基于向量自回归模型分析呼吸道病原感染与气象因素的动态关系

目的运用向量自回归模型分析发热呼吸道症候群病原感染与气象因素的变动关系,为不同气象条件下急性呼吸道传染病的防控提供科学参考。方法收集兰州市2010-2015年发热呼吸道症候群检出病原阳性率及同期气象数据,构建向量自回归模型,进行脉冲响应和方差分解,分析气象因素随机新息对呼吸道病原感染的方差贡献。结果 VAR(2)模型总拟合优度为0.642,拟合值与实际值的希尔不等系数为0.193,平均绝对误差为0.07,平均绝对百分误差为22.42%。平均气温、平均相对湿度、平均降雨量和平均气压对病原感染阳性率预测误差的贡献到第15期分别达5.89%、4.34%、8.33%和8.15%。结论 VAR模型可用于分析呼吸道病原感染与气象因素的动态关系。发热呼吸道症候群预警可考虑结合当地气象因素。     

Bayes综合判别对流行性乙型脑炎临床分型的鉴别

目的 构建普通型和重型流行性乙型脑炎（乙脑）临床分型的Bayes判别函数,采用量化指标鉴别乙脑病例。方法 选取2005－2017年甘肃省CDC疫情监测系统报告的普通型和重型乙脑病例为研究对象,应用非条件logistic回归和Bayes逐步判别分析筛选有意义的临床指标,构建Bayes判别函数并进行评价。结果 普通型病例256例;重型病例257例。两组病例在性别、年龄和职业分布差异无统计学意义（P>0.05）,病死率差异有统计学意义（P<0.05）。联合非条件logistic回归与Bayes逐步判别分析,再结合相关文献筛选11个临床指标建立Bayes判别函数,交互验证法显示普通型和重型乙脑病例的判别函数灵敏度为71.48%（95% CI：65.53%～76.93%）、特异度为73.93%（95% CI：68.11%～79.19%）、ROC曲线下面积为0.761（95% CI：0.720～0.803）,总体准确率为72.71%。结论 通过构建Bayes判别函数可以较为准确地鉴别普通型和重型乙脑病例,有利于病例合理救治。