基于搜索引擎數(shù)據(jù)的流感監(jiān)測預(yù)警

溫 麗，蔡永銘

廣東藥科大學(xué)公共衛(wèi)生學(xué)院，廣東 廣州 510006

流行性感冒（簡稱流感）是一種由流感病毒引起的常見急性呼吸道傳染病，由于其傳播范圍廣、速度快及社會危害大而受到特別的重視[1]。據(jù)世界衛(wèi)生組織估計，每年流感的季節(jié)性流行可導(dǎo)致全球300～500萬流感重癥病例和25～50萬人死亡[2]。預(yù)警是當(dāng)前疫病控制中非常重要的一環(huán)[3]，是在缺乏確定的因果關(guān)系和充分的劑量-反應(yīng)關(guān)系證據(jù)的情況下，促進(jìn)調(diào)整預(yù)防行為或者在環(huán)境威脅發(fā)生之前即采取措施的一種方法[4-5]。疾病監(jiān)測預(yù)警模式的建立應(yīng)該首先從監(jiān)測信息做起，是了解公眾需求、心理、對政策的態(tài)度以及配合情況的重要方法，對于政府部門及時調(diào)整政策、維護(hù)社會穩(wěn)定等方面具有重要的參考價值[6-9]。

目前，國內(nèi)外對流感的監(jiān)測預(yù)警普遍采用基于歷史數(shù)據(jù)的流感預(yù)報系統(tǒng)。隨著信息技術(shù)和流感監(jiān)測系統(tǒng)的不斷完善，歷史數(shù)據(jù)的獲取越發(fā)及時，很大程度上提高了流感預(yù)報的準(zhǔn)確性。許多研究利用不同模型進(jìn)行流感疫情的短期預(yù)測[10]。我國國家疾病預(yù)防控制中心（CDC）從2003年底開始啟動國家傳染病與突發(fā)公共衛(wèi)生事件網(wǎng)絡(luò)直報系統(tǒng)項目，于2004年1月正式運(yùn)行[11]。2014年完成統(tǒng)一應(yīng)用門戶的改造[12]。截止目前，網(wǎng)絡(luò)直報系統(tǒng)的覆蓋率及報告率均達(dá)90%以上，傳染病的平均報告時間為0.8 d。常規(guī)的流感監(jiān)測包括病原學(xué)監(jiān)測和流感樣病例監(jiān)測[13]。但中國和所有其他國家一樣，都要求醫(yī)生在發(fā)現(xiàn)新型流感病例時告知CDC，這往往會有一定時間延遲，而且CDC通常只是定期進(jìn)行1次數(shù)據(jù)匯總。信息滯后對于一種飛速傳播的疾病將是致命的。這種滯后導(dǎo)致公共衛(wèi)生機(jī)構(gòu)在疫情暴發(fā)的關(guān)鍵時期反而無所適從[14]。早期發(fā)現(xiàn)流感流行并迅速采取有效措施是流感防控和突發(fā)應(yīng)對的關(guān)鍵內(nèi)容[15]。

1 基于搜索引擎數(shù)據(jù)在流感監(jiān)測預(yù)警中的應(yīng)用

隨著搜索引擎日益成為人們查詢生活信息的主要渠道，網(wǎng)絡(luò)搜索數(shù)據(jù)成為了流感監(jiān)測的理想數(shù)據(jù)源。流感關(guān)系到人民群眾的日常健康，一旦流感暴發(fā)，互聯(lián)網(wǎng)上的搜索量也會大幅度增加，因此，應(yīng)用網(wǎng)絡(luò)搜索詞信息輔助傳染病監(jiān)測則可以加強(qiáng)目前的監(jiān)測能力乃至迅速做出反應(yīng),有助于應(yīng)對傳染病的暴發(fā)與流行[16]。在互聯(lián)網(wǎng)普及的地區(qū)，健康相關(guān)的網(wǎng)絡(luò)搜索詞搜索量的動態(tài)變化有可能在一定程度上反映了該地區(qū)相關(guān)疾病流行情況和人群中發(fā)病及求醫(yī)的信息[17]，故搜索引擎非常適合于監(jiān)測流感信息。近年的一些研究也表明互聯(lián)網(wǎng)搜索信息有助于公共衛(wèi)生和流行病監(jiān)測[18-19]，利用網(wǎng)絡(luò)搜索數(shù)據(jù)監(jiān)測流行性疾病是一種更快更準(zhǔn)確且低成本的方式，它可以作為傳統(tǒng)調(diào)查方式的輔助措施，提前對疾病做出預(yù)警，對我國及世界范圍內(nèi)的傳染病預(yù)防控制具有重要意義[20]。

