朱 琦 于石成 郝元濤△
傳染病監(jiān)測(cè)數(shù)據(jù)的統(tǒng)計(jì)分析方法
朱 琦1于石成2郝元濤1△
1.廣州市中山大學(xué)公共衛(wèi)生學(xué)院醫(yī)學(xué)統(tǒng)計(jì)與流行病學(xué)系(510080)
2.國(guó)家疾病預(yù)防控制中心(102206)
△ 通訊作者:郝元濤,E-mail:haoyt@mail.sysu.edu.cn
有效的傳染病控制,依賴(lài)于有效的傳染病監(jiān)測(cè)〔1〕。傳染病監(jiān)測(cè)是對(duì)人群傳染病的發(fā)生、流行及影響因素進(jìn)行有計(jì)劃的、系統(tǒng)的長(zhǎng)期觀(guān)察,以達(dá)到控制傳染源,切斷傳播途徑,保護(hù)易感人群的目的。以上每一步的實(shí)現(xiàn)都需要建立在對(duì)監(jiān)測(cè)數(shù)據(jù)合理分析的基礎(chǔ)上。
在美國(guó),傳染病監(jiān)測(cè)數(shù)據(jù)每周會(huì)匯總發(fā)布在美國(guó)CDC出版的《患病率及死亡率周報(bào)》上,主要是以圖表的形式對(duì)各種傳染病的三間分布進(jìn)行回顧性的描述。在2001年以后,美國(guó)CDC不斷將一些新的分析方法整合入傳染病監(jiān)測(cè)數(shù)據(jù)的分析體系,將監(jiān)測(cè)數(shù)據(jù)的利用從回顧性簡(jiǎn)單描述領(lǐng)域拓展到前瞻性分析領(lǐng)域,嘗試從常規(guī)報(bào)告數(shù)據(jù)中發(fā)現(xiàn)早期異常,并對(duì)傳染病的流行趨勢(shì)進(jìn)行預(yù)測(cè)〔2〕。
2003年SARS之后,我國(guó)在傳染病監(jiān)測(cè)系統(tǒng)的建設(shè)上投入大量的資源,目前已經(jīng)建成了覆蓋全國(guó)的傳染病信息報(bào)告網(wǎng)絡(luò),能夠收集全國(guó)范圍的傳染病監(jiān)測(cè)數(shù)據(jù)。但收集的數(shù)據(jù)內(nèi)容較少,主要是發(fā)病的信息,缺少環(huán)境、社會(huì)人口學(xué)等詳細(xì)的信息;同時(shí)由于存在漏報(bào)和重復(fù)報(bào)告,數(shù)據(jù)的質(zhì)量需進(jìn)一步提高。這些問(wèn)題為傳染病監(jiān)測(cè)數(shù)據(jù)的統(tǒng)計(jì)分析帶來(lái)了挑戰(zhàn)。
我國(guó)傳染病監(jiān)測(cè)數(shù)據(jù)的利用仍停留在簡(jiǎn)單描述階段,缺乏傳染病相關(guān)危險(xiǎn)因素的研究,缺乏利用高級(jí)的統(tǒng)計(jì)分析方法,前瞻性地預(yù)測(cè)傳染病未來(lái)的流行趨勢(shì)。雖然有很多學(xué)者利用國(guó)外的方法,對(duì)傳染病的流行進(jìn)行前瞻性預(yù)測(cè),但是這些研究都是分散的,并沒(méi)有整合到傳染病監(jiān)測(cè)數(shù)據(jù)分析的體系中,同時(shí)由于各個(gè)國(guó)家的疾病監(jiān)測(cè)系統(tǒng)收集的數(shù)據(jù)內(nèi)容不同,不能簡(jiǎn)單地將國(guó)外的統(tǒng)計(jì)方法照搬到國(guó)內(nèi)。鑒于我國(guó)傳染病監(jiān)測(cè)系統(tǒng)收集的數(shù)據(jù)內(nèi)容有限,如何利用有限的數(shù)據(jù),挖掘出最大的信息;如何利用其他方面收集的數(shù)據(jù)(同期社會(huì)人口學(xué)資料、環(huán)境資料),將其與監(jiān)測(cè)數(shù)據(jù)相結(jié)合,擴(kuò)展分析領(lǐng)域,是一個(gè)具有重要現(xiàn)實(shí)意義的課題。
