理模块将栅格内的动态人口数据记为
Figure BDA0003545040230000041
其中i＝1,2,...,N为栅格序号，N为栅格个数；idi为栅格i的唯一标识；celli表示该栅格的位置范围，celli＝[lefti,topi,righti,bottomi]，向量中元素lefti、topi、righti、bottomi依次分别表示栅格左侧的经度，上方的纬度，右侧的经度和底部的纬度；rpi为栅格内的居住人口数量；wpi为栅格内的工作人口数量；
Figure BDA0003545040230000042
为向量数组，表示栅格内人流密集地人数，
Figure BDA0003545040230000043
其中j＝1,2,...,M，j为栅格i内的人流密集地编号，向量中元素
Figure BDA0003545040230000044
依次为第i个栅格中第j个人流密集地的经度、纬度和症状病例个数；datei为统计日期。
进一步地，病例信息向量建立模块对于有症状的病例，根据该病例的手机号码，结合数据预处理模块的结果，得到每一个病例的病例向量
Figure BDA0003545040230000045
其中k为患者的序号，k＝1,2,...,Q；idk为患者k的唯一标识；phonek为该患者的手机号；tk为该患者症状开始时间；phk为该患者的居住地位置；pwk为该患者的工作地位置；
Figure BDA0003545040230000046
为向量素组，表示该患者在症状前预设时间内去过的人流密集地位置，
Figure BDA0003545040230000047
其中c为该患者去过的人流密集地的序号，c＝1,2,...,P，向量中元素
Figure BDA0003545040230000048
为相应的人流密集地的精度和纬度；如果患者没有去过人流密集地则
Figure BDA0003545040230000049
为空数组。
进一步地，各栅格病例数计算模块采用以下方法计算：
1)初始化pri＝0,i＝1,2,...,N，pri为当天新增病例数；
2)从k＝1开始遍历待预警区内的病例向量pvk；
3)计算pvk.phk的位置所在栅格的序号，假定为s，则prs＝prs+1；其中pvk.phk表示向量pvk的phk元素，后面类似；
4)计算pvk.pwk的位置所在栅格的序号，假定为s，则prs＝prs+1；
5)计算
Figure BDA00035450402300000410
数组中每个元素所在栅格的序号，假定为s，则prs＝prs+1；
6)k＝k+1,若k＞N执行下一步，否则回到3)；
7)计算每个栅格在预设统计周期内的累计病例数
Figure BDA0003545040230000051
其中pri d表示第i个栅格在预设统计周期中第d天的病例个数。
进一步地，各栅格发病率计算模块采用下式计算栅格i内的当日发病率ρtri和累计发病率ρari：
Figure BDA0003545040230000052
Figure BDA0003545040230000053
本发明的有益效果为：本发明根据呼吸道患者的相关症状特征、患者的地域和行为轨迹特征，计算其发病量和发病比例，并进而分析判断，在呼吸道传染病确诊和大规模传播之前给出预警；这将大大提前发现呼吸道传染病传播的时间，更好地控制疾病的传播，保障公共健康。
附图说明
图1是本发明实施例的呼吸道传染病预警方法的流程示意图。
图2是本发明实施例的呼吸道传染病预警系统的结构示意图。
具体实施方式
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互结合，下面结合附图和具体实施例对本发明作进一步详细说明。
请参照图1，本发明实施例的呼吸道传染病预警方法包括步骤1～步骤6。本发明的呼吸道传染病预警方法的计算过程是每天计算一次。
步骤1：数据预处理
1)把全市(即待预警区)地理区域划分成南北和东西等距的栅格，例如东西5公里南北5公里的方格为一个栅格；
2)根据手机信令数据，给出每个栅格的居住人口、工作人口和人流密集地的动态人口数据,记为
Figure BDA0003545040230000054
其中i＝1,2,...,N为栅格序号，N为栅格个数；idi为栅格i的唯一标识；celli表示该栅格的位置范围celli＝[lefti,topi,righti,bottomi]，向量中元素依次分别表示栅格左侧的经度，上方的纬度，右侧的经度和底部的纬度；rpi为栅格内的居住人口数量；wpi为栅格内的工作人口数量；
Figure BDA0003545040230000055
是个向量数组，表示栅格内人流密集地人数，
Figure BDA0003545040230000056
