评估气象对广东省登革热时空预测模型的贡献

目的 评估气象因素对广东省登革热预测系统的贡献。方法 基于Spearman相关性分析选择恰当形式的气象因素协变量,对广东省2008 - 2012年本地登革热分别构建无气象因素和有气象因素时的贝叶斯时空模型,预测广东省2013年本地登革热,用DIC和RMSE分别评价模型的拟合和预测效果。结果 月平均气温和月累计降雨量在滞后3个月时与登革热发病数的相关系数最大,分别为0.26和0.19,均有统计学意义（P＜0.05）;厄尔尼诺南方涛动与登革热发病数的相关性较弱,随滞后时间的增加逐渐减小,波动范围较小;与无气象因素的模型相比,纳入气象因素的贝叶斯时空模型的DIC更小,为967.57,拟合效果更好,其预测结果在时间趋势上与真实情况一致,高峰月份10月预测准确,并且在空间维度上能改善广东省85%的地区的预测效果。结论 纳入气象因素可提高贝叶斯时空模型对广东省登革热的预测效果,未来可结合人口流动进一步提高模型在空间维度上预测的准确性。     

支持向量回归联合气象和空气污染指标在细菌性痢疾预测中的应用

  目的  探讨支持向量回归（support vector regression,SVR）模型联合气象和空气污染物指标在兰州市细菌性痢疾发病预测中的应用,为细菌性痢疾防控提供科学的参考依据。  方法  利用兰州市2013年12月-2016年8月细菌性痢疾发病时间序列数据,结合同期气象和空气污染物数据作为训练集建立SVR模型,以2016年9月-2017年12月的发病数据及同期气象和空气污染数据作为验证集验证模型,并比较不同来源数据模型的拟合及预测效果。  结果  2013年12月-2017年12月兰州市共报告细菌性痢疾7 192例。除气压外,其他气象和空气污染因子与细菌性痢疾发病数的相关系数均>0.4。基于整合数据对拟合模型的参数进行选择,得到最小测试误差值所对应的三个参数分别为:C=5、γ=0.02和ε=0.000 1。利用验证集对不同来源的拟合模型进行测试显示整合数据模型具有最好的预测精度性和稳健性,均方根误差（root mean squared error,RMSE）为0.164 7,平均绝对百分比误差（mean absolute percentage error,MAPE）为16.405%。  结论  应用SVR模型联合气象和空气污染指标预测细菌性痢疾效果良好。     

青岛市气象因素对儿童猩红热发病的影响

探讨气象因素对儿童猩红热发病的影响,为猩红热的防治工作提供科学依据.方法 收集青岛市2011-2013年儿童猩红热月发病数据以及同期气象资料,以广义相加模型为基本统计模型,应用基于时间序列的Possion回归定量评估气象因素对儿童猩红热发病的影响.结果 2011-2013年青岛市报告儿童猩红热病例1 432例,年平均发病率为5.10/10万.一年存在2个发病高峰,最高峰发生在11月至次年1月,次高峰发生在5-7月.广义相加模型(GAM)模型拟合值和实际发病率曲线的趋势基本一致,R2值为0.72,其中月平均气压与儿童猩红热发病率存在正相关,其相对危险度RR值为1.09(95%CI=1.05~1.13).结论 在控制季节效应和长期趋势后,月平均气压对儿童猩红热的发病有显著影响.当气压升高时,应加强对儿童猩红热的监测.     