1.1 國外應(yīng)用現(xiàn)狀

在美國每年大約有9000萬成年人利用搜索引擎查詢疾病和醫(yī)療相關(guān)問題[21]，這一現(xiàn)實基礎(chǔ)使得基于搜索數(shù)據(jù)的流感監(jiān)測成為可能。研究首次使用網(wǎng)絡(luò)搜索數(shù)據(jù)，利用Yahoo搜索引擎上與流感相關(guān)的若干搜索詞在美國的搜索量，驗證了搜索量與流感死亡率之間的相關(guān)關(guān)系[22]。2009年暴發(fā)的甲型H1N1流感，谷歌公司就是通過觀察人們在網(wǎng)上搜索的大量記錄判斷出流感是從哪里傳播出來的，從而使公共衛(wèi)生機(jī)構(gòu)的官員獲得了極有價值的數(shù)據(jù)信息，并做出有針對性的行動決策，這比CDC的判斷提前了1～2周[23]。該系統(tǒng)不僅整合了流感暴發(fā)的歷史數(shù)據(jù)，更重要的是對“實時”網(wǎng)絡(luò)流感信息進(jìn)行監(jiān)測，從而對流感進(jìn)行“實時”預(yù)測[10]。

美國哥倫比亞大學(xué)環(huán)境衛(wèi)生科學(xué)系助理教授杰弗里·沙曼等利用自行研發(fā)的流感預(yù)報系統(tǒng)對2012～2013年流感季節(jié)全美國108座城市進(jìn)行模型測試，發(fā)現(xiàn)能夠平均提前2～4周預(yù)測60%以上城市的流感高發(fā)期。該系統(tǒng)結(jié)合了“谷歌流感趨勢”的數(shù)據(jù)和CDC實驗室檢測的流感病例的報告數(shù)據(jù)，系統(tǒng)不僅會估算出疑似疾病可能最終變成流感的概率，還會提供流感病毒如何在大眾中傳播的信息。2012年11月底已開始在研究中使用這套流感預(yù)測系統(tǒng)。研究人員發(fā)現(xiàn)，隨著流感季節(jié)不斷推進(jìn)，以及研究人員給模型提供更多數(shù)據(jù)，模型對流感高發(fā)期的預(yù)測變得越來越準(zhǔn)確[10]。

有研究在《Nature》上發(fā)表了基于Google搜索數(shù)據(jù)的流感趨勢監(jiān)測研究[19]，他們用機(jī)器方法從5000萬常用搜索詞中篩選出45個最適于監(jiān)測流感的關(guān)鍵詞,準(zhǔn)確地預(yù)測了全美及其9個地區(qū)的流感趨勢,他們的預(yù)測比美國CDC的流感周報要提前2周左右,該研究引起世界范圍的關(guān)注。有研究采用相同的方法對瑞典的流行病進(jìn)行了監(jiān)測[19]，不同的是他使用先驗知識確定了與流感相關(guān)的20類關(guān)鍵詞，最終模型顯示只使用其中的4類即可穩(wěn)定地獲得準(zhǔn)確預(yù)測。研究使用帶日歷效應(yīng)的自回歸模型改進(jìn)了Google Flu Trends的預(yù)測精度[24]。有學(xué)者[25]分析了Google搜索數(shù)據(jù)與加拿大李氏桿菌病之間的關(guān)聯(lián)性，結(jié)論顯示搜索數(shù)據(jù)可以在聯(lián)邦政府宣布李氏桿菌病暴發(fā)前1月監(jiān)測到疫情。