其中j＝1,2,...,M为栅格i内的人流密集地编号，向量中元素依次为第i个栅格中第j个人流密集地的经度、纬度和症状病例个数；datei为统计日期，一般一天一统计。根据手机信令数据分析工作、居住、停留地的方法已经有多人研究，也有相对成熟的技术，不是本专利重点，不在这里赘述。本发明的人流密集地：商场、影院、医院、学校等人流密度高的地点，其位置用经纬度向量表示。
步骤2：筛选症状病例的电子病历
从当天新增的电子病历中筛选症状病例的内容。具体方法为匹配症状的关键字，包括：发热、咽痛、咳嗽、腹泻、肌肉酸痛等。凡是患者症状能匹配这些关键字的病历则记录患者的：基本信息、症状、出现症状的时间和手机号等。本发明的呼吸道疾病相关症状为：发热、咽痛、咳嗽、腹泻、或肌肉酸痛等潜在的呼吸道传染病症状。
注意，由于医生输入的症状内容和前面提到的关键字相同但不和上述关键字严格匹配，如是“高热”而不是“发热”，记录的时间格式可能也各不相同，如中文、英文、数字等。于是需要利用模糊匹配、词法分析、语法分析等技术以便较为准确地获取症状病例数据。这方面也有多人研究并有相对成熟的技术，不是本专利重点，不在这里赘述。
步骤3：建立病例信息向量
对有症状的病例(即具有呼吸道疾病相关症状的患者)，根据该病例的手机号码，结合步骤1中数据预处理的结果，得到每一个病例的病例向量
Figure BDA0003545040230000061
其中k为患者的序号，k＝1,2,...,Q；idk为患者k的唯一标识；phonek为该患者的手机号；tk为该患者症状开始时间；phk为该患者的居住地位置；pwk为该患者的工作地位置；
Figure BDA0003545040230000062
是个向量素组，表示该患者在症状前一段时间内(如2周)去过的人流密集地位置，
Figure BDA0003545040230000063
其中c为该患者去过的人流密集地的序号，c＝1,2,...,P，向量中元素为相应的人流密集地的精度和纬度。
如果患者没有去过人流密集地则
Figure BDA0003545040230000064
为空数组。
步骤4：计算各栅格的病例数和病例累计数
根据全部的病例向量，计算每个栅格的病例数：当天新增病例数pri和累计病例数Σpri，累计病例数量用一段时间(如2周)内的病例来统计。
计算方法为：
1)初始化pri＝0,i＝1,2,...,N。
2)从k＝1开始遍历全市病例向量pvk。
3)计算pvk.phk的位置所在栅格的序号，假定为s，则prs＝prs+1；其中pvk.phk表示向量pvk的phk元素，后面类似。
4)计算pvk.pwk的位置所在栅格的序号，假定为s，则prs＝prs+1。
5)计算
Figure BDA0003545040230000071
数组中每个元素(位置)所在栅格的序号，假定为s，则prs＝prs+1。
6)k＝k+1,若k＞N执行下一步，否则回到3)。
7)计算每个栅格在统计周期(如过去2周)的累计病例数
Figure BDA0003545040230000072
其中pri d表示第i个栅格在统计周期第d天的病例个数。
步骤5：计算病例在各栅格的当日发病率和累计发病率
发病率包括当日的发病率和累计的发病率。分别用ρtri和ρari表示栅格i的当日发病率和累计发病率：
Figure BDA0003545040230000073
Figure BDA0003545040230000074
步骤6：呼吸道传染病预警
对于如下3种情况系统将预警：
1)当ρtri达到一定阈值---这表示当日某地区传播速度快，有病例大量传播风险；
2)当ρari达到一定阈值---这表示近期某地区累计病例多，有病例大量传播风险；
3)对pri或Σpri达到一定阈值的栅格，检查是否存在该栅格中单一居住地(居住小区)phi或单一工作地(工作写字楼)pwi或单一人流密集地(商场、批发集散地等)
Figure BDA0003545040230000075
对应的病例达到一定阈值的情况，如果存在，同样表明某地有集中病例出现，有病例大量传播风险。
本发明呼吸道传染病预警方法需要的数据：
1)全市地理信息数据：各片区、街道办、行政区的地理位置数据，各居住区、工作区、商业区等人流密集地的地理位置数据；
2)手机信令数据：各手机设备经纬度位置的时间序列，用于对手机用户的居住地、工作地和出入的人流密集地的分析；
3)全市各医院的电子病历数据，至少包括病人的症状、发病时间、手机号码等信息。
以上数据1)在城市的土地规划政府部门或地图厂商如高德、百度那里会具备；数据2)在三大无线通信运营商具备，即中国移动、中国联通和中国电信；3)一般医院现在都已经具备。
现有传染病预警的基础是医务人员的诊断和上报，对呼吸道传染病，尤其是少见和突发呼吸道传染病，因缺少症状和体征的独特性，在早期容易被误诊、漏诊，可能错过最佳的控制病原体传播的窗口期。本发明根据呼吸道疾病患者的症状、患者的地域和行为轨迹特征，计算症状病例的在区域的发病量和发病比例，预警呼吸道传染病。通过利用本发明方法，可以显著提高呼吸道传染病、尤其是少见和突发呼吸道传染病的预警能力，保护大众的身体健康。
