ISSN 1003-8280 CN 10-1522/R 中国疾病预防控制中心 主办
目的 阐述建立Elman神经网络模型预测肾综合征出血热(HFRS)发病率的方法和步骤,探讨其应用前景。方法 使用全国2004-2013年HFRS的月发病率资料,建立Elman神经网络预测模型和SARIMA模型,对2014年1-9月HFRS的月发病率进行预测,比较2个模型的拟合和预测效果。结果 对于训练样本,Elman神经网络的平均绝对误差(MAE)、平均绝对误差百分比(MAPE)以及均方误差平方根(RMSE)分别为0.0088、0.1191和0.0127;SARIMA 模型的MAE、MAPE 和RMSE 分别为0.0111、0.1268 和0.0206。对于预测样本,Elman 神经网络的MAE、MAPE 和RMSE 分别为0.0079、0.1180 和0.0096;SARIMA 模型的MAE、MAPE 和RMSE 分别为0.0178、0.2778 和0.1861。结论 Elman神经网络较好地拟合和预测了全国HFRS的发病趋势,并且其拟合和预测效果优于SARIMA模型,具有较强的推广应用价值。
目的 分析辽宁省2005-2007年肾综合征出血热(HFRS)流行特征和影响HFRS发病的环境因素,为制定HFRS防制措施提供科学依据。方法 收集辽宁省HFRS疫情资料,对流行特征及其与平均气温、相对湿度、降雨量、日照、城市鼠密度、农村鼠密度和鼠带病毒率等因素进行相关性分析。结果 2005-2007年全省HFRS共发病7298例,死亡78例。年平均发病率为5.78/10万,死亡率为0.06/10万;男性发病率和死亡率均高于女性;发病和死亡主要分布于35~60岁年龄组,分别占总数的59.55%和69.23%;发病和死亡病例主要为农民,分别占总数的61.98%和56.41%;发病高峰主要在11月至次年1月和3-5月,7-10月呈现低谷期,具有混合型疫区的季节特点;年平均发病率较高的是本溪、葫芦岛、锦州、丹东和抚顺市,分别为13.70/10万、12.92/10万、11.30/10万、10.21/10万和9.84/10万。HFRS的发病与气温呈负相关,与降雨量、农村鼠密度及带病毒率呈正相关,Spearman秩相关系数分别为-0.351、0.400、0.449和0.377,P值分别为0.023、0.009、0.003和0.016。结论 辽宁省HFRS主要流行于冬春季,主要发病人群为男性青壮年农民。该病的流行与当年气温、降雨量、农村鼠密度及带病毒率密切相关。
【摘要】 目的 研究肾综合征出血热(HFRS)发病与气象因素和动物宿主的关系并建立合理的数学预报模型。方法首先选取逐月及逐年的气象指标,包括气压、气温、降雨量、相对湿度、日照时数和日照百分率作为代表因素;然后对HFRS与气象因素和动物宿主间的关系进行Pearson、Kendall及Spearman相关分析,最后利用气象因素和包括鼠密度及鼠带病毒率的动物宿主信息作为解释变量进行Bayes判别分析。结果 HFRS年发病疫情与鼠密度关系最为密切(r=0.738,P=0.000),而影响鼠密度最显著的气象因素是日照时数、日照百分率和降雨量。其中日照时数与鼠密度呈正相关(r=0.494,P=0.016),而降雨量与鼠密度近似呈负相关(r=-0.350,P=0.101)。利用气象及动物宿主资料预测当年的人间发病强度时,逐步判别分析及全变量判别分析均具有良好的效果。逐步判别分析的组内回代及弃一交叉验证准确率均为82.6% (19/23),而全变量判别分析的组内回代准确率为90.9%(20/22),弃一交叉验证准确率为81.8%(18/22)。当预测下一年的发病强度时,逐步判别分析的组内回代及弃一验证正确率均为86.4%(19/22),而全变量判别分析的组内回代分类正确率为100% (21/21),弃一交叉验证分类正确率仅为57.1%(12/21)。结论 气象因素影响动物繁殖及动物间疫情,进而影响人间的HFRS疫情,Bayes逐步判别分析在预测HFRS疫情方面具有一定实际应用价值。