CN1881227A - 传染病疫情诊断及危害度分类智能分析模型技术 - Google Patents
传染病疫情诊断及危害度分类智能分析模型技术 Download PDFInfo
- Publication number
- CN1881227A CN1881227A CNA2006100542937A CN200610054293A CN1881227A CN 1881227 A CN1881227 A CN 1881227A CN A2006100542937 A CNA2006100542937 A CN A2006100542937A CN 200610054293 A CN200610054293 A CN 200610054293A CN 1881227 A CN1881227 A CN 1881227A
- Authority
- CN
- China
- Prior art keywords
- model
- anthrax
- result
- disease
- training
- 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.)
- Pending
Links
Classifications
-
- 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
- Investigating Or Analysing Biological Materials (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
Abstract
本发明公开的是传染病疫情诊断及危害度分类智能分析模型的构建方法。此方法首先根据实际传染病案例资料,以临床、实验室检查及流行病学调查指标为基本因子进行统计学相关分析;选取特异关联指标,通过计算机神经网络算法构建智能分析模型,以及时判断传染病的发生及危害程度,提高对传染病疫情的认识和判断能力。该模型建成后,应用方便简单。即使是普通基层医务人员也可根据现场实际情况资料的收集和整理,及时进行综合诊断和危害度判断。
Description
技术领域
本发明涉及的是重要传染病疫情诊断及危险度预测智能模型的构建方法。
背景技术
传染病的诊断和治疗方法是相对比较成熟的。对于自然原因引起的传染病,只要发现早,治疗及时,疾病预后一般良好;对于人为引起的传染病(生物武器攻击或恐怖袭击),及早认识和确定攻击行为是减少伤害、控制疫情蔓延的重要环节。因此,探索和建立综合信息分析系统,提高对重要传染病的诊断和危害分类能力是十分重要的。
针对传染病的危害性,研究者们一直在探索能准确预测、识别疫情,判明发展趋势的理论方法,以利于及时行动,采取针对性对策。至今,这些模型研究还全部局限在普通数学模型的构建层次。这些数学模型一般具有典型的以数学理论为依据的设计和构思特点,与实际事件和相关量化数据有一定距离。
发明内容
本发明的目的是提供一种以实际疾病案例为依据,利用计算机智能分析软件建立以临床症状、临床检查、实验室检验和流行病学调查资料为基本分析因子的综合疫情诊断及危害程度分类的传染病智能分析模型的构建技术。
传染病疫情的诊断及危险度分类智能分析模型的构建方法,该方法按以下步骤进行:
(1)关联因子的确定:根据实际案例资料,选取炭疽病和布病的散发、流行和人为引发事件案例。同时也选取它们的相似病例案例。通过Pearson和logistic分析,选取相应的临床、实验室及流行病学关联指标,并将其作为神经网络输入层节点。指标包括:体温、呼吸道症状、皮肤症状、脑膜炎综合征、败血症、消化道症状、PCR检测结果、细菌学镜下检测(或培养)结果、X光检测结果、WBC、细菌血清凝集试验结果、接触史、职业分布特征、季节分布特征、潜伏期、地区分布、敌情状况、社会稳定因素、早期抗菌治疗效果、同期病人人数等指标。
(2)指标量化:将上述指标进行量化,量化分类包括:有;无;阳性;阴性;结果不详;全部阴性;全部阳性;阳性率大于50%(>50%);阴性率大于50%(>50%);赋值范围为0-10。
(3)疾病诊断及危险度分类:分类数目为2-10个。包括传染病种类;散发自然原因引起的流行;人为原因引起的流行;其他疾病等。
(4)模型设计:根据Metlab计算机软件中前馈神经网络(BP神经网络)工具箱构建智能模型:根据关联指标的多少,输入层为6-14个节点(神经元);隐层1-6个节点(神经元);输出层1-5个节点(神经元)。输入层和隐层采用正切Sigmoid函数为计算取值;输出层用purelin线性函数为计算取值。
(5)模型训练及测定:即进行BP神经网络的训练和仿真。设定训练样本和检测(验证)样本;模型训练300-1000步;要求符合率为80%-100%。
此模型实用于炭疽病,布鲁氏菌病、鼠疫、霍乱、伤寒、细菌性痢疾、细菌性食物中毒、钩端螺旋体病、流行性出血热、流行性感冒、传染性非典型肺炎、登革热、森林脑炎、乙型脑炎、天花、黄热病、Q热、斑疹伤寒、肉毒杆菌毒素中毒、葡萄球菌肠毒素中毒、疟疾等。
利用人工神经网络(Artificial Neural Network,ANN)构建的疾病分析模型具有独特的信息存储方式、良好的容错性、进行大规模非线性信息处理、强大的自组织、自学习和自适应能力等特点。从实用性和准确性方面具有明显的创新特色。