请参照图2，本发明实施例的呼吸道传染病预警系统，包括：
数据预处理模块：获取待预警区的地理信息数据，把待预警区的地理区域划分成南北和东西等距的栅格；获取待预警区内的手机信令数据，根据手机信令数据，给出每个栅格的居住人口、工作人口和人流密集地的动态人口数据；
症状病历筛选模块：从待预警区内的当天新增的电子病历中筛选匹配呼吸道传染病症状的电子病历；
病例信息向量建立模块：记录匹配症状的病例信息，建立病例信息向量；
各栅格病例数计算模块：根据全部的病例向量，计算每个栅格的病例数和病例累计数；
各栅格发病率计算模块：计算病例在各栅格的当日发病率和累计发病率；
预警模块：进行预警判断，若出现如下3种情况则进行预警：
1)若栅格内的当日发病率达到预设阈值，则判定为当日该地区传播速度快，有病例大量传播风险；
2)若栅格内的累计发病率达到预设阈值，则判定为近期该地区累计病例多，有病例大量传播风险；
3)若栅格内当天新增病例数或累计病例数达到预设阈值，则检查是否存在该栅格中单一居住地phi或单一工作地pwi或单一人流密集地
Figure BDA0003545040230000081
对应的病例达到一定阈值的情况，如果存在，则判定为该地有集中病例出现，有病例大量传播风险。
本发明则根据呼吸道疾病患者的相关症状、患者的地域和行为轨迹特征(包括居住地、工作地、商业区等人流密集地)，计算症状病例的区域发病量和发病比例，预警呼吸道传染病，减少对医生做出的呼吸道传染病诊断的依赖。
作为一种实施方式，数据预处理模块将栅格内的动态人口数据记为
Figure BDA0003545040230000091
其中i＝1,2,...,N为栅格序号，N为栅格个数；idi为栅格i的唯一标识；celli表示该栅格的位置范围，celli＝[lefti,topi,righti,bottomi]，向量中元素lefti、topi、righti、bottomi依次分别表示栅格左侧的经度，上方的纬度，右侧的经度和底部的纬度；rpi为栅格内的居住人口数量；wpi为栅格内的工作人口数量；
Figure BDA0003545040230000092
为向量数组，表示栅格内人流密集地人数，
Figure BDA0003545040230000093
其中j＝1,2,...,M，j为栅格i内的人流密集地编号，向量中元素
Figure BDA0003545040230000094
依次为第i个栅格中第j个人流密集地的经度、纬度和症状病例个数；datei为统计日期。
作为一种实施方式，病例信息向量建立模块对于有症状的病例，根据该病例的手机号码，结合数据预处理模块的结果，得到每一个病例的病例向量
Figure BDA0003545040230000095
其中k为患者的序号，k＝1,2,...,Q；idk为患者k的唯一标识；phonek为该患者的手机号；tk为该患者症状开始时间；phk为该患者的居住地位置；pwk为该患者的工作地位置；
Figure BDA0003545040230000096
为向量素组，表示该患者在症状前预设时间内去过的人流密集地位置，
Figure BDA0003545040230000097
其中c为该患者去过的人流密集地的序号，c＝1,2,...,P，向量中元素
Figure BDA0003545040230000098
为相应的人流密集地的精度和纬度；如果患者没有去过人流密集地则
Figure BDA0003545040230000099
为空数组。
作为一种实施方式，各栅格病例数计算模块采用以下方法计算：
1)初始化pri＝0,i＝1,2,...,N，pri为当天新增病例数；
2)从k＝1开始遍历待预警区内的病例向量pvk；
3)计算pvk.phk的位置所在栅格的序号，假定为s，则prs＝prs+1；其中pvk.phk表示向量pvk的phk元素，后面类似；
4)计算pvk.pwk的位置所在栅格的序号，假定为s，则prs＝prs+1；
5)计算
Figure BDA00035450402300000910
数组中每个元素所在栅格的序号，假定为s，则prs＝prs+1；
6)k＝k+1,若k＞N执行下一步，否则回到3)；
7)计算每个栅格在预设统计周期内的累计病例数
Figure BDA00035450402300000911
其中pri d表示第i个栅格在预设统计周期中第d天的病例个数。
作为一种实施方式，各栅格发病率计算模块采用下式计算栅格i内的当日发病率ρtri和累计发病率ρari：
Figure BDA0003545040230000101
Figure BDA0003545040230000102
本发明在呼吸道传染病确诊和大规模传播之前给出预警和诊断，把握控制呼吸道传染病的最佳时间窗口，提高对呼吸道传染病、尤其是少见和突发呼吸道传染病的预警能力，保护公共健康。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同范围限定。

