收藏本站
《中国疾病预防控制中心》 2018年
收藏 | 手机打开
二维码
手机客户端打开本文

发热伴血小板减少综合征时空预测研究

孙继民  
【摘要】:研究背景发热伴血小板减少综合征(以下简称SFTS)是我国学者于2009年首次发现的具有重要公共卫生意义的新发虫媒传染病,病死率较高。SFTS自发现以来其发病数逐年升高,发现病例的地区逐年扩大,严重损害了人民的健康和生命安全。随着人民健康需求的日益增加,传统的早发现、早诊断、早隔离等被动防控措施已经不能满足新时代传染病防控的需求,需要未雨绸缪,在疫情发生前科学预测病例的发生时间和空间,根据预测结果主动采取有针对性的干预措施,有效降低发病率和病死率。本课题拟在既往研究基础上,阐明SFTS流行特征演变规律和时空分布特征,分析气象因素和自然因素等对SFTS时空分布的影响,构建时空预测模型,为卫生资源的合理配置及SFTS的精准防控提供科学依据。研究方法从“中国疾病预防控制信息系统-传染病报告信息管理系统”收集全国2011年至2016年SFTS病例信息,从国家气象科学数据共享服务平台下载全国所有气象监测点2011年至2016年的气象数据,从中国科学院地理科学与资源研究所、欧洲航天局、地理空间数据云、联合国粮食和农业组织等机构网站收集全国海拔高度数据、土地覆盖数据、植被指数数据、家畜和家禽密度数据等环境因素数据,建立SFTS病例数据库、气象因素数据库和环境因素数据库,采用SPSS 20.0描述性分析SFTS病例的性别、年龄、职业、发病时间、发病地区、发病到确诊时间间隔等流行特征的演变规律,并对差异做统计学推断,采用单因素和多因素Logistic回归分析SFTS病例死亡的相关因素,采用ArcGIS、SaTScan等软件分析SFTS病例的空间相关性及时空聚集性,采用DLNM分析SFTS病例发病时间与气象因素的关系;采用ARIMA、NBM和Quasi-Poisson GAM构建SFTS时间预测模型,将预测数据和实际发病数据进行ICC分析,比较和评价模型的预测效果;基于最大熵算法构建SFTS的ENM,分析气象因素和环境因素对SFTS空间分布的贡献率,预测SFTS的高风险发病地区,用ROC评价模型的拟合效果。研究结果2011年至2016年全国共报告了 5360例SFTS实验室确诊病例,病例数逐年增加,发病率在0.034215/10万至0.094863/10万之间。绝大多数SFTS病例的职业是农民(87.91%,4712/5360),不同年份病例的职业分布无统计学差异(χ2=15.552,P=0.113)。60-69岁年龄组病例的构成比最高,其次是50-59岁年龄组、70-79岁年龄组和40-49岁年龄组,91.57%的病例年龄在40岁至80岁之间。共有20个省报告了 SFTS实验室确诊病例,但99.53%的病例分布在河南省、山东省、湖北省、安徽省、浙江省、辽宁省和江苏省等7个省份。98.00%(5253/5360)的SFTS实验室确诊病例发病日期在4月至10月,5月、6月和7月为发病高峰,但不同年份SFTS病例的季节分布的差异有统计学意义(Fisher=276.845,P=0.000),不同省份SFTS病例的发病时间季节分布的差异也有统计学意义(Fisher=721.157,P=0.000),辽宁省病例的发病高峰较晚而且持续时间比较短,浙江省、湖北省、安徽省和河南省病例发病高峰比辽宁省、山东省和江苏省病例的发病高峰早一个月。全国共报告343例SFTS死亡病例,病死率为6.40%,多因素Logistic回归分析结果显示病例的发病年份、病例来自的省份和病例的年龄组与死亡的相关性具有统计学意义。2011年至2016年全国SFTS病例的全局空间自相关分析结果显示每年的SFTS病例的空间分布均具有相关性,局部空间自相关分析结果显示,每年的热点地区存在差异。时空聚集性分析结果显示2011年至2016年SFTS共形成3个时空高聚集区,聚集区1位于河南和湖北交界处,共包括21个县区,聚集时间跨度为2015年4月至2016年8月,相对危险度为107.62;聚集区2位于山东省胶东地区,共包括18个县区,聚集时间跨度为2015年5月至2016年10月,相对危险度为43.40;聚集区3位于山东省中部,共涉及28个县区,聚集时间跨度2015年5月至2016年9月,相对危险度为14.24。