猩红热的发病率与气象因素的负二项回归分析

目的通过负二项回归模型探讨气象因素与猩红热发病的关系。方法对1985—2005年安徽省某市猩红热月平均发病率和月平均降水量、月平均气压、月平均气温、月平均相对湿度、月平均最低气温5项气象资料的数据进行描述性分析,然后拟合负二项回归模型,并且对2006年每个月份的发病率做一个预测。结果模型的超离散度K=0．41（95％CI：0．32-0．53）,进行似然比）x2检验x2=306．42,P〈0．001,认为发现负二项回归是适合的模型。猩红热的发生与月平均气压、月平均相对湿度和月平均最低气温有统计学意义（均有P〈0．05）。对2006年各个月份的月发病率预测的结果表明（Wilcoxon符号秩和检验,Z=0．24,P=0．814）,预测值与实际值之间差异无统计学意义,提示预测效果比较理想。结论通过拟合负二项回归模型发现,对猩红热的发生和预测,月平均气压、月平均相对湿度和月平均最低气温是不可忽略的气象因素。     

邯郸市1972-2010年猩红热发病的气象流行病学特征分析

目的 查找研究猩红热发病率和气象因素之间关系的适用方法,探讨邯郸市猩红热的气象流行病学特征. 方法 收集1972-2010年邯郸市猩红热疫情资料、气象资料和人口资料,采用EpiData3.0进行“双重录入”,用SPSS17.0统计分析软件建立数据库,对数据进行统计分析. 结果 ①气象参数的共线性诊断结果显示,本组气象因子数据容差最小为0.014,方差膨胀因子最大达69.998.②Spearman相关分析结果显示,邯郸市1972-2010年猩红热月发病率与月平均风速、月日照时数、月小型蒸发量呈正相关,与月平均气温、月平均相对湿度、月总降雨量、月极端最低气温呈负相关（P＜0.05或P＜0.01）.③猩红热月发病率的曲线估计方程为（Y）=1.369-0.2301n（X）.④猩红热月发病率与月平均风速之间得到曲线拟合方程（Y）=-0.781＋ 1.242X-0.585X2＋0.097X3.⑤气象参数的KMO和Bartlett检验结果显示,本文中的气象参数非常适合做因子分析,通过做主成分多元线性回归分析得到方程（Y）=1.946＋ 0.378Z2（P＜0.01）. 结论 （D邯郸市10个气象参数之间存在严重的多重共线性.②邯郸市猩红热月发病率的模型曲线为对数模型曲线.③猩红热月发病率与月平均风速之间呈三次方程曲线关系,月平均风速是影响猩红热月发病率的主要气象因素.④气象因素对猩红热发病的影响在总的影响因素中所占比例较小.     

基于奇异谱分析的ARIMA模型在山西省流感预测中的应用

目的 分析基于奇异谱分析（singular spectrum analysis, SSA）的自回归移动平均模型（Autoregressive integrated moving average, ARIMA）模型预测流感样病例 (influenza like illness, ILI) 发病趋势的可行性，为流感防控工作提供合理的预测方法。 方法 利用山西省2010年第14周-2017年第13周的流感监测资料以不同长度配比的训练集、测试集构建SSA-ARIMA模型，并与ARIMA、BP神经网络（Back propagation neural network, BPNN）、广义回归神经网络（General Regression Neural Network, GRNN）模型进行比较。采用平均绝对误差（Mean Absolute Error，MAE）、均方误差（Mean Squared Error，MSE）、均方根误差（Root Mean Squared Error，RMSE）比较各模型预测效果。 结果 模型拟合方面，SSA-ARIMA模型在预测未来一个月发病趋势时的MAE、MSE、RMSE分别为0.163、0.061、0.248；预测六个月时分别为0.161、0.061、0.248；预测一年时分别为0.168、0.066、0.256；均低于ARIMA、BPNN、GRNN。模型预测方面，在预测未来一个月发病趋势时的MAE、MSE、RMSE分别为0.056、0.005、0.068；预测六个月时分别为0.189、0.081、0.285；预测一年时分别为0.210、0.075、0.273；也均低于ARIMA、BPNN、GRNN。 结论 SSA-ARIMA模型对山西省ILI的预测效果优于ARIMA、BPNN、GRNN，可为流感预测提供科学依据。     

