文摘

疟疾、威胁生命的传染病,通过寄生虫快速传播。疟疾预防比治疗更有效的和高效的。然而,现有的监测系统用于防止疟疾是不够的,特别是在地区或无法获得有限的医疗资源。在本文中,为了监控疟疾的传播,我们开发一个智能监测系统基于我们现有的算法。首先,可视化功能和积极监测实施为了预测和分类领域高感染的风险。接下来,社会经济和气候特点是应用于该预测模型。然后,社会经济属性值的冗余减少使用逐步回归方法改进提出了预测模型的准确性。实验结果表明,该IASM预测疟疾暴发更接近真实的数据和更少的变量比其他模型。此外,该模型有效地确定感染的高危地区。

1。介绍

(一)背景。疟疾、威胁生命的传染病,通常通过受感染的蚊子传播给人类。疟疾已被广泛研究。事实上,关于疟疾的5个研究项目获得了诺贝尔奖。最近,2015年,中国药剂师呦呦你赢得了诺贝尔生理学和医学奖后发现提取青蒿素用于中药(TCM)能有效地抑制疟原虫。文章关于疟疾经常发表在顶级研究期刊包括《自然》和《科学》杂志(1- - - - - -8]。例如,加德纳et al。1)表明,生物方法应该用于预防和治疗疟疾;沃克等人分析了疟疾的恶性影响使用真实的数据9,10]。当前疟疾研究一贯表明,预防比治疗更有效的和高效的。

(B)相关的工作。无数的疟疾预防和预测方法已经开发(11- - - - - -20.]。此外,许多研究已开展有关疟疾的感染过程。然而,进一步了解关于疟疾的传播可以通过预测模型的发展。例如,杨等人开发了预测模型NetEpi(网络流行),以识别疟疾传播的方法和预测感染的传播12]。此外,代表两个异构的空间传播模型传播的潜力间日疟原虫在个别地方和感染的流动人口在不同地点开发使用神经网络来识别基于监测数据的传输网络(16]。Gomez-Elipe等人用ARIMA(自回归综合移动平均)的疟疾感染时间序列预测每月通知当地卫生设施的疟疾病例,降雨和温度记录的数据,和归一化植被指数(NDVI) [19]。我们的研究团队所做的一些研究疟疾预测(11,17]。然而,所有这些研究集中在疟疾预测模型和算法研究。

(C)动机。需要有效的预防和控制措施来减少疟疾病例的数量以及监控当前和潜在的爆发。因此,一个可视化系统的快速、高效,实时检测疟疾是必要的。Knoema,一个在线系统,提供了一个查询世界疟疾的统计数据,从1990年到2014年(21]。GeoSurveillance,空间统计方法和基本地理功能用于审查和评估风险的空间聚类并设置监控(22]。然而,这些监控系统只预测2012年全球大约14%的疟疾病例和没有足够的数据时表现出较差的预测精度(23,24]。此外,这些系统获取信息被动地从医院数据。被动监测既费时又昂贵,因为它需要收集所有受影响的个人调查和可能受到影响的区域。因此,一个积极监测模型,需要有限的信息是需要达到最佳的疟疾预防和控制。

(D)的贡献。本文提出了以下的贡献。

由于上述问题之前的系统,基于现有实验室的工作,我们已经完成了可视化系统,可以用于积极监测。现有的数据表明,我们的系统是第一个实现主动监视可视化系统:(我)由于上述问题的系统之前,我们队现有工作的基础上,积极监测系统的开发。过去,医疗机构获得信息被动地通过收集数据从公共卫生机构和患者,抑制高危地区的准确和及时的检测。在这项研究中,一个活跃的疟疾系统是由结合数据,预测的结果,和顶级算法。在拟议的积极监测系统中,个体的感染发生率被确定通过主动搜索和调查。和现有的研究表明,我们的系统是第一个积极监测可视化系统。例如,通过积极监测、七个城镇在腾冲县,由70%的疟疾病例的县被确定。然后,七个城镇医疗资源分配给那些为了控制疟疾的传播到其他地区。在部分细节关于这个过程可以发现3所示。3。(2)根据数据分析,多达98%的疟疾病例在腾冲,中国,从缅甸进口的。因此,缅甸工人的数量,人们从腾冲的概率在缅甸工作的感染,和从缅甸回来的人数影响预测结果。为了解释这个信息,逻辑回归模型,一种改进的人口辐射模型(25],VCAP模型[26),和气候因素被引入该系统。(3)基于我们的积极监测研究,NAS算法。输入数据的维数降低以达到良好的预测结果用更少的数据,从而提高系统的准确性。此外,逐步回归方法添加到预测模型为了获得预测结果只使用5个属性。在部分细节关于这个过程可以发现3所示。3。

