首页 > 文献资料
-
余杭区恶性肿瘤发病与死亡趋势分析
近年来杭州市余杭区的疾病谱和死因谱已发生了很大变化,恶性肿瘤等慢性非传染性疾病已成为危害辖区居民生命和生活质量的重要公共卫生问题.为有效开展防治工作,我们对余杭区2006-2011年肿瘤监测报告资料,分析恶性肿瘤在时间序列上的变动趋势,为防制策略制定提供依据,现报告如下.
-
浙江省5岁以下儿童死亡率的时间序列分析
目的：了解浙江省1998—2014年5岁以下儿童死亡率的时间分布规律，预测2015年5岁以下儿童死亡率。方法对1998—2014年5岁以下儿童死亡率数据建立时间序列求和自回归移动平均 ARIMA （p，d，q）预测模型，进行统计分析。结果浙江省1998—2014年5岁以下儿童死亡率呈下降趋势，其模型 ARIMA 为（2，1，2）具体表达式：yt ＝-0．696＋0．636yt -1＋0．024yt -2＋0．340yt -3＋αt -0．003αt -1＋0．997αt -2；2015年5岁以下儿童死亡率预测值为4．08‰（95％CI：1．52‰～6．64‰）。各年5岁以下儿童死亡率与模型预测值较接近，且均在其95％可信区间内，ARIMA （2，1，2）拟合效果良好。结论时间序列分析是研究5岁以下儿童死亡率时间分布规律的行之有效的方法，可用于近期的预测。
-
江苏省昆山市1981～2014年肺癌死亡率时间序列分析
[目的]以时间序列分析方法探究江苏省昆山市1981～2014年肺癌死亡率.[方法]1981～2014年肺癌死亡病例来源于基于人群的死因监测,使用平均年度变化百分比(annual change percent,APC)及其95％可信区间(CI)评价1981～2014年肺癌粗亡率与年龄标化死亡率时间趋势;使用时间趋势与自回归模型结合的方法对昆山市1981～2014年肺癌死亡率进行时间序列分析.[结果]肺癌标化死亡率在男女合计(APC=0.9％,95％CI:0.6％～1.2％)、男性(APC=0.5％,95％CI:0.2％～0.8％)和女性(APC=1.5％,95％CI:0.8％～2.2％)人群中呈现上升趋势.时间趋势与自回归模型预测结果显示2015～2024年昆山市肺癌粗死亡率在男性和女性人群中依旧处于上升趋势.[结论]江苏省昆山市肺癌标化死亡率在过去33年间呈现上升趋势,未来10年依旧上升.
-
ARIMA乘积季节模型在恶性肿瘤月度发病率预测中的应用
[目的]基于昆山市2006～2015年月度恶性肿瘤发病率,采用X-12自回归移动平均混合模型(ARIMA)建立时间序列模型,并用模型预测未来年份恶性肿瘤发病率,以期为恶性肿瘤的防治工作提供指导.[方法]采用X-12-ARIMA季节调整乘积模型对昆山市2006年1月至2015年12月恶性肿瘤发病率进行趋势成分分解,并自动选择ARIMA季节调整乘积模型,以贝叶斯信息准则(BIC)值小为优模型选择标准;以绝对误差值、平均绝对百分比误差及决定系数(R2)来评价模型拟合精度.[结果] X-12选择的优乘积季节模型为ARIMA(0,1,1)×(0,1,1)12;预测方程为:(1-β)(1-β12)Xt=(1-0.84687β)(1-0.70249β11)εt.建模结果显示2006～2015年恶性肿瘤月度发病率不仅呈现季节波动,而且2007年1月至2018年12月发病率呈现持续上升的长期趋势.精度评价指标绝对误差值、平均绝对百分比误差及决定系数(R2)分别为2.13/10万、7.30％和0.697.[结论]ARIMA(0,1,1)×(0,1,1)12能够应用于预测昆山市恶性肿瘤月度发病率,在过去10年恶性肿瘤发病率上升,并且未来年份继续上升的背景下,提示肿瘤相关疾病负担和未来健康保健资源将大幅增加.