除了流感，搜索數(shù)據(jù)在最新發(fā)生的埃博拉病毒的檢測上也展示出了不凡功力。有研究利用谷歌趨勢獲取了2014年11月1日～12月27日埃博拉暴發(fā)期間全球?qū)Π２├乃阉鳠岫萚25]，結(jié)果發(fā)現(xiàn)搜索量最高的地方和埃博拉患病數(shù)最高的西非的幾個國家基本一致，并且搜索量的曲線變化特征和埃博拉的病例變化特征具有很強(qiáng)的相關(guān)性，在利比里亞可以達(dá)到0.7。有研究使用谷歌洞察來監(jiān)測2004～2011年登革熱在新加坡和曼谷的流行趨勢，并選取不同模型來模擬登革熱的流行趨勢[26]。

1.2 國內(nèi)應(yīng)用現(xiàn)狀

過去十多年發(fā)生的各種大規(guī)模流行病幾乎每隔一段時間就會以不同形式卷土重來一次。2013年衛(wèi)生部發(fā)言人就曾提到：“中國面臨傳統(tǒng)傳染病威脅持續(xù)存在、新發(fā)傳染病不斷出現(xiàn)的嚴(yán)峻形勢?！痹斜O(jiān)控系統(tǒng)和流程的衛(wèi)生防疫系統(tǒng)已經(jīng)有些力不從心、跟不上節(jié)奏[27]，因此傳統(tǒng)監(jiān)測手段的補(bǔ)充方法一直被研究者所關(guān)注[28]。國內(nèi)已有一些學(xué)者將搜索引擎數(shù)據(jù)應(yīng)用在公共健康領(lǐng)域，進(jìn)行發(fā)病數(shù)的預(yù)測和公共健康信息的獲取[15]。