本发明所涉及的疾病案例资料可从中国期刊网专题全文数据库、ScienceDirect(Elsevier)数据库、医院病案室、疾病控制中心调查资料档案室获得;计算机软件Metlab和SPSS为市售产品。
下面结合炭疽病实施例对发明做进一步说明。
(1)资料检索及筛选通过中国期刊网专题全文数据库和ScienceDirect(Elsevier)数据库,收集1994年-2005年报道的炭疽病、流行性感冒、急性皮炎、脑膜炎、猪链球菌、传染性非典型肺炎等近60例散发及暴发案例。根据研究要求,筛选出39例(见表1),其中25例炭疽案例、3例可疑炭疽案例和11例非炭疽病(症状相似)案例。其中人为引发炭疽案2例为1979年前苏联Sverdlovsk地区炭疽事件和2001年美国炭疽事件。在这些案例中,分层随机选择2/3作为建模训练样本,另外1/3作为模型验证样本。
(2)资料整理分类及分析根据医学知识,研究小组集体讨论,选取与炭疽病相关的临床、实验室及流行病学19个分析指标,包括体温、肺部症状、皮肤症状、脑膜炎症状、败血症症状、腹部症状、PCR检测结果、病原体镜下检查(或培养)结果、微生物血清学检测结果、胸部X线检测结果、WBC、接触史、职业特征、季节特征、潜伏期、地区特征、敌情、早期抗菌效果和患者人数等。根据相关指标的“阳性”(含百分比例)、“阴性”(含百分比例)、结果不详、符合程度(是/否)、病人总数等结果分别进行定量赋值。依照症状、体症、检测结果、流行病学特征的典型程度变化,定量赋值范围为0-2。同时,将疾病发生及危害程度设定5个类型。包括人为炭疽(赋值1)、自然暴发(赋值2)、自然散发(赋值3)、可疑炭疽(赋值4)和其它相似疾病(赋值5)等。
炭疽病及危害程度与临床、实验室及流行病学相关指标的相关性分析采用统计学软件SPSS10.0中的Pearson分析程序进行分析。将其中显著性关联指标作为模型的输入层节点(神经元)。
(3)智能模型建立
①选用计算机软件Metlab6.1中前馈神经网络(Back propagationNetwork,BP神经网络)工具箱。其由若干功能单一神经元并行分布组成,分为输入层、隐层和输出层。网络中的信息传递是单向的,同一层中的神经元之间无联系,而层与层之间多采用全互联方式,层间连接权值表通过不断训练学习来调节其值,直到实际输出和预期输出间的误差达到可接受的范围,以便它能够很好地逼近任何有限间断点的非线性函数。
②神经元模型建立及网络结构形式确定。根据对模型的尝试与调整,本模型输入层和隐层采用正切Sigmoid函数为计算取值;输出层用purelin线性函数为计算取值。根据显著性关联指标的指标个数决定模型的输入层节点;根据试验仿真效果进行调整,隐层设3个节点;根据研究的要求,输出层设1个节点。
③建立模型流程。即进行BP神经网络的训练和仿真。用已知的输入和输出样本对模型开展学习训练,检验该网络的推广能力。从神经元、网络结构、网络参数学习算法等方面着手,改进后再检验。模型成立条件一般为以网络模拟输出值与实际值符合率达到80%以上为满意。
④相关分析
Pearson分析结果显示,在19项临床、实验室及流行病学相关指标中,疾病潜伏期、胸部X光检验结果、镜检结果、职业特征等11项指标与炭疽病的诊断和流行强度有关(见表2)。因此将这11个指标作为模型输入层的节点。考虑到“患者人数”一项指标接近显著性临界点,而且从理论上看与危险分类明显有关,因此也纳入输入节点。
⑤网络训练
在BP神经网络命令窗口执行相应的操作指令,依次输入训练样本的计量参数值,神经网络按照指令进行反复的学习和训练,通过500步学习和训练,曲线变化稳定,误差下降明显,误差由6.66959下降到5.051 19×10-11。
⑥模拟结果
网络训练结束后,在程序窗口输入12验证样本的量化参数值,神经网络通过学习和训练,得出模拟预测数值(见表3)。12个案例每次模拟预测结果与实际值的符合率有变化,最大值这91%,最低为66.7%。但全部案例的10次输出结果均值与真实值接近,符合率达100%。
表1 主要建模和预测资料来源
篇名 | 作者 | 期刊 |
The Sverdlovsk Anthrax Outbreak Of 1979Anthrax attack in the USAAnthrax Meningitis:Case ReportAn Epidemic of Inhalation Anthrax,theFirst in theTwentieth Century:I.Clinical FeaturesOutbreak of anthrax in a border provinceof Northeastern Thailand,1995高原牧区一起肺炭疽暴发的调查三峡库区炭疽墓群的卫生清理及评价方法研究暴发性皮肤型炭疽7例分析那坡县一起炭疽暴发流行的调查报告眼睑炭疽一例一起冬季暴发炭疽病的调查一起炭疽病暴发的流行病学调查报告 | Matthew Meselson,Jeanne Guillemin,Martin Hugh-Jones,et alMichael McCarthyBirdal Yorgancigil,MD,MustafaDemirci,MD,Mehmet Unlu,MD,et alStanley A.Plotkin,MD,Philip S.Brachman,MD,Milton Utell,MD,et alSunthorn Rheanpumi kankit,P.Chumkasian,T.Nammuog,T.Smarksaman,et al罗布贾庆良,汪新丽,梅浙川,等田秀蓉,茹克亚·艾尔肯,唐忠,等方锦嵩,曾竣,刘军杨明明,张献群成砾,英卡别克王海山 | Science,1994,266:1202-1208.Lancet InfectDis,2001,1:288-289.Int J InfectDis,2001,5:220-221.AM J MED,2002,12:4-12.J ClinEpidemiol,1997,50:S32.