[发明专利]一种基于病毒检出率的传染病重症、死亡风险预警系统及方法

权利要求书

1.一种基于病毒检出率的传染病重症、死亡风险预警系统，其特征在于包括：风险定义模块、风险要素选取模块、风险网络构建模块、风险评估预测模块和分级预警模块；其中：

风险定义模块：扫描监测区域的传染病监测网络数据库，选取监测网络中过去一段时间里每一个月和历史时间段斑块内的特定传染病普通病例和重症、死亡病例，利用移动百分位数方法来确定传染病重症、死亡发生率的历史基线，由此定义监测区域在过去一段时间里每一个月该传染病重症、死亡风险等级；将风险等级定义结果存入风险样本数据库里；

风险要素选取模块：在风险定义模块确定了风险样本之后，风险要素选取模块采用专家打分法或阅览文献手段，在监测区域众多环境要素中分析、选取过去同时间段里与该传染病每个月的重症、死亡风险相关的前一个月的病理、环境要素，建立风险要素体系；再利用相关性分析来确定最终的进行传染病重症、死亡风险预测所需的病理、环境要素；将这些要素进行离散化处理，结果存入环境要素样本数据库；同时也对当前月的相关病理和环境要素数据进行同样的处理，也存入到环境要素样本数据库里；

风险网络构建模块：结合风险样本数据库和环境要素样本数据库里的数据，利用基于信息论的网络结构学习方法，建立在过去一段时间里监测区域的最能反映病理、环境要素与重症、死亡发生风险之间关系的贝叶斯网络；所建立的网络里的节点分别代表了指示传染病重症、死亡发生风险等级变量和相关病理、环境要素变量；该模块建立的风险网络将推送到风险评估预测模块里进行当前月监测区域该传染病的重症、死亡风险估计；

风险评估预测模块：风险评估预测模块读取环境要素样本数据库中当前月所选的相关病理、环境要素数据，利用风险网络构建模块所建立的风险网络，通过联合概率公式计算下一个月监测区域传染病重症、死亡各种风险等级发生的可能性大小；在这基础上，风险评估预测模块选择可能性最大的风险等级作为下一个月重症、死亡风险等级，作为判断条件推送给分级预警模块；

分级预警模块：根据风险评估预测模块推送的下一个月监测区域的该传染病重症、死亡风险等级，有针对性地发出两种紧急程度预警或不进行预警；预警信号包括风险等级、预警涉及区域和时间段信息；预警信号以短信和网络页面形式，向疾病预防控制部门的专职工作人员进行推送；

所述的风险网络构建模块实现过程如下：

(1)先建立以图形化方式进行表达的贝叶斯网络初始结构G＝<V,E>，其中结构图G中的节点V所对应的是指示传染病重症、死亡发生风险等级变量和已选择的病理、环境要素变量；节点V之间暂时没有连接边E，标示变量间暂无依赖关系；

(2)在监测区域病理、环境风险和传染病重症、死亡发生风险历史资料的基础上，利用公式(1)计算了每对节点间的交互信息I(v_i,v_j)；

$I(v_i,v_j)={\mathrm{\&Sigma;}}_{v_i,v_j}\mathrm{Pr}(v_i,v_j)log\frac{\mathrm{Pr}(v_i,v_j)}{\mathrm{Pr}\left(v_i\right)\mathrm{Pr}\left(v_j\right)}---\left(1\right)$

Pr(v_i,v_j)表示节点对v_i,v_j所代表的两种变量所示情况同时发生的可能性大小，Pr(v_i)、Pr(v_j)分别表示单个节点v_i或v_j所代表的变量所示情况分别发生的可能性大小；对于所有交互信息大于阈值ε的节点对，按照交互信息值大小从大到小依次插入链表L中，此时建立一个指针P指向链表L的第一个节点对；

(3)从链表L中移出前两个节点对，将相应的连接边放入连接边E中，并把指针P移到下一个节点对；从链表L中取出指针P所指向的节点对，如果这两个节点间没有连接路径存在，就将对应的边加入到连接边E中并将对应的节点对从链表L中删除，然后将指针P指向链表L中的下一个节点对；重复执行加边删点的步骤，直到指针P指向链表L的尾，或者图G中包含了h-1条边时为止；h是图G中的节点数；当图G包含h-1条边，若再加一条边就会形成回路；