有研究分析了互聯(lián)網(wǎng)中文搜索詞搜索情況和廣東省甲型H1N1流感活動的相關(guān)性[13,29]，結(jié)果顯示流感監(jiān)測數(shù)據(jù)和“甲流”網(wǎng)絡(luò)搜索情況呈正相關(guān)（r=0.914，P＜0.001）。研究表明與流感有關(guān)的網(wǎng)絡(luò)搜索情況較好地反映了流感活動水平，網(wǎng)絡(luò)搜索數(shù)據(jù)可作為輔助流感等傳染病監(jiān)測的數(shù)據(jù)源。這與美國、法國、澳大利亞、新西蘭等國家的研究結(jié)果一致[17,30-33]。最后，研究還發(fā)現(xiàn)在流感大流行期間，網(wǎng)絡(luò)搜索信息較常規(guī)監(jiān)測更靈敏，數(shù)據(jù)獲取更方便。有研究[34]用清華大學(xué)自主研發(fā)的X-GOT輿情系統(tǒng)進(jìn)行數(shù)據(jù)智能抓取，并通過百度、谷歌等搜索引擎對數(shù)據(jù)進(jìn)行補(bǔ)充，對 2013年3月30日～6月17日監(jiān)測到的媒體報道與網(wǎng)絡(luò)發(fā)文進(jìn)行分析，結(jié)果顯示輿情發(fā)展趨勢與疫情變化趨勢、政府新聞發(fā)布的節(jié)奏基本保持一致，且“病例”、“疫情防控”、“變異”、“活禽市場”、“病毒檢測”、“疫苗研制”、“人傳人”、“救治費(fèi)用”是本次H7N9禽流感疫情的輿情熱詞。有研究基于聯(lián)合國糧食及農(nóng)業(yè)組織和世界動物衛(wèi)生組織收集整合了2004～2009年全球高致病性禽流感病毒H5N1在家禽中的暴發(fā)數(shù)據(jù)[28]，從Google Trends獲取同時期的相關(guān)關(guān)鍵詞數(shù)據(jù)，對二者的數(shù)據(jù)進(jìn)行分析對比，結(jié)果顯示以2004～2009年為整體，互聯(lián)網(wǎng)數(shù)據(jù)與H5N1的相關(guān)性并不高（r=0.276），但年度數(shù)據(jù)則均表現(xiàn)出了較強(qiáng)的相關(guān)性，且在各個年份中，將官方流感監(jiān)測數(shù)據(jù)提前1～4周后出現(xiàn)與Google Trends監(jiān)測數(shù)據(jù)的相關(guān)系數(shù)最大值，可認(rèn)為Google Trends數(shù)據(jù)可提前1～4周預(yù)測H5N1暴發(fā)的趨勢。有研究利用逐步回歸法，從94個關(guān)鍵詞中篩選出8個來預(yù)測中國的流感，他們發(fā)現(xiàn)合成搜索指數(shù)與流感歷史病例之間的相關(guān)性可以達(dá)到0.96，預(yù)測的平均誤差小于11%[35]，且搜索指數(shù)可以很好的捕捉到流感暴發(fā)的高峰期和低谷期，這使得搜索指數(shù)成為了流感活動的一個很好的風(fēng)向標(biāo)。也有研究從百度指數(shù)上獲取了甲型H7N9的信息[36]，發(fā)現(xiàn)除了在早期階段外，與H7N9有關(guān)的網(wǎng)絡(luò)信息同H7N9在中國暴發(fā)的趨勢基本一致，雖然每日數(shù)據(jù)之間的相關(guān)性只有0.43，但是累積數(shù)據(jù)之間的相關(guān)性可達(dá)0.98，并且與H7N9相關(guān)的主題在不同的流行階段都會發(fā)生變化。有研究[37]從谷歌搜索解析中獲取了92個與流感密切相關(guān)的有效關(guān)鍵詞，用主成分分析法選取7個方差貢獻(xiàn)率最大的主成分來預(yù)測流感疫情，結(jié)果表明，網(wǎng)絡(luò)搜索數(shù)據(jù)中包含了與流感趨勢歷史信息相“正交”的有效信息，這部分信息反映了流感疫情的當(dāng)期變異，因而搜索數(shù)據(jù)可以彌補(bǔ)歷史信息難以解釋數(shù)據(jù)新變異的缺點(diǎn)。

綜上所述，網(wǎng)絡(luò)搜索數(shù)據(jù)可作為輔助流感等傳染病監(jiān)測的數(shù)據(jù)源，結(jié)合CDC等官方監(jiān)測數(shù)據(jù)，實現(xiàn)流感等重大傳染病的早期預(yù)警，及早采取相關(guān)預(yù)防措施，降低疾病傳播風(fēng)險，減少國家及人民的財政負(fù)擔(dān)。

2 搜索引擎數(shù)據(jù)在流感監(jiān)測預(yù)警中的優(yōu)勢與挑戰(zhàn)

2.1 優(yōu)勢

與傳統(tǒng)流感監(jiān)測相比，網(wǎng)絡(luò)搜索數(shù)據(jù)的優(yōu)點(diǎn)有[13]：（1）可更早期及時地發(fā)現(xiàn)疫情暴發(fā)；（2）無需監(jiān)測哨點(diǎn)支持，尤其在流感大流行期間，如果由于醫(yī)護(hù)資源緊張和缺勤率激增影響了常規(guī)監(jiān)測的正常運(yùn)轉(zhuǎn)，互聯(lián)網(wǎng)搜索信息監(jiān)測則有可能成為有效的補(bǔ)充[19]；（3）具有傳統(tǒng)數(shù)據(jù)無法比擬的實時性和普遍性；（4）信息往往可免費(fèi)獲取，成本低廉；（5）獲取數(shù)據(jù)來源多樣，覆蓋面較全面。網(wǎng)絡(luò)數(shù)據(jù)的調(diào)查對象是全體網(wǎng)民，具有超大樣本，更能反映整體的屬性。

