传染病监测数据时空分析及早期预警统计技术研究进展-昆明-2009-9-26.pptVIP

文档之家-/ 传染病监测数据 时空分析及早期预警的统计技术研究进展 四川大学华西公共卫生学院卫生统计学教授李晓松2009年9月26日 昆明 随着信息技术的迅速发展，已经和正在产生大量各类公共卫生信息和数据。 数据分析理论的滞后和分析技术的缺失，数据所隐含的知识并未被充分认识和利用，而这些知识可能具有潜在的巨大应用价值。 3S技术等先进技术的迅速发展和应用，为深入分析和揭示公共卫生信息数据间复杂的时间和空间关系，一方面提供了重要的基础技术平台，另一方面又产生了新的数据源。 时空分析及早期预警统计技术研究进展 贝叶斯时空分析技术(Bayesian Disease Mapping) 多源监测数据分析技术(Multivariate Surveillance Data Analysis) ——贝叶斯网络和隐马尔科夫模型 聚集性探测(Cluster Detection) …… 贝叶斯时空分析技术 Bayesian Disease Mapping 贝叶斯时空分析技术 从时间轴看，在揭示传染病发病(率)随时间发生变化的同时，揭示其在每个时点上发病(率)存在的空间变异； 从空间轴看，在揭示传染病发病(率)随区域不同而发生变化的同时，揭示在这些异质的区域上发病(率)存在的时间变异。 与此同时，还指揭示与传染病发病(率)上述时空变异所关联的各种因子及其变化。 Bayes学说是不同于经典统计(频率学派)的另一大统计学派，随着计算机技术的发展和Markov Chain Monte Carlo (MCMC)抽样算法的引入，Bayes方法得以迅速发展和广泛应用。 Bayesian Disease Mapping的优势 可利用人们对于传染病流行及其相关因素的先验知识确定先验分布。 由于传播特性，传染病流行常呈现出时空相关性，Bayes建模可借用邻近时空信息。 基于Bayes框架建模充分反映了传染病数据的 基本要素与特征 多维度、多尺度和多层次 发病(率)在各个区域的时间变异: 各时点(段)的空间变异。 相关因素与发病(率)的影响、以及这种影响在不同时间的变化和不同空间的变化。 聚集性探测 Cluster Detection 回顾性分析：发病模式与病因探索 前瞻性分析：实时监测与早期预警 前瞻性聚集性探测方法 Kullduff前瞻性时-空扫描统计量 Rogerson空间模式监测方法 …… 前瞻性时空扫描统计量 多源监测数据融合分析技术Multivariate surveillance data analysis 在传染病监测工作中，除病例监测和症候群监测数据外，还可通过多个渠道获得相关数据，如医院就诊数据，药店OTC药物销量数据、学校缺席人数等，多源数据融合分析技术可合并多数据源建模进行传染病的预测和早期预警。 贝叶斯网络Bayesian Network 贝叶斯网络是一种基于贝叶斯理论的概率推理图形化网络，即通过一些监测变量的信息来获取其他感兴趣变量概率信息的过程。 目前已在众多领域获得广泛应用，是近年国外传染病预警研究领域的前沿技术之一。 贝叶斯网络基本原理 贝叶斯网络将多个渠道获得的个体数据和集合数据以网络的形式有机地结合起来，在充分考虑变量之间复杂关系的基础上，对传染病暴发的概率进行估计。 贝叶斯网络建立步骤 数据收集 医院/社区卫生服务中心监测资料：患者的人口学信息、发病及就诊时间、家庭住址、临床症候群等； 120紧急医疗救助电话记录电子记录； 药店监测资料：相关药物每日销售量； 学校、托幼机构、养老机构监测资料：各监测点机构缺勤人数及原因。 ...... 指标选择 召开包括传染病应急处置专业人员、流行病学家、临床专家等症候群监测涉及的相关领域的专业人员在内的专家会议。 根据不同症候群的目标传染病，整理各类症候群发生的影响因素，考虑变量间的依赖关系，相关数据的可获得性和可量化性等，选取适宜的模型指标。 网络结构学习 利用历史数据，结合先验知识，确定合适的贝叶斯网络拓扑结构。 根据实际情况选用以下两种方法： ——基于统计测试的方法 ——基于搜索记分的方法 拟建立的模型节点分为四部分： 全局节点G，即地区全人群特征； 界面节点I，包括传染病扩散的时间和地点； 个体网络P，每个子网络对应一个个体，包括人口学信息、临床症候群等，其拓扑网络结构由专家判断确定； 人群证据节点O，包括非处方药物的销量、120紧急医疗救助电话记录、机构缺勤人数等。 网络参数确定 在给定贝叶斯网络拓扑结构的情况下，确定各节点处的条件概率密度。贝叶斯网络的参数学习通过专家知识和训练样本学习来确定。 参数估计方法：极大似然估计、极大后验概率和期望极大化算法。