(4)再将指针P指向链表L的第一个节点对，取出指针P所指向的节点对v_i,v_j，在结构图G中寻找能隔断这对节点联系的隔断节点集合；利用公式(2)计算了每个节点对中单个节点v_n与结构图G中其它某一节点v_s间的条件交互信息I(v_n,v_s|C)，C为节点集，v_n为节点对v_i,v_j中任意一节点；

$I(v_n,v_s|C)={\mathrm{\&Sigma;}}_{v_n,v_s}\mathrm{Pr}(v_n,v_s,C)\log \frac{\mathrm{Pr}(v_n,v_s|C)}{\mathrm{Pr}\left(v_n\right|C)\mathrm{Pr}\left(v_s\right|C)}---\left(2\right)$

Pr(v_n,v_s|C)表示节点集C中节点对v_i,v_j所代表的两种变量所示情况同时发生的可能性大小，Pr(v_n|C)、Pr(v_s|C)分别表示节点集C中单个节点v_n或v_s所代表的变量所示情况发生的可能性大小；若I(v_n,v_s|C)小于阈值ε，则节点对v_n,v_s不能条件独立于隔断节点集，那么在连接边E中删除节点对v_n,v_s之间的连接边，增加节点对和隔断节点间的连接边；重复执行该步骤，直到指针P指向链表L的尾；

(5)对于在连接边E中的边E(v_i,v_j)，如果在节点v_i或v_j之间还存在有其它边，那么将边E(v_i,v_j)暂时从连接边E中删除，如果这两个节点不能被隔开，将边E(v_i,v_j)重新加入连接边E；否则永久删除这条边；最后给当前图中的边定向；

(6)当贝叶斯网络结构一旦确定，基于历史数据资料，计算网络结构里在过去一段时间里前一个月的病理、环境要素组合条件下，下一个月的各种传染病重症、死亡发生风险等级发生的联合概率分布，由此得到监测区域下一个月里各种传染病重症、死亡发生风险等级发生的可能性大小；根据历史资料来优化调整网络结构。

2.一种基于病毒检出率的传染病重症、死亡风险预警方法，其特征在于步骤如下：

(1)根据监测区域的传染病监测网络中过去一段时间里每个月和之前几个月的历史时间段斑块内的特定传染病普通病例和重症、死亡病例，通过移动百分位数方法，观察按照月为时间单位移动的周期重症、死亡发生率水平，并同步移动计算历史重症、死亡发生率水平的百分位数作为历史基线，由此定义监测区域在过去一段时间里每个月该传染病的重症、死亡风险等级；

(2)利用专家打分法或者阅览文献手段，建立特定传染病重症、死亡发生风险的病理和环境风险要素体系，要素体系涉及风险评估之前一个月里致病病毒检出率、气象条件和风险人群分布多个要素；然后根据统计相关性分析来确定最终的进行传染病重症、死亡风险预测所需的病理和环境风险要素；由于贝叶斯网络推理输入数据为类型或等级数据，所以在建立风险估计网络之前，用等距法、等频法或基于熵方法将风险要素数据进行离散化处理，自动确定风险要素数据从连续型属性到离散型属性的对应关系；

(3)利用基于信息论的网络结构学习方法，利用监测区域在过去一段时间里每个月该传染病的重症、死亡风险和前一个月的病理、环境要素数据，建立监测区域的最能反映病理、环境要素与重症、死亡发生风险之间关系的贝叶斯网络；所建立的网络里的节点分别代表了指示传染病重症、死亡发生风险等级变量和相关病理、环境要素变量；

(4)风险网络结构一旦确定，在监测区域当前月的病理、环境风险数据的基础上，计算建立的贝叶斯网络中传染病重症、死亡发生风险节点的概率分布，由此得到下一个月监测区域该传染病重症、死亡各种风险等级发生的可能性大小，选择发生概率最大的风险等级作为下一个月最为可能发生的风险；

(5)根据下一个月的风险等级，由此判断监测区域在下一个月的该传染病重症、死亡风险很有可能处于以下三种情况：位于历史基线高位水平，历史基线高位水平是指下一个月的该传染病重症、死亡发生率高于历史时期同种传染病重症、死亡发生率的最高值的80％的值，即≥P80，P代表百分数位；位于历史基线中间水平，历史基线中间水平是指下一个月的发生率位于历史时期发生率的最高值的80％和50％的值区间，即P80-P50；位于历史基线较低水平，历史基线较低水平是指下一个月的发生率低于历史时期平均发生率，即≤P50；然后根据下一个月监测区域该传染病重症、死亡风险的不同紧急情况，有针对性地发出预警；当确定重症、死亡风险位于历史基线高位水平时，疾病防控人员应采取最为严格的防控措施；而确定重症、死亡风险位于历史基线中间水平时，疾病防控人员要分两种情况考虑防控措施；一种情况可能是疫情已经发生，处于逐渐消除阶段，则说明前期防控措施正在发生作用，疾病防控人员应继续使用这些措施；另一种情况可能是疫情还未发生，处于酝酿阶段，则疾病防控人员应严密关注该地区此种传染病的发展，有针对性地向公众宣传传染病防护的常识；

