1、傳染病監(jiān)測數(shù)據(jù)時空分析及早期預(yù)警的統(tǒng)計技術(shù)研究進展 四川大學(xué)華西公共衛(wèi)生學(xué)院衛(wèi)生統(tǒng)計學(xué)教授李曉松2009年9月26日 昆明2021/7/16 星期五1Company Logo隨著信息技術(shù)的迅速發(fā)展，已經(jīng)和正在產(chǎn)生大量各類公共衛(wèi)生信息和數(shù)據(jù)。數(shù)據(jù)分析理論的滯后和分析技術(shù)的缺失，數(shù)據(jù)所隱含的知識并未被充分認識和利用，而這些知識可能具有潛在的巨大應(yīng)用價值。2021/7/16 星期五2Company Logo3S技術(shù)等先進技術(shù)的迅速發(fā)展和應(yīng)用，為深入分析和揭示公共衛(wèi)生信息數(shù)據(jù)間復(fù)雜的時間和空間關(guān)系，一方面提供了重要的基礎(chǔ)技術(shù)平臺，另一方面又產(chǎn)生了新的數(shù)據(jù)源。2021/7/16 星期五3Company

2、Logo時空分析及早期預(yù)警統(tǒng)計技術(shù)研究進展貝葉斯時空分析技術(shù)(Bayesian Disease Mapping)多源監(jiān)測數(shù)據(jù)分析技術(shù)(Multivariate Surveillance Data Analysis) 貝葉斯網(wǎng)絡(luò)和隱馬爾科夫模型聚集性探測(Cluster Detection)2021/7/16 星期五4Company Logo貝葉斯時空分析技術(shù)Bayesian Disease Mapping2021/7/16 星期五5Company Logo多維度多尺度多層次三個基本特征傳染病數(shù)據(jù)基本要素和特征 傳染病數(shù)據(jù)是傳染病流行過程及其相關(guān)因素關(guān)系的符號化表示。時態(tài)位置屬性三個基本要素20

3、21/7/16 星期五6 人們所觀察到的傳染病流行是一系列復(fù)雜的自然與社會因素綜合作用的結(jié)果。所謂傳染病“流行規(guī)律”可理解為在自然與社會多源復(fù)雜因子作用下傳染病流行的時空變化及其相關(guān)因素的時空共變軌跡。2021/7/16 星期五7貝葉斯時空分析技術(shù) 從時間軸看，在揭示傳染病發(fā)病(率)隨時間發(fā)生變化的同時，揭示其在每個時點上發(fā)病(率)存在的空間變異； 從空間軸看，在揭示傳染病發(fā)病(率)隨區(qū)域不同而發(fā)生變化的同時，揭示在這些異質(zhì)的區(qū)域上發(fā)病(率)存在的時間變異。 與此同時，還指揭示與傳染病發(fā)病(率)上述時空變異所關(guān)聯(lián)的各種因子及其變化。2021/7/16 星期五8Bayes學(xué)說是不同于經(jīng)典統(tǒng)計(頻

4、率學(xué)派)的另一大統(tǒng)計學(xué)派，隨著計算機技術(shù)的發(fā)展和Markov Chain Monte Carlo (MCMC)抽樣算法的引入，Bayes方法得以迅速發(fā)展和廣泛應(yīng)用。2021/7/16 星期五9Company LogoBayesian Disease Mapping的優(yōu)勢可利用人們對于傳染病流行及其相關(guān)因素的先驗知識確定先驗分布。由于傳播特性，傳染病流行常呈現(xiàn)出時空相關(guān)性，Bayes建?？山栌绵徑鼤r空信息。2021/7/16 星期五10Company Logo自然環(huán)境數(shù)據(jù)傳染病時空數(shù)據(jù)時空建模平臺基于Bayes框架時空建模的傳染病流行規(guī)律多維度分析GISRS信息系統(tǒng)2021/7/16 星期五11

5、基于Bayes框架建模充分反映了傳染病數(shù)據(jù)的基本要素與特征 2021/7/16 星期五12Company Logo多維度屬性維時間維空間維多維度、多尺度和多層次病例的基本人口學(xué)特征以及與流行相關(guān)的主要自然/社會因素2021/7/16 星期五13 隨時間推移，各區(qū)域瘧疾發(fā)病相對危險度連續(xù)發(fā)生變化 各區(qū)域間相對危險度存在差異(空間異質(zhì)性) 相鄰區(qū)域相對危險度有相似性(空間相關(guān)性) 降雨量與瘧疾發(fā)病的數(shù)量關(guān)系(系數(shù))隨不同時期發(fā)生變化亞馬遜河區(qū)域某州某時期瘧疾發(fā)病的相對危險度變化 96.1 96.12 97.12 98.12 時間系數(shù)Aline A. Nobre, Alexandra M. Schm

