ARIMA模型在流感样病例预测预警中的应用

目的探讨ARIMA模型在流感样病例预测预警方面的应用,建立流感样病例发病预测模型,并证明模型的适用性。方法对北京市顺义区医院、顺义区妇幼老年保健院2家省级流感样病例监测哨点医院报告的2005年9月～2009年3月流感样病例月报告数资料建立ARIMA模型,2009年4～5月数据验证模型,用Q统计量法对模型适应性进行检验。结果对流感样病例月报告数建立季节模型ARIMA(1,0,0)x(0,1,0)12,统计量Q大于Χ2α(m)证实了该模型的适用性。结论ARIMA模型能够较好应用于流感样病例预测预警,为疫情防控提供科学依据。     

上海静安区儿童流感样病例就诊百分比预测的自回归求和移动平均模型构建与应用

目的探讨构建并应用自回归求和移动平均(autoregressive integrated moving average,ARIMA)模型预测静安区儿童流感样病例(influenza-like illness,ILI)就诊百分比的可行性,为儿童流感流行的早期预警提供科学依据。方法基于2011—2014年上海市静安区的逐月儿童ILI就诊百分比,模型参数确定采用非条件最小二乘法,模型结构依据简洁与残差不相关原则确定,拟合优度以许瓦兹贝叶斯准则与赤池信息准则评估,构建儿童ILI就诊百分比预测的最优ARIMA模型。以模型预测静安区2015年1~10月儿童ILI就诊百分比,计算实际值与预测值的相对误差,并预测静安区2016年的儿童ILI就诊百分比。结果模型ARIMA(1,1,1)(无常数项)对儿童ILI就诊百分比序列拟合良好,自回归参数(AR1=-0.901)与移动平均参数(MA1=0.943)差异均有统计学意义(P0.001),残差达到白噪声(P0.05),模型表达式为(1+0.901B)(1-B)Z_t=(1+0.943B)μ_t。2015年1~10月儿童ILI就诊百分比的预测值符合实际值的变动趋势,相对误差最小仅为0.47%。结论 ARIMA模型可以较好地拟合静安区儿童ILI就诊百分比的时间变动趋势,能对ILI就诊百分比进行短期预测,有较好的预测精度。     

湖南省哨点医院流感样病例SARIMA模型预测

目的 建立湖南省流感SARIMA预测模型,为及时采取针对性防控措施提供重要的参考依据。 方法 收集湖南省2010 年第1周-2015年第52周流感样病例百分比(influenza like illness proportion,ILI%)数据建模,用2016年第1～16周次ILI%数据进行验证并对 2016 年第17~52周次ILI%进行预测;应用SPSS 18.0的“预测”模块进行分析,建立SARIMA模型。 结果 湖南省ILI%发病趋势预测模型为 SARIMA(3,0,3)(1,1,0)₅₂,模型参数Normalized BIC值为-1.048,残差为白噪声(Ljung- Box Q=17.980,P＞0.05),预测值与实际值的绝对误差范围在0.14%～1.60%,平均绝对误差百分比(MAPE)为15.96%;预测湖南省2016年ILI%呈现两个高峰,第1个流行高峰在第3～7周,第2个流行高峰在第22～27周,流行特征与2010-2015年基本一致。 结论 SARIMA(3,0,3)(1,1,0)₅₂模型拟合效果较好,可用于湖南省周ILI%的短期预测。     

采用广义可加模型分析预测上海市流感样病例发病情况

探讨广义可加模型(GAM)在上海市流感样病例发病趋势分析和预测中应用,并通过已知的气象条件预测可能的流感样病例数量.研究中利用2006-2010年上海市每周气象数据以及流感样病例监测数据,按照GAM理论,建立气象数据与流感样病例间基丁非线性回归的数学模型.通过初步的数据分析,构造多个候选模型,并通过AIC (Akaike information criterion)指标选取合适的模型进行数据分析及预测.基丁周平均气温及周平均日温差(周相对湿度)的模型较好拟合了原始数据,且模型简洁、明确.对于原始数据的拟合残差及部分拟合残差基本符合上海市流感样病例发病的实际情况,并具有一定的预测能力.结果表明GAM能够较好拟合上海市流感样病例发病与气象因素的变化趋势,准确预测流感样病例的发病情况,适合应用于气象因素依赖的疾病发病预测和分析.     