地方病通报,1998,13:50.中国公共卫生,2004,20:1159-1160.农垦医学,2005,27:78-79.疾病监测,2003,18:114-115.中华眼科杂志,1997,33:399.实用预防医学,2001,8:364.内蒙古预防医学,2000,25: |
一起炭疽病流行的调查一起洪水引起的人畜炭疽暴发流行的调查经人传染肺炭疽杆菌感染4例报告湟中县一起人间炭疽暴发流行的调查报告一起炭疽病暴发的流行病学调查一起肠型炭疽杆菌引起的食物中毒调查一起接触性皮炎暴发的调查报告一起隐翅虫皮炎爆发病例报告一起甲型流感爆发疫情的调查报告一起小学生流感爆发的流行病学调查一起肺炎支原体暴发流行的调查报告一起中学肺炎支原体感染暴发的调查报告某值勤小分队暴发一起流行性出血热猪链球菌2型菌株引起8例化脓性脑膜炎调查 | 吴振环,李枝国,李德发,等李振东,黄章龙,李敢华,等李克明,马俊华,胡菊梅,等杨连春,铁生昌,冯苍,等黄明高哈德鹏,石作宏黄志标陈飞宇,黄道才,洪小玉胡超云赵万怀,黄永军苏珍玲,周志明秦安莉,沈艳辉,孙培源杨正德,李爱翠,焦平华杜亚平,钱卫娟,徐国彬 | 168-169.实用预防医学,1999,6:69.右江民族医学院学报,1995,17:76-77.新医学,2000,31:202.青海医药杂志,1997,27:55-56.解放军预防医学杂志,1995,13:233-234.中华预防医学杂志,1994,28:127.华南预防医学,2002,28:38-39.中国预防医学杂志,2004,5:396.中国预防医学杂志,2004,5:339.中国校医,2005,19:386.疾病监测,2002,17:415-416.疾病监测,2005,20:179.中华流行病学杂志,2000,21:60.中华预防医学杂志,2000,34:305. |
一起公共场所传染性非典型肺炎暴发的流行病学分析从疑似炭疽病人检出粪肠球菌和大肠埃希菌通过1例疑似炭疽的处理过程谈基层医疗单位的疫情管理一例误诊为“皮肤炭疽”的病例分析报告一皮肤炭疽继发炭疽脑膜炎死亡病例调查分析青海省黄南自治州一起人畜间炭疽疫情爆发的调查一起炭疽暴发流行的调查一起人畜共患炭疽疫情的调查分析炭疽败血症1例报告一起水电站库区炭疽流行的调查分析不典型皮肤炭疽误诊误治二例一起学校流感暴发疫情的流行病学调查报告一起霉菌孢子引起的职业性变态反应性肺炎 | 刘于飞,蒲少鸣,李新锐,等李孝权,莫自耀,柴巧学,等夏志双,魏守信,陈胜禹杨海,姜培清,李一航,等李光增,徐君泽,高金成,等李承宁黄焕新,覃后承何青,申明霞管永利,陈阿丽,骆长芹梁江明,曾竣,陈达宗,等夏医君,赖玉书,金海英杨绍金,董学平,赵春发,等王文军 | 华南预防医学,2003,29:40-41.中国卫生检验杂志,2005,15:28-29,37.齐齐哈尔医学院学报,2001,22:565.职业与健康,2004,20:98-99.河南预防医学杂志,1996,7:150.中华流行病学杂志,2005,26:381.广西预防医学,1999,5:85.中华流行病学杂志,2004,25:907.中国社区医师,2005,21:46.广西预防医学,2005,11:282:283.内蒙古医学杂志,1995,15:295.公共卫生与预防医学,2005,16:34,36.甘肃科技纵横,2003,32:108. |
表2 29例炭疽指标与炭疽诊断及危害程度分类的pearson相关分析
量化指标名称 | 相关系数(r) | P值(双侧) |
体温肺部症状皮肤症状脑膜炎症状败血症症状腹部症状PCR镜下检查培养X线WBC血清学接触史职业季节潜伏期地区敌情早期抗菌效果患者人数 | -0.0420.003-0.508**-0.202-0.307-0.120-0.392*-0.634**-0.385*-0.726**-0.2110.617**0.511**0.243-0.606**0.493**-0.402*-0.419*0.317 | 0.8290.9890.0050.2930.1060.5360.0360.0000.0390.0000.2720.0000.0050.2040.0000.0070.0300.0240.094 |
**相关有非常显著意义(P<0.01)
*相关有显著意义(P<0.05)
表3 神经网络模拟预测结果
样本 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 | 11 | 12 | 符合率(%) |