本文旨在通過(guò)文獻(xiàn)綜述的方式,歸納闡述國(guó)內(nèi)外已經(jīng)開(kāi)發(fā)的,能夠應(yīng)用于傳染病監(jiān)測(cè)數(shù)據(jù)的統(tǒng)計(jì)分析方法,包括回顧性的分析方法和前瞻性的分析方法。
傳染病監(jiān)測(cè)系統(tǒng)所收集的數(shù)據(jù)總量十分龐大,數(shù)據(jù)分析處理的方式也是多種多樣。對(duì)于數(shù)據(jù)的分析可分為回顧性和前瞻性?xún)煞N;按照時(shí)間段的不同又分為周分析、月分析和年度分析。各種類(lèi)型的分析用途不同,欲解決的公共衛(wèi)生監(jiān)測(cè)問(wèn)題也是不同的〔3〕。
對(duì)于傳染病監(jiān)測(cè)數(shù)據(jù)的回顧性、描述性的統(tǒng)計(jì)分析方法已經(jīng)較為成熟和模式化,主要是通過(guò)一些統(tǒng)計(jì)圖表的形式將不同時(shí)間、不同地區(qū)、不同人群的傳染病發(fā)病情況刻畫(huà)出來(lái)。現(xiàn)階段這一領(lǐng)域的研究熱點(diǎn)是:如何根據(jù)現(xiàn)有的監(jiān)測(cè)數(shù)據(jù),判斷傳染病的發(fā)病是否具有空間和時(shí)間聚集性(如何早期識(shí)別傳染病的爆發(fā))。
在監(jiān)測(cè)數(shù)據(jù)的前瞻性研究領(lǐng)域,目前研究較多的,是如何利用現(xiàn)有的傳染病監(jiān)測(cè)數(shù)據(jù),對(duì)未來(lái)傳染病的流行趨勢(shì)進(jìn)行預(yù)測(cè)。這類(lèi)分析方法大致可以分為三大類(lèi):時(shí)間分析方法、空間分析方法、其他分析方法。
此類(lèi)方法的思想是在考慮了地區(qū)人口差異,對(duì)人口空間分布進(jìn)行校正的前提下,檢驗(yàn)疾病的時(shí)空分布是否隨機(jī)。根據(jù)檢驗(yàn)?zāi)康目梢苑譃榻裹c(diǎn)聚集性檢驗(yàn)和一般聚集性檢驗(yàn)。
焦點(diǎn)聚集性檢驗(yàn)用于檢驗(yàn)在一個(gè)事先確定的點(diǎn)源附近是否有局部聚集性存在。而一般聚集性檢驗(yàn)是在沒(méi)有任何先驗(yàn)假設(shè)的情況下對(duì)聚集性進(jìn)行定位〔3〕。一般聚集性檢驗(yàn)又可以分為聚集性探測(cè)檢驗(yàn)和全局聚集性檢驗(yàn)。聚集性探測(cè)檢驗(yàn)是在沒(méi)有先驗(yàn)假設(shè)的情況下對(duì)局部聚集性進(jìn)行定位,并確定其統(tǒng)計(jì)學(xué)意義。而全局聚集性檢驗(yàn)是用于確定在整個(gè)研究區(qū)域是否存在聚集性,并不考慮單個(gè)聚集性的統(tǒng)計(jì)學(xué)意義〔4,5〕。
(1)聚集性探測(cè)檢驗(yàn)
主要的方法有Kulldorff空間掃描統(tǒng)計(jì)量、Besag_Newell方法〔3〕、Turnbull 方法〔6〕、最大超額事件檢驗(yàn)〔7〕。
其中應(yīng)用較多的是Kulldorff空間掃描統(tǒng)計(jì)量,其思想是在地圖上構(gòu)造一個(gè)圓形掃描窗口,并讓其在研究區(qū)域內(nèi)移動(dòng),掃描半徑從零連續(xù)遞增到預(yù)先規(guī)定的上限,繼而產(chǎn)生無(wú)數(shù)個(gè)半徑不同的窗口,計(jì)算每個(gè)窗口內(nèi)外的似然值,似然值最大的窗口被認(rèn)為是最不可能因?yàn)殡S機(jī)而造成的 cluster〔8〕。2005年,Toshiro Tango和Kunihiko Takahashi對(duì)Kulldorff法進(jìn)行了改良,將掃描窗口拓展為任意形狀,而不是僅僅限定為圓形〔9〕。
(2)全局聚集性檢驗(yàn)
主要的方法有 Bonetti-Pagano的 M 統(tǒng)計(jì)量〔10〕、Cuzick_Edwards方法〔11〕、Oden 方法和 Ipop 方法〔12,13〕、Mantel方法〔14〕、k 個(gè)最鄰近法〔15〕。