2.2 挑戰(zhàn)

互聯(lián)網(wǎng)監(jiān)測不能替代傳統(tǒng)的傳染病監(jiān)測，其面臨的挑戰(zhàn)也是不容忽視的：（1）互聯(lián)網(wǎng)搜索情況會隨著流感監(jiān)測信息發(fā)布，群眾對流感關(guān)注度的變化而變化；（2）媒體和輿論的導(dǎo)向作用影響搜索行為，易使數(shù)據(jù)波動較大，高估流行水平[37-38]；（3）較難在海量的互聯(lián)網(wǎng)搜索信息中篩選搜索詞和甄別真實的異常信號[34]；（4）對互聯(lián)網(wǎng)的依賴較大[39]，地區(qū)經(jīng)濟(jì)發(fā)展水平和預(yù)警準(zhǔn)確度有較大的關(guān)系[40]，在某些互聯(lián)網(wǎng)不發(fā)達(dá)的地區(qū)，基于地區(qū)的互聯(lián)網(wǎng)搜索數(shù)據(jù)量較小，造成數(shù)據(jù)波動較大或持續(xù)處于低水平，無法有效的進(jìn)行預(yù)警；（5）基于Google搜索引擎的后臺搜索算法會根據(jù)人群的行為和過往搜索數(shù)據(jù)進(jìn)行動態(tài)調(diào)整，這使得Google搜索數(shù)據(jù)在進(jìn)行流感暴發(fā)監(jiān)測時不能準(zhǔn)確的反映人群的真實搜索行為，導(dǎo)致結(jié)果產(chǎn)生偏差[41]。

3 總結(jié)與展望

隨著互聯(lián)網(wǎng)的快速發(fā)展和大數(shù)據(jù)時代的到來，基于網(wǎng)絡(luò)數(shù)據(jù)的疾病監(jiān)測系統(tǒng)已開始快速發(fā)展，與傳統(tǒng)的疾病監(jiān)測相比具有響應(yīng)快、易獲取、低成本等特點(diǎn)，但數(shù)字化疾病監(jiān)測仍然面臨著不少挑戰(zhàn)，例如網(wǎng)絡(luò)用戶行為的不確定性、來自媒體和政策改變的影響以及搜索引擎公司所不斷改變的算法都影響了搜索引擎數(shù)據(jù)在疾病預(yù)測上的準(zhǔn)確性。此外，如果簡單地忽略掉數(shù)字化監(jiān)測中的反面數(shù)據(jù)，就很容易過高地估計算法的精確度，“N=所有”以及采樣的無偏性，這些前提在絕大多數(shù)的實際情況下都是不成立的，大數(shù)據(jù)的共享也是當(dāng)前亟待解決的問題。癥狀相似流感的疊加出現(xiàn)在搜索引擎數(shù)據(jù)中很難準(zhǔn)確分辨，如果不能及時發(fā)現(xiàn)假象，一旦出現(xiàn)新發(fā)傳染病的暴發(fā)，后果不堪設(shè)想。研究表明，現(xiàn)實世界中的數(shù)據(jù)超過80%與地理位置有關(guān)[42]。時間和空間信息對傳染病的預(yù)測預(yù)警具有重要意義，因為傳染病的發(fā)生、發(fā)展、時空分布與地理地貌、生態(tài)景觀、人文環(huán)境有密切關(guān)系[43]，特別在全球氣候變化和經(jīng)濟(jì)全球化背景下，自然環(huán)境及人類社會活動對傳染病病原體-宿主交互作用的影響越來越重要。利用時空大數(shù)據(jù)進(jìn)行傳染病預(yù)測預(yù)警是時間、空間信息和傳染病疫情信息的多維搜索，利用時空大數(shù)據(jù)檢索、處理和分析這些與空間位置有關(guān)的疫情信息是實現(xiàn)傳染病預(yù)測預(yù)警的關(guān)鍵[44]。因此，未來的相關(guān)研究應(yīng)著眼于如何校正提高互聯(lián)網(wǎng)搜索數(shù)據(jù)的準(zhǔn)確性，如通過國內(nèi)生產(chǎn)總值、人口數(shù)等，或利用CDC公布的傳統(tǒng)監(jiān)測數(shù)據(jù)進(jìn)行校正，以提高研究結(jié)果的準(zhǔn)確性。探討如何將搜索引擎數(shù)據(jù)與地理信息系統(tǒng)相結(jié)合，利用時空大數(shù)據(jù)進(jìn)行傳染病預(yù)測預(yù)警，其中最重要的是如何找到一個或多個研究疾病相關(guān)的特異搜索關(guān)鍵詞，使其能夠較為準(zhǔn)確地反映疾病的發(fā)生水平且不易受到其他因素的干擾。解除數(shù)據(jù)模塊間的壁壘，一面多點(diǎn)，多面多點(diǎn)的采集數(shù)據(jù)，如通過可穿戴智能醫(yī)療設(shè)備、大數(shù)據(jù)分析與移動互聯(lián)網(wǎng)相連，所有與疾病相關(guān)的信息可自由流動、上傳、分享，更好的實現(xiàn)大數(shù)據(jù)的共享，提高數(shù)據(jù)的利用率及監(jiān)測預(yù)警的準(zhǔn)確性。綜合不同的數(shù)據(jù)智能抓取方法，不同流感間有差別地提取關(guān)鍵詞，提高相似癥狀流感交錯出現(xiàn)的辨識度，避免新病種的暴發(fā)。

