攜手數(shù)據(jù)分析，構(gòu)筑智能化的疫情預測預警系統(tǒng)

 疫情預測預警是有效應(yīng)對傳染病重要的手段，傳染病預測預警是通過建立統(tǒng)計分析和數(shù)學模型的建立，探討傳染病發(fā)生、發(fā)展和流行的規(guī)律，一方面可根據(jù)預測的數(shù)據(jù)，有的放矢地提出和采取預防控制措施，并通過跟蹤印證來評價預防措施的效果，能使預防控制工作更具針對性、預見性和主動性，從而達到防止暴發(fā)或流行的目的;另一方面可將實時疫情信息與同期歷史資料比較，對于發(fā)病率超出所確定可信限范圍者作為異常來處理，以此發(fā)出暴發(fā)或流行的警示，從而實現(xiàn)疾病的早期預警。

用于傳染病預測預警的方法分為定性預測和定量預測，定性預測主要包括流行控制圖法、比數(shù)圖法、模糊數(shù)學理論以及動態(tài)圖形法等?，F(xiàn)在應(yīng)用越來越廣泛的方法之一是動態(tài)圖形法。

動態(tài)圖形是一種隨著計算機技術(shù)的成熟而快速發(fā)展起來的圖形基礎(chǔ)，它既繼承了傳統(tǒng)統(tǒng)計圖形的所有要素和優(yōu)點，又增添了更加豐富的表達形式(如拖拉點拽式的操作界面、動畫電影般的顯示效果等)，從而能夠靈活自如地從更多維度地展現(xiàn)數(shù)據(jù)背后的內(nèi)在規(guī)律和發(fā)展趨勢。使用門檻低，易于理解，統(tǒng)計溝通的效果更佳。

而定量預測主要有灰色動態(tài)模型、回歸預測模型、逐步判別模型、多元回歸模型以及時間序列模型等。目前應(yīng)用比較成熟的方法之一是時間序列分析模型。

時間序列分析是一種處理時間維度數(shù)據(jù)的統(tǒng)計方法。該方法基于隨機過程理論和數(shù)理統(tǒng)計學方法，研究隨機數(shù)據(jù)序列所遵從的統(tǒng)計規(guī)律，以用于解決實際問題。它克服了因果回歸分析法中預測對象的影響因素難以掌握和數(shù)據(jù)資料不易得到的難題，利用任何事物的發(fā)展都具有一定慣性的原理，建立時間序列模型,以達到預測未來的目的。過程簡便、經(jīng)濟、適用，短期預測精度較高。

下面基于專業(yè)統(tǒng)計分析軟件JMP，分別用一些實際案例進行說明。

案例一——禽流感全球疫情監(jiān)控

禽流感常指人感染禽流感，是由禽流感病毒引起的人類疾病。由于禽流感病毒的血凝素結(jié)構(gòu)等特點，當病毒在復制過程中發(fā)生基因重配，致使結(jié)構(gòu)發(fā)生改變，獲得感染人的能力，才可能造成人感染禽流感疾病的發(fā)生。至今發(fā)現(xiàn)能直接感染人的禽流感病毒亞型有：H5N1、H7N1、H7N2、H7N3、H7N7、H9N2和H7N9亞型。其中高致病性的禽流感，不僅會重創(chuàng)家禽養(yǎng)殖業(yè)，而且會造成人類社會的巨大傷亡。

利用聯(lián)合國衛(wèi)生組織公布的數(shù)據(jù)，對2009年5月起首次引起全球關(guān)注的禽流感疫情進行早期的定性分析與預測，發(fā)現(xiàn)了很多有意義的規(guī)律和特征。圖1就是運用JMP軟件中的“氣泡圖”平臺繪制而成的動態(tài)圖形。根據(jù)氣泡的大小、顏色和運動軌跡，我們不難發(fā)現(xiàn)墨西哥和美國是當時疫情最嚴重的兩個國家，而它們的特點又有所不同：墨西哥的病例數(shù)量不是最多，但死亡率很高;美國的病例數(shù)量最多，但死亡率相對較低。

此外，再結(jié)合地理信息系統(tǒng)的內(nèi)容，我們可以更廣泛地了解此次禽流感疫情在全球范圍內(nèi)的變化規(guī)律。圖2就是進一步運用JMP軟件中的“地圖”功能繪制而成的動態(tài)圖形。我們可以輕而易舉地跨越時空的局限，將世界各地的禽流感疫情一覽無遺。

案例二——國內(nèi)某省丙肝發(fā)病的預測

丙肝，全名為丙型病毒性肝炎。雖然丙肝的“知名度”不如乙肝，但近幾年丙肝的發(fā)病率逐年上升。丙肝不像乙肝癥狀明顯，因而多數(shù)丙肝患者本身并不知情。但是，在未來20年內(nèi)與HCV感染相關(guān)的死亡率(肝衰竭及肝細胞癌導致的死亡)將繼續(xù)增加，對患者的健康和生命危害極大，已成為我國嚴重的社會和公共衛(wèi)生問題。

利用某省2005-2013年的丙肝報告發(fā)生數(shù)預測該省2014年的丙肝情況。圖3中展示了108個月的該省丙肝報告發(fā)生數(shù)。

觀察上圖發(fā)現(xiàn)，該數(shù)據(jù)具備趨勢性、周期性和隨機性的特點，適合用時間序列分析中的ARIMA(p,d,q)模型來進行分析預測。但是，如何確定其中的參數(shù)p,d,q呢?這需要具備一定的統(tǒng)計學背景知識，花費相當?shù)奶剿髋c嘗試時間。幸運的是，在JMP軟件的智能化分析幫助下，這一切變得很簡單，因為可以在極短的時間內(nèi)對大量的候選模型進行地毯式搜索，并根據(jù)其擬合效果的優(yōu)劣進行排序，最后甄選出一個預測誤差最小的模型供我們參考使用。本例中最終確定的參數(shù)為p=1,d=1,q=1，因此對應(yīng)的ARIMA模型為ARIMA(1,1,1)。用該模型對源數(shù)據(jù)進行擬合及預測，如圖4所示，該模型曲線的擬合效果還是不錯的。

相信大家從這些案例中可以感受到：工欲善其事，必先利其器。借助于現(xiàn)代化的數(shù)據(jù)分析利器JMP，無論是定性預測，還是定量預測，都能夠簡便高效地完成。未來這些方法和技術(shù)在傳染病預測預警方面還會有更好的應(yīng)用前景。