其中k個(gè)最鄰近法是最新的方法,由Jacquez于1996年提出,其目的是檢驗(yàn)在空間上相鄰的病例,在時(shí)間上也相鄰。Norstorm等應(yīng)用了此方法研究了挪威牛群急性呼吸道傳染病的時(shí)空聚集性〔15〕。
這一類(lèi)統(tǒng)計(jì)學(xué)方法用于探測(cè)公共衛(wèi)生監(jiān)測(cè)時(shí)間序列數(shù)據(jù)中的異常。其思想是基于傳染病的歷史水平,制定數(shù)學(xué)模型并根據(jù)模型計(jì)算出預(yù)期值,然后比較實(shí)際值與預(yù)期值之間的偏移量,對(duì)模型的預(yù)測(cè)效果做出評(píng)價(jià)并將模型應(yīng)用于實(shí)際工作中。
(1)歷史極限法〔16〕
將傳染病當(dāng)前4周的發(fā)病數(shù)與基線(xiàn)進(jìn)行比較,這一基線(xiàn)是過(guò)去5年相應(yīng)的前面4周、當(dāng)前4周和之后4周病例數(shù)的平均值。得到前面5年的15個(gè)數(shù)值后,用當(dāng)前4周的合計(jì)病例數(shù)除以15個(gè)數(shù)值的平均值,得到一個(gè)比值,并將這個(gè)比值在對(duì)數(shù)坐標(biāo)中表現(xiàn)出來(lái),與比值的歷史極限進(jìn)行比較。比值歷史極限的計(jì)算公式為:1±,其中均數(shù)μ和標(biāo)準(zhǔn)差σ是通過(guò)15個(gè)歷史數(shù)據(jù)計(jì)算得到的。
該方法的優(yōu)點(diǎn)是簡(jiǎn)單易用,能夠提供病例每周異常狀況的總結(jié)。但同時(shí)存在3個(gè)缺陷:并未考慮對(duì)趨勢(shì)的探測(cè);忽略了數(shù)據(jù)之間的相關(guān)性;正態(tài)性假設(shè)不一定成立,尤其對(duì)于罕見(jiàn)疾病。
(2)過(guò)程控制圖
過(guò)程控制圖的基本思想是:如果某隨機(jī)變量獨(dú)立并且服從正態(tài)分布,可以構(gòu)造出一個(gè)統(tǒng)計(jì)量y,當(dāng)y超過(guò)預(yù)先確定的控制界限時(shí),就認(rèn)為研究過(guò)程脫離統(tǒng)計(jì)控制,即出現(xiàn)統(tǒng)計(jì)學(xué)失常,提示存在非正常事件〔17〕。適當(dāng)?shù)目刂平缦薜倪x擇顯得非常重要〔17〕。常用的控制界限的上下限通常表示為過(guò)程的標(biāo)準(zhǔn)差的倍數(shù)(如3倍標(biāo)準(zhǔn)差)。常用的過(guò)程控制圖包括:Shewhart圖、累積控制圖(累積和法)、移動(dòng)平均圖、指數(shù)加權(quán)移動(dòng)平均圖。
Shewhar圖用于探測(cè)過(guò)程均數(shù)的非隨機(jī)偏移,對(duì)異常觀(guān)察值發(fā)出警報(bào)。
累積和法是將觀(guān)察值與預(yù)期值的差值進(jìn)行累加,若超過(guò)了預(yù)先確定的閾值則發(fā)出警報(bào)。
移動(dòng)平均圖是 Stern and Lightfoot〔18〕于 1999 年提出的一種自動(dòng)預(yù)警系統(tǒng),并應(yīng)用于腸道病原體監(jiān)測(cè)數(shù)據(jù)。移動(dòng)平均圖的統(tǒng)計(jì)量為:
其中m是移動(dòng)平均中用到的過(guò)去觀(guān)察值的個(gè)數(shù)。當(dāng)|yt|超出控制限時(shí)即認(rèn)為出現(xiàn)統(tǒng)計(jì)失常。移動(dòng)平均圖探測(cè)較小變化的能力比較強(qiáng),其中m是關(guān)鍵參數(shù),決定了圖的適用性,適當(dāng)?shù)膍能使控制圖在假陽(yáng)性率和假陰性率之間取得平衡。
