深圳市食源性疾病网络监测预警体系研究

目的 探讨2012年深圳市食源性疾病发生的规律和特点,为进一步健全深圳市食源性疾病网络监测体系及食源性疾病的预测预警提供科学依据.方法 采用深圳现有的食源性疾病网络监测体系中深圳市社区食源性疾病监测系统、深圳市学生健康监测系统、食物中毒暴发事件网络报告系统收集并分析网络数据,分析深圳市食源性疾病的发病水平.结果 2012年深圳市社区食源性疾病监测发病人数24 291人,其中症状监测发热占11.6％,腹痛占65.7％,腹泻占84.4％和呕吐占34.1％;深圳市各区中小学食源性疾病发病人数8 380人;全市食物中毒15起,无死亡病例,中毒食品主要以肉及肉制品为主,占28.6％.结论 2012年深圳市食源性疾病处于低流行水平,该市网络监测预警体系能够反映全市食源性疾病发病情况,但整个食源性疾病监测体系还有许多方面需完善,有待于进一步提高其预测预警作用.     

应用Elman神经网络建立流感样病例预测模型

目的应用Elman神经网络构建流行性感冒(流感)样病例(ILI)预测模型,为浙江省流感疫情早期预警提供依据。方法收集2013—2014年浙江省11家流感监测哨点医院的ILI报告、ILI病毒核酸检测结果、气象和空气污染物等资料,通过时滞相关性分析筛选纳入模型的变量,采用2013年第14周—2014年第44周的数据建立Elman神经网络预测模型,采用2014年第45—52周的数据检验模型的预测效能。结果浙江省2013—2014年每周均有ILI报告,共报告506 391例次,周报告ILI%为(3.07±0.73)%。筛选出提前13周的周平均气压、提前11周的周平均水汽压、提前9周的周平均气温、提前5周的周平均SO2浓度、提前5周的周平均NO2浓度、提前5周的周平均CO浓度、提前5周的周平均PM_(2.5)浓度、提前5周的周平均PM_(10)浓度、提前5周的周平均AQI和提前1周的病原阳性率10个因素纳入模型。当网络结构为10-15-1-1时,构建的Elman模型为最优预测模型,预测结果的平均误差绝对率为10.58%,非线性相关系数为0.876 7。结论利用气象、空气污染指标和流感病原性监测资料建立的Elman神经网络ILI预测模型预测效果较好,适用于浙江省流感疫情短期预测。     

季节自回归滑动平均模型在食源性疾病发生预测中的作用

目的 建立食源性疾病发病的季节自回归滑动平均模型(seasonal autoregressive integrated moving average,SARIMA)模型,并对验证集进行预测.方法 本研究使用R 4.0对重庆市南岸区2016年1月—2020年6月食源性疾病罹患率进行SARIMA模型拟合.结果 该食源性疾病...     

自回归求和滑动平均模型在宁波市食源性疾病发病人数预测中的应用

目的采用自回归求和滑动平均模型(autoregressive integrated moving average,ARIMA)对宁波市食源性疾病的发病趋势进行预测,为预警和制定、调整食源性疾病防控策略提供依据。方法用SPSS 22. 0软件对宁波市2014年1月-2016年12月的食源性疾病发病人数进行ARIMA模型拟合,2017年的发病人数验证模型并预测2018年发病人数。结果 ARIMA(1,1,1)(0,1,1)12模型较好地拟合了宁波市既往食源性疾病的时间序列,拟合预测误差率为6. 38%,2018年宁波市食源性疾病预测人数为6 968人。结论 ARIMA模型可用于食源性疾病的动态分析和短期预测。     