T | 1 | 1 | 5 | 5 | 3 | 2 | 3 | 2 | 2 | 2 | 3 | 4 | |
A | 1.261.030.930.98-0.101.080.902.091.011.00 | 1.001.001.001.001.001.001.001.001.001.00 | 5.005.075.005.004.625.005.005.005.005.00 | 5.005.005.005.005.005.005.005.005.005.00 | 2.772.891.102.904.871.412.223.093.003.01 | 1.981.971.313.152.002.302.002.392.002.00 | 3.862.533.113.1013.0011.523.5513.034.733.01 | 2.002.002.002.002.202.092.072.002.372.11 | 1.963.400.545.001.961.261.841.552.001.97 | 1.772.001.911.012.132.001.202.003.221.94 | 2.893.193.152.863.092.233.004.593.312.99 | 2.334.934.0034.494.814.325.0023.8623.992.43 | 83.383.375.075.075.075.066.783.383.391.7 |
x±s | 1.02±0.53 | 1.00±0.00 | 4.97±0.12 | 5.00±0.00 | 2.73±1.03 | 2.11±0.46 | 3.14±0.83 | 2.08±0.12 | 2.15±1.23 | 1.92±0.59 | 3.13±0.59 | 4.02±0.85 | 100 |
注:表中T为实际值,人为炭疽(赋值1)、自然暴发(赋值2)、自然散发(赋值3)、可疑炭疽(赋值4)和其它相似疾病(赋值5);A为同一样本10次网络模拟输出值。
Claims (4)
1.关联因子的确定:根据实际案例资料,选取传染病的散发、流行和人为引发事件案例。同时也选取它们的相似病例案例。通过Pearson和logistic分析,选取相应的临床、实验室及流行病学关联指标,并将其作为智能模型输入层节点。指标可以包括:体温、呼吸道症状、皮肤症状、脑膜炎综合征、败血症、消化道症状、PCR检测结果、细菌学镜下检测(或培养)结果、X光检测结果、WBC、细菌血清凝集试验结果、接触史、职业分布特征、季节分布特征、潜伏期、地区分布、敌情状况、社会稳定因素、早期抗菌治疗效果、同期病人人数等。
2.指标量化:将上述指标进行量化,量化分类包括:有;无;阳性;阴性;结果不详;全部阴性;全部阳性;阳性率大于50%(>50%);阴性率大于50%(>50%);赋值范围为0-10。(3)疾病诊断及危害度分类:分类数目为1-10个。包括传染病种类;散发;自然原因引起的流行;人为原因引起的流行;其他疾病等。
3.模型设计:根据Metlab计算机软件中前馈神经网络(BP神经网络)工具箱构建智能模型:根据关联指标的多少,输入层为6-14个节点(神经元);隐层1-6个节点(神经元);输出层1-5个节点(神经元)。输入层和隐层采用正切Sigmoid函数为计算取值;输出层用purelin线性函数为计算取值。
4.模型训练及测定:即进行BP神经网络的训练和仿真。设定训练样本和检测(验证)样本;模型训练300-1000步;要求符合率为80%-100%。
此模型实用于炭疽病,布鲁氏菌病、鼠疫、霍乱、伤寒、细菌性痢疾、细菌性食物中毒、钩端螺旋体病、流行性出血热、流行性感冒、传染性非典型肺炎、登革热、森林脑炎、乙型脑炎、天花、黄热病、Q热、斑疹伤寒、肉毒杆菌毒素中毒、葡萄球菌肠毒素中毒、疟疾等。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNA2006100542937A CN1881227A (zh) | 2006-05-16 | 2006-05-16 | 传染病疫情诊断及危害度分类智能分析模型技术 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNA2006100542937A CN1881227A (zh) | 2006-05-16 | 2006-05-16 | 传染病疫情诊断及危害度分类智能分析模型技术 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN1881227A true CN1881227A (zh) | 2006-12-20 |
Family
ID=37519425
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CNA2006100542937A Pending CN1881227A (zh) | 2006-05-16 | 2006-05-16 | 传染病疫情诊断及危害度分类智能分析模型技术 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN1881227A (zh) |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103224880A (zh) * | 2013-05-14 | 2013-07-31 | 山东出入境检验检疫局检验检疫技术中心 | 一种基于人工神经网络的细菌生化鉴定系统及鉴定方法 |