基于竞争风险模型的离退休人员白内障发病的影响因素分析

目的 应用竞争风险模型,探究离退休人员白内障发病的影响因素,为离退休人员的白内障预防和早期干预提供科学依据。方法 将历年参与杭州市萧山区55岁及以上离退休人员体检项目的人员作为研究对象,纳入前瞻性队列研究,收集研究对象所有可能的影响因素,拟合竞争风险模型,分析研究对象白内障发病的影响因素。结果 纳入队列的研究对象共计2 181人,经过8年的随访失访188人,发生白内障（终点事件）923人,发病率为42.3%,在发生白内障之前死亡或失明（竞争事件）294人,累积观察到12 575人年,竞争风险模型分析显示,在有竞争事件的影响下,女性（HR=1.371, 95%CI:1.202～1.565）、年龄≥70岁（HR=1.027, 95%CI:1.020～1.034）、教育程度为中学（HR=1.940, 95%CI:1.673～2.250）或大专及以上（HR=1.301, 95%CI:1.104～1.533）、高血压（HR=1.384, 95%CI:1.216～1.575）、糖尿病（HR=1.303, 95%CI:1.144～1.484）、高血脂（HR=1.209, 95%CI:1.063～1....     

宁波市江北区小学生呼吸系统疾病与生活居住环境关系研究

目的 调查宁波市江北区小学生呼吸系统疾病患病情况,分析生活居住环境和行为习惯对患病率的影响。方法 2019—2021年采用整群抽样方法,对宁波市江北区监测点小学三年级全体学生进行问卷调查,应用logistics回归模型分析小学生呼吸系统疾病的影响因素。结果 资料完整并纳入分析1 144名小学生,近1年内呼吸系统疾病患病率为44.49%。Logistic回归分析显示,有呼吸系统疾病家族史（OR=2.28, 95%CI:1.37～3.82）、过敏史（OR=5.63, 95%CI:4.22～7.51）、居住地100m内垃圾站（OR=1.96,95%CI:1.07～3.59）和近1年内购置大件家具（OR=1.81,95%CI:1.11～2.94）是小学生呼吸系统疾病的危险因素,女生（OR=0.71, 95%CI:0.55～0.92）和重污染天气总是佩戴口罩（OR=0.53,95%CI:0.35～0.80）是小学生呼吸系统疾病的保护因素。结论 性别、呼吸系统疾病家族史、过敏史、居住地100 m内垃圾站、近1年购置大件家具、重污染天气佩戴口罩等是宁波市江北区小学生呼吸系统疾病的影响因素。     

基于贝叶斯时空模型广州市手足口病精细时空尺度下发病影响因素分析

目的了解广东省广州市手足口病的流行特征及其发病影响因素,为开展手足口病的综合防控提供科学依据。方法收集广州市2010—2014年手足口病病例数据、气象数据和社会经济人口数据,应用描述性统计分析方法和贝叶斯时空模型分析手足口病的流行特征及其发病的影响因素。结果广州市2010—2014年共报告手足口病发病289 216例,其中2010、2011、2012、2013和2014年分别发病35 416、46 277、55 015、71 905和80 603例,发病率分别为319.53/10万、364.36/10万、431.44/10万、560.05/10万和626.23/10万,广州市手足口病发病率呈逐年上升趋势(χ~2_(趋势)=17 406.20,P 0.001)。广州市2010—2014年男性手足口病发病率(556.60/10万)高于女性手足口病发病率(364.58/10万),差异有统计学意义(χ~2=12 383.86,P 0.001);年龄≤5岁儿童手足口病发病最多,占总发病数的95.06%;手足口病发病以散居儿童为最多,占总发病数的74.80%;手足口病发病数从3月份开始增加,全年有4—7月和9—10月2个发病高峰;发病率较高的区域主要集中在城乡结合地区、流动人口较多的地区及远郊地区,其中大石街、黄村街、凤凰街、新华街、沙面街、大沙街发病率较高。贝叶斯时空模型结果显示,城中村比例增加和人均国内生产总值增加是广州市手足口病发病的危险因素,后验估计相对风险分别为2.657(95%CI=2.019～3.481)和1.012(95%CI=1.007～1.017);周平均气温上升和公交车站数目增加是广州市手足口病发病的保护因素,后验估计相对风险分别为0.995(95%CI=0.993～0.997)和0.996(95%CI=0.995～0.997)。结论城中村比例、人均国内生产总值、周平均气温和公交车站数目是广州市手足口病发病的主要影响因素,减少该病的发生需要采取综合的防控措施。     