基于R语言的ARIMA模型对流感样病例发病趋势的预测

目的 分析自回归滑动平均混合模型（the autoregressive integrated moving average,ARIMA）在流感样病例（influenza like illness,ILI）发病趋势预测的可行性,为流感防控提供技术支持。方法 收集本院2013年第1周~2017年第26周由该院每日报告的ILI监测资料,运用R语言进行时间序列分析并建立预测模型。结果 流感样病例就诊百分比（consultation rate of influenza like illness,ILI%）监测数据总体上呈现下降趋势,并且具有明显的季节性。最佳预测模型为ARIMA（0,1,1）（0,1,1）₅₂,该模型残差Box-Pierce检验结果为χ2=7.07（P=0.315）、χ2=17.22（P=0.142）,提示残差为白噪声序列,预测结果实际值均在预测值的95%的置信区间（95% confidence interval,95%CI）内。结论 ARIMA模型可用于该院ILI短期发病趋势的预测。     

乌鲁木齐市流感样病例与气象因素的ARIMAX模型预测分析

目的分析气象因素对乌鲁木齐市流感样病例(influenza-like illness,ILI)例数的影响,建立ARIMAX(autoregressive integrated moving average model-X)模型对ILI例数进行短期预测,为乌鲁木齐市流感的预防与控制提供理论依据。方法利用乌鲁木齐市2015年1月至2017年9月的ILI例数和同期气象数据,建立ARIMAX模型,预测乌鲁木齐市2017年10月至2018年3月的ILI病例数,并与实际ILI例数进行比较。结果2015年1月—2017年9月发病数建立了ARIMA(0,1,1)(1,1,0)12模型,AIC=200.09;通过残差序列互相关函数(CCF)得出月平均相对湿度与ILI例数之间存在正相关关系,月日照时数与ILI例数之间存在负相关关系。将月平均相对湿度和月日照时数作为影响变量,建立ARIMAX模型,其中,纳入滞后0阶月日照时数的ARIMAX模型的AIC最小(AIC=197.63),且模型各参数差异均具有统计学意义。与一元时间序列ARIMA模型相比,拟合的平均绝对百分误差(MAPE)降低1.3687%,预测的MAPE降低5.25%,预测精度提高。结论本研究建立的带有气象因素的ARIMAX模型能较好预测短时间内ILI病例数发病趋势,为流感监测和预防控制提供依据。     

ARIMA模型在流感样病例发病预测中的应用

目的 建立北京市密云区流感样病例ARIMA预测模型并对所建模型预测效果进行验证和评价.方法 对密云区2010-2016年流感监测哨点医院每日报告的流感样病例监测资料建立ARIMA预测模型,并预测2017年流感样病例就诊比例,与实际值比较评估模型预测效果.结果 2010-2016年密云区流感样病例监测哨点医院门急诊患者累...     

应用ARIMA-GRNN模型预测深圳市宝安区流感样病例发病率

目的建立预测流感样病例发病率的ARIMA-GRNN模型,并验证其可行性。方法应用SPSS 19.0软件,对2010年1月-2015年9月宝安区流感样病例月发病率进行模型拟合,并应用MATLAB 7.0联合GRNN模型进行误差修正。以2014年10月-2015年9月月流感样病例发病率作为考核样本评价模型预测效果,并预测2015年10-12月月流感样病例发病率。结果 ARIMA(2,1,0)(0,1,1)12拟合2010年1月-2015年9月宝安区每月新增感染率的变动趋势较为理想,联合GRNN模型后,预测结果与实际值相对误差最大值为3.12%,最小为2.00%;结论 ARIMA(2,1,0)(0,1,1)12-GRNN模型在宝安区流感样病例发病率短期趋势的预测与实际发病率吻合,拟合效果较好。     