(3)時(shí)間序列分析
傳染病監(jiān)測(cè)數(shù)據(jù)通常表現(xiàn)出相關(guān)性和季節(jié)性,對(duì)疾病未來(lái)的發(fā)病率進(jìn)行預(yù)測(cè)時(shí)必須充分考慮到數(shù)據(jù)的這些特點(diǎn)。時(shí)間預(yù)測(cè)的本質(zhì)就是利用目標(biāo)本身的動(dòng)態(tài)時(shí)間序列、分析、研究預(yù)測(cè)目標(biāo)未來(lái)的變化規(guī)律。
時(shí)間序列分析最早應(yīng)用于計(jì)量經(jīng)濟(jì)學(xué),后來(lái)才慢慢延伸到醫(yī)學(xué)領(lǐng)域。時(shí)間序列預(yù)測(cè)方法主要有:指數(shù)平滑預(yù)測(cè)、移動(dòng)平均預(yù)測(cè)、自回歸移動(dòng)平均模型(ARIMA模型)等〔19-22〕。其中ARIMA模型是最為經(jīng)典的模型。
ARIMA模型建模過(guò)程主要按4個(gè)階段進(jìn)行。序列平穩(wěn)化:ARIMA的應(yīng)用需要時(shí)間序列符合平穩(wěn)性的要求。模型的識(shí)別:主要是根據(jù)ACF圖和PACF圖的特征,提出幾種可能的模型作進(jìn)一步分析。模型參數(shù)估計(jì)和模型診斷:對(duì)提出的模型進(jìn)行參數(shù)估計(jì)和診斷,如模型不恰當(dāng),則回到第二階段,重新選定模型。預(yù)測(cè)應(yīng)用:將最終建立的恰當(dāng)?shù)哪P?,?yīng)用于未來(lái)傳染病流行趨勢(shì)的研究〔20〕。
ARIMA模型被用于包括監(jiān)測(cè)數(shù)據(jù)的分析在內(nèi)的很多領(lǐng)域,美國(guó)CDC所開(kāi)發(fā)的公共衛(wèi)生監(jiān)測(cè)統(tǒng)計(jì)軟件(SSSI)提供的很多用于分析監(jiān)測(cè)數(shù)據(jù)的模型中,就包括ARIMA模型。
在ARIMA模型被提出以后,有很多學(xué)者針對(duì)該模型進(jìn)行了進(jìn)一步的完善,例如將過(guò)程控制圖與ARIMA模型相結(jié)合〔17〕,將小波分析與 ARIMA模型相結(jié)合〔23〕。這些完善擴(kuò)展了ARIMA模型的適用范圍,提高了預(yù)測(cè)的準(zhǔn)確度。
為了研究傳染病的空間變化情況,預(yù)測(cè)傳染病在各個(gè)地區(qū)未來(lái)的發(fā)病趨勢(shì),就需要將傳染病監(jiān)測(cè)與空間技術(shù)(用于尋找和描述地圖上的聚集程度)結(jié)合起來(lái)〔24,25〕。地理信息在傳染病監(jiān)測(cè)中的最早應(yīng)用可以追溯到1854年John Snow對(duì)倫敦寬街爆發(fā)的霍亂疫情的流行病學(xué)調(diào)查。近年來(lái)隨著傳染病監(jiān)測(cè)系統(tǒng)的發(fā)展和數(shù)據(jù)收集量的增加,對(duì)于傳染病空間聚集性探測(cè)的需求也與日俱增。
當(dāng)監(jiān)測(cè)系統(tǒng)收集到病例時(shí),可以即時(shí)對(duì)病例進(jìn)行定位,也可從保存有符合監(jiān)測(cè)條件的患者地理定位的靜態(tài)數(shù)據(jù)庫(kù)中調(diào)用數(shù)據(jù)〔24〕。地理編碼最簡(jiǎn)單的形式是區(qū)號(hào)或郵編,也可以通過(guò)地理信息系統(tǒng)(GIS)得到詳細(xì)的經(jīng)緯度坐標(biāo)〔26,27〕。統(tǒng)計(jì)學(xué)中將這種有地理信息的數(shù)據(jù)稱(chēng)為空間數(shù)據(jù)。