剩下的论文结构如下。节2,提出了智能监测的框架。然后,后端系统的设计过程和减少冗余的社会经济预测模型中属性值描述的部分3。

2。IASM设计

我们的研究小组一直致力于预测传染病和提出了合理分配当医学积极监测的概念和人力资源是有限的。我们以前的工作积极监测计划已经发表在2014年AAAI会议(11]。

在这项研究中提出的系统显示在图中1。该系统由一个用户界面(UI),地理信息显示,预测引擎(PE),和积极监测模型。地理信息显示,预测引擎(PE),和积极监测模型是所有功能模块。如图1(一),用户可以通过选择一个位置与功能模块交互,时间,各种属性使用用户界面(UI)。相应的结果然后选择模块基于现有的数据和生成的算法。然后,积极监测模型显示所选函数以及预测结果,预测引擎(PE)模型。预测引擎(PE)的详细信息显示在图中1 (b)。因为大多数现有的软件包括一个用户界面(UI)和地理信息显示,这些模型的详细信息将不讨论了。然而,细节对于预测引擎(PE)和积极监测模型提供。本文也优化的属性。

2.1。预测引擎(PE)

体育模块由一个逻辑回归模型,改善人口辐射模型,并积极监测模型。这三个模型在以下章节讨论。

2.1.1。逻辑回归模型

逻辑回归模型来描述所选位置的社会经济属性之间的关系以及人民生活在这个位置的概率将离开工作区域11]。在公式()如图1 (b),对于一个位置,和表示属性的值的位置。此外,表示每个属性的权重的概率表示所选地区的居民将离开该地区工作。在这项研究中,22名社会经济属性,可能会影响一个地区的人们是否离开该地区工作。

2.1.2。改善人口辐射模型

外工作的人的概率在某些地区可以作为(估计工作11,25]。在公式(2)如图1 (b),和表示源位置的人群和目标位置,分别。此外,表示人口在一定半径(之间的距离选择的位置和目标位置)。

2.1.3。VCAP

感染疟疾的风险可以估计基于所选位置的湿度和温度26]。在公式(3)如图1 (b),代表向量选择区域的能力,表示每个人类平衡蚊密度,表示预期的咬伤的人数在这一地区每天每蚊子,表示整个天,蚊子生存的概率表示疟疾寄生虫的外在潜伏期或所需的时间完成外循环。上述参数VCAP可能受到温度和降雨量(27]。

此外,感染的风险的位置可以估计(28] 在哪里表示未感染人类后将被感染的概率被感染的蚊子咬上一口,表示人类的回收率表示一只蚊子的人均每日死亡率,等于。

基于上述分析,感染的风险的来源位置后一个时间间隔在一定年限内可以表示为公式(4)如图1 (b)。

的总监测数据可以表示成一个立方体张量用吗,在那里表示事件报道的数量的位置。在这里,是一个动态变量的值呢在不同的时间而变化。

在这项研究中,我们假设观察到的变量是不一样的事实,它有一个高斯分布集中在观察29日]。在两个连续的时间不会改变太多。因此,这里使用粒子滤波方法,能够满足上述两个请求。

周的观测误差方差(项目),或,可以被定义为 在哪里观察一周吗。上面的方程表示的值成正比的平均观察前三季。高斯分布,主要是基于算法(30.),在粒子滤波过程中使用。

2.2。积极监测

感染病例数在每个区域可以确定预测结果的基础上。此外,感染的高危地区排名预测结果可以确定的地区。这个过程尤其重要,当资源有限,感染的高危地区可以用——顶部方法,以更有效地预防和控制疟疾暴发。