ARIMA模型与Holt-Winters指数平滑模型在武汉市流感样病例预测中的应用

目的 探讨比较ARIMA模型和Holt-Winters模型在武汉市流感样病例预测中的应用,为流感防控提供科学依据。方法 利用武汉市2012年1月-2017年6月每周流感样病例比例数据拟合建立ARIMA模型和Holt-Winters指数平滑模型,预测2017年7-8月周流感样病例比例,并与实际流感样病例比例进行比较。结果 ARIMA最优模型为 ARIMA(1,0,1)×(0,1,1)52,预测的平均相对误差为6.88%,Holt-Winters的最优模型为乘法模型,预测平均相对误差为13.79%。结论 ARIMA(1,0,1)×(0,1,1)52模型拟合效果较好,预测精度更高,可用于武汉市流感样病例的预测。     

流感样症状患者临床特征分析

目的分析中山大学孙逸仙纪念医院急诊留观区2018年9月至2019年1月接诊的流感样症状患者的临床特征,为流感患者诊治提供依据。 方法选择2018年9月至2019年1月中山大学孙逸仙纪念医院急诊接诊的180例流感样症状患者,比较不同月份的发病例数。按流感快速抗原检测结果分为流感组与非流感组,流感组为临床诊断为流行性感冒的患者90例,其中男性31例,女性59例;年龄15～94岁,平均(36.82±16.43)岁。非流感组按照与流感组相同的性别年龄比例选取90例有流感症状但不符合临床诊断标准的患者,其中男性32例,女性58例;年龄17～89岁,平均(37.35±15.59)岁。两组患者的性别年龄组成比例差异无统计学意义。分析比较2组的血常规白细胞计数、淋巴细胞计数、嗜酸性粒细胞计数及临床症状,并比较各种观察指标之间的流感快速抗原检出率。 结果流感在12月及1月发病例数高于其他月份。流感组的白细胞及淋巴细胞计数低于非流感组[(6.71±2.40)×10⁹/L vs (9.08±4.91)×10⁹/L,(0.97±0.49)×10⁹/L vs (1.29±0.75)×10⁹/L];常见临床症状中流感快速抗原检测阳性率分别为：低热13例(40.60%),中度热46例(54.80%),高度热42例(56.0%),不同体温的患者之间的流感病毒检出率差异无统计学意义(P>0.05)。肌痛45例(50.00%),头痛29例(39.20%),乏力13例(50.00%),咽痛40例(47.10%),咳嗽60例(45.80%)。除头痛外,其他各种症状的患者流感检出率差异无统计学意义(P>0.05)。 结论流感冬春季节发病率较高,流感患者感染指标低于非流感患者。流感快速抗原检测敏感性较低,头痛有可能是比较有特异性的临床表现。     

2010-2011年深圳市流感样病例暴发疫情监测分析

目的 对2010-2011年深圳市流感样病例暴发疫情监测结果进行分析,了解流感的流行趋势,为流感防治提供科学依据. 方法 收集全市2010-2011年的流感样病例暴发疫情资料进行分析. 结果 2010-2011年深圳市共报告226起流感样病例暴发疫情.发病总人数为2026人,平均罹患率14.2％.疫情报告最多的月份是12月为64起,其次是3月和4月,分别为56起和39起.226起疫情中有201起(88.9％)为PCR检测流感病毒核酸阳性,经型别鉴定其中乙型171起(85.0％),甲流17起(8.5％),季节性甲型13起(6.5％). 结论 2010-2011年深圳市流感活动属于中等水平,分别在3-4月份和12月份出现流行高峰.     