Claims (2)

1.一种呼吸道传染病预警方法，其特征在于，包括：
步骤1：获取待预警区的地理信息数据，把待预警区的地理区域划分成南北和东西等距的栅格；获取待预警区内的手机信令数据，根据手机信令数据，给出每个栅格的居住人口、工作人口和人流密集地的动态人口数据；
步骤2：从待预警区内的当天新增的电子病历中筛选匹配呼吸道传染病症状的电子病历；
步骤3：记录匹配症状的病例信息，建立病例信息向量；
步骤4：根据全部的病例向量，计算每个栅格的病例数和病例累计数；
步骤5：计算病例在各栅格的当日发病率和累计发病率；
步骤6：进行预警判断，若出现如下3种情况则进行预警：
1)若栅格内的当日发病率达到预设阈值，则判定为当日该地区传播速度快，有病例大量传播风险；
2)若栅格内的累计发病率达到预设阈值，则判定为近期该地区累计病例多，有病例大量传播风险；
3)若栅格内当天新增病例数或累计病例数达到预设阈值，则检查是否存在该栅格中单一居住地phi或单一工作地pwi或单一人流密集地
Figure FDA0003962917340000011
对应的病例达到预设阈值的情况，如果存在，则判定为该地有集中病例出现，有病例大量传播风险；
步骤1中，将栅格内的动态人口数据记为
Figure FDA0003962917340000012
其中i＝1,2,...,N为栅格序号，N为栅格个数；idi为栅格i的唯一标识；celli表示该栅格的位置范围，celli＝[lefti,topi,righti,bottomi]，向量中元素lefti、topi、righti、bottomi依次分别表示栅格左侧的经度，上方的纬度，右侧的经度和底部的纬度；rpi为栅格内的居住人口数量；wpi为栅格内的工作人口数量；
Figure FDA0003962917340000013
为向量数组，表示栅格内人流密集地人数，
Figure FDA0003962917340000014
其中j＝1,2,...,M，j为栅格i内的人流密集地编号，向量中元素
Figure FDA0003962917340000015
依次为第i个栅格中第j个人流密集地的经度、纬度和症状病例个数；datei为统计日期；
步骤3中，对有症状的病例，根据该病例的手机号码，结合步骤1中数据预处理的结果，得到每一个病例的病例向量
Figure FDA0003962917340000016
其中k为患者的序号，k＝1,2,...,Q；idk为患者k的唯一标识；phonek为该患者的手机号；tk为该患者症状开始时间；phk为该患者的居住地位置；pwk为该患者的工作地位置；
Figure FDA0003962917340000021
为向量素组，表示该患者在症状前预设时间内去过的人流密集地位置，
Figure FDA0003962917340000022
其中c为该患者去过的人流密集地的序号，c＝1,2,...,P，向量中元素
Figure FDA0003962917340000023
为相应的人流密集地的精度和纬度；如果患者没有去过人流密集地则
Figure FDA0003962917340000024
为空数组；
步骤4中，采用以下方法计算：
1)初始化pri＝0,i＝1,2,...,N，pri为当天新增病例数；
2)从k＝1开始遍历待预警区内的病例向量pvk；
3)计算pvk.phk的位置所在栅格的序号，假定为s，则prs＝prs+1；其中pvk.phk表示向量pvk的phk元素；
4)计算pvk.pwk的位置所在栅格的序号，假定为s，则prs＝prs+1；
5)计算
Figure FDA0003962917340000025
数组中每个元素所在栅格的序号，假定为s，则prs＝prs+1；
6)k＝k+1,若k＞N执行下一步，否则回到3)；
7)计算每个栅格在预设统计周期内的累计病例数
Figure FDA0003962917340000026
其中pri d表示第i个栅格在预设统计周期中第d天的病例个数。
2.一种呼吸道传染病预警系统，其特征在于，包括：
数据预处理模块：获取待预警区的地理信息数据，把待预警区的地理区域划分成南北和东西等距的栅格；获取待预警区内的手机信令数据，根据手机信令数据，给出每个栅格的居住人口、工作人口和人流密集地的动态人口数据；
症状病历筛选模块：从待预警区内的当天新增的电子病历中筛选匹配呼吸道传染病症状的电子病历；