盡管疾病的時(shí)間監(jiān)測(cè)方法已經(jīng)有了很好的發(fā)展,但用于空間監(jiān)測(cè)的方法研究并不多。空間監(jiān)測(cè)統(tǒng)計(jì)方法(從空間上探測(cè)傳染病的聚集性)已經(jīng)成為未來(lái)研究的熱點(diǎn)。
用于迅速探測(cè)空間趨勢(shì)的方法主要有以下幾種:
(1)廣義線(xiàn)性模型和廣義線(xiàn)性混合模型
當(dāng)可以得到局部區(qū)域內(nèi)每一個(gè)病例的地理定位時(shí),Kleinman等〔28〕提出了可以采用廣義線(xiàn)性模型進(jìn)行監(jiān)測(cè)。該方法簡(jiǎn)稱(chēng)為“SMART分值法”(small area regression and testing scores)。其思想是將每一個(gè)小區(qū)域當(dāng)作一個(gè)個(gè)體,并擬合隨機(jī)效應(yīng)來(lái)考慮每個(gè)區(qū)域的重復(fù)數(shù)據(jù)。這一方法允許每個(gè)小區(qū)域病例的基線(xiàn)發(fā)病率存在變異。
SMART分值法可容納時(shí)間聚集性、長(zhǎng)期趨勢(shì)、季節(jié)性,并對(duì)每一區(qū)域居住人群的不同特征進(jìn)行校正。該模型的結(jié)果可以用基于概率的矩陣表示,該結(jié)果對(duì)協(xié)變量和多重比較都進(jìn)行了校正。目前該模型已經(jīng)可以由多種軟件實(shí)現(xiàn)。
(2)Rogerson空間累積和法
Rogerson在累積和法的基礎(chǔ)上加入了空間統(tǒng)計(jì)量,將其應(yīng)用擴(kuò)展到傳染病的空間分析領(lǐng)域〔29〕。
Raubertas〔30〕對(duì) Rogerson 空間累積和法進(jìn)行了完善,提出對(duì)多個(gè)地區(qū)進(jìn)行監(jiān)測(cè)時(shí),應(yīng)保留每個(gè)地區(qū)及其周?chē)R近區(qū)域的累積和,而不是只保留每個(gè)地區(qū)的累積和。具體做法是構(gòu)建每個(gè)地理單位的局部統(tǒng)計(jì)量,即區(qū)域內(nèi)及其周?chē)鷧^(qū)域的觀(guān)察值的加權(quán)和,離該區(qū)域的距離越遠(yuǎn),權(quán)重越小。最后監(jiān)控這些局部統(tǒng)計(jì)量的累積和。
由于累積和法是對(duì)實(shí)際值和預(yù)期值的差值進(jìn)行累計(jì),因此,采用Rogerson的方法的關(guān)鍵就是如何較好地計(jì)算預(yù)期值〔31〕。如果預(yù)期值的計(jì)算不準(zhǔn)確,最終發(fā)出警報(bào)的可能是模型的誤差,而與真正疾病發(fā)病率的改變無(wú)關(guān)。
(1)SIR模型
SIR模型是通過(guò)研究傳染病的易感者(susceptible)、感染者(infected)以及移出者(removed)隨時(shí)間變化的情況,對(duì)傳染病未來(lái)的流行趨勢(shì)和流行規(guī)模進(jìn)行預(yù)測(cè),是應(yīng)用于傳染病預(yù)測(cè)的經(jīng)典數(shù)學(xué)模型〔32〕。
(2)模糊數(shù)學(xué)理論
模糊數(shù)學(xué)理論不需要知道輸入量和輸出量之間的函數(shù)關(guān)系,已經(jīng)有學(xué)者將其中的模糊聚類(lèi)法和模糊控制模型應(yīng)用于傳染病的預(yù)測(cè)領(lǐng)域。向立富應(yīng)用模糊綜合評(píng)判法對(duì)1970年至1980年流腦的發(fā)病率進(jìn)行回顧驗(yàn)證,證明模糊控制模型的回代準(zhǔn)確率為81.1%〔33〕。
(3)馬爾科夫鏈
