我國傳染病預警監測模型研究進展綜述

袁方 YUAN Fang；任海玲 REN Hai-ling；趙夢 ZHAO Meng；宋菲 SONG Fei；李洲誼 LI Zhou-yi；趙崇燕 ZHAO Chong-yan

（①銀川市第一人民醫院信息管理部，銀川 750001；②寧夏醫科大學臨床學院，銀川 750004；③寧夏醫科大學理學院，銀川 750004）

0 引言

傳染病的暴發流行多為突發性，無規律可循[1]，對人民生命健康及社會穩定造成巨大危害。傳染病預警是傳染病預防和控制的基礎，是研判疫情趨勢、遏制疫情蔓延的關鍵。2003年傳染性非典型肺炎危機事件爆發后，我國建立了傳染病與突發公共衛生事件網絡直報系統，但缺乏利用數據模型對傳染病進行預警[2]。隨著信息技術的發展和公眾健康需求的增長，衛生資源不斷優化，傳染病預警體系發生轉變，基于數據模型的傳染病預警研究受到公共衛生領域的青睞。近年來，國內外學者在傳染病預警模型的研究方面做了大量探索：單一預警模型（時間模型[3]、空間模型[4]）、組合預警模型（時空模型[5]、關聯模型（如癥狀-疾病關聯模型[6]））、信息可視化展示[7]、區塊鏈技術應用[8]、人工智能技術賦能[9]、物聯網增效[10]等，傳染病預警模型的研究正在為公共衛生事業的發展注入“新活力”。

本研究收集2020-2022年間國內外傳染病預警研究文獻150余篇，從不同技術、不同監測資料在傳染病預警中的應用兩大方面，對傳染病預警模型的研究進展進行綜述，以期為傳染病預警模型的未來發展提供參考。具體歸納見圖1。

圖1 傳染病預警模型研究進展

1 不同方法在傳染病預警模型中的應用

1.1 統計學方法在傳染病預警模型中的應用

傳染病的發生和流行存在一定的人群、時間和空間特征，科學防控的基礎在于及時發現危險因素、預測流行趨勢、把握流行規律，提前預警并采取有針對性的防控措施對有效控制傳染病的流行和對人群的危害至關重要。基于統計學的傳染病預警模型可分為時間、空間、時空三類模型。歸納見圖2。

圖2 統計學方法在傳染病預警模型中的應用

時間模型分析常基于已監測數據，利用數學模型計算預期值。時間模型中使用較為成熟的有CU-SUM、ARIMA及其衍生模型、Holt-Winters模型，如任嘉豪[11]學者提出的基于Holt-Winters預測模型，能較精準地對趨勢性和季節性變化數據序列進行預測，周孟君[12]學者利用Holt-Winters衍生模型模擬入院人次在時間序列上的變動趨勢，實現了良好的擬合預測效果。Ahmar[13]學者提出的α-Sutte模型是一種新型時間序列預測方法，近年來在COVID-19、嬰兒死亡率預測中表現較好。分析傳染病的空間分布可以為掌握疾病的流行病學信息，進行溯源和防控提供重要依據。例如王海星[14]學者利用空間模型分析患者地理位置的相關資料，監測傳染病患者是否出現空間上的聚集性，對進行溯源和防控提供了重要依據。佘凱麗[15]學者利用空間自相關等分析方法分析腎綜合征出血熱發病的空間分布模式，探索影響因素的空間溢出現象，對該病監測數據的空間分析具有一定參考價值。楊昭輝[16]學者針對COVID-19疫情，使用GIS方法設計出傳染病實時預警溯源系統，疫情防控水平提供參考。時空模型分析基于時間、空間和疾病特征方面的數據開展分析預警，主要分析方法及工具有SatScan、貝葉斯網絡、PANDA、WSARE等。如徐冰[17]學者按照流行季節和發病程度對湖南省的研究區域進行了聚集性分析，可及時為社會和醫療機構提供預警信息；周志峰[18]學者基于時空重排掃描模型對深圳市流行性腮腺炎的發病情況進行逐日模擬預警，具有較好的早期預警效果。鄭嘉麗[19]學者構建的面向多尺度傳染病時空分析框架，對淋病、細菌性痢疾和流行性腮腺炎三類傳染病的時空分布特征進行了較好的預測分析。