病例信息向量建立模块：记录匹配症状的病例信息，建立病例信息向量；
各栅格病例数计算模块：根据全部的病例向量，计算每个栅格的病例数和病例累计数；
各栅格发病率计算模块：计算病例在各栅格的当日发病率和累计发病率；
预警模块：进行预警判断，若出现如下3种情况则进行预警：
1)若栅格内的当日发病率达到预设阈值，则判定为当日该地区传播速度快，有病例大量传播风险；
2)若栅格内的累计发病率达到预设阈值，则判定为近期该地区累计病例多，有病例大量传播风险；
3)若栅格内当天新增病例数或累计病例数达到预设阈值，则检查是否存在该栅格中单一居住地phi或单一工作地pwi或单一人流密集地
Figure FDA0003962917340000031
对应的病例达到预设阈值的情况，如果存在，则判定为该地有集中病例出现，有病例大量传播风险；
数据预处理模块将栅格内的动态人口数据记为
Figure FDA0003962917340000032
其中i＝1,2,...,N为栅格序号，N为栅格个数；idi为栅格i的唯一标识；celli表示该栅格的位置范围，celli＝[lefti,topi,righti,bottomi]，向量中元素lefti、topi、righti、bottomi依次分别表示栅格左侧的经度，上方的纬度，右侧的经度和底部的纬度；rpi为栅格内的居住人口数量；wpi为栅格内的工作人口数量；
Figure FDA0003962917340000033
为向量数组，表示栅格内人流密集地人数，
Figure FDA0003962917340000034
其中j＝1,2,...,M，j为栅格i内的人流密集地编号，向量中元素
Figure FDA0003962917340000035
依次为第i个栅格中第j个人流密集地的经度、纬度和症状病例个数；datei为统计日期；
病例信息向量建立模块对于有症状的病例，根据该病例的手机号码，结合数据预处理模块的结果，得到每一个病例的病例向量
Figure FDA0003962917340000036
其中k为患者的序号，k＝1,2,...,Q；idk为患者k的唯一标识；phonek为该患者的手机号；tk为该患者症状开始时间；phk为该患者的居住地位置；pwk为该患者的工作地位置；
Figure FDA0003962917340000037
为向量素组，表示该患者在症状前预设时间内去过的人流密集地位置，
Figure FDA0003962917340000038
其中c为该患者去过的人流密集地的序号，c＝1,2,...,P，向量中元素
Figure FDA0003962917340000039
为相应的人流密集地的精度和纬度；如果患者没有去过人流密集地则
Figure FDA00039629173400000310
为空数组；
各栅格病例数计算模块采用以下方法计算：
1)初始化pri＝0,i＝1,2,...,N，pri为当天新增病例数；
2)从k＝1开始遍历待预警区内的病例向量pvk；
3)计算pvk.phk的位置所在栅格的序号，假定为s，则prs＝prs+1；其中pvk.phk表示向量pvk的phk元素；
4)计算pvk.pwk的位置所在栅格的序号，假定为s，则prs＝prs+1；
5)计算
Figure FDA00039629173400000311
数组中每个元素所在栅格的序号，假定为s，则prs＝prs+1；
6)k＝k+1,若k＞N执行下一步，否则回到3)；
7)计算每个栅格在预设统计周期内的累计病例数
Figure FDA00039629173400000312
其中pri d表示第i个栅格在预设统计周期中第d天的病例个数。
CN202210245393.7A 2022-03-14 2022-03-14 呼吸道传染病预警方法及系统 Active CN114708985B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210245393.7A CN114708985B (zh) 2022-03-14 2022-03-14 呼吸道传染病预警方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210245393.7A CN114708985B (zh) 2022-03-14 2022-03-14 呼吸道传染病预警方法及系统