6、idt, Hedibert F. Lopes. Spatio-temporal models for mapping the incidence of malaria in Par. Environmetrics, 2005, 16: 291 304.2021/7/16 星期五14發(fā)病(率)在各個區(qū)域的時間變異:各時點(段)的空間變異。相關(guān)因素與發(fā)病(率)的影響、以及這種影響在不同時間的變化和不同空間的變化。發(fā)病(率)的空間相關(guān)性與異質(zhì)性大小及其在時間上的變異。2021/7/16 星期五15Company Logo多尺度：傳染病流行在不同時空尺度上表現(xiàn)出的特征可能不同。傳染病時空信息在概化和細

7、化過程中反映出的特征漸變規(guī)律探索不同時空尺度間信息轉(zhuǎn)換及不同尺度的效應(yīng)2021/7/16 星期五16Company Logo2021/7/16 星期五17在全球尺度，可發(fā)現(xiàn)登革熱廣泛流行于北緯30 度和南緯20度之間。2021/7/16 星期五18非洲、東南亞、西太平洋地區(qū)地區(qū)、美洲加勒比地區(qū)及歐洲部分境域2021/7/16 星期五19Company Logo近10年其分布有向高緯度或高海拔地區(qū)擴散趨勢2021/7/16 星期五20Company Logo2021/7/16 星期五21Company Logo2021/7/16 星期五22Company Logo但如在地區(qū)尺度上如我國海南地區(qū)，

8、它可能呈散在聚集分布而未能呈現(xiàn)出任何規(guī)律。2021/7/16 星期五23Company Logo2021/7/16 星期五24Company Logo多層次國家省地市區(qū)縣鄉(xiāng)鎮(zhèn)街道個體2021/7/16 星期五25Company Logo 個體本身特征 + 所在環(huán)境特征個體是否發(fā)生傳染病2021/7/16 星期五26Company Logo個體(個案數(shù)據(jù))和環(huán)境(集合數(shù)據(jù))因素的獨立和聯(lián)合效應(yīng)各層次因素對傳染病發(fā)病(率)的影響以及對傳染病發(fā)病(率)在不同層次之間變異的影響時空模型多水平模型多水平模型2021/7/16 星期五27Company Logo聚集性探測Cluster Detection

9、2021/7/16 星期五28Company Logo回顧性和前瞻性兩種分析策略 回顧性分析：發(fā)病模式與病因探索 前瞻性分析：實時監(jiān)測與早期預(yù)警2021/7/16 星期五29Company LogoKullduff前瞻性時-空掃描統(tǒng)計量Rogerson空間模式監(jiān)測方法前瞻性聚集性探測方法2021/7/16 星期五30 目前我國部分地區(qū)用于預(yù)警的方法主要是單純時間聚集性探測方法。 其主要目的是探測時間序列數(shù)據(jù)中發(fā)病例數(shù)異常增加的時點。 2021/7/16 星期五31Company Logo單純時間聚集性分析的主要不足： 未利用疫情數(shù)據(jù)中的空間信息，難以及時、準確地預(yù)警。2021/7/16 星期五

10、32國外的研究多開始于2001年炭疽恐怖事件后，紐約、華盛頓、西雅圖等地先后建立了早期預(yù)警系統(tǒng)試點 (時-空掃描統(tǒng)計量和貝葉斯網(wǎng)絡(luò)等技術(shù))。2021/7/16 星期五33國內(nèi)外預(yù)警系統(tǒng)研究的區(qū)別探測方法監(jiān)測系統(tǒng)國內(nèi)單純時間聚集性探測傳統(tǒng)監(jiān)測國外時空聚集性探測癥狀監(jiān)測2021/7/16 星期五34國內(nèi)外預(yù)警系統(tǒng)研究的區(qū)別探測方法監(jiān)測系統(tǒng)國內(nèi)單純時間聚集性探測傳統(tǒng)監(jiān)測國外時空聚集性探測癥狀監(jiān)測2021/7/16 星期五35前瞻性時空掃描統(tǒng)計量2021/7/16 星期五36Company Logo研究區(qū)域掃描窗口病例2021/7/16 星期五372021/7/16 星期五382021/7/16 星期

