[發明專利]一種基于病毒檢出率的傳染病重癥、死亡風險預警系統及方法

有效

• 申請號: 201510056900.2
• 申請日: 2015-02-04
• 公開（公告）號: CN104615884B
• 公開（公告）日: 2017-07-28
• 發明（設計）人: 廖一蘭;王勁峰;高立冬;徐冰;胡世雄;劉小馳;楊兆臣
• 申請（專利權）人: 中國科學院地理科學與資源研究所
• 主分類號: G06F19/00
• 分類號: G06F19/00;G06Q50/22
• 代理公司: 北京科迪生專利代理有限責任公司11251
• 代理人: 楊學明,顧煒

1.一種基于病毒檢出率的傳染病重癥、死亡風險預警系統，其特征在于包括：風險定義模塊、風險要素選取模塊、風險網絡構建模塊、風險評估預測模塊和分級預警模塊；其中：

風險定義模塊：掃描監測區域的傳染病監測網絡數據庫，選取監測網絡中過去一段時間里每一個月和歷史時間段斑塊內的特定傳染病普通病例和重癥、死亡病例，利用移動百分位數方法來確定傳染病重癥、死亡發生率的歷史基線，由此定義監測區域在過去一段時間里每一個月該傳染病重癥、死亡風險等級；將風險等級定義結果存入風險樣本數據庫里；

風險要素選取模塊：在風險定義模塊確定了風險樣本之后，風險要素選取模塊采用專家打分法或閱覽文獻手段，在監測區域眾多環境要素中分析、選取過去同時間段里與該傳染病每個月的重癥、死亡風險相關的前一個月的病理、環境要素，建立風險要素體系；再利用相關性分析來確定最終的進行傳染病重癥、死亡風險預測所需的病理、環境要素；將這些要素進行離散化處理，結果存入環境要素樣本數據庫；同時也對當前月的相關病理和環境要素數據進行同樣的處理，也存入到環境要素樣本數據庫里；

風險網絡構建模塊：結合風險樣本數據庫和環境要素樣本數據庫里的數據，利用基于信息論的網絡結構學習方法，建立在過去一段時間里監測區域的最能反映病理、環境要素與重癥、死亡發生風險之間關系的貝葉斯網絡；所建立的網絡里的節點分別代表了指示傳染病重癥、死亡發生風險等級變量和相關病理、環境要素變量；該模塊建立的風險網絡將推送到風險評估預測模塊里進行當前月監測區域該傳染病的重癥、死亡風險估計；

風險評估預測模塊：風險評估預測模塊讀取環境要素樣本數據庫中當前月所選的相關病理、環境要素數據，利用風險網絡構建模塊所建立的風險網絡，通過聯合概率公式計算下一個月監測區域傳染病重癥、死亡各種風險等級發生的可能性大小；在這基礎上，風險評估預測模塊選擇可能性最大的風險等級作為下一個月重癥、死亡風險等級，作為判斷條件推送給分級預警模塊；

分級預警模塊：根據風險評估預測模塊推送的下一個月監測區域的該傳染病重癥、死亡風險等級，有針對性地發出兩種緊急程度預警或不進行預警；預警信號包括風險等級、預警涉及區域和時間段信息；預警信號以短信和網絡頁面形式，向疾病預防控制部門的專職工作人員進行推送；

所述的風險網絡構建模塊實現過程如下：

(1)先建立以圖形化方式進行表達的貝葉斯網絡初始結構G＝<V,E>，其中結構圖G中的節點V所對應的是指示傳染病重癥、死亡發生風險等級變量和已選擇的病理、環境要素變量；節點V之間暫時沒有連接邊E，標示變量間暫無依賴關系；

(2)在監測區域病理、環境風險和傳染病重癥、死亡發生風險歷史資料的基礎上，利用公式(1)計算了每對節點間的交互信息I(v_i,v_j)；

$I(v_i,v_j)={\mathrm{\&Sigma;}}_{v_i,v_j}\mathrm{Pr}(v_i,v_j)log\frac{\mathrm{Pr}(v_i,v_j)}{\mathrm{Pr}\left(v_i\right)\mathrm{Pr}\left(v_j\right)}---\left(1\right)$

Pr(v_i,v_j)表示節點對v_i,v_j所代表的兩種變量所示情況同時發生的可能性大小，Pr(v_i)、Pr(v_j)分別表示單個節點v_i或v_j所代表的變量所示情況分別發生的可能性大小；對于所有交互信息大于閾值ε的節點對，按照交互信息值大小從大到小依次插入鏈表L中，此時建立一個指針P指向鏈表L的第一個節點對；

(3)從鏈表L中移出前兩個節點對，將相應的連接邊放入連接邊E中，并把指針P移到下一個節點對；從鏈表L中取出指針P所指向的節點對，如果這兩個節點間沒有連接路徑存在，就將對應的邊加入到連接邊E中并將對應的節點對從鏈表L中刪除，然后將指針P指向鏈表L中的下一個節點對；重復執行加邊刪點的步驟，直到指針P指向鏈表L的尾，或者圖G中包含了h-1條邊時為止；h是圖G中的節點數；當圖G包含h-1條邊，若再加一條邊就會形成回路；