Publications (2)

Publication Number Publication Date
CN114708985A CN114708985A (zh) 2022-07-05
CN114708985B true CN114708985B (zh) 2023-01-24

Family

ID=82168297

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210245393.7A Active CN114708985B (zh) 2022-03-14 2022-03-14 呼吸道传染病预警方法及系统

Country Status (1)

Country Link
CN (1) CN114708985B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116342345B (zh) * 2023-05-26 2023-09-19 贺显雅 一种基于大数据的智慧社区便民综合服务方法及平台

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103093106A (zh) * 2013-01-25 2013-05-08 上海市浦东新区疾病预防控制中心 大型活动中多源数据的传染病症状监测与预警方法
CN110600139A (zh) * 2019-10-25 2019-12-20 甘肃大禹九洲空间信息科技有限公司 一种基于gis的区域性人口传染病预警方法
CN111063451A (zh) * 2020-03-17 2020-04-24 广州地理研究所 基于输入-扩散函数的传染病疫情早期风险态势分析方法
CN111653367A (zh) * 2020-04-28 2020-09-11 同济大学 一种基于咳嗽症状的呼吸道传染病监测系统及方法
CN113345598A (zh) * 2021-07-21 2021-09-03 深圳市知酷信息技术有限公司 基于数据分析的区域疫情监测预警系统
CN113784292A (zh) * 2021-08-24 2021-12-10 同济大学 一种基于手机信令数据的城市疫情风险评估方法
CN113780635A (zh) * 2021-08-24 2021-12-10 广东省公共卫生研究院 一种小空间尺度传染病时空传播模式的预测方法
CN114068032A (zh) * 2021-10-20 2022-02-18 深圳市联影医疗数据服务有限公司 一种基于电子病历的传染性疾病预警方法及装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11309091B2 (en) * 2020-03-18 2022-04-19 Kinsa Inc. Systems and methods for contagious illness surveillance and outbreak detection