11、五39尋找病例最多的窗口： 掃描統(tǒng)計量S2021/7/16 星期五40由于傳染病的特殊性，用于傳染病監(jiān)測的掃描統(tǒng)計量，其構(gòu)建更為復(fù)雜。 2021/7/16 星期五41Company Logo傳染病時空聚集性的特點無法預(yù)知傳染病爆發(fā)可能的規(guī)模掃描窗口的大小應(yīng)當是動態(tài)變化的 2021/7/16 星期五42傳染病時空聚集性的特點某些因素造成傳染病發(fā)生數(shù)在時間和空間的自然變異：如季節(jié)性應(yīng)當對這些因素進行校正 2021/7/16 星期五43傳染病時空聚集性的特點人口的地理分布不均勻如：城市人口密度高于農(nóng)村應(yīng)對人口密度的不均勻進行校正 2021/7/16 星期五44尋找病例最多的窗口： 掃描統(tǒng)計量S如何得

12、到P 值尋找掃描統(tǒng)計量的概率分布？非常復(fù)雜和困難的概率理論問題2021/7/16 星期五45新近發(fā)展的Kullduff時空掃描統(tǒng)計量掃描窗口大小可變對非均勻的人口密度進行校正 采用蒙特卡羅隨機化法進行假設(shè)檢驗，無需再考慮掃描統(tǒng)計量的概率分布 2021/7/16 星期五46Company Logo掃描窗口：一定地理區(qū)域空間掃描統(tǒng)計量2021/7/16 星期五47掃描窗口：一定時間長度時間掃描統(tǒng)計量2021/7/16 星期五48時空掃描統(tǒng)計量一定的時間長度一定的地理區(qū)域2021/7/16 星期五492021/7/16 星期五502021/7/16 星期五512021/7/16 星期五522021/

13、7/16 星期五532021/7/16 星期五542021/7/16 星期五552021/7/16 星期五562021/7/16 星期五572021/7/16 星期五582021/7/16 星期五592021/7/16 星期五602021/7/16 星期五612021/7/16 星期五622021/7/16 星期五632021/7/16 星期五642021/7/16 星期五65傳染病早期預(yù)警系統(tǒng)與可視化平臺2021/7/16 星期五66Company Logo數(shù)據(jù)庫網(wǎng)絡(luò)直報系統(tǒng)早期預(yù)警系統(tǒng)框架數(shù)據(jù)獲取2021/7/16 星期五67數(shù)據(jù)庫探測算法采用聚集性探測算法進行數(shù)據(jù)分析網(wǎng)絡(luò)直報系統(tǒng)早期預(yù)警

14、系統(tǒng)框架2021/7/16 星期五68數(shù)據(jù)庫探測算法地理信息系統(tǒng)地理編碼 &可視化實現(xiàn)網(wǎng)絡(luò)直報系統(tǒng)早期預(yù)警系統(tǒng)框架2021/7/16 星期五69數(shù)據(jù)庫探測算法地理信息系統(tǒng)報告早期預(yù)警系統(tǒng)框架網(wǎng)絡(luò)直報系統(tǒng)2021/7/16 星期五70Google Earth 可視化平臺GE支持的圖形為三維圖形，較二維圖形直觀，且可任意改變方位和視角進行查看。 GE提供的衛(wèi)星影像信息包括了山川河流等地形地貌信息，可結(jié)合上述環(huán)境信息查看聚集性探測結(jié)果。 除地理圖形外，GE還可容納預(yù)警信號的相關(guān)重要信息 。GE操作十分簡便，便于推廣應(yīng)用。 2021/7/16 星期五71省級前瞻性時空聚集性探測結(jié)果圖示12021/7/

15、16 星期五72圖7.12 區(qū)縣級前瞻性時空聚集性探測結(jié)果圖示12021/7/16 星期五73圖7.13 區(qū)縣級前瞻性時空聚集性探測結(jié)果圖示22021/7/16 星期五74Figure. 聚集性探測結(jié)果在Google Earth上的平面透視圖(在預(yù)警信號所在位置點擊鼠標左鍵，即可出現(xiàn)預(yù)警信號的詳細信息，包括時間、地域、實際發(fā)病數(shù)、預(yù)期發(fā)病數(shù)、P值)2021/7/16 星期五75時空兩個維度聚集性探測的優(yōu)勢 與單純時間聚集性分析相比，時空聚集性分析信息更為詳盡，不僅可提示有無聚集性，還可對聚集性進行空間定位。 2021/7/16 星期五76時空兩個維度聚集性探測的優(yōu)勢 時空聚集性分析充分利用了數(shù)