馬爾科夫鏈?zhǔn)菓?yīng)用概率論來(lái)研究隨機(jī)事件變化趨勢(shì)的一種方法,其主要思想是:將時(shí)間序列看作一個(gè)隨機(jī)過(guò)程,通過(guò)對(duì)事物不同的初始狀態(tài)來(lái)預(yù)測(cè)未來(lái)的情況,其中系統(tǒng)在每個(gè)時(shí)間所處的狀態(tài)是隨機(jī)的,從當(dāng)前時(shí)間到下一時(shí)間的狀態(tài)按一定的概率轉(zhuǎn)移,而未來(lái)狀態(tài)僅與現(xiàn)在狀態(tài)及其轉(zhuǎn)移概率有關(guān),而與以前狀態(tài)無(wú)關(guān),即無(wú)后效性。馬爾科夫鏈進(jìn)行的是區(qū)間預(yù)測(cè),以區(qū)間劃分系統(tǒng)狀態(tài),對(duì)于數(shù)據(jù)量較大的情形預(yù)測(cè)準(zhǔn)確度較高。根據(jù)傳染病歷年的發(fā)病率資料建立馬爾科夫預(yù)測(cè)模型,便能夠?qū)崿F(xiàn)對(duì)未來(lái)傳染病的發(fā)病率進(jìn)行預(yù)測(cè)〔34〕。
(4)灰色系統(tǒng)理論
灰色系統(tǒng)理論是我國(guó)學(xué)者鄧聚龍教授于1982年創(chuàng)立的,在傳染病的預(yù)測(cè)領(lǐng)域,應(yīng)用最廣泛的是灰色動(dòng)態(tài)模型?;疑珓?dòng)態(tài)模型的思想是將無(wú)規(guī)律的原始數(shù)據(jù)變成較有規(guī)律的生成數(shù)據(jù)后再建立模型方程,并以此預(yù)測(cè)未來(lái)的發(fā)展趨勢(shì)。
(5)逐步判別模型
逐步判別模型的原理與判別分析相同,即通過(guò)一批分類(lèi)明確的訓(xùn)練樣本,制定出判別標(biāo)準(zhǔn)對(duì)以后新的樣本進(jìn)行分類(lèi)。李時(shí)習(xí)〔35〕選用近10年湖南省的月均氣溫、降雨量、日照時(shí)問(wèn)等氣象資料和鉤體病發(fā)病率資料,構(gòu)建了判別方程,將鉤體病發(fā)病率按高低劃分為若干個(gè)等級(jí),利用氣象資料對(duì)鉤體病發(fā)病率等級(jí)進(jìn)行判別預(yù)測(cè),回代符合率為61.53%。
能夠用于傳染病流行趨勢(shì)預(yù)測(cè)的統(tǒng)計(jì)學(xué)方法很多,但是沒(méi)有一種方法能夠適用于所有疾病的監(jiān)測(cè)數(shù)據(jù),因?yàn)槊恳环N疾病和每一個(gè)監(jiān)測(cè)系統(tǒng)都有其獨(dú)特的特征〔36〕。相對(duì)于對(duì)統(tǒng)計(jì)模型的依賴(lài),異常的探測(cè)更加依賴(lài)于監(jiān)測(cè)系統(tǒng)的特征比如數(shù)據(jù)收集、監(jiān)測(cè)系統(tǒng)的報(bào)告機(jī)制及其穩(wěn)定性以及反應(yīng)機(jī)制。因此,在分析系統(tǒng)數(shù)據(jù)之前,必須熟悉監(jiān)測(cè)系統(tǒng)的結(jié)構(gòu),選擇最合適的方法。
1.WHO,CSR.WHO recommended surveillance standards.1999.
2.CDC.http://www.cdc.gov/ncphi/disss/nndss/phs/infdis2009.htm.available in 2009/11/05.
3.Besag J,Newell J.The detection of clusters in rare diseases.Journal of the Royal Statistical Society,1991,Series A(154):143-155.
4.Kulldorff M.Statisticalmethods for spatial epidemiology:tests for randomness.GIS and Health,1998:49-62.
5.Tango T.Comparison of general tests for spatial clustering.In:Lawson et al(Eds).Disease Mapping and Risk Assessment for Public Health,1999.