2007年北京市城区居民流行性感冒样病例发病情况快速调查

目的快速评价北京市2007年元旦前后流行性感冒(流感)样病例发病情况、严重程度、病例就诊和服药行为,以及2006年居民流感疫苗接种情况。方法设计统一调查问卷,随机产生居民家庭电话号码,对抽取的家庭所有成员进行调查。结果共调查300户家庭925人,2006年12月18日～2007年1月14日流感样病例的发病率为4.7%,无并发症及需住院治疗的病例。54.4%的病例患病后到不同级别医院就诊,其中到市级及以上医院的占64.3%,社区医院占4.8%。病人就诊时戴口罩的占10.8%。北京市居民2006年接种流感疫苗的占14.6%,其中0～9岁和10～19岁接种流感疫苗的分别占27.5%和27.6%,≥60岁或有慢性病的人群接种流感疫苗的占17.3%。结论2007年元旦前后,北京市出现季节性流感流行,发病率4.7%,但病情较轻。患者就诊主要集中在大医院,社区医院较少,而且患者防护意识较差。2006年北京市居民流感疫苗接种率偏低,接种疫苗的重点人群,如≥60岁老人或有慢性病的人群流感疫苗接种率也偏低。     

长沙市流感样病例发病趋势的时间序列分析和预测模型研究

目的 利用自回归滑动平均混合(ARIMA)模型预测长沙市流感样病例(ILI)的发病趋势. 方法 收集长沙市2006年第1周-2013年第10周由流感监测哨点医院每日报告的流感样病例监测资料,进行时间序列分析并建立预测模型,使用前364周资料建立模型,后10周资料评估模型预测效果. 结果 流感样病例监测资料构建ARIMA(1,0,0)模型,回归系数差异有统计学意义(P＜0.05).白噪声残差分析显示序列自相关函数的Box-Ljung统计量最小值为20.155(P＞0.05),残差为随机性误差.1-364周资料所建立模型ARIMA(1,0,0)预测效果良好,实际值均在预测值的95％可信区间(95％ CI)内,符合率达100％.2013第11-16周长沙市ILI％预测值分别为2.28％(95％CI:0.00％～6.21％)、2.31％(95％ CI:0.00％ ～6.26％)、2.33％ (95％CI:0.00％ ～6.30％)、2.35％ (95％ CI:0.00％ ～6.33％)、2.36％ (95％ CI:0.00％ ～6.35％)、2.38％ (95％CI:0.00％～6.37％). 结论 ARIMA模型能较好模拟长沙市流感样病例的发病趋势.     

应用灰色数列预测模型预测细菌性痢疾发病趋势

本文应用GM(1,1)灰色数列预测模型,对泰安市1989年～1994年细菌性痢疾的发病趋势进行了分析,并对1995年～1997年的菌痢发病率进行了外推预测。计算结果表明,该预测模型较为准确,可信度高,适宜于传染病发病率的近期外推预测。     

马尔可夫模型的流感优势毒株预测分析

摘要：目的　预测流行季节流感的优势毒株,为疫情研判和防控提供依据。方法　根据２００９－２０１３年浙江
省流感监测样本的检测结果,按上下半年对各年流感优势毒株亚型排列,将流感各亚型进行状态划分,并
按时间顺序建立状态变化列表,计算各亚型间的一步状态概率转移矩阵,利用状态转移概率矩阵预测下一
流行季节各流感亚型成为优势毒株概率。结果　浙江省流感监测样本阳性检出率呈上下半年双峰分布,且
每一个阳性检出峰中流感优势毒株类型单一明显,根据一步状态概率转移矩阵,２０１３年下半年流感优势毒
株为Ａ （Ｈ３Ｎ２）、甲型Ｈ１Ｎ１、Ｂ型的概率分别为０、０、１００％。结论　应结合预测结果,流感样病例、分
子实验室、药敏监测等综合判断,同时应根据实际监测结果调整状态概率转移矩阵。
关键词：马尔可夫模型;流感优势毒株;预测
中图分类号：Ｒ１８３．１　　文献标识码：Ａ　　文章编号：１００９ ６６３９ （２０１４）０３ ０１７０ ０３     