关键词： 季节性求和自回归移动平均模型 恶性肿瘤 X-12 时间序列 -
基于小波神经网络时间序列模型预测血药浓度的研究
目的 基于小波神经网络时间序列模型预测阿司匹林血药浓度,评价模型的适应性.方法 对4组家兔灌胃,分别于0.15,0.25,0.5,1.0,1.5,2.0,2.5,3.0,3.5,4.0,6.0,13.0,22.0 h时间点获取血药浓度数据,利用计算机软件MATLAB对其中3组实验数据进行网络训练,利用训练好的网络对剩下的1组血药浓度数据进行预测.之后联合药动学,判断其房室模型和药动学特点.结果 模拟仿真结果与实际数据基本符合,网络的绝对平均误差范围在0.3％～5.39％,在统计学允许误差范围之内.联合药动学仿真证明了阿司匹林的血管外给药药动学特点是二室模型.结论 小波神经网络时间序列模型在预测阿司匹林血药浓度时有较好拟合能力和优良预测能力,同时与药动学的结合更为现代临床药理的研究起到积极的推动作用.
-
基于ARIMAX模型的乌鲁木齐市流感样病例预测分析
目的 探讨ARIMAX模型(autoregressive integrated moving average model-X,ARIMAX)在流感发病趋势预测方面的效果,为提高此模型在传染病发病预测方面的使用提供依据.方法 收集乌鲁木齐市(乌市)2013年1月～2016年12月的流感样病例(ILI)病例数和大气颗粒物PM2.5及PM10浓度数据,用R软件建立ARIMA及ARIMAX模型,并对2017年前10周ILI病例数做预测.结果 乌市2013年1月～ 2016年12月ILI病例总数161 773例,周平均发病数为777例;时序图显示呈冬春季高发的特点.流感周发病数建立ARIMA( 1,0,0)模型,赤池信息准则(akaike information criterion,AIC ) =2 549.03 ;以大气颗粒物PM2.5及PM10为影响变量,带入转换函数建立ARIMAX模型,AIC =2 535.51,且模型各参数有统计学意义.使用迭代法对前10期(10周)数据进行预测,预测结果显示仅预测3期(3周)误差小;两模型预测误差百分比绝对值均值(mean absolute percentage error,MAPE)分别为12.019 74％,12.014 17％,显示两模型均有较好的预测精度.结论 ARIMA模型和ARIMAX模型均能较好预测短时间内ILI病例数的发病趋势,为流感监测和预防控制提供依据.
-
2008-2012年马鞍山市某地区的昼夜温差与每日死亡的时间序列研究
目的 调查昼夜温差对死亡率的影响.方法 搜集马鞍山市气象部门和马鞍山市花山区卫生局提供的2008年1月1日～2012年12月31日每日的死亡数量和气象数据,包括高温度,低温度,平均温度,相对湿度.使用泊松广义线性回归模型结合分布滞后非线性模型(distributed lag non-linear model,DLNM),控制平均温度,相对湿度,季节性和长期趋势,分析昼夜温差对死亡影响的滞后效应以及累积效应.结果 马鞍山市花山区2008-2012年间的因病死亡总数为8 111例(去除意外死亡数),其中男性5 193 (64％)例,大于65岁的5 742(71％)例.该期间高平均温度为34.5℃,低平均温度为-3.9℃.昼夜温差的变化范围为l℃～ 25℃.昼夜温差每增加5℃能够显著性增加人群4％的死亡发生风险(RR=1.04,95％ CI:1.02 ～ 1.07).在不同性别和不同年龄组之间,男性和老人(≥65岁)更容易受到昼夜温差的影响.昼夜温差每增加5℃导致男性和老人死亡的相对危险度分别为1.05(95％ CI:1.02 ～1.09);1.05(95％ CI:1.02～1.08).结论 较大的昼夜温差能够显著性的增加死亡风险,并存在一定的滞后性;男性和老人的死亡风险更容易受到昼夜温差的影响.当昼夜温差较大时,应积极采取有效的应对措施来防止其带来的严重影响.