1.2 數學方法在傳染病預警模型中的應用

傳染病預警的數學模型基于傳染病的傳播速度、空間范圍、傳播途徑和動力學機理等因素可劃分為SI、SIR、SIRS、SEIR等模型。如陳婉婷[20]學者構建的SIR傳染病模型得到了傳染病不擴散的充分條件。葉麗霞[21]學者在SIR傳染病模型的基礎上添加隨機干擾，構建了隨機SIR傳染病模型，具有一定的準確性與有效性。汪袁[22]學者運用脈沖微分方程相關理論建立了傳染病模型，能夠減少疾病的增加，對疾病的防控起到積極作用。王宇[23]學者基于分數階模型對修正后的數據進行仿真，對COVID-19模型的預測提供一定參考價值。傳染病預警的數學模型能為醫療機構提早制定防控策略提供參考，以最大限度減少傳染病所帶來的疾病負擔和社會經濟損失。

1.3 物理學方法在傳染病預警模型中的應用

基于經典倉室模型的預警模型是現階段主流傳染病物理學模型。針對某類傳染病將地區人群分為若干類，每一類被稱為一個倉室[24]，SIR倉室模型是典型的三倉室模型。在倉室模型的基礎上，后續研究者們提出了許多分類更加精細的模型。例如以不同倉室代表不同疾病狀態人群，王俊芬[25]學者通過建立微分方程組研究了疾病的傳播動力學過程。胡新利[26]學者建立了具有隔離倉室和潛伏倉室的非線性高維自治微分系統SEQIJR傳染病模型，發現適當地增大隔離強度，將有效地控制疾病的蔓延。顧梓玉[27]學者提出一類無標度網絡上具有警覺行為和隔離行為的SAIQRS傳染病傳播模型，可以降低傳染病的爆發規模。

1.4 新一代信息技術在傳染病預警模型中的應用

隨著信息時代的到來，計算機技術愈發成熟。針對傳染病預警，其對數據可視化、傳輸、處理技術的需求也越來越高。從眾多新一代信息技術中，我們將在傳染病預警方面突出的信息技術分為電子地圖技術、區塊鏈技術、深度學習技術三類。具體歸納見圖3。

圖3 新一代信息技術在傳染病預警模型中的應用

電子地圖技術可以清晰展現傳染病的分布情況，使決策者可以通過更有效更直觀地方法進行決策。裘炯良[28]學者綜合利用統計地圖的方法，實現了對全球傳染病發生或流行的周期性評估、可視化展現。詹慶明[29]學者引入電子地圖路徑規劃和列車班次等詳盡的互聯網交通數據，在基于時序分析及路徑推斷的疫情風險擴散分析和交通管制支持框架下，提高了人群流動數據與疫情空間分布的相關性。顏嘉麒[30]學者基于融合復雜網絡的風險度量算法，構建了區塊鏈傳染病風險預警與數據共享系統，實現了在保護患者隱私同時自動化預警上報。深度學習技術可以將某些因素與傳染病的發病相關聯，對傳染病的預警起到更加精確地防控作用。張翀[31]學者結合LSTM和長短期記憶網絡深度學習模型對傳染病發病趨勢進行預測，發現LSTM模型預測的準確性較好，長短期記憶網絡深度學習模型對符合時間序列流行特征的傳染病發病趨勢的預測，具有一定的實用價值。張帆[32]學者設計并實現了以深度學習為基礎由Python web框架Django搭建的傳染病預警系統，在預測肺結核上具有良好準確性。駱建香[33]學者提出基于注意力機制的傳染病預測模型，有效提高傳染發病人數的預測精度。