差分自回归移动平均模型在伤害预测中的应用

目的探讨差分自回归移动平均（ARIMA）时间序列模型在伤害预测中的应用,建立伤害发生率预测模型。方法利用伤害监测系统,收集城阳区2006~2012年伤害月病例数,建立ARIMA模型。结果ARIMA（1,0,0）（0,1,1）12模型可以较好拟合伤害月发病率时间序列。利用ARIMA模型预测2013年伤害发生率为253．93／万。结果ARIMA模型具有适用性,可以用于伤害短期预测。     

Evaluation of Electronic Ambulatory Care Data for Use in the Influenza-like Illness Surveillance Network (ILINet)

Objective

To determine if a syndromic influenza-like illness (ILI) definition previously validated for emergency department (ED) data accurately identified ILI visits in electronic ambulatory care data.

Introduction

During summer 2012, Washington State Department of Health (WA DOH) surveyed ILINet providers and found that more than half either utilize their electronic medical record system (EMRS) to gather and report weekly ILINet data, or intend to implement queries to do so in the future. There are a variety of EMRS being used state-wide, and providers that currently utilize these systems to report ILINet data apply a wide range of methods to query their data. There exists great interest in the evaluation of ambulatory care data within the context of Meaningful Use and little research is published in this area. WA DOH sought to evaluate electronic data from WA outpatient clinic networks in order to determine if a syndromic ILI definition previously validated for emergency department (ED) data accurately identified ILI visits in electronic ambulatory care data.

Methods

Public Health Seattle King County (PHSKC) receives electronic health data from the University of Washington Physicians Network (UWPN), comprised of ten outpatient clinics, on an automated basis. Data are sent daily for all outpatient visits that occurred the previous day and include clinic name, visit date and time, patient age, sex, zip code, chief complaint and diagnoses, and both a visit and patient key. Outpatient data from August 2007 through August 2012 were queried for ILI visits using the syndromic category for ILI previously validated for ED syndromic surveillance data: (1) ICD codes for influenza or mention of “flu” in chief complaint or diagnosis, or (2) a chief complaint or diagnosis of fever plus cough, or (3) a chief complaint or diagnosis of fever plus sore throat.Using this definition, we assessed the correlation between the proportion of visits for ILI in the UWPN data and number and percentage of positive influenza laboratory tests reported by the University of Washington (UW) Virology Laboratory. We plan to apply this methodology to evaluate outpatient data from an additional clinic network, with statewide locations, and present these findings.

Results

The median number of weekly visits captured in the data was 6,622. Three clinics were excluded from further analyses due to insufficient data, leaving seven clinics remaining in the dataset (median number of weekly visits: 6,167). Overall, the proportion of ILI visits in the UWPN data strongly correlated with the number and percentage of positive influenza tests reported by the UW Laboratory during August 2007 through August 2012 (correlation coefficients 0.85 and 0.77, respectively). The correlation between proportion of ILI visits and number positive influenza tests among individual clinics ranged from 0.62 — 0.83. Overall, the proportion of ILI visits among the age category 5 to 24 years most strongly correlated with number positive influenza tests (correlation coefficient: 0.86).

Conclusions

During August 2007 through August 2012, the percentage of ILI visits detected in UWPN data using a previously validated definition for ILI in ED syndromic surveillance data strongly correlated with influenza activity in the community. Based on these findings, data from the UWPN network will be incorporated into ILINet during the 2012–2013 Influenza season. Findings from our analysis support the validity of using syndromic ambulatory data for ILI surveillance. Furthermore, we plan to use these results to formulate guidance for ILINet providers who want to utilize EMRS for weekly ILINet reporting.Open in a separate windowProportion of ILI visits within electronic clinic network data and number positive influenza tests, August 2007 – August 2012, Washington State