-
黄石市1981～1996年死亡率与YPLL的动态分析
目的了解疾病模式的变化规律及主要疾病因子 ,为疾病的预防与控制提供决策依据.方法采用死亡率(MR)、减寿年 (YPLL)、减寿率(YPLLR)及其标化率等指标分析人群健康状况与疾病的动态变化.结果人群平均MR为398.80/ 10万,标化死亡率(SMR)482.38/10万;人群平均YPLLR为49.90‰,标化减寿率(SYPLLR)51 .28‰; SMR、SYPLLR分别从1981年的765.77/10万和55.75‰降至1996年的432.60/10 万和3 6.69‰;SMR的大平均增长速度男女均为传染病,SYPLLR男性为呼吸系病,女性为传染病 ;经时间序列直线回归拟合,SMR、SYPLL、YPL LR和SYPLLR的预测回归方程意义显著.结论传染病危害降低,但意外死亡、肿瘤、脑血管病和心脏病等慢性病导致的卫生问题更为明显.
-
合肥市2007-2016年日平均温度与居民非意外死亡人数的关系
目的 探讨合肥市温度对居民死亡的影响,为制定预防控制措施提供依据.方法 收集合肥市2007-2016年居民死亡、气象因素和空气污染物数据,采用分布滞后非线性模型,研究每日平均温度对居民非意外死亡的健康影响,并按性别、年龄进行分层分析.结果 合肥市每日平均温度与居民非意外及心血管疾病死亡之间呈非线性关系,温度对呼吸系统疾病的影响较小且无统计学意义.以平均温度的中位数(18.1℃)作为参考值,居民非意外及心血管死亡风险小时,平均温度为26.7℃、28.1℃.冷效应具有滞后性,非意外及心血管死亡效应均在滞后2d开始出现,持续至滞后12 d,对应的大RR值分别为1.066(95％ CI:1.032 ～1.101)、1.092(95％CI:1.039～1.148).热效应表现为急性,居民非意外和心血管死亡风险在当天大(RR非意外死亡=1.194,95％CI:1.109 ～1.285;RR心血管死亡=1.148,95％ CI:1.021～ 1.292),持续1d.累积冷效应随滞后时间的增加而增加;非意外死亡的累积热效应在滞后3d达到大,持续至滞后11d,而对于心血管系统疾病,则在滞后4d达到大,持续至滞后10d.结论 合肥市温度影响居民非意外及心血管疾病死亡.
-
2012~2013年广州市心血管病逐日死亡数与气象因子的时间序列分析
目的：分析广州市心血管逐日死亡数与气象因子关系，为政府制定预防干预措施及医疗气象的预测及指导提供科学依据。方法根据广州市2012年1月1日至2013年12月31日每日居民心血管病死亡资料和同期气相指标，采用分布滞后非线性模型，在控制长期趋势、季节趋势和其他混杂因素后，研究气象因素包括日平均气压、气温(日高、日平均、日低气温)、日平均相对湿度、日降雨量、日平均风速、日照时长与心血管病逐日死亡数死亡数之间的关系。结果广州市心血管病逐日死亡数近年有所增加，其中日均气压、气温、风速、湿度、降雨量、日照等气象因素均与心血管逐日死亡数相关（均P<0.05），日平均气压和日平均风速呈正相关（r>0），气温（日高、日平均、日低气温）、日平均相对湿度、降雨量和日照时长呈负相关（r<0）。平均气压为1019hPa，滞后为30天时，RR值大为1.051（95%CI：1.026~1.076）；平均气温为6℃，滞后为6-8天时，RR值大为1.036(95%CI：1.024~1.048)。结论我市应加强对心血管患者的宣传教育，气象因素对心血管死亡存在滞后性，因此对于气候变化应做好提前预防。
-
时间序列ARIMA模型在医院剖宫产统计中的预测研究
目的：建立医院剖宫产统计的预测模型,为医院决策提供依据。方法根据湖南省妇幼保健院2005~2012年产房剖宫产统计的数据,运用时间序列ARIMA模型预测分析医院未来两年剖宫产的发展趋势。结果2009年之后医院的数据波动很频繁,上升趋势较强,终利用2009年以后的原始数据序列进行分析建模。建立 ARIMA(1,1,1)(0,1,1)模型,模型方程为▽▽12Xt =(1+0.705B)(1+0.705B12)/(1+0.874B)×at。结论 ARIMA(1,1,1)(0,1,1)模型预测未来两年医院剖宫产趋势呈明显的季节性、周期性,7~9月呈现出高峰点,10~12月呈现全年的高峰值。结论本预测模型可为决策者对医院政策调整提供科学、合理的依据。