应用人工神经网络预测个体患原发性高血压病危险度

目的 建立个体患原发性高血压病的预测模型,评价并探讨预测个体患病的新方法.方法 选择3054名社区居民流行病学调查资料,按照年龄、性别均衡性,按4:1分为训练集(2438名)与检验集(616名)两部分,分别用于筛选变量、建立预测模型及对模型的检测和评价.应用人工神经网络(ANN)和logistic回归分析方法建立模型,用ROC方法评价所建立的高血压患病预测模型的优劣.结果 对616名检验集预测,ANN模型的特异性较低,但准确性、灵敏度指标均优于logistic回归模型,ANN2的约登指数为0.8399,明显高于其他两个模型;通过ROC曲线下面积比较模型的预测能力:logistic回归方法曲线下面积(Az=0.732±0.026)小于ANN模型(ANN2和ANN1分别为0.918±0.013、0.900±0.014),即ANN模型有更好的预测判别效能.结论 初步证明在预测个体患高血压病方面,ANN方法预测效能更优,从而为解决个体发病危险预测提供了一个新方法.     

2013—2016年深圳市食源性疾病暴发流行病学分析

目的分析2013—2016年深圳市食源性疾病暴发流行病学特征,为制定有效的食源性疾病预防控制措施提供科学依据。方法用描述性流行病学方法对2013—2016年深圳市食源性疾病暴发监测系统收集到的所有食源性疾病暴发事件进行分析。结果 2013—2016年深圳市共报告食源性疾病事件67起,发病682人,死亡2人。食源性疾病发病高峰集中在6~7月,报告事件数量最多的是微生物性食源性疾病事件,占61.19%,沙门氏菌和副溶血性弧菌为主要致病微生物;报告发病人数最多的是微生物性食源性疾病事件,占59.53%,主要为沙门氏菌食物中毒;其次亚硝酸盐食物中毒发生7起,发病50人。集体食堂和餐饮服务单位为食源性疾病的高发场所,分别占49.25%和19.40%。结论深圳市食源性疾病防控策略应以降低副溶血性弧菌和沙门氏菌等微生物性食源性疾病和亚硝酸中毒为主,防控重点场所为集体食堂和餐饮服务单位,针对重点人群开展食品安全的健康教育,降低食源性疾病的发生率。     

基于EMD-Elman组合模型的细菌性痢疾发病率预测研究

目的 为了解重庆市2009-2015年细菌性痢疾的流行特征,提高细菌性痢疾发病预测的准确率,比较经验模态分解(empirical mode decomposition,EMD)-Elman组合预测模型、Elman神经网络和季节自回归滑动平均模型(seasonal autoregressiove integrated m...     

云南省食源性疾病暴发事件流行特征及预测模型建立

目的探讨云南省2010—2015年食源性疾病暴发事件的发病规律和特点,为制定预防和控制措施提供依据。方法采用描述流行病学方法,对云南省食源性疾病暴发事件进行分析;采用季节趋势模型对云南省2016年每月食源性疾病暴发事件数进行预测。结果共报告食源性疾病暴发事件1 562起,发病16 802人,死亡285人。6—8月为发病高峰,报告起数占全年总数的63.7%;野生蕈中毒报告起数和死亡人数占总数的58.1%和59.3%;微生物性食物中毒发病人数,占总数的41.0%;发病场所以农村家庭的报告起数、发病人数和死亡人数最多,分别占总数的60.9%、42.0%和64.6%;学校食堂发生的食源性疾病波及人数最多,平均每起发病28人。采用季节趋势模型对云南省2016年食源性疾病暴发事件趋势进行预测,食源性疾病暴发事件继续呈上升趋势,中毒高峰为6—8月。结论应加强农村家宴和学校食堂的卫生监管,有针对性地开展预防野生蕈和微生物性食物中毒知识宣传教育。季节趋势模型对云南省学校食源性疾病暴发事件的拟合效果较好,可以应用于预测。     

多维输入在尘肺发病人数预测模型中的对比研究

以我国尘2000—2016年肺病发病统计数据为样本数据,针对我国尘肺病发病组合预测模型的性能展开研究。方法 从国家统计数据库中选取采矿业从业人数、不同性质采矿企业数量、规模以上企业数量、原煤产量等作为模型预测的相关辅助决策因素,使用不同组合方式的灰色神经网络和灰色-广义回归神经网络预测模型,对未来全国尘肺病发病人数进行预测。结果 灰色模型的预测结果较差,其他组合方式的预测模型精度不能达到理想的预测精度,而6维输入的灰色-广义回归神经网络模型的预测精度较高,均方根误差（RMSE）也是所有组合模型中最小的。结论 通过对比分析和模型评价验证了多维输入的灰色-广义回归神经网络预测模型在尘肺病发病人数预测上的可行性和有效性。     