6.Turnbull BW,Iwano EJ,Burnett WS,et al.Monitoring for clusters of disease:Application to leukem ia incidence in upstate New York.American Journal of Epidemiology,1990,132:136-143.
7.Tango T.A test for spatial disease clustering adjusted for multiple testing.Statist.Med,2000,19:191-204.
8.Kulldorff M.A spatial scan statistic.COMMUN.STATIST.-THEORY METH,1997,26(6):1482-1496.
9.Tango T,Takahashi K.A flexibly shaped spatial scan statistic for detecting clusters.International Journal of Health Geographics,2005,4(11).
10.Bonetti M,Pagano M.Proceedings of the Biometrics Section on detecting clustering.American Statistical Association,2001:24-33.
11.Cuzick JR.Edwards.Spatial clustering for inhomogeneous popluations.Journal of the Royal Statistical Society,1990,Series B(52):73-104.
12.Moran PAP.Notes on continuous stochastic phenomena.Biometrika,1950,37:17-23.
13.Oden N.Adjusting Moran's I for population density.Statistics in Medicine,1995,14:17-26.
14.Mantel N.The detection of disease clustering and a generalized regression approach.Cancer Research,1967,27:209-220.
15.Norstrom M,Pfeiffer DU,Jarp J.A space-time cluster investigation of an outbreak of acute respiratory disease in Norwegian cattle herds.Preventative Veterinary Medicine,2000,47:107-119.
16.Stroup DF,W illiamson GD,Herndon JL,et al.Detection of aberrations in the occurrence of notifiable diseases surveillance data.Statistics in Medicine,1989,8:323-329.
17.W illiamson GD,Hudson GW.A monitoring system for detecting aberrations in public health surveillance reports.Statistics in Medicine,1999,18:3283-3298.
18.Stern L,Lightfoot D.Automated outbreak detection:a quantitative retrospective analysis.Epidemiology and Infection,1999,122:103-110.
