[医学]预警预测.ppt

* 对2009年5月22日-2010年3月21日的甲型H1N1流感病例拟合Richards模型（表2），结果表明，预测的总病例数为13642.82例，实际报告13706，误差率仅为0.46%；ti=191.04，对应于2009年11月28日，此即为浙江省甲型H1N1流感疫情出现下降的真正拐点（以平均潜伏期3天计算，感染的拐点在11月25日）。模型拟合的参数r=0.094，95%CI：0.089-0.099，按平均潜伏期3天计算，R0=1.33，95%CI：1.31-1.35。 我省在流行的第一个小高峰期，利用Richards模型估算的R0为2.44，即平均一个病例在平均潜伏期内能使2.44个易感者发病。略高于日本和墨西哥在流行早期的R0。对所有病例拟合Richards模型，估算整个大流行期间的R0为1.33。 浙江省甲型H1N1流感疫情出现下降的真正拐点发生在11月28日，此时，利用5/22-12/14的数据就能找到疫情下降的拐点，即拐点在出现后的第16天就能被监测到。 * * * * * 神经网络技术至少具有以下几方面的优点 以众多的神经元组成一个网络，可以逼近任意复杂的非线性系统 以连续的方式进行学习，学习方法简单 以并行方式处理信息，大大加快了运行速度 以分布方式存储信息，即使网络的某一部分受到破坏，仍然能恢复出原来的信息。 人工神经网络是由多个非常简单的处理单元（神经元）彼此按某种方式相互连接而形成的计算机系统，该系统是靠其状态对外部信息的动态响应来处理信息的。下图为神经元示意图，人工神经元又称结点，它是对生物神经元的结构和功能的模拟。人工神经元具有多个输入信号，它们同时输入神经元，且每一个输入都有一个加权系数，神经元必须对全部的输入信号进行整合，以确定各类输入的总效果，其输出只有一个，用表示。人工神经元的输入输出对应关系可用转移函数来表示。 大量的神经元根据一定的规则可以组成庞大的神经网络，整个网络包含一个输入层、一个输出层和多个隐含层。根据神经网络内部信息传递方向的不同可以分为前馈型神经网络和反馈型神经网络，如BP神经网络即属于反馈型神经网络，整个神经网络中存在反馈环路，每个结点既可以从外界接受信息，又可以向外界输出信息。神经网络能够通过对样本的学习训练，不断改变网络的连接权值以及拓扑结构，以使网络的输出不断的接近期望的输出。这一过程称为神经网络的学习或训练。 以BP神经网络为例，其是采用误差反向传播算法进行学习的，它的基本思想是：学习过程由信号的正向传播与误差的反向传播两个过程组成。正向传播时，输入样本从输入层传入，经各隐层逐层处理后，传向输出层。若输出层的实际输出与期望输出（实际观察值）不符，则转入误差的反向传播阶段。误差反传是将输出误差以某种形式通过隐层向输入层逐层反传，并将误差分摊给各层的所有单元。从而获得各层单元的误差信号，此误差信号即为修正各单元权值的依据。这一过程反复进行，直到网络输出的误差减少到可接受的程度为止。 预警预测方法很多，如控制图法、聚类分析、判别分析等，可参见相关文献。 在进行传染病的预警时，需要解决的关键技术：资料的准确性、流行因素和预警指标的确定、合理的预警分析技术、结果的评价 在收集资料时，需要充分考虑资料的准确性，对于历年的资料，需根据实际情况合理利用（可以对历年数据赋予不同的权重），要正确对待实行网络直报前的数据。 在制作预警线时，需将历年的爆发数据从基线中剔除。同时，还要合理选择流行和爆发的标准。 不同的方法有不同的适用范围，不同的方法所得结果也各异。在选择正确方法的前提下，适宜用多种方法建立模型，综合权衡分析结果。 注意事项 谢 谢！ * * * * * * * * * * * * * * * * * * * * * * 2009年5月至2010年3月，全省共报告甲型H1N1流感病例13487例，发病率26.04/10万，其中男性7253例、女性6234例，发病率分别为27.56/10万、24.46/10万。发病主要集中在30岁以下的年轻人，其中10-19岁组发病率最高，为82.56/10万，其次为10岁以下组合20-29岁组，发病率分别为53.14/10万和38.44/10万。病例以学生为主，共7605例，占总病例数的56.39%。 浙江省甲型H1N1流感流行有两个高峰，自5月22日出现首例病例以来，病例数缓慢上升，进入9月，随着学校的陆续开学，病例数上升较快，并于9月中旬形成一个小高峰，之后病例数持续下降，紧随着国庆长假形成的一个小低谷后，病例数又开始急剧上升，至11月中下旬达到发病高峰。 * * * 2009年5月22日-10月21日期间，浙江省甲型H1N1流感的Richards模型参数估计结果，可以看出，当时间段截止到10月10日时，模