基于SARIMA - SVR模型的喀什地区流行性腮腺炎的流行趋势预测

目的 利用季节性自回归滑动平均模型（seasonal autoregressive integrated moving average，SARIMA）、支持向量回归模型（support vector regression， SVR）对喀什地区流行性腮腺炎( mumps)的月发病数进行预测，在上述两模型的基础上建立SARIMA - SVR组合模型，提高预测的精准度，为控制新疆喀什地区2021年流腮传播趋势提供科学预测。方法 以喀什地区2005年1月—2017年12月的流腮月发病数据为训练集，进行数据的拟合以及预测模型的训练，分别建立SARIMA、SVR、SARIMA - SVR组合模型。对2018年1月—2020年12月的流腮月发病数进行预测，并与实际值相比较，采用均方根误差(root mean square error，RMSE)衡量模型预测性能。结果 ARIMA(2，1，1)(0，0，1)12为最优的SARIMA模型，建立的SARIMA、SVR、SARIMA - SVR组合模型预测2018年1月—2020年12月的喀什地区流腮月发病数的RMSE分别为:9.611、9.545、3.427。结论 SARIMA - SVR组合模型对喀什地区流腮的预测精度高于单一预测模型，故选取该模型建立方式，利用2005年1月—2020年12月的喀什地区流腮月发病数据预测该地区2021年的月发病数。     

Elman神经网络与ARIMA模型对甲肝月发病率的预测研究

目的 两模型对甲肝月发病率数据进行拟合预测,比较最优模型。 方法 通过软件实现ARIMA模型和Elman神经网络对甲肝发病率进行拟合,并对2017年月发病率进行仿真。 结果 两模型拟合预测效果较好,ARIMA模型平均绝对误差(mean absolute error,MAE)、均方根误差(root-mean-square error,RMSE)、平均绝对百分比误差(mean absolute percentage error,MAPE)分别为0.013、0.002 9、9.29;Elman神经网络MAE、RMSE、MAPE分别为0.012、0.000 22、8.695。Elman神经网络预测结果优于ARIMA模型。 结论 两模型均能够拟合预测甲肝月发病率,Elman神经网络拟合预测效果更好。     

遗传优化的广义回归神经网络在肺结核发病预测中的应用

目的 利用西安市2008年1月至2019年10月结核病月发病率数据分别建立广义回归神经网络和BP神经网络预测模型，提出利用遗传算法的全局搜索能力优化广义回归神经的光滑因子。 方法 以2008年1月至2018年12月发病率作为训练样本，以2019年1月至10月发病率作为测试样本，对两种模型的仿真预测结果进行对比分析。 结果 遗传优化的广义回归神经网络其预测的平均绝对误差（MAE），均方根误差（RMSE），平均相对误差（MAPE）均小于BP神经网络，预测效果更优。 结论 遗传优化的广义回归神经网络较BP神经网络在肺结核发病率预测中有更好的拟合效果和预测精度，其预测效果更理想。其具有良好的实用价值，为肺结核发病率的预测提供了一种有效的方法。     

自回归移动平均模型在细菌性痢疾流行趋势预测中的应用

目的探讨时间序列分析中自回归移动平均模型在六安市细菌性痢疾发病预测的可行性和适用性,为早期做好防控工作提供科学依据。方法使用SPSS 17.0软件对六安市2003年1月～2012年12月的细菌性痢疾月发病率建立ARIMA模型,以2013年的1～7月实际发病率作为预测模型的考核样本,验证模型的预测效果。结果六安市细菌性痢疾月发病率模型为ARIMA（0,0,1）×（0,1,1）12,模型移动平均参数MA1=-0.473（t=-5.153,P〈0.05）,季节移动平均参数SMA1=0.937（t=2.494,P=0.014）;残差分析Ljung-BoxQ统计量经检验,差异无统计学意义（Ljung-BoxQ=10.208,P=0.856）,提示残差为白噪声。模型预测的平均相对误差为27.82%,但预测的动态趋势与实际值基本吻合,且实际值均在预测值的95%可信区间内。结论 ARIMA（0,0,1）×（0,1,1）12模型可为六安市细菌性痢疾的防控提供参考。     