(4)再將指針P指向鏈表L的第一個節點對，取出指針P所指向的節點對v_i,v_j，在結構圖G中尋找能隔斷這對節點聯系的隔斷節點集合；利用公式(2)計算了每個節點對中單個節點v_n與結構圖G中其它某一節點v_s間的條件交互信息I(v_n,v_s|C)，C為節點集，v_n為節點對v_i,v_j中任意一節點；

$I(v_n,v_s|C)={\mathrm{\&Sigma;}}_{v_n,v_s}\mathrm{Pr}(v_n,v_s,C)\log \frac{\mathrm{Pr}(v_n,v_s|C)}{\mathrm{Pr}\left(v_n\right|C)\mathrm{Pr}\left(v_s\right|C)}---\left(2\right)$

Pr(v_n,v_s|C)表示節點集C中節點對v_i,v_j所代表的兩種變量所示情況同時發生的可能性大小，Pr(v_n|C)、Pr(v_s|C)分別表示節點集C中單個節點v_n或v_s所代表的變量所示情況發生的可能性大小；若I(v_n,v_s|C)小于閾值ε，則節點對v_n,v_s不能條件獨立于隔斷節點集，那么在連接邊E中刪除節點對v_n,v_s之間的連接邊，增加節點對和隔斷節點間的連接邊；重復執行該步驟，直到指針P指向鏈表L的尾；

(5)對于在連接邊E中的邊E(v_i,v_j)，如果在節點v_i或v_j之間還存在有其它邊，那么將邊E(v_i,v_j)暫時從連接邊E中刪除，如果這兩個節點不能被隔開，將邊E(v_i,v_j)重新加入連接邊E；否則永久刪除這條邊；最后給當前圖中的邊定向；

(6)當貝葉斯網絡結構一旦確定，基于歷史數據資料，計算網絡結構里在過去一段時間里前一個月的病理、環境要素組合條件下，下一個月的各種傳染病重癥、死亡發生風險等級發生的聯合概率分布，由此得到監測區域下一個月里各種傳染病重癥、死亡發生風險等級發生的可能性大小；根據歷史資料來優化調整網絡結構。

2.一種基于病毒檢出率的傳染病重癥、死亡風險預警方法，其特征在于步驟如下：

(1)根據監測區域的傳染病監測網絡中過去一段時間里每個月和之前幾個月的歷史時間段斑塊內的特定傳染病普通病例和重癥、死亡病例，通過移動百分位數方法，觀察按照月為時間單位移動的周期重癥、死亡發生率水平，并同步移動計算歷史重癥、死亡發生率水平的百分位數作為歷史基線，由此定義監測區域在過去一段時間里每個月該傳染病的重癥、死亡風險等級；

(2)利用專家打分法或者閱覽文獻手段，建立特定傳染病重癥、死亡發生風險的病理和環境風險要素體系，要素體系涉及風險評估之前一個月里致病病毒檢出率、氣象條件和風險人群分布多個要素；然后根據統計相關性分析來確定最終的進行傳染病重癥、死亡風險預測所需的病理和環境風險要素；由于貝葉斯網絡推理輸入數據為類型或等級數據，所以在建立風險估計網絡之前，用等距法、等頻法或基于熵方法將風險要素數據進行離散化處理，自動確定風險要素數據從連續型屬性到離散型屬性的對應關系；

(3)利用基于信息論的網絡結構學習方法，利用監測區域在過去一段時間里每個月該傳染病的重癥、死亡風險和前一個月的病理、環境要素數據，建立監測區域的最能反映病理、環境要素與重癥、死亡發生風險之間關系的貝葉斯網絡；所建立的網絡里的節點分別代表了指示傳染病重癥、死亡發生風險等級變量和相關病理、環境要素變量；

(4)風險網絡結構一旦確定，在監測區域當前月的病理、環境風險數據的基礎上，計算建立的貝葉斯網絡中傳染病重癥、死亡發生風險節點的概率分布，由此得到下一個月監測區域該傳染病重癥、死亡各種風險等級發生的可能性大小，選擇發生概率最大的風險等級作為下一個月最為可能發生的風險；