CN104123384A (zh) * | 2014-08-04 | 2014-10-29 | 金坛市疾病预防控制中心 | 引起食物中毒的致病因子的筛选方法和装置 |
CN105389465A (zh) * | 2015-10-29 | 2016-03-09 | 徐翼 | 病历数据处理方法、装置以及系统 |
CN108039206A (zh) * | 2017-12-21 | 2018-05-15 | 北京大学深圳研究生院 | 一种传染病的诊治方法及系统 |
CN108364694A (zh) * | 2018-03-09 | 2018-08-03 | 中华人民共和国陕西出入境检验检疫局 | 基于多数据源大数据的机场疾病预警及防控系统构建方法 |
CN108389622A (zh) * | 2018-01-10 | 2018-08-10 | 中国地质大学(武汉) | 一种基于最优模型的疾病预测方法、设备及存储设备 |
CN109685765A (zh) * | 2018-11-21 | 2019-04-26 | 浙江大学山东工业技术研究院 | 一种基于卷积神经网络的x光片肺炎结果预测装置 |
WO2019196281A1 (zh) * | 2018-04-11 | 2019-10-17 | 平安科技(深圳)有限公司 | 流行病分级预测方法及装置、计算机装置及可读存储介质 |
CN111292852A (zh) * | 2020-03-12 | 2020-06-16 | 陕西领创精准医疗科技有限公司 | 基于随机森林算法的脑炎、脑膜炎智能辅助诊断系统 |
CN111316281A (zh) * | 2017-07-26 | 2020-06-19 | 舒辅医疗 | 基于机器学习的自然语言情境中数值数据的语义分类 |
CN111403049A (zh) * | 2020-03-26 | 2020-07-10 | 长沙瀚云信息科技有限公司 | 流行病预测预警管理系统 |
CN111540478A (zh) * | 2020-04-22 | 2020-08-14 | 第四范式(北京)技术有限公司 | 疫情推演仿真系统和仿真方法 |
CN111883259A (zh) * | 2020-07-17 | 2020-11-03 | 山西省信息产业技术研究院有限公司 | 一种基于区块链的重大突发疫情防控共识方法 |
CN112216399A (zh) * | 2020-10-10 | 2021-01-12 | 黑龙江省疾病预防控制中心 | 一种基于bp神经网络的食源性疾病致病因子预测的方法和系统 |
CN112216400A (zh) * | 2020-10-10 | 2021-01-12 | 黑龙江省疾病预防控制中心 | 一种基于大数据的食源性疾病致病因子预测的方法和系统 |
CN112368782A (zh) * | 2018-07-02 | 2021-02-12 | 巴克斯特国际公司 | 用于疫情追踪和管理的图形数据库 |
CN113161004A (zh) * | 2020-07-15 | 2021-07-23 | 泰康保险集团股份有限公司 | 一种疫情预测系统及方法 |
-
2006
- 2006-05-16 CN CNA2006100542937A patent/CN1881227A/zh active Pending
Cited By (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103224880B (zh) * | 2013-05-14 | 2014-08-06 | 山东出入境检验检疫局检验检疫技术中心 | 一种基于人工神经网络的细菌生化鉴定系统及鉴定方法 |
CN103224880A (zh) * | 2013-05-14 | 2013-07-31 | 山东出入境检验检疫局检验检疫技术中心 | 一种基于人工神经网络的细菌生化鉴定系统及鉴定方法 |
CN104123384A (zh) * | 2014-08-04 | 2014-10-29 | 金坛市疾病预防控制中心 | 引起食物中毒的致病因子的筛选方法和装置 |
CN105389465B (zh) * | 2015-10-29 | 2018-09-28 | 徐翼 | 病历数据处理方法、装置以及系统 |
CN105389465A (zh) * | 2015-10-29 | 2016-03-09 | 徐翼 | 病历数据处理方法、装置以及系统 |
CN111316281B (zh) * | 2017-07-26 | 2024-01-23 | 舒辅医疗 | 基于机器学习的自然语言情境中数值数据的语义分类方法以及系统 |
CN111316281A (zh) * | 2017-07-26 | 2020-06-19 | 舒辅医疗 | 基于机器学习的自然语言情境中数值数据的语义分类 |
CN108039206A (zh) * | 2017-12-21 | 2018-05-15 | 北京大学深圳研究生院 | 一种传染病的诊治方法及系统 |