BP 神经网络在肾综合征出血热发病率预测中的应用

目的 探讨BP(back propagation)神经网络预测模型在肾综合征出血热(hemorrhagic fever with renal syndrome,HFRS)发病率预测方面的应用效果.方法 应用人工神经网络技术建立关于疾病发病率的预测模型.结果 建立了拓扑结构为2-10-1的BP神经网络模型,并对预测效果进行了验证.结论 BP神经网络预测模型可用于HFRS发病率的预测,且具有较好的预测效果.     

两种神经网络模型预测煤工尘肺发病工龄的性能比较

[目的]探讨反向传播（back propagation,BP）神经网络模型与径向基函数（radial basis function,RBF）神经网络模型在煤工尘肺发病工龄预测中预测性能的优劣。[方法]采用SPSS19．0中的BP和RBF神经网络模型对研究数据进行预测分析。采用均方根误差、平均相对误差和平均绝对误差对两种模型的预测结果进行比较分析,从而得到比较各模型预测性能的目的。[结果]由BP神经网络模型进行预测可以得出发病工龄预测值和真实值的散点分布图大致位于从原点起始的45度线上,符合理想状态下值的分布情况,而RBF神经网络模型的分布则较为混乱。RBF和BP神经网络模型真实值与预测值之间的差异均无统计学意义,t值分别为0．231、0．530,P值分别为0．817、0．596。RBF和BP神经网络模型的均方根误差分别为3．51、1．89;平均相对误差分别为12％、6％;平均绝对误差分别为2．76、1．42。[结论]实证表明,在煤工尘肺发病工龄的预测中,BP神经网络模型的预测性能优于RBF神经网络模型,有较高的拟合和预测精度。     

SARIMA-RBF组合模型在流行性腮腺炎流行趋势预测中的应用

目的 探讨SARIMA-RBF组合模型拟合及预测我国流行性腮腺炎（流腮）流行趋势的应用。方法 利用全国2004—2015年流腮逐月发病率建立SARIMA模型。将基于SARIMA模型的拟合值作为输入向量,实际值作为输出向量,根据时间因素作为输入向量与否建立2个SARIMA-RBF组合模型（加入时间因素记为组合模型A,不加入时间因素记为组合模型B）。运用SARIMA模型和2个SARIMA-RBF组合模型预测2016年7—12月流腮发病率并与实际值比较,采用平均绝对百分比误差（MAPE）、平均误差率（MER）、均方误差（MSE）和平均绝对误差（MAE）评价模型拟合及预测效果。结果 SARIMA（0,1,1）（0,1,1） ₁₂为最优SARIMA模型。SARIMA模型、组合模型A和组合模型B拟合的MAPE 分别为15.724%、12.217%、13.941%,MER分别为15.168%、10.179%、14.042%,MSE分别为0.336、0.167、0.713,MAE分别为0.296、0.199、0.274。预测的MAPE 分别为12.069%、7.904%、9.598%,MER分别为12.331%、7.872%、10.636%,MSE分别为0.022、0.013、0.025,MAE分别为0.138、0.088、0.119。结论 考虑时间因素的SARIMA-RBF组合模型为最优拟合及预测模型,具有良好推广应用价值。     

