排序方式: 共有8条查询结果,搜索用时 46 毫秒
1
1.
目的 评估全球新型冠状病毒肺炎(COVID-19)疫情对我国的输入风险。方法 基于收集的疫情数据(各国家每日累计确诊病例数、境外输入病例累计确诊病例数)、人口学数据(各国人口密度、人口数)、旅客潜在来源群体信息(华侨华人常住人口数、在外中国留学生数、海外务工人员数、来华留学生数、航班旅客数估计)和全球健康安全指数(GHS)等信息,进行近期(2月1日-4月25日)和未来(4月26日-)风险分析及预测,构建输入风险得分。结果 各国境外输入病例数、累计确诊数、罹患率、华侨华人数、境外留学生数、来华留学生数、航班乘客数和GHS变量间有较强的正相关性。近期风险分析中,俄罗斯输入病例明显较高,英国、美国、法国、西班牙次之。在未来风险预测中,通过各国罹患率指数和平均每日入境乘客数估计值两项信息,评估美国、新加坡等44个国家为未来潜在高风险国家。结论 通过COVID-19疫情各国家输入风险评估,可以识别近期及未来的高风险区域,为加强疫情防控,为最终战胜疫情提高帮助。 相似文献
2.
目的 新型冠状病毒肺炎疫情已席卷全球,疫情结束前,其病死率的估计受现有确诊病例和发病到死亡时间分布的影响,且结论尚不明确,本研究旨在对新型冠状病毒肺炎的年龄别病死率进行估计。方法 收集国家卫生健康委员会和CDC发布的新型冠状病毒肺炎疫情数据信息,采用Gamma分布拟合发病到死亡时间分布规律,采用马尔科夫链蒙特卡罗模拟估计年龄别病死率。结果 新型冠状病毒肺炎的发病到死亡时间M=13.77(P25~P75:9.03~21.02)d,总病死率为4.1%(95% CI:3.7%~4.4%),0~、10~、20~、30~、40~、50~、60~、70~和≥80岁组病死率分别为0.1%、0.4%、0.4%、0.4%、0.8%、2.3%、6.4%、14.0%和25.8%。结论 校正删失的马尔科夫链蒙特卡罗模拟方法适用于新发突发传染病疫情期间的病死率估计,尽早明确新型冠状病毒肺炎的病死率有助于疫情的防控。 相似文献
3.
复杂疾病往往是由环境因素、遗传因素(多个组学层面)共同作用所致。全面分析不同分子水平的信息对认识疾病的发生发展至关重要。多组学数据整合分析能够提高特征筛选检验效能、改善疾病预测精度。本文从统计学角度出发,对多组学数据整合分析的统计理论方法研究进展做一述评。 相似文献
4.
5.
目的 对全国各省份的新型冠状病毒肺炎(COVID-19)疫情防控现状进行分析,建立预测模型预估现有防控措施预期成效,为决策部门提供科学信息。方法 基于COVID-19疫情网络公开数据,估计全国、各省份以及武汉市不同时间基本再生数(R0)的动态变化R0(t),以评估在现有防控措施下,COVID-19传染速率随时间变化的趋势,预估现有防控措施的预期成效。结果 从结果稳定性考虑,选择累积确诊病例数>100例的地区进行分析,共24个省份纳入分析。在疫情初期,全国整体R0(t)不稳定,数值较大,误差也较大。随着防控措施的进一步加强,R0(t)普遍在1月下旬开始呈现下降趋势,2月始下降趋势稳定。截至数据分析日,纳入分析的24个省份中已有18个省份(75%)R0(t)降到1以下。这为有条件地开放人员流动提供了信息。结论 动态R0(t)有助于动态评估COVID-19传染速率变化情况,本次疫情防控措施已初显成效,如能继续保持,全国疫情有望短期内得到全面控制。 相似文献
6.
目的 拟合并预测新型冠状病毒肺炎(COVID-19)疫情的发展趋势,为疫情防控提供科学依据。方法 基于SEIR动力学模型,考虑COVID-19的传播机制、感染谱、隔离措施等,建立SEIR+CAQ传播动力学模型。基于官方公布的每日确诊病例数进行建模,利用2020年1月20日至2月7日的报告疫情数据进行拟合。采用2月8-12日的数据评估预测效果,并进行疫情预测。结果 SEIR+CAQ模型对全国(湖北省除外)和湖北省(武汉市除外)的累计确诊病例数的过去10日拟合偏差<5%;未来5日预测偏差<10%,略有高估。全国(湖北省除外)和湖北省(武汉市除外)的每日新增确诊病例数已于2月1-2日达峰值;武汉市亦已于2月9日达到高峰。在当前防控措施不变的情况下,截至2月29日,预计全国累计确诊病例将达80 417例。预测结果尚未包含临床诊断病例。结论 SEIR+CAQ模型可用于COVID-19疫情趋势预测,为疫情防控决策和效果评价提供参考。 相似文献
7.
自新型冠状病毒肺炎疫情发生以来,一些学者利用疫情公开数据建立预测模型。所用预测方式包括曲线拟合、传染病动力学模型及人工智能算法三大类。传统的曲线拟合预测方式无法考虑传染病特征,预测结果并不可靠。传染病动力学模型是本次疫情预测应用最多的一类,能够考虑传染病的传播速度、传播模式及各种防控措施等因素,但由于考虑的参数不可能全面,且参数可能在疫情不同阶段发生动态变化,因此预测效果往往不佳,但对早期预警、防控决策支持及防控效果评价具有重要应用价值。人工智能方法可以综合考虑不同防控措施以及多种因素的影响,如果考虑得当,预测效果将会有所提高。在综合利用动力学模型优势的基础上,尽可能多地考虑不同影响因素,利用人工智能构建仿真模型,将是一个新的发展趋势。 相似文献
8.
目的 推测2020年6月北京市新发地新型冠状病毒肺炎(COVID-19)疫情首例感染的传播时间起点,辅助传染病溯源,评价当前综合防控效果。方法 根据北京市卫生健康委员会官方报告统计每日发病人数,建立SEIR传染病动力学模型,基于每日发病人数拟合动力学模型,并搜寻本次疫情的传播时间起点;考虑不同的防控效果而拟合6月12日至7月1日的累计发病人数,以评估当前综合防控措施效果。结果 北京市新发地疫情传播首例感染应起始于5月22日至5月28日之间(累计概率为95%),起始于5月25日的概率最大(23%)。本次疫情R0为4.22(95% CI:2.88~7.02)。模型拟合结果提示,截至6月11日,累计发病为99例(95% CI:77~121),符合实际情况。若不加控制,则截至7月1日累计发病估计将达到65 090例(95% CI:39 068~105 037)。截至7月1日,较之无防控措施的理论情况,实际感染人数减少了99%。自6月12日起,北京市采取了强有力的综合防控措施,疫情实际走势接近于传播率降低95%的推演结果,敏感性分析支持这一结果。结论 针对突发性疫情,传染病动力学模型可用来辅助推演传染病传播起始时间,辅助疫情溯源。北京市针对本次突发疫情所及时采取的综合防控措施迅速控制了95%以上的传播途径,减少了99%的感染人数,快速遏制了疫情,对于未来疫情防控具有重要的指导意义。 相似文献
1