3所示。框架

流行病学研究已经有很长的历史。如果流行病的传播模型的网络结构,补充传播模型和预测信息,允许早期预警。

然而,在现实中,直接识别流行病的传播网络结构是很困难的因为艾滋病患者和感染的风险并不总是明确的。然而,spatiotemporal-series流行病的数据可以直接观察到。因此,隐藏的趋势在这个数据可以用来识别流行病的传播网络结构。为了可视化这些预测结果,IASM系统提出了。

IASMs提供智能监控框架的输入和输出模块,疾病的预测结果,积极监测。积极监测功能可以通过预测得到的结果。我们创建的程序如下:main ()IASM.io_data ();/ /用户可以输入新数据和下载数据。IASM.malaria_prediction ();/ /用户可以预测疟疾疫情趋势IASM.malaria_active_surveillance ();/ /用户可以选择一些关键领域设置哨兵积极监测

3.1。输入/输出模块

如图2的用户界面IASM分为两个区域。左边是设计为一个函数接口,主要是选择显示或控制后台计算命令。后台操作的结果集可以转换为图形界面的右侧的用户界面。可以获得更直观的了解和分析。

在功能界面(菜单),有一个输入和输出模块。我们想要介绍四个选项(数据输入、数据输出、显示等操作)的模块。

3.1.1。数据输入

用户可以输入新的原始信息数据到服务器的用户界面。通过HTTP协议,首页将原始信息数据传输到后台PHP脚本。然后,PHP脚本的背景分析和处理数据。并根据预定义的格式,结果将存储在数据库中。看算法1。

数据输入后,用户可以选择操作参数模型的执行操作,比如学习年,预测年。通过这个界面,迭代操作可以用现有的数据库。操作的结果将被保存到数据库中。

3.1.2。数据输出

在仿真过程中,可以产生不同结果集的数据。这些结果将存储到数据库并给予一个唯一的号码。根据不同的数字,对应的结果集可以从服务器下载的详细分析。看算法2。

为了让用户得到一个直观的了解,相关数据会显示在正确的区域图。

3.1.3。显示

时间粒度的季节,它将显示感染数量在正确的区域热量地图。通过形象,关系随着时间的推移,会显示视觉空间,和感染情况。可以放大或缩小(如城市、县和村)感染地图上观察不同级别的行政区域,如图3。

3.1.4。其他操作

此模块显示原始信息数据在操作过程中与不同的图表,如饼图和柱状图。通过不同的图表,用户可以得到一些隐藏数据的关系。界面如图的一部分4。

3.2。疾病预测结果

关于传染性疾病的研究涉及到复杂的生物信息和环境因素,如温度和湿度,从而影响发病率。然而,环境和社会经济因素可以用来预测一个地区是否感染的风险。社会经济因素在先前的研究在很大程度上被人们忽视了。相比之下,22个社会经济因素,如人们工作的原因外,被认为是在这项研究中所开发的系统。由于不同的社会经济和环境属性的组合可以产生不同的预测结果,各种属性的影响预测结果包含在该系统上,如图5。如这个图所示,在功能界面(菜单),有一个“疟疾预测”模块中,只有一个选择(选择)的预测。用户可以建立一个预测模型通过选择区域的类型,时间范围,预测类型。

3.3。积极监测的策略控制疟疾疫情

积极监测可用于确定感染的高危地区。例如,某些资源,如时间、金钱、和医疗设备,是有限的,和医务人员可以使用积极监测监控疟疾的传播,如图6。在“疟疾预测”模块中,积极监测可以通过选择区域的类型,实现的时间范围,”前的类型覆盖概率。”

4所示。一个实证研究与NAS腾冲县

监测数据关于月度腾冲县城的疟疾病例数量在四年内(2007 - 2010)是获得国家寄生虫病研究所提供的年度报告和中国疾病预防控制中心。总共有221个村庄中包含的数据。每年的人口数据是来自中国自然资源数据库。社会经济数据,包括共有22个社会经济因素,获得了从腾冲政府发布的年度报告。使用这些数据,18个城镇被选为源位置对于本研究。