DLNM分析结果显示周平均气温和SFTS周发病数间的关系为反“U”型,在气温低于23 ℃时随着气温升高SFTS周发病数上升,但气温超过23 ℃后随着气温升高SFTS周发病数下降。不同气温的滞后效应时间不同,较高气温的滞后效应较短,29.30 ℃的滞后效应在第8周就不显著了,较低气温的滞后效应较长,1.62 ℃和6.97 ℃的滞后效应可以持续24周。较高气温(23.97 ℃和29.30 ℃)在lag0时相对危险度最高,但下降很快;而较低气温(1.62 ℃和6.97 ℃)在lag0时相对危险度最小,在lag 13时相对危险度最大,而且下降缓慢。所建立的最优ARIMA模型为ARIMA(2,0,0)(1,0,0)12,利用该模型对研究区域2016年1月至12月每月的发病数进行预测,实际发病数均在预测发病数的95%CI内,实际发病数与拟合值的ICC分析结果显示,ICC为0.924。利用NBM构建的最优模型对2016年研究区域1月至12月的月发病数进行预测,实际发病数与拟合值的ICC为0.948。利用Quasi-Poisson GAM所构建的最优模型对2016年研究区域1月至12月的月发病数进行预测,实际发病数与拟合值的ICC分析结果显示,ICC为0.941。对三种模型的拟合值和预测值进行比较,三种模型均有较好的拟合效果和预测能力,其中NBM的拟合效果最好。生态位模型结果显示海拔高度、年均气温和降雨量与SFTS的空间分布显著相关,而且各变量与SFTS空间分布之间是非线性关系。所构建的生态位模型对不同县区的SFTS发生风险的预测结果显示,高风险地区主要分布在山东的胶东半岛和中部、河南和湖北交界处和辽宁等地。2011-2016年每年构建生态位模型的 ROC 曲线 AUC 值分别为 0.957、0.958、0.955、0.950、0.956 和 0.942,均大于 0.9。结论SFTS病例数逐年增高,报告病例的县区数显著升高,不同年份SFTS病例的年龄分布、季节分布、空间分布、发病到确诊时间间隔等流行特征存在差异;SFTS空间分布呈显著相关性,河南湖北交界处和山东存在SFTS时空高聚区;气温对SFTS发病数的影响为非线性的反“U”型,而且存在滞后效应;用ARIMA、NBM和GAM均可以用于SFTS发病时间的预测,其中NBM的预测效果最好。海拔高度、降雨量和气温对SFTS的空间分布显著的非线性相关,基于最大熵算法所构建的生态位模型可以科学预测不同县区SFTS的发病风险。
【学位授予单位】:中国疾病预防控制中心
【学位级别】:博士
【学位授予年份】:2018
【分类号】:R512.8;R181.3

【相似文献】
中国期刊全文数据库 前10条
1 罗佳伟;张强;杨书;;基于ARIMA-BPNN的组合模型在重庆市艾滋病发现人数预测中的应用[J];预防医学情报杂志;2018年03期
2 邱林;;应用ARIMA模型预测某三级甲等医院门诊量[J];中国医院统计;2018年01期
3 应绍桦;;基于ARIMA的价格时间序列分析与预测——以沪铝1803合约为例[J];经贸实践;2018年10期
4 周惠;陈晓军;张杨;李智;;ARIMA模型在肺结核登记病例数预测中的应用[J];江苏预防医学;2018年03期
5 韩玲;颜隆;王鸿;石翎笙;高治理;贺娟;;ARIMA乘积季节模型在天津市痢疾发病预测中的应用[J];中华中医药杂志;2018年07期
6 程小佩;;基于ARIMA模型货币供应量变动分析[J];合作经济与科技;2018年14期
7 杜军;郭慧敏;黄路非;;基于病案首页的ARIMA模型及其改进模型的预测对比[J];中国病案;2018年09期
8 朱佳佳;胡登利;吕媛;;ARIMA模型在甲型肝炎时间分布特征及趋势预测中的应用[J];中西医结合心血管病电子杂志;2018年22期
9 彭鸿博;李永广;;基于ARIMA的民航发动机下发预测(英文)[J];机床与液压;2018年18期
10 娄鹏威;吴秀峰;张学良;徐加波;王凯;;基于ARIMA乘积季节模型的新疆布鲁氏菌病流行趋势分析[J];新疆医科大学学报;2017年01期
中国重要会议论文全文数据库 前10条
1 何巧娜;胡樱;张增长;宇传华;;湖北省卫生总费用的ARIMA模型研究[A];2011年中国卫生统计学年会会议论文集[C];2011年