有理由相信，基于引擎搜索數(shù)據(jù)必將在未來疾病監(jiān)測預(yù)警中扮演重要的角色。結(jié)合網(wǎng)絡(luò)數(shù)據(jù)和歷史病例數(shù)據(jù)對疾病進(jìn)行監(jiān)測可以為傳統(tǒng)的疾病監(jiān)測方法提供一定的補(bǔ)充。數(shù)字化疾病監(jiān)測已經(jīng)開始暫露頭角，并在未來會起著越來越大的作用。

參考文獻(xiàn)：

[1]孫錦峰,耿云亮,郭奕瑞,等.Elman神經(jīng)網(wǎng)絡(luò)與ARIMA模型對流感發(fā)病率預(yù)測效果的比較[J].鄭州大學(xué)學(xué)報:醫(yī)學(xué)版,2013,48(5): 584-7.

[2]Cox N. Influenza seasonality: timing and formulation of vaccines[J].Bulletin World Health Organization,2014,92(5):311-3.

[3]陳國勝,王靖飛,李 靜,等.地理信息系統(tǒng)(GIS)進(jìn)行高致病性禽流感控制中的應(yīng)用[J].中國預(yù)防獸醫(yī)學(xué)報,2004,15(06): 72-5.

[4]洪榮濤,許龍善,嚴(yán)延生,等.試述突發(fā)公共衛(wèi)生事件的監(jiān)測與預(yù)警[J].中國公共衛(wèi)生管理,2005,21(2): 106-8.

[5]鹿鳳苓,王 昵,楊其法,等.基層疾病監(jiān)測預(yù)警模式的建立與應(yīng)用[J].疾病監(jiān)測,2007,22(5): 344-5,358.

[6]霍 飛,高浩宇,劉長娜,等.輿情監(jiān)測在重大傳染病預(yù)防控制工作中的應(yīng)用[J].職業(yè)與健康,2013,29(23): 3205-9.

[7]馬曉薇,劉艷慧,袁 俊,等.微博與傳統(tǒng)網(wǎng)絡(luò)媒體對一起人禽流感疫情輿情監(jiān)測特點(diǎn)分析[J].疾病監(jiān)測,2013,28(1): 61-4.