-
1984-2016年石家庄市肾综合征出血热发病水平变迁及其趋势预测
目的 分析1984-2016年石家庄市肾综合征出血热(HFRS)发病水平变迁,探讨时间序列求和自回归移动平均模型(autoregressive integrated moving average,ARIMA)在肾综合征出血热疫情分析预测中的应用.方法 收集1984-2016年石家庄市HFRS发病率资料,用Excel 2003软件建立数据库,并进行描述性分析;采用SPSS16.0统计分析软件实现模型建立,经过模型识别、参数估计、诊断检验后,利用建立好的模型对2016-2020年石家庄市HFRS发病率进行预测.结果 石家庄市肾综合征出血热发病水平总体呈下降趋势;报告发病数位居前5位的高发地区由1984-1994年的新乐、辛集、藁城、深泽、赵县变迁为2006-2016年的行唐、深泽、平山、元氏及藁城县.2017-2020年石家庄市HFRS年发病率预测值分别为0.44/100000(95％CI:0.00～7.39/100000)、0.54/100000(95％CI:0.00～8.83/100000)、0.54/100000(95％CI:0.00～9.33/100000)、0.47/100000(95％CI:0.00～9.46/100000).结论 石家庄市HFRS发病水平发生了变迁,总体呈下降趋势,高发地区由既往的东部地区向西北部地区扩散.2016-2020年石家庄市HFRS发病略有上升趋势,故需继续加强石家庄市HFRS疫情的防控.
-
温特斯模型在重庆市戊肝监测中的应用
目的 建立戊型肝炎(戊肝)分月发病情况预测的时间序列模型,探讨时间序列预测模型在戊肝预测预警方面的应用.方法 利用SAS 9.13软件的时间序列预测系统(time series forecasting system)进行建模与分析.采用2005年1月至2010年12月的数据建模,并利用2011年1月至2011年6月的数据验证模型.结果 重庆市2005-2010年戊肝分月发病情况适合用温特斯模型(Winters method-additive)来拟合.结论 温特斯模型能够较好的应用于重庆市戊肝的预测,具有实际应用价值.
-
应用ARIMA模型预测福建省戊型肝炎疫情
目的 建立福建省戊型肝炎(戊肝)分月发病数预测预警的ARIMA时间序列模型.方法 利用SAS 9.0软件的PROC ARIMA综合软件包对《疾病监测信息报告管理系统》收集的福建省2004-2010年戊肝分月发病数序列进行ARI-MA模型的建模与分析.结果 福建省2004-2010年戊肝分月发病数序列含有以年为周期的季节效应,经12步差分后为平稳非白噪声序列,拟合的相对优模型为ARIMA(0,0,0)×(0,1,1)12.结论 拟合戊肝的相对优ARIMA模型进行预测和预警,具有实际应用价值.
-
应用灰色系统GM(1,1)模型预测石家庄市流行性出血热发病
灰色系统GM(1,1)模型是通过对时间序列的研究去寻找和发现事物发展变化的连续的或离散的未来时间序列,从而分析事物发展变化的规律[1].它克服了传统预测方法需大量样本和典型概率分布的局限[2],成为疾病监测的有利工具.本文用灰色模型对石家庄市1994～2000年流行性出血热(EHF)发病率做了预测分析,并对2001与2002年EHF的发病状况进行了外推预测.
-
ARIMA模型在上海市崇明区病毒性肝炎预测中的应用效果研究
目的 探讨ARIMA模型在病毒性肝炎预测方面的应用,为崇明区病毒性肝炎的防控措施提供参考依据.方法 利用崇明区2002年1月-2014年12月病毒性肝炎发病数资料,通过Eviews8.0和SPSS21.0软件建立自回归求和移动平均模型(autoregressive integrated moving average,ARIMA);并对2015年1-12月病毒性肝炎发病数进行比较及验证.结果 建立了ARIMA(0,1,1)×(1,0,1)12模型,模型Q统计量为17.294 (P＞0.05),模型实际值基本在预测值95％的可信区间范围内,证实了该模型的适用性.结论 本ARIMA模型可用于崇明区病毒性肝炎发病的动态分析和短期预测.