16、據(jù)中的空間信息，預(yù)警更為及時。 2021/7/16 星期五77H0：傳染病無聚集性(病例隨機分布)拒絕H0對應(yīng)爆發(fā)？“偶然”？信息不真實？存在聚集性2021/7/16 星期五78與散發(fā)相對散發(fā)：獨立發(fā)生的病例。爆發(fā)：病例之間具有流行病學(xué)上的聯(lián)系。流行病學(xué)意義上的傳染病爆發(fā)2021/7/16 星期五79統(tǒng)計聚集性流行病學(xué)爆發(fā)是否對應(yīng)？現(xiàn)場調(diào)查：確定病例之間的流行病學(xué)聯(lián)系。實驗室檢查：根據(jù)病原體染色體DNA的同源程度識別病例之間的聯(lián)系(更為準確)。2021/7/16 星期五80聚集性的原因空間自相關(guān)其它因素2021/7/16 星期五81是否需校正空間自相關(guān)？取決于需要從數(shù)據(jù)中獲取什么樣的信息 ？2

17、021/7/16 星期五82情況通過空間自回歸分析確定主要影響因素：如分析發(fā)病人群的主要特征，此時需校正空間自相關(guān)。否則可能高估危險性，使得本來沒有關(guān)聯(lián)的因素得到具有統(tǒng)計學(xué)意義的結(jié)果。 2021/7/16 星期五83探測傳染病爆發(fā)：勿需校正空間自相關(guān)。因為所要探測的cluster很可能是空間自相關(guān)引起的。如果對其進行校正，就發(fā)現(xiàn)不了重要的cluster。因此，應(yīng)用于早期預(yù)警模型的時空掃描統(tǒng)計量無需對空間自相關(guān)進行校正。 情況2021/7/16 星期五84多源監(jiān)測數(shù)據(jù)融合分析技術(shù)Multivariate surveillance data analysis2021/7/16 星期五85Compa

18、ny Logo在傳染病監(jiān)測工作中，除病例監(jiān)測和癥候群監(jiān)測數(shù)據(jù)外，還可通過多個渠道獲得相關(guān)數(shù)據(jù)，如醫(yī)院就診數(shù)據(jù)，藥店OTC藥物銷量數(shù)據(jù)、學(xué)校缺席人數(shù)等，多源數(shù)據(jù)融合分析技術(shù)可合并多數(shù)據(jù)源建模進行傳染病的預(yù)測和早期預(yù)警。 2021/7/16 星期五86貝葉斯網(wǎng)絡(luò)Bayesian Network2021/7/16 星期五87貝葉斯網(wǎng)絡(luò)是一種基于貝葉斯理論的概率推理圖形化網(wǎng)絡(luò)，即通過一些監(jiān)測變量的信息來獲取其他感興趣變量概率信息的過程。目前已在眾多領(lǐng)域獲得廣泛應(yīng)用，是近年國外傳染病預(yù)警研究領(lǐng)域的前沿技術(shù)之一。2021/7/16 星期五88貝葉斯網(wǎng)絡(luò)基本原理貝葉斯網(wǎng)絡(luò)節(jié)點：變量(season、age )

19、有向弧段：變量間的相互關(guān)系 2021/7/16 星期五89Example：炭疽釋放全局節(jié)點G，指示是否存在炭疽釋放。2021/7/16 星期五90Example：炭疽釋放界面節(jié)點I，在圖中為擴散的時間和地點 2021/7/16 星期五91Example：炭疽釋放個體子網(wǎng)絡(luò)P，每個子網(wǎng)絡(luò)對應(yīng)一個個體。 2021/7/16 星期五92個體子網(wǎng)絡(luò)中包含家庭地理編碼、年齡、性別、呼吸道主訴、發(fā)病時間、發(fā)病地點等個人信息。2021/7/16 星期五93Example：炭疽釋放人群證據(jù)節(jié)點O，代表了特定群體的集合證據(jù)。這里O代表每個地區(qū)的非處方藥物的合計銷量。 2021/7/16 星期五94貝葉斯網(wǎng)絡(luò)將多