所述步骤(3)中建立监测区域的最能反映病理、环境要素与重症、死亡发生风险之间关系的贝叶斯网络的具体实现过程如下：

(31)先建立以图形化方式进行表达的贝叶斯网络初始结构G＝<V,E>，其中结构图G中的节点V所对应的是指示传染病重症、死亡发生风险等级变量和已选择的病理、环境要素变量；节点V之间暂时没有连接边E，标示变量间暂无依赖关系；

(32)在监测区域病理、环境风险和传染病重症、死亡发生风险历史资料的基础上，利用公式(1)计算了每对节点间的交互信息I(v_i,v_j)；

$I(v_i,v_j)={\mathrm{\&Sigma;}}_{v_i,v_j}\mathrm{Pr}(v_i,v_j)log\frac{\mathrm{Pr}(v_i,v_j)}{\mathrm{Pr}\left(v_i\right)\mathrm{Pr}\left(v_j\right)}---\left(1\right)$

Pr(v_i,v_j)表示节点对v_i,v_j所代表的两种变量所示情况同时发生的可能性大小，Pr(v_i)、Pr(v_j)分别表示单个节点v_i或v_j所代表的变量所示情况发生的可能性大小；对于所有交互信息大于阈值ε的节点对，按照交互信息值大小从大到小依次插入链表L中，此时建立一个指针P指向链表L的第一个节点对；

(33)从链表L中移出前两个节点对，将相应的连接边放入连接边E中，并把指针P移到下一个节点对；从链表L中取出指针P所指向的节点对，如果这两个节点间没有连接路径存在，就将对应的边加入到连接边E中并将对应的节点对从链表L中删除，然后将指针P指向链表L中的下一个节点对；重复执行加边删点的步骤，直到指针P指向链表L的尾，或者图G中包含了h-1条边时为止；h是图G中的节点数；当图G包含h-1条边，若再加一条边就会形成回路；

(34)再将指针P指向链表L的第一个节点对，取出指针P所指向的节点对v_i,v_j，在结构图G中寻找能隔断这对节点联系的隔断节点集合；利用公式(2)计算了每个节点对中单个节点v_n与结构图G中其它某一节点vs间的条件交互信息I(v_n,v_s|C)，C为节点集，v_n为节点对v_i,v_j中任意一节点；

$I(v_n,v_s|C)={\mathrm{\&Sigma;}}_{v_n,v_s}\mathrm{Pr}(v_n,v_s,C)\log \frac{\mathrm{Pr}(v_n,v_s|C)}{\mathrm{Pr}\left(v_n\right|C)\mathrm{Pr}\left(v_s\right|C)}---\left(2\right)$

Pr(v_n,v_s|C)表示节点集C中节点对v_i,v_j所代表的两种变量所示情况同时发生的可能性大小，Pr(v_n|C)、Pr(v_s|C)分别表示节点集C中单个节点v_n或v_s所代表的变量所示情况发生的可能性大小；若I(v_n,v_s|C)小于阈值ε，则节点对v_n,v_s不能条件独立于隔断节点集，那么在连接边E中删除节点对v_n,v_s之间的连接边，增加节点对和隔断节点间的连接边；重复执行该步骤，直到指针P指向链表L的尾；

(35)对于在连接边E中的边E(v_i,v_j)，如果在节点v_i或v_j之间还存在有其它边，那么将边E(v_i,v_j)暂时从连接边E中删除，如果这两个节点不能被隔开，将边E(v_i,v_j)重新加入连接边E；否则永久删除这条边；最后给当前图中的边定向；

(36)当贝叶斯网络结构一旦确定，基于历史数据资料，计算网络结构里在过去一段时间里前一个月的病理、环境要素组合条件下，下一个月的各种传染病重症、死亡发生风险等级发生的联合概率分布，由此得到监测区域下一个月里各种传染病重症、死亡发生风险等级发生的可能性大小；根据历史资料来优化调整网络结构。