关键词： 自回归求和移动平均模型 时间序列 病毒性肝炎 预测 -
1974～2015年潍坊市肾综合征出血热流行特征分析及预测
目的 描述1974～2015年潍坊市肾综合征出血热(HFRS)流行特征,寻找发病规律.方法 收集潍坊市HFRS人间疫情资料和人口数据,描述其三间分布,短期预测肾综合征出血热发病率.结果 1974～2015年潍坊市累计发病29 942例,年均发病率为8.63/10万.累计死亡512例,年均死亡率为0.15/10万,总病死率为1.71％.HFRS有春季和秋冬季2个发病高峰,总体春峰略高于秋冬峰.发病以青壮年男性农民为主.男女发病率比例为2.64∶1,高发年龄段一致,为35～64岁.ARIMA模型预测2016～2018年发病率略有上升.结论 1974～2015年潍坊市肾综合征出血热发病和病死率呈下降趋势,疫情得到了有效控制.伴随疫源地类型发生改变,近年来发病率小幅回升.
-
自回归求和移动平均模型季节乘积模型在青岛市肾综合征出血热发病预测中的应用
目的 探索ARIMA季节乘积模型在青岛市肾综合征出血热(HFRS)发病预测中的应用,为HFRS防治提供科学依据.方法 利用1977～2015年青岛市HFRS月发病率,建立ARIMA季节乘积模型,以2016年月发病率评估预测效果,并预测2017年月发病率.结果 青岛市HFRS发病具有明显的季节性,发病高峰为每年的10～12月.模型季节自回归参数为-0.45,BIC=3.58,平稳R2 =0.98,残差序列检验为白噪声序列(q=13.56,P＞0.05),建立ARIMA乘积季节模型ARIMA(0,3,2)(1,3,2)12,2016年实际值与拟合值绝对误差为0.01 ～0.28,且均在95％置信区间中,2017年月发病率0.15/10万～1.06/10万.结论 ARIMA乘积季节模型能够较好地模拟青岛市HFRS发病趋势,可用于短期预测该市HFRS发病情况.
关键词： 肾综合征出血热 自回归求和移动平均模型季节乘积模型 时间序列 预测 -
自回归求和移动平均模型在荆州市手足口病疫情预测预警中的应用
目的 应用自回归求和移动平均模型(autoregressive integrated moving average,ARIMA)对荆州市手足口病疫情进行预测预警,验证分析模型的可行性与适用性.方法 利用荆州市2009～2015年手足口病发病资料,拟合ARIMA模型,预测2016年各月发病率并与实际值比较.结果 ARIMA(1、0、0)×(1、1、0)12模型预测结果很好地拟合了实际发病率的变动趋势,年发病率误差6.64％,验证了该模型的可用性.结论 ARIMA模型可用于模拟手足口病在时间序列上的变化趋势,进行短期预测预警.SPSS 20.0时间序列分析专家建模器客观、高效、简便,适用于基层疫情分析人员掌握及应用.
-
自回归移动平均模型在预测PM2.5中的应用
目的 应用自回归移动平均(Auto-regressive Moving Average Model)模型,建立潍坊市PM2.5的日均浓度预测模型.方法 利用潍坊市2013年12月2日至2016年9月9日的历史PM2.5日均浓度数据,采用条件小二乘法确定模型参数,模型阶数确定后,建立PM2.5日均浓度预测模型.结果 对模型的各个参数进行检验发现,各参数估计值的P值均＜0.05;对建立的模型进行残差的白噪声检验,x2检验统计量的P值均＞0.05,据此建立ARMA(1,3)模型,模型表达式为:xt=138.188 8+(1-0.394 23β-0.367 09β2-0.146 84β3)εt/(1-0.999 6β),并预测了PM2.5的未来日均浓度.结论 ARMA(1,3)模型可用于预测潍坊市PM2.5的日均浓度变化趋势.