2 不同監測資料在傳染病預警模型中的應用

近年來，隨著數據采集方法的革新和新一代信息技術的進步，傳染病預警資料的收集和分析愈發全面、高效，推動了傳染病預警相關理論和實踐的快速發展。針對現階段國內外傳染病預警模型的研究現狀，可依據其監測資料的種類歸納為五部分：基于病例、癥狀、環境、病原學和互聯網大數據的傳染病預警模型。具體歸納見圖4。

圖4 不同監測資料在傳染病預警模型中的應用

梅琳[34]學者以發熱、咳嗽、頭痛和腹瀉為目標癥狀，構建突發呼吸道傳染病癥狀監測預警模型，可精準預測目標癥狀分布趨勢。甘忠志[35]等學者將癥狀監測應用于學校傳染病預警，有效降低學校暴發疫情的風險。隨著大數據時代的到來，傳染病預警分析的資料來源也呈現多元化發展[36]，多源頭采集數據為傳染病預警的發展提供了創新思路。胡亞偉[37]學者為提高手足口病疫情預測精度，在研究中納入手足口病的影響因素，將其歸納為地區因素、氣象因素、社會因素和疾病自身因素四方面，為手足口病的精準預警提供科學依據。何海鋒[38]學者提出臨床決策支持系統實時處理醫院內電子病歷數據，利用知識庫引擎輔助醫師鑒別診斷新型突發傳染性病例，同時對醫院內疑似病例的及時發現以及鑒別診斷、質控等方面均可提供較好的解決方案。王夢瑩[39]學者通過Hadoop大數據技術架構、集成HDFS分布式文件系統和HBase列式數據庫，建立了真實場景下ICD編碼規范的醫院傳染病預警系統，實現了多維度病歷輸入、早期篩查并發現疾病個體，從而進行群體監測預警。病例資料是傳染病預警模型所應用數據來源的基礎。陳洞天[40]學者設計出一種基于ICD編碼和檢驗指標的傳染病預警方案，對醫生診斷進行標準化編碼，對傳染病檢驗和診斷結果進行實時監測，改善了傳染病報告不及時、漏報、錯報等問題。丁翀[41]、魯芳芳[42]、高燕琳[43]等學者分別采集蘇州市、宜昌市和北京市各層級醫療機構的傳染病病例資料，建立了多點觸發傳染病預警系統，在一定程度上彌補了區域范圍內原有網絡直報系統的不足，提升了監測體系的性能和效果。病原學監測在病毒學傳染病的預測、預報和預警中起到重要的作用。王博[44]學者提出病毒性傳染病可用核酸檢測和抗體血清學檢測方法獲取病原學資料，并作為醫生的診斷輔助進行傳染病預警。王琪[45]、汪麗娟[46]學者分析甘肅省發熱伴出疹癥候人群（Rash and fever syndrome，RFS）的病原學資料，構建SARIMA模型及其組合模型對RFS陽性率進行預測，結果顯示組合模型預測精度較高。

3 總結與展望

針對傳染病預警模型的構建，目前國內外學者大多都以病例、癥狀、互聯網大數據等作為監測資料，利用統計學方法、數學方法或物理學法搭建模型，同時將新一代信息技術作為輔助方法用于完善模型的建立與運行。結果顯示，現有國內外研究對于傳統傳染病（如流行性腮腺炎、手足口病、結核病等）預警效果較好，但對于新發傳染病的預警效果欠佳，影響傳染病模型預警效果的主要原因可能為：一是受數據及時性、準確性和敏感性以及數據類型局限性的影響，模型只能在單一傳染病預警中表現較好或在某一階段的傳染病預警中表現良好；二是數據格式的統一化程度會影響傳染病預警的準確性。因此，提高傳染病預警效果可從以下兩方面入手：一是醫護人員要提高對傳染病信息的敏感性，當臨床診斷出現異常情況時要做到及時上報，避免出現預警失靈的情況；二是傳染病預警模型要充分利用多源數據，優化算法性能，提高模型解釋能力，同時融入互聯網、生物信息和地理信息等不同領域新技術，減輕醫護人員壓力，改善醫院傳染病上報的效率和質量，為新發傳染病預警提供有效幫助。