综合ICU多重耐药菌医院感染的风险模型构建

目的构建重症监护病房（ICU）多重耐药菌医院感染的风险模型。方法对2012年10月—2015年9月入住ICU＞48 h的836例患者进行回顾性分析,构建医院感染logistic回归模型,对模型进行拟和优度检验、ROC曲线下面积（AUC）分析。结果3年入住ICU＞48 h的患者共836例,多重耐药菌医院感染发病率为14.23%(119例)。15个单因素分析有意义的自变量纳入logistic多因素分析,结果显示,ICU住院时间（OR=2.493;95%CI：1.816～3.494）、基础疾病种类(OR=1.536; 95%CI：1.243～1.898)、低蛋白血症(OR=87.211;95%CI：36.165～210.304)、呼吸机插管日数(OR=1.723;95%CI=1.399～2.121)、发热（OR=20.639;95%CI：3.462～123.043）、原发肺部感染(OR=0.295;95%CI：0.133～0.664)变量进入logistic回归方程。评价模型效果：灵敏度95%,特异度87.9%,模型ROC的AUC为0.973。结论logistic回归模型对ICU患者医院感染预测风险拟合度较好。     

北京气象因素与猩红热发病相关性研究

目的探讨气象因素与猩红热发病的关系。方法将北京地区1996-2005年猩红热月平均发病数据进行描述性分析,对可能影响猩红热发病的气温、气压、风速、日照时数、降水量等5项研究变量进行单因素相关分析和多元逐步回归分析。结果猩红热的发生与风速和日照时数成显著性正相关。结论对猩红热的发生和预测,气象因素是不可忽略的因素之一。     

ARIMA模型在上海市猩红热发病率预测中的应用

目的 探讨差分自回归移动平均(autoregressive integrated moving average,ARIMA)模型在上海市猩红热月发病率预测的应用。方法 利用ARIMA时间序列模型拟合2004年1月—2017年6月上海市猩红热的月发病率资料,并利用最优模型对2017年7—12月猩红热的月发病率进行预测。结果 最终拟合ARIMA(1,1,0)(0,1,1)₁₂模型,其标准化贝叶斯信息准则值(Bayesian information criterion,BIC)(-2.247)最小,残差经Ljung-Box Q(18)检验为白噪声序列,预测值与实际值基本吻合,相对误差在0.35%~16.74%的范围内。结论 ARIMA模型用于上海市猩红热月发病率的短期预测,可应用于定量风险评估等猩红热疫情的预警预测。     

2014—2018年中国猩红热时空聚集性分析

目的 分析2014—2018年中国猩红热的时空聚集性特征,探讨猩红热高发聚集特征,为各省制定猩红热防控措施提供理论依据。方法 从公共卫生科学数据中心获取2014—2018年中国猩红热报告发病数据,采用空间自相关和时空扫描方法分析我国猩红热空间相关性和时空聚集性特征。结果 猩红热发病率全年呈双峰分布,以春末夏初（5—6月）、秋末冬初（11—12月）为流行的高峰季节;2014—2018年中国猩红热存在空间正相关性（Moran I＞0,P＜0.05）,“热点”地区主要位于我国华北和东北地区;时空扫描分析结果显示,一类聚集区位于我国华北和华东地区,包括北京市、天津市、河北省和山东省, 聚集时间为2018年11—12月。结论 2014—2018年中国猩红热存在显著的空间正相关性和时空聚集性,应加强对猩红热重点防制区域的防控管理。     