2 ;A hybrid ARIMA-ANN model and its Learning Algorithm on Short-term Load Forecasting[A];第二十三届中国控制会议论文集(下册)[C];2004年
3 Yulin Du;;Application and analysis of forecasting stock price index based on combination of ARIMA model and BP neural network[A];第30届中国控制与决策会议论文集(3)[C];2018年
4 王建锋;高歌;陈立凌;李红美;张明芝;王艾丽;;ARIMA模型及其在江苏省卫技人员数预测中的应用[A];中国现场统计研究会第12届学术年会论文集[C];2005年
5 刘倩;鲁光泉;;基于时间序列ARIMA模型的道路特性分析[A];第十三届中国智能交通年会大会论文集[C];2018年
6 李君华;王志坚;张立杰;陈雪;;基于小波理论及ARIMA模型的短期棉花价格预测[A];中国棉花学会2012年年会暨第八次代表大会论文汇编[C];2012年
7 毛锦凰;;ARIMA模型在宁夏财政预测中的应用[A];中国企业运筹学第十届学术年会论文集[C];2015年
8 胡威;杨杉;张成;马国柱;李梦琳;;基于ARIMA流量预测模型的粒子群带宽动态分配算法[A];2017智能电网发展研讨会论文集[C];2017年
9 李卓;谢沅潮;;中国国际贸易进口ARIMA季度模型[A];“决策论坛——管理决策模式应用与分析学术研讨会”论文集(下)[C];2016年
10 ;Double Trends Time Series Forecasting Using a Combined ARIMA and GMDH Model[A];Proceedings of 2010 Chinese Control and Decision Conference[C];2010年
中国重要报纸全文数据库 前1条
1 ;基于数量化方法对未来经济增长趋势的预测[N];第一财经日报;2009年
中国博士学位论文全文数据库 前10条
1 孙继民;发热伴血小板减少综合征时空预测研究[D];中国疾病预防控制中心;2018年
2 Annie Uwimana;用时间序列模型预测非洲国内生产总值[D];中国科学技术大学;2018年
3 刘建华;手足口病发病趋势预测及传播动力学模拟研究[D];华中科技大学;2017年
4 孙晓东;邮轮收益管理:需求预测与收益优化[D];上海交通大学;2011年
5 付敏英;天津市城镇化融资决策研究[D];天津大学;2011年
6 张立杰;棉花价格研究及预测[D];天津大学;2012年
7 姜向荣;短时间序列预测建模及应用研究[D];北京邮电大学;2009年
8 向昌盛;基于支持向量机的时间序列组合预测模型[D];湖南农业大学;2011年
9 汪琼;我国轿车企业新车面市时间与先行者优势相关研究[D];华中科技大学;2010年
10 胡建峰;橘小实蝇监测、生物防治及蛋白铒剂应用机理[D];福建农林大学;2012年
中国硕士学位论文全文数据库 前10条
1 容静;基于ARIMA与IGWO-SVM优化模型的高铁沉降变形预测研究与应用[D];桂林理工大学;2018年
2 熊晶晶;ARIMA模型和AR-GARCH模型的应用研究[D];华中师范大学;2018年
3 李超;混沌时序黄金期货价格预测研究[D];暨南大学;2018年
4 刘阳;基于ARIMA模型的周期性时间序列变化点检测算法研究[D];山东大学;2018年
5 Billel Touati;[D];广西大学;2018年
6 祁海萍;2009-2013年甘肃省三市手足口病报告病例流行特征与趋势分析[D];兰州大学;2015年
7 郝党丽;基于ARIMA-双权值神经网络组合预测模型的城镇失业问题研究[D];湖南大学;2018年
8 章维维;基于ARIMA修正模型的电力市场价格预测研究[D];东北电力大学;2018年
9 李达;基于时间序列分析方法的油田产量预测与应用[D];兰州理工大学;2018年
10 柴龙凯;基于数据(序列模式)挖掘的医院物资使用量预测模型研究[D];青岛科技大学;2018年
 快捷付款方式  订购知网充值卡  订购热线  帮助中心
  • 400-819-9993
  • 010-62791813
  • 010-62985026