因为官方数据是无法访问在缅甸,获得数据是很困难的。选定目标位置大多是城市或城镇附近Yunnan-Myanmar国际边界(11]。这些位置的温度和降雨量数据是通过三个来源获得的,也就是说,IRI / LDEO气候数据图书馆,TRMM(热带降雨测量任务),和MODIS(中分辨率成像光谱仪)。剩下的两个数据集是由美国宇航局提供。提取有用的数据使用遥感图像处理软件的环境(环境可视化图像)。地理和交通数据来自谷歌地球。

获得的监测数据从2007年到2009年被用于学习和获得的数据在2010年是用于测试。具体来说,社会经济因素影响的进口数量发生率,和预测系统的准确性和有效性的积极监测在不同的阈值进行了报道。

使用估计聚类指标,在腾冲18城镇集群分为6组。尽管22腾冲县的社会经济属性,并不是所有这些因素都需要在回归模型中。采用逐步回归法,5属性,也就是说,村里的人口,肉类总产量,自然人口增长率、农村就业人口,和电流输出,被选中。为了证明所选5属性可以用来实现预测结果类似于我们之前的研究(11),该方法应用于2010年获得的数据使用这些属性。在图7,蓝线代表实际的数据,而红色的线条代表的结果用该方法预测22和5属性,分别。

预测结果如图8。在这个图中,红色的点代表的实际数据,蓝线代表了使用该方法的预测值与5属性。的设在表示8个赛季从2009年到2010年,和设在表示是规范化的感染风险,在那里感染病例的位置吗在时间。第四季表示拟合的结果,而最后一个四季表示结果预测使用参数推断2009年的数据。正如我们看到的,预测适合地面真理很好甚至位置监测数据不足。这意味着该方法适用于作出预测的感染风险。

——顶部城镇选择使用该方法也相对于基准前城镇基于他们的覆盖率,如图9。在拟议的方法中,最重要的四个城镇被选中。然后,剩下的14个城镇排名。在图9,设在代表了最高城镇剩余的14个城镇。如这个图所示,该方法取得了覆盖率指标最高的类似城镇从上3 - 14。

测试时该方法估计的稳定性不同,我们把预测错误的置信区间的再保险(相对误差)和AE(绝对误差)。因此,和,在那里和代表地面真理和感染情况下的预测位置和表示一个标量的绝对值。如图10,设在表示2009年和2010年的8个赛季,设在预测误差。具体来说,底部和顶部的框对应第25和第75百分位数,水平段,也就是说,红色线,表示中位数。胡须的两端对应于第五届和95百分位数。红色标记是离群值位于90%置信区间之外,也就是说,事件低于5百分位或超过第95百分位。正如我们看到的,所有的预测季节,置信区间的范围而言,相对误差小于25%,如图10 ()。具体来说,季节的1,4,5,8,范围都小于20%,2,3,6范围小于5%。这表明该方法是稳定的,在大多数的情况下作出预测。此外,意味着错误所有季节都小于25%,表明该方法有能力做一个稳定的预测准确所有季节。同样,图10 (b)显示了8个赛季的置信区间预测错误。

5。结论

摘要疟疾监测系统是为了监视和预测开发云南省腾冲县疟疾的传播,中国。积极监测是用来确定感染的高危地区基于社会经济属性使用逻辑回归模型。该系统弥补缺乏数据。此外,粒子滤波方法估计参数的值基于观测误差方差的差异值的两个实例和两次连续之间的动态变化。

系统被应用于数据收集从18岁城镇腾冲县。实验结果表明,该系统取得了预测的结果类似于真实数据。此外,社会经济的冗余属性值的预测模型降低了超过50%,同时保持类似的预测精度。因此,该系统可以用来有效地监测和控制疟疾疫情在腾冲县。

在未来的研究中,能够利用隐藏信息的一种新方法能够有效地预测和监控疟疾病例将会发达。

相互竞争的利益

作者宣称没有利益冲突有关的出版。

确认

这项工作是由美国国家科学基金会资助下的中国61133011,61373053,61300146,61572226,吉林省自然科学基金资助下20150101052 jc。