20、個渠道獲得的個體數(shù)據(jù)和集合數(shù)據(jù)以網(wǎng)絡(luò)的形式有機地結(jié)合起來，在充分考慮變量之間復(fù)雜關(guān)系的基礎(chǔ)上，對傳染病暴發(fā)的概率進行估計。2021/7/16 星期五95貝葉斯網(wǎng)絡(luò)建立步驟數(shù)據(jù)收集醫(yī)院/社區(qū)衛(wèi)生服務(wù)中心監(jiān)測資料：患者的人口學(xué)信息、發(fā)病及就診時間、家庭住址、臨床癥候群等；120緊急醫(yī)療救助電話記錄電子記錄；藥店監(jiān)測資料：相關(guān)藥物每日銷售量；學(xué)校、托幼機構(gòu)、養(yǎng)老機構(gòu)監(jiān)測資料：各監(jiān)測點機構(gòu)缺勤人數(shù)及原因。.2021/7/16 星期五96Company Logo指標選擇召開包括傳染病應(yīng)急處置專業(yè)人員、流行病學(xué)家、臨床專家等癥候群監(jiān)測涉及的相關(guān)領(lǐng)域的專業(yè)人員在內(nèi)的專家會議。根據(jù)不同癥候群的目標傳染病，整理

21、各類癥候群發(fā)生的影響因素，考慮變量間的依賴關(guān)系，相關(guān)數(shù)據(jù)的可獲得性和可量化性等，選取適宜的模型指標。2021/7/16 星期五97Company Logo網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)利用歷史數(shù)據(jù)，結(jié)合先驗知識，確定合適的貝葉斯網(wǎng)絡(luò)拓撲結(jié)構(gòu)。根據(jù)實際情況選用以下兩種方法：基于統(tǒng)計測試的方法基于搜索記分的方法 2021/7/16 星期五98Company Logo擬建立的模型節(jié)點分為四部分：全局節(jié)點G，即地區(qū)全人群特征；界面節(jié)點I，包括傳染病擴散的時間和地點；個體網(wǎng)絡(luò)P，每個子網(wǎng)絡(luò)對應(yīng)一個個體，包括人口學(xué)信息、臨床癥候群等，其拓撲網(wǎng)絡(luò)結(jié)構(gòu)由專家判斷確定；人群證據(jù)節(jié)點O，包括非處方藥物的銷量、120緊急醫(yī)療救助電話

22、記錄、機構(gòu)缺勤人數(shù)等。2021/7/16 星期五99Company Logo網(wǎng)絡(luò)參數(shù)確定 在給定貝葉斯網(wǎng)絡(luò)拓撲結(jié)構(gòu)的情況下，確定各節(jié)點處的條件概率密度。貝葉斯網(wǎng)絡(luò)的參數(shù)學(xué)習(xí)通過專家知識和訓(xùn)練樣本學(xué)習(xí)來確定。 參數(shù)估計方法：極大似然估計、極大后驗概率和期望極大化算法。 當后驗概率超過界值可能是一次暴發(fā)。2021/7/16 星期五100Company Logo網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù)的優(yōu)化采用AMOC(activity monitoring operating characteristic)曲線衡量模型的假陽性率，計算傳染病出現(xiàn)暴發(fā)時間和模型預(yù)警時間的差值，并通過評價結(jié)果對模型結(jié)構(gòu)進行優(yōu)化。2021/7/1

23、6 星期五101Company Logo隱馬爾科夫模型Hidden Markov Models，HMMs 2021/7/16 星期五102Company Logo隱馬爾科夫模型隱馬爾科夫模型(HMMs)是在Markov模型的基礎(chǔ)上發(fā)展起來的統(tǒng)計模型。2021/7/16 星期五103Company Logo假定HMMs的狀態(tài)(傳染病狀態(tài))是不可直接監(jiān)測的，監(jiān)測到的只是與之對應(yīng)的一些監(jiān)測值(如OTC銷售量、急診量和學(xué)校缺勤數(shù)等 )，因而稱之為“隱”馬爾科夫模型。 2021/7/16 星期五104隱馬爾科夫模型底層:Markov鏈模型描述狀態(tài)之間的轉(zhuǎn)換2021/7/16 星期五105Company Logo隱馬爾科夫模型上層:隨機模型，描述狀態(tài)與監(jiān)測值的統(tǒng)計對應(yīng)關(guān)系。2021/7/16 星期五106Company Logo隱馬爾科夫模型HMMs建模是從歷史數(shù)據(jù)中獲取信息，將隱含的規(guī)律轉(zhuǎn)化為實際的模型參數(shù)，利用歷史信息