CN108039206B (zh) * | 2017-12-21 | 2021-11-09 | 北京大学深圳研究生院 | 一种传染病的诊治方法及系统 |
CN108389622A (zh) * | 2018-01-10 | 2018-08-10 | 中国地质大学(武汉) | 一种基于最优模型的疾病预测方法、设备及存储设备 |
CN108389622B (zh) * | 2018-01-10 | 2022-03-15 | 中国地质大学(武汉) | 一种基于最优模型的疾病预测方法、设备及存储设备 |
CN108364694A (zh) * | 2018-03-09 | 2018-08-03 | 中华人民共和国陕西出入境检验检疫局 | 基于多数据源大数据的机场疾病预警及防控系统构建方法 |
WO2019196281A1 (zh) * | 2018-04-11 | 2019-10-17 | 平安科技(深圳)有限公司 | 流行病分级预测方法及装置、计算机装置及可读存储介质 |
CN112368782A (zh) * | 2018-07-02 | 2021-02-12 | 巴克斯特国际公司 | 用于疫情追踪和管理的图形数据库 |
CN109685765A (zh) * | 2018-11-21 | 2019-04-26 | 浙江大学山东工业技术研究院 | 一种基于卷积神经网络的x光片肺炎结果预测装置 |
CN109685765B (zh) * | 2018-11-21 | 2023-03-14 | 浙江大学山东工业技术研究院 | 一种基于卷积神经网络的x光片肺炎结果预测装置 |
CN111292852A (zh) * | 2020-03-12 | 2020-06-16 | 陕西领创精准医疗科技有限公司 | 基于随机森林算法的脑炎、脑膜炎智能辅助诊断系统 |
CN111403049A (zh) * | 2020-03-26 | 2020-07-10 | 长沙瀚云信息科技有限公司 | 流行病预测预警管理系统 |
CN111540478B (zh) * | 2020-04-22 | 2023-10-10 | 第四范式(北京)技术有限公司 | 疫情推演仿真系统和仿真方法 |
CN111540478A (zh) * | 2020-04-22 | 2020-08-14 | 第四范式(北京)技术有限公司 | 疫情推演仿真系统和仿真方法 |
CN113161004A (zh) * | 2020-07-15 | 2021-07-23 | 泰康保险集团股份有限公司 | 一种疫情预测系统及方法 |
CN113161004B (zh) * | 2020-07-15 | 2023-11-10 | 泰康保险集团股份有限公司 | 一种疫情预测系统及方法 |
CN111883259A (zh) * | 2020-07-17 | 2020-11-03 | 山西省信息产业技术研究院有限公司 | 一种基于区块链的重大突发疫情防控共识方法 |
CN112216400A (zh) * | 2020-10-10 | 2021-01-12 | 黑龙江省疾病预防控制中心 | 一种基于大数据的食源性疾病致病因子预测的方法和系统 |
CN112216399A (zh) * | 2020-10-10 | 2021-01-12 | 黑龙江省疾病预防控制中心 | 一种基于bp神经网络的食源性疾病致病因子预测的方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN1881227A (zh) | 传染病疫情诊断及危害度分类智能分析模型技术 | |
Husein et al. | Modeling of Epidemic Transmission and Predicting the Spread of Infectious Disease. | |
Vasilevskis et al. | Mortality probability model III and simplified acute physiology score II: assessing their value in predicting length of stay and comparison to APACHE IV | |
CN106778042A (zh) | 心脑血管患者相似性分析方法及系统 | |
Fan et al. | Research on risk scorecard of sick building syndrome based on machine learning | |
Guo et al. | Predicting the trend of infectious diseases using grey self-memory system model: a case study of the incidence of tuberculosis | |
Xie et al. | Control charts for dynamic process monitoring with an application to air pollution surveillance | |