19.嚴(yán)薇榮.傳染病預(yù)警指標(biāo)體系及三種預(yù)測(cè)模型的研究.華中科技大學(xué)博士學(xué)位論文,2008.
20.吳家兵,葉臨湘,尤爾科.ARIMA模型在傳染病發(fā)病率預(yù)測(cè)中的應(yīng)用.數(shù)理醫(yī)藥學(xué)雜志,2007,20(1):90-92.
21.馮丹,韓曉娜,趙文娟等.中國(guó)內(nèi)地法定報(bào)告?zhèn)魅静☆A(yù)測(cè)和監(jiān)測(cè)的ARIMA 模型.疾病控制雜志,2007,11(2):140-142.
22.吳家兵,葉臨湘,尤爾科.時(shí)間序列模型在傳染病發(fā)病率預(yù)測(cè)中的應(yīng)用.中國(guó)衛(wèi)生統(tǒng)計(jì),2006,23(3):276.
23.Goldenberg A,Shmueli G,Caruana RA,et al.Early statistical detection of anthrax outbreaks by tracking over-the-counter medication sales.Proceedings of the National Academy of Sciences,2002,99:5237-5249.
24.Lazarus R,Kleinman K,Dashevsky I,et al.Use of automated ambulatory-care encounter records for detection of acute illness clusters,including potential bioterrorism events.Emerging Infectious Diseases,2002,8:753-760.
25.Leonhard H,Giusi G,Christina F,et al.Joint spatial analysis of gastrointestinal infectious diseases.Statistical Methods in Medical Research,2006,(15):465-480.
26.沈壯,黃若剛,騰仁明.GIS系統(tǒng)在衛(wèi)生防病應(yīng)急處理工作中的應(yīng)用.中國(guó)公共衛(wèi)生管理,2003,19(1):24-25.
27.戚曉鵬,呂繁,何武.地理信息系統(tǒng)在流行病學(xué)中的應(yīng)用及開(kāi)發(fā).中華流行病學(xué)雜志,2004,25(11):997-999.
28.Kleinman K,Lazarus R,Platt R.A generalized linear mixed models approach for detecting incideng clusters of disease in small areas,with an application to biological terrorism.American Journal of Epidemiology,2004,159:217-224.
29.Rogerson P,Yamada I.Monitoring change in spatial patternsof disease:comparing univariate and multivariate cumulative sum approaches.Statistics in Medicine,2004,23:2195-2214.
30.Raubertas RF.An analysis of disease surveillance data that uses geographic locations of the reporting units.Statistics in Medicine,1989,8:267-271.
31.劉巧蘭,李曉松,馮子健,等.Rogerson空間模式監(jiān)測(cè)方法在傳染病實(shí)時(shí)監(jiān)測(cè)中的應(yīng)用.中華流行病學(xué)雜志,2007,28(11):1133-1137.
32.Altmann M.Susceptible-infected-removed epidemic models with dynamic partnerships.JMath Biol,1995,33(6):661-75.
33.向立富.模糊綜合評(píng)判法在流腦預(yù)測(cè)中的應(yīng)用.中國(guó)衛(wèi)生統(tǒng)計(jì),1994,11(4):33-34.
34.付長(zhǎng)賀,鄧甦.馬爾科夫鏈在傳染病預(yù)測(cè)中的應(yīng)用.沈陽(yáng)師范大學(xué)學(xué)報(bào)(自然科學(xué)版),2009,27(1):28-30.
35.李時(shí)習(xí).逐步判別對(duì)鉤端螺旋體病發(fā)病率的擬和與預(yù)測(cè).實(shí)用預(yù)防醫(yī)學(xué),1998,5:120-121.
36.胡世雄,邢慧嫻,鄧志紅.我國(guó)傳染病的預(yù)測(cè)預(yù)警現(xiàn)狀.中國(guó)預(yù)防醫(yī)學(xué)雜志,2007,41(5):407-410.
中國(guó)衛(wèi)生統(tǒng)計(jì)2011年2期