山东省猩红热发病与气象因素相关性研究

目的探讨气象因素与猩红热发病的关系。方法将山东省2000-2007年猩红热发病率资料进行正态化处理,对可能影响其发病的气温、降水和日照时数三个气象因素进行单因素相关分析和多元逐步回归分析。结果猩红热发病率与平均气温(r=0.622,P>0.05)和平均降水(r=0.115,P>0.05)呈正相关,但差异无统计学意义,与平均日照时数(r=-0.889,P<0.05)呈负相关,且差异有统计学意义。结论当日照时数偏低时,应加强对猩红热的监控。     

高寒地区气象因素对城市主要传染病消长的影响研究

目的揭示哈尔滨市6种传染病发病数与气象因素的定量关系,为高寒地区城市预防控制疾病发生或流行提供科学依据。方法收集2004—2009年哈尔滨市细菌性痢疾、感染性腹泻、猩红热、流行性腮腺炎、淋病和流行性出血热等6种传染病资料和气象资料,用Excel建立数据库,利用SPSS17.0统计软件进行分析。结果平均气温是影响细菌性痢疾、感染性腹泻、猩红热、淋病和流行性出血热等发病的重要气象因素,平均气湿是影响流行性腮腺炎发病的重要气象因素。结论根据预报模式方程及临界点和未来的短期气候预报可预测6种传染病的发病情况,以达到减少对人们健康危害的目的。     

基于Bayes时空分析探讨气象因素对手足口病的影响

目的 探讨气象因素对我国手足口病患病的影响。方法 采用层次Bayes模型[Besag, York, and Mollie''(BYM) model]对数据进行拟合, 比较空间异质模型(UH)、空间相关模型(CH)和时空交互效应模型对数据的拟合效果, 选取最优模型结合生态学分析手足口病的气象影响因素。结果 加入协变量的时空交互CH+UH拟合效果较优(DIC=35 507.2), 降水量(RR=1.051 7, 95%CI:1.050 4～1.052 5)、平均气压(RR=1.076 4, 95%CI:1.074 8～1.077 9)、平均温度(RR=1.089 6, 95%CI:1.078 1～1.106 9)、平均相对湿度(RR=1.089 0, 95%CI:1.082 1～1.091 2)和日照时数(RR=1.085 1, 95%CI:1.079 8 ～1.087 5)是手足口病的危险因素。结论 手足口病的发生具有时空聚集的特点, 气象因素与手足口病的发生关系密切。     

Bayes判别分析在肾综合征出血热发病预测研究中的应用

目的研究肾综合征出血热（HFRS）发病与气象因素和动物宿主的关系并建立合理的数学预报模型。方法首先选取逐月及逐年的气象指标,包括气压、气温、降雨量、相对湿度、日照时数和日照百分率作为代表因素;然后对HFRS与气象因素和动物宿主间的关系进行Pearson、Kendall及Spearman相关分析,最后利用气象因素和包括鼠密度及鼠带病毒率的动物宿主信息作为解释变量进行Bayes判别分析。结果HFRS年发病疫情与鼠密度关系最为密切（r=0．738,P=0．000）,而影响鼠密度最显著的气象因素是日照时数、日照百分率和降雨量。其中日照时数与鼠密度呈正相关（r=0．494,P=0．016）,而降雨量与鼠密度近似呈负相关（r=-0．350,P=0．101）。利用气象及动物宿主资料预测当年的人间发病强度时,逐步判别分析及全变量判别分析均具有良好的效果。逐步判别分析的组内回代及弃一交叉验证准确率均为82．6％（19／23）,而全变量判别分析的组内回代准确率为90．9％（20／22）,弃-交叉验证准确率为81．8％（18／22）。当预测下一年的发病强度时,逐步判别分析的组内回代及弃一验证正确率均为86．4％（19／22）,而全变量判别分析的组内回代分类正确率为100％（21／21）,弃-交叉验证分类正确率仅为57．1％（12／21）。结论气象因素影响动物繁殖及动物间疫情,进而影响人间的HFRS疟情．Bayes诼彤判别分析在预测HFRS疫情方面具有一定实际应用价值。