[8]劉詩洋,王 倩,鄭秋瑩.我國突發(fā)公共衛(wèi)生事件網(wǎng)絡(luò)輿情研究現(xiàn)狀分析[J].管理觀察,2014,25(10): 98-101.

[9]李 莉,陳 蕾,江 濤.輿情監(jiān)測在人感染H7N9禽流感防控中的應(yīng)用及效能分析[J].中國公共衛(wèi)生管理,2013,29(06): 775-6.

[10]高云華,王 敏.國外流感預(yù)報系統(tǒng)研究進(jìn)展[J].人民軍醫(yī),2015,06(6): 627-8.

[11]相海泉.網(wǎng)絡(luò)直報分秒即達(dá)[J].中國信息界:e醫(yī)療,2014,7(10):61-2.

[12]于穎潔,羅小飛.疾病預(yù)防控制信息系統(tǒng)的發(fā)展[J].中國藥物與臨床,2015,14(09): 1361-2.

[13]康 敏,鐘豪杰,楊 芬,等.廣東省2009年甲型H1N1流感流行與網(wǎng)絡(luò)搜索情況的相關(guān)性分析[J].熱帶醫(yī)學(xué)雜志,2011,11(6):629-32.

[14]閆城榛,韓志國.應(yīng)變大數(shù)據(jù)[J].中國傳媒科技,2013,6(07): 28-33.

[15]黃達(dá)滄.基于搜索引擎數(shù)據(jù)的手足口病監(jiān)測[D].長春: 東北師范大學(xué),2015.

[16]Wilson K,Brownstein JS.Early detection of disease outbreaks using the Internet[J].CMAJ,2009,180(8): 829-31.

[17]Ginsberg J,Mohebbi MH,Patel RS,et al.Detecting influenza epidemics using search engine query data[J]. Nature, 2009,457(7232): 1012-4.

[18]Eysenbach G.Infodemiology:tracking flu-related searches on the web for syndromic surveillance[C]//AMIA Annual Symposium Proceedings,2006: 244-8.

[19]Hulth A,Rydevik G,Linde A.Web queries as a source for syndromic surveillance[J].PLoS One,2009,4(2): e4378-82.

[20]李秀婷,劉 凡,董紀(jì)昌,等.基于互聯(lián)網(wǎng)搜索數(shù)據(jù)的中國流感監(jiān)測[J].系統(tǒng)工程理論與實踐,2013,33(12): 3028-34.

[21]Pew Research Center's Pew Internet & American Life Project[R].Online Health Search,2006.

[22]Polgreen PM,Chen Y,Pennock DM,et al.Using Internet searches for influenza surveillance[J].Clin Infect Dis,2008,47(11): 1443-8.

[23]肖 輝,周征奇,肖革新,等.公共衛(wèi)生領(lǐng)域中的數(shù)據(jù)挖掘[J].醫(yī)學(xué)信息學(xué)雜志,2013,18(12): 2-5.

[24]Doornik J. Improving the timeliness of data on influenza-like illnesses using Google search data[C]//8th Oxmetrics User Conference,2010.

[25]Milinovich GJ,Magalh?es RJ,Hu W.Role of big data in the early detection of Ebola and other emerging infectious diseases[J].Lancet Glob Health,2015,3(1): e20-1.

[26]Althouse BM, Ng YY,Cummings DA.Prediction of dengue incidence using search query surveillance[J].PLoS Negl Trop Dis,2011,5(8): e1258-63.

[27]聰 穎.大數(shù)據(jù)能幫我們避免下一場瘟疫[J].吉林醫(yī)學(xué)信息,2014,07(5): 30-1.

[28]李 銳,孫利謙,熊成龍,等.基于互聯(lián)網(wǎng)搜索數(shù)據(jù)研究全球高致病性禽流感病毒H5N1的暴發(fā)監(jiān)測[J].中華疾病控制雜志,2015,19(8): 773-7.

[29]Kang M,Zhong H,He J,et al.Using google trends for influenza surveillance in South China[J].PLoS One,2013,8(1): e55205-8.

[30]Centers for Disