基于多机器学习方法联合的公共卫生风险预测研究——以兰州市流感预测为例.docx
版权申诉
184 浏览量
2022-06-26
16:15:31
上传
评论
收藏 296KB DOCX 举报
1 引 言
2020 年,新冠疫情全球大流行再次警醒我们 ,世界已进入风险社会
[1
,2
]
,各种复
杂社会风险可能随时随地爆发
[3
]
。公共卫生风险作为人类面临的主要社会风险之
一,往往不受疆界、阶层、种族、年龄和性别的限制,迅速流行蔓延,危害人民的生
命健康和财产安全,破坏社会经济系统
[4
]
。以流行性感冒（后文简称“流感”）为例,
其具有潜伏期短、传染性强、传播速度快的特点
[5
]
,可在短时间内迅速爆发流行,
造成严重的发病和死亡。例如,1918 年的西班牙大流感,在极短时间内形成全球
大流行,累计造成 10 亿人感染,2500 万-1 亿人死亡（当时世界总人口约为 17
亿）
[6
]
。即使在医疗卫生条件极大改善的今天,全球每年仍有 29-65 万人死于流感
[7
]
,绝大部分来自发展中国家
[8
]
。另外,流感大流行还会引发经济停滞、民众恐慌 ,
甚至社会失调,如大规模缺勤、缺课,医疗机构不堪重负,谣言四起,民众恐慌、囤
积物资,生产活动停滞等
[9
]
。人口众多、人员流动性大、民众风险意识不足等因素
造成我国社会的风险抗逆力普遍较低,长期饱受流感危害。因此,为了避免流感大
爆发,降低损失,在流感防控中要坚持底线思维,做好充分准备,除了研发、生产、
储备疫苗外,还应在现有流感监测的基础上积极展开流感预测
[4
]
,提前预防干预,避
免风险演变成危机
[10
]
。
目前,世界各国流感防控和预警仍主要依赖于传统的流感监测
[11
]
,政府和公共
卫生部门根据流感监测系统（网络）上报的流感信息评估近期流感活动趋势,做
出公共卫生和应急决策
[12
]
。例如,中美两国均利用自己的流感监测网络,汇总和分
析全国各地上报的流感信息（发病数、临床症状、病毒学实验室结果、入院和
死亡统计等信息）,监测和评估流感动向
[13
]
。传统的流感监测为流感防控提供了
大量信息和数据,发挥了重要作用。然而,由于监测数据从基层监测点（哨点医院
和实验室）逐级上报到中央决策部门需要较长时间（约 1~2 周）,监测数据往往
滞后于流感实时状态
[14
]
。这导致评估者无法及时、准确洞察流感发展态势,决策
者无法果断做出最佳决策,错过防控“最佳窗口期”。面对这一不足,世界卫生组织
（World Health Organization,WHO ）指出增强流感预测能力对流感防控意义
重大
[4
]
,理论界和实践界就流感预测积极展开了探索。最初的流感预测模型是基于
经典的“易感-感染-恢复”（Susceptible-Infected-Recovered,SIR）流行病学模
型建立的,然而由于模型的关键参数是“区间人员流动”,不仅需要频繁调整,而且当
时条件下很难实现实时获取,极大限制了它的应用
[15
]
。但在大数据和 5G 时代,其
应用潜力巨大。随着互联网的普及,学者们开始探索基于互联网数据预测流感的
方法,最具代表性的是谷歌流感趋势（Google Flu Trends）。2008 年,谷歌流感
趋势基于互联网搜索数据预测了 2003-2015 年的流感,然而后来发现预测结果不
准,预测方法存在缺陷
[16
]
。在互联网环境下（如有目的的网络话题制造和引导）,
其缺陷可能会被进一步放大。还有学者尝试基于相关分析方法,通过分析外部变
量（如病毒类型、病假、相关药物销售）
[17
]
与流感（发病数或发病率）的相关关
系预测流感。然而,现实中这些外部变量数据很难实现实时获取。也有学者同样
基于相关分析方法,利用气象因素（温度和湿度等）
[18
]
预测流感,相较于上述外部
变量,气象数据更容易实时监测和获取。总之,以往的预测方法或因假设和技术存
在限制性,或因关键因素获取困难缺乏灵活性,都制约了实际效用。近期的一些流
感 预 测 研 究 使 用 了 差 分 整 合 移 动 平 均 自 回 归 （ Auto Regressive Integrated
Moving Average,ARIMA）
[19
,20
]
、卡尔曼滤波器（Kalman Filter,KF）
[21
]
和机器
资源评论
罗伯特之技术屋
- 粉丝: 3551
- 资源: 1万+
下载权益
C知道特权
VIP文章
课程特权
VIP享7折，此内容立减5.97元 开通VIP