荆门市脑出血发病与气象因子相关性分析及预测

目的 探讨气象因子对脑出血发病的影响及其相关性,并建立基于气象因子的脑出血发病的预报模型,为预防和控制脑出血发病提供参考依据.方法 收集2008-2010年荆门市脑出血逐日病例数和同期气象资料,应用SPSS 13.0软件,分析气象因子与脑出血发病的相关性,构建多元线性回归和前馈型神经网络(BP神经网络)模型预测脑出血发病人数,并对模型进行评价.结果 气象因子与脑出血发病密切相关.线性回归模型为y=18.248-0.873x1(x1为气温,r=0.708,F=18.13,P＜0.01),BP神经网络模型结构为7-6-1,2种模型预测的平均误差率分别为16.15％和8.08％,非线性相关系数分别为0.795和0.907.结论 荆门市脑出血发病与气温呈显著负相关,BP神经网络模型有较好的预测效果.     

基于BP神经网络的河南省甲乙类法定报告传染病预测研究

目的 建立用于河南省法定报告传染病(甲乙类)预测的神经网络模型,为制定传染病预防和控制措施提供理论依据.方法 首先确定预测模型的基本结构,以归一化后的2003-2009年河南省甲乙类法定报告传染病发病率数据为训练样本,以2010年的数据为检验样本,采用改进的BP神经网络算法训练预测模型.利用该模型对2011-2013年河南省甲乙类法定报告传染病发病率数据进行预测.结果 所建立的模型在仿真预测样本点的平均相对误差为0.076％,在检验样本处的预测误差为0.434％.并获得了2011-2013年河南省甲乙类法定报告传染病发病率预测数据.结论 所建立的BP神经网络模型具有良好的预测精度,适合用来进行河南省甲乙类法定报告传染病发病率的预测.     

多层感知器神经网络在手足口病预测模型中的应用

目的研究多层感知器神经网络手足口病预测的应用,为手足口病预测提供依据。方法选取浙江省2008年5月1日-2018年6月30日的发病数,利用SPSS 22. 0建立多层感知器神经网络模型,变量选择"发病数",分类变量选择"发病年""发病月"指标,协变量选择"前1周同期发病数",比较实际发病与预测值的差异,用平均误差率(MPAE)对模型进行检验。结果构建的神经网络最优模型为24-9-7-1,即模型输入层含24个神经元,隐藏2层,分别含9个和7个神经元,输出层含1个神经元。手足口病预测发病数的自变量重要性依次是"前1周同期发病数""发病月""发病年",模型预测值与实际值相关系数r=0. 99,平均误差率(MPAE) 13. 37%。结论多层感知器神经网络模型预测手足口病发病情况有一定的可行性,能提供预测指标的重要性权重,"前1周同期发病数"是预测较好的指标,但预测指标合理选择和结果准确性方面有进一步提高的空间。     

基于支持向量机的肾综合征出血热疫情预测

目的探讨支持向量机（SVM）在肾综合征出血热（HFRS）发病率预测上的优势及应用前景。方法首先，利用辽宁省葫芦岛市1984～2006的气象资料（包括平均气压、平均气温、平均降雨量、相对湿度、日照时数、日照百分率）和动物疫情资料（包括鼠密度和鼠带病毒率）共8个指标作为解释变量，所有变量均进行归一化到[0，1]区间，将整个数据集分成训练集和检验集，从数据集中随机抽取1／3个体（舍人取整）组成检验集，其余样本作为训练集。其次，利用软件R2．60构造HFRS发病率预测的SVM模型，获得误差平方和。最后，与基于反馈（BP）和径向基函数（RBF）神经网络模型的预测结果进行比较。结果对于训练集，SVM拟合的误差平方和的x^-±s为（0．031±0．009），而BP和RBF神经网络拟合的误差平方和的x^-±s分别为（0．074±0．030）和（0．082±0．018）；对于检验集，SVM预测的误差平方和的x^-±s为（0．067±0．021），而BP和RBF神经网络预测的误差平方和的互±5分别为（0．073±0．022）和（0．089±0．036）。结论SVM作为近年来在统计学理论的基础上发展起来的一种新的模式识别方法，在解决小样本、非线性及高维模式识别问题中具有较高的预测精度和较强的泛化能力。该模型对于发病率的预测是可靠的，可以作为HFRS疫情预测的参考方法。