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103093106A (zh) * 2013-01-25 2013-05-08 上海市浦东新区疾病预防控制中心 大型活动中多源数据的传染病症状监测与预警方法
CN110600139A (zh) * 2019-10-25 2019-12-20 甘肃大禹九洲空间信息科技有限公司 一种基于gis的区域性人口传染病预警方法
CN111063451A (zh) * 2020-03-17 2020-04-24 广州地理研究所 基于输入-扩散函数的传染病疫情早期风险态势分析方法
CN111653367A (zh) * 2020-04-28 2020-09-11 同济大学 一种基于咳嗽症状的呼吸道传染病监测系统及方法
CN113345598A (zh) * 2021-07-21 2021-09-03 深圳市知酷信息技术有限公司 基于数据分析的区域疫情监测预警系统
CN113784292A (zh) * 2021-08-24 2021-12-10 同济大学 一种基于手机信令数据的城市疫情风险评估方法
CN113780635A (zh) * 2021-08-24 2021-12-10 广东省公共卫生研究院 一种小空间尺度传染病时空传播模式的预测方法
CN114068032A (zh) * 2021-10-20 2022-02-18 深圳市联影医疗数据服务有限公司 一种基于电子病历的传染性疾病预警方法及装置

Also Published As

Publication number Publication date
CN114708985A (zh) 2022-07-05

Similar Documents

Publication Publication Date Title
CN103093106B (zh) 大型活动中多源数据的传染病症状监测与预警方法
Becker et al. Geographic epidemiology of gonorrhea in Baltimore, Maryland, using a geographic information system
CN111354472A (zh) 一种传染病传播监测预警系统和方法
CN114708985B (zh) 呼吸道传染病预警方法及系统
Kalipeni et al. HIV and AIDS in Africa: a geographic analysis at multiple spatial scales
CN115240869A (zh) 一种传染病智能化监测预警系统
CN107895023A (zh) 一种图像数据质检方法、装置、服务器和存储介质
CN112037924B (zh) 一种中长距疫情监测和安全指数量化方法
Bae et al. A mobile data analysis framework for environmental health decision support
CN113380420A (zh) 一种疫情预测方法、装置、电子设备及存储介质
Scott et al. Towards the creation of a health information system for cancer in KwaZulu-Natal, South Africa
CN115036040A (zh) 融合发热人数和人口背景数据的流行病疫情时空预警方法
Abeysekera et al. Optimizing the malaria data recording system through a study of case detection and treatment in Sri Lanka
Alkobaisi et al. A novel health monitoring system using patient trajectory analysis: Challenges and opportunities
Khalique et al. Spatio-temporal investigations of dengue fever in Pakistan through an HL7 based public health framework for hotspot analysis
CN113011746A (zh) 一种基于数字画像的空气传播类疾病高风险场所预警系统
Hafsa et al. COVID-19 cases in Savar Upazila of Bangladesh: a geographical inquiry
Dawes et al. Measurement and monitoring
Liu et al. Spatio-temporal variations of the Covid-19 epidemic in Mexico
Zeng et al. Spatial regression-based environmental analysis in infectious disease informatics
Chen et al. Geospatial analysis of childhood pertussis in Victoria, 1993–97
CN116525132A (zh) 面向poi的突发公共卫生事件重点区域预测方法及系统
Hammad Qureshi et al. Epidemic Tracking and Disease Monitoring in Rural Areas: A Case Study in Pakistan
CN117035388A (zh) 目标场所的风险评估方法及系统、终端设备、存储介质
Brown et al. Analysing spatial patterns of disease: some issues in the mapping of incidence data for relatively rare conditions

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