CN105069212B (zh) | 一种基于类神经网络的压载水微生物数量预测方法 | |
Eken et al. | Artificial neural network, genetic algorithm, and logistic regression applications for predicting renal colic in emergency settings | |
JP2013101675A (ja) | アンチバイオグラム分類方法および装置、2次元キャリアマップ作成方法および装置、並びに感染対策指標の評価方法および装置 | |
CN116862283A (zh) | 养老环境评估、控制方法及系统 | |
Nielsen | Ecosystem health and veterinary medicine | |
Rakhimov | METHODS FOR DETERMINING THE IMPACT OF LOCAL ENVIRONMENTAL PROBLEMS ON HUMAN HEALTH | |
Chamuchi et al. | SIICR model and simulation of the effects of carriers on the transmission dynamics of typhoid fever in kisii town kenya | |
Sun et al. | Artificial Intelligence in microbiomes analysis: A review of applications in dermatology | |
Zhi et al. | Design of intelligent rehabilitation evaluation scale for stroke patients based on genetic algorithm and extreme learning machine | |
Abunyewah et al. | Drought impact on peri-urban farmers’ mental health in semi-arid Ghana: The moderating role of personal social capital | |
Hu et al. | Spatial-cluster signal detection in medical devices using likelihood ratio test method | |
Sun et al. | Socioeconomic, meteorological factors and spatiotemporal distribution of human brucellosis in China between 2004 and 2019—A study based on spatial panel model | |
Wang et al. | The epidemiological investigation and intelligent analytical system for foodborne disease | |
Cheng et al. | Expert consensus on One Health for establishing an enhanced and integrated surveillance system for key infectious diseases | |
Tan et al. | Dynamic modeling and data fitting of climatic and environmental factors and people's behavior factors on hand, foot, and mouth disease (HFMD) in Shanghai, China | |
Dong et al. | A study on modified SEIR model considering quarantine status and the prediction of material demand during epidemics | |
CIMPOERU MARIA et al. | SUSTAINABLE DEVELOPMENT AND HEALTH STATUS OF THE POPULATION. | |
Zhao | Mathematical Modeling and Epidemic Prediction Of 2019-Ncov And Its Significance to Epidemic Prevention And Control Measures |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C12 | Rejection of a patent application after its publication | ||
RJ01 | Rejection of invention patent application after publication |