(5)根據下一個月的風險等級，由此判斷監測區域在下一個月的該傳染病重癥、死亡風險很有可能處于以下三種情況：位于歷史基線高位水平，歷史基線高位水平是指下一個月的該傳染病重癥、死亡發生率高于歷史時期同種傳染病重癥、死亡發生率的最高值的80％的值，即≥P80，P代表百分數位；位于歷史基線中間水平，歷史基線中間水平是指下一個月的發生率位于歷史時期發生率的最高值的80％和50％的值區間，即P80-P50；位于歷史基線較低水平，歷史基線較低水平是指下一個月的發生率低于歷史時期平均發生率，即≤P50；然后根據下一個月監測區域該傳染病重癥、死亡風險的不同緊急情況，有針對性地發出預警；當確定重癥、死亡風險位于歷史基線高位水平時，疾病防控人員應采取最為嚴格的防控措施；而確定重癥、死亡風險位于歷史基線中間水平時，疾病防控人員要分兩種情況考慮防控措施；一種情況可能是疫情已經發生，處于逐漸消除階段，則說明前期防控措施正在發生作用，疾病防控人員應繼續使用這些措施；另一種情況可能是疫情還未發生，處于醞釀階段，則疾病防控人員應嚴密關注該地區此種傳染病的發展，有針對性地向公眾宣傳傳染病防護的常識；

所述步驟(3)中建立監測區域的最能反映病理、環境要素與重癥、死亡發生風險之間關系的貝葉斯網絡的具體實現過程如下：

(31)先建立以圖形化方式進行表達的貝葉斯網絡初始結構G＝<V,E>，其中結構圖G中的節點V所對應的是指示傳染病重癥、死亡發生風險等級變量和已選擇的病理、環境要素變量；節點V之間暫時沒有連接邊E，標示變量間暫無依賴關系；

(32)在監測區域病理、環境風險和傳染病重癥、死亡發生風險歷史資料的基礎上，利用公式(1)計算了每對節點間的交互信息I(v_i,v_j)；

$I(v_i,v_j)={\mathrm{\&Sigma;}}_{v_i,v_j}\mathrm{Pr}(v_i,v_j)log\frac{\mathrm{Pr}(v_i,v_j)}{\mathrm{Pr}\left(v_i\right)\mathrm{Pr}\left(v_j\right)}---\left(1\right)$

Pr(v_i,v_j)表示節點對v_i,v_j所代表的兩種變量所示情況同時發生的可能性大小，Pr(v_i)、Pr(v_j)分別表示單個節點v_i或v_j所代表的變量所示情況發生的可能性大小；對于所有交互信息大于閾值ε的節點對，按照交互信息值大小從大到小依次插入鏈表L中，此時建立一個指針P指向鏈表L的第一個節點對；

(33)從鏈表L中移出前兩個節點對，將相應的連接邊放入連接邊E中，并把指針P移到下一個節點對；從鏈表L中取出指針P所指向的節點對，如果這兩個節點間沒有連接路徑存在，就將對應的邊加入到連接邊E中并將對應的節點對從鏈表L中刪除，然后將指針P指向鏈表L中的下一個節點對；重復執行加邊刪點的步驟，直到指針P指向鏈表L的尾，或者圖G中包含了h-1條邊時為止；h是圖G中的節點數；當圖G包含h-1條邊，若再加一條邊就會形成回路；

(34)再將指針P指向鏈表L的第一個節點對，取出指針P所指向的節點對v_i,v_j，在結構圖G中尋找能隔斷這對節點聯系的隔斷節點集合；利用公式(2)計算了每個節點對中單個節點v_n與結構圖G中其它某一節點vs間的條件交互信息I(v_n,v_s|C)，C為節點集，v_n為節點對v_i,v_j中任意一節點；

$I(v_n,v_s|C)={\mathrm{\&Sigma;}}_{v_n,v_s}\mathrm{Pr}(v_n,v_s,C)\log \frac{\mathrm{Pr}(v_n,v_s|C)}{\mathrm{Pr}\left(v_n\right|C)\mathrm{Pr}\left(v_s\right|C)}---\left(2\right)$

Pr(v_n,v_s|C)表示節點集C中節點對v_i,v_j所代表的兩種變量所示情況同時發生的可能性大小，Pr(v_n|C)、Pr(v_s|C)分別表示節點集C中單個節點v_n或v_s所代表的變量所示情況發生的可能性大小；若I(v_n,v_s|C)小于閾值ε，則節點對v_n,v_s不能條件獨立于隔斷節點集，那么在連接邊E中刪除節點對v_n,v_s之間的連接邊，增加節點對和隔斷節點間的連接邊；重復執行該步驟，直到指針P指向鏈表L的尾；

(35)對于在連接邊E中的邊E(v_i,v_j)，如果在節點v_i或v_j之間還存在有其它邊，那么將邊E(v_i,v_j)暫時從連接邊E中刪除，如果這兩個節點不能被隔開，將邊E(v_i,v_j)重新加入連接邊E；否則永久刪除這條邊；最后給當前圖中的邊定向；

(36)當貝葉斯網絡結構一旦確定，基于歷史數據資料，計算網絡結構里在過去一段時間里前一個月的病理、環境要素組合條件下，下一個月的各種傳染病重癥、死亡發生風險等級發生的聯合概率分布，由此得到監測區域下一個月里各種傳染病重癥、死亡發生風險等級發生的可能性大小；根據歷史資料來優化調整網絡結構。