传染病疫情的预警方法精要.pptVIP

移动平均控制图 在基本控制图中，我们寻找一系列观测值中的异值或异常的形态 另一种方法是研究连续的近期观测值的形态 对于观测值 y1, y2,…, 移动平均控制图的统计量是 在移动平均的计算中使用了n个观测值 * 指数加权移动平均控制图 (EWMA) EWMA给予早期数据更小的比重 对于观测值 y1, y2,…, EWMA的统计量是 0λ1是比重参数，s0=0 λ增大，越早期数据的影响越小 通常λ设置为0.1-0.5 * 累积和控制图 此方法计算连续观测值的总和(CUSUM)并将CUSUM和一个固定的临界值比较 必须先标准化所有观测值（减去参考均值然后除以参考标准差） * 累积和控制图 在时间t的上CUSUM公式是 yt是在时间t的观测值，μ和σ分别是过程均值和标准差 参数k用来忽略某些轻微偏差 最简化的情况下k设置为0 典型的选择是k=0.5，也就是忽略任何距离均值小于标准差一半的偏差 * 演示上CUSUM - 1 标准化观测值的累积和（但不小于0） * 演示上CUSUM - 2 收集下一个数值后（蓝色），将其加入CUSUM * 移动基线 在基本控制图中，我们预先设定了过程均值和标准差（可能来自历史数据） 在一些监控设置中，每年的情况或会有所变化，因为我们更偏向于用近期数据来设定过程均值和标准差 随着预期监测的持续，过程均值和标准差可以持续地更新 * 移动基线控制图 - 1 * 比较当前值（紫色）和参考限值 移动基线控制图 - 2 * 更新参考限值并和当前值（蓝色）比较 移动基线控制图 - 3 * 这次当前值（红色）产生了异常 比较CUSUM和基本控制图 基本控制图可以快速探测到大量超出基线的情况 有效探测大型的以及/或者密集的疾病爆发 CUSUMs可以更好地探测比较小型的疾病增长 有效探测小型的以及/或者缓慢长期的疾病爆发 …一系列的微小正增长可以迅速增加 * 控制图的更多延伸 在近期基准值和当前值之间预留缓冲区 否则正在进行的爆发可能会影响临界值 对于小的数值使用泊松分布代替正态分布 同时监控多方位的信息 * 时间序列法 前面描述的控制图法没有明确考虑到两个重要因素： 数据的序列相关性（假设随后的数据是独立的） 季节性影响（尽管使用历史数据可以帮助一些） 专门的时间序列模型可以考虑这些因素 * 时间序列法 专门的的时间序列法用来分析时间序列数据 Box-Jenkins的ARIMA模型 状态空间模型 这些先进的方法可以考虑历史季节性、过去的爆发、以及近期的水平波动 当超出参考限值时产生异常 或者在时间序列估值后使用控制图 * 动态线性模型 基于观测值 y1, y2,…的模型中假设一系列的隐变量 θ1, θ2,… 可以估算θ1, θ2,… 这种指定隐变量的方法可以假设观测值是独立的 * 时间序列法的缺陷 时间序列法是最复杂的途径，应当优于简单的方法 但是这种方法需要最多的资源，需要专家初期和持续的投入 对于很多症状的基本监测，控制图或者历史局限值已经足够 * 不同国家的方法描述 国家 方法 参考文献 美国 控制图 Xing et al. 2011 控制图 Burkom et al. 2004 CUSUM Bellazzini et al. 2011 西班牙 CUSUM Schrell et al. 2013 希腊 CUSUM,（迂回法） Spanos et al. 2012 * 回顾第二部分 当季节性比较明了时，可以使用迂回法 在很多情况下，控制图可以提供满意的结果 在某些情况下，CUSUM和EWMA可以表现得更好 通常时间序列法可能表现得最好， 但是需要许多资源的投入和维护 * * 第三部分 态势感知 态势感知的目标 “在需要提示信息的情况下监测疾病的趋势或者其它社区卫生的标记”（Buehler et al., 2008） 不要停止产生疫情警报 在流感季节开始后的情形如何？ 跟进当前和预测未来的趋势 进行干预措施的实时评估 * 态势感知的内容 传播性和严重性的评估 决定各种控制措施必要性和时间 开始计划疫苗推广 信息来源 例行监测系统（比如定点流感症状监测） 新的监测系统（比如在线查询、英国流感大流行热线、柜台药品销售、旷工/旷课情况） * 监测数据的互动传播 Cheng et al. 2011 * 由多重渠道整合信息 使用多变量模型拟合多重流感监测数据，红色柱体表明高/增加活跃度 目前从62所参与学校收集学生缺课数据 指定流感诊所的就诊情况只在流感大流行期间发布数据 (Lau et al. 2012) * 参考文献 Bellazzini MA, Minor KD. ED syndromic surveillance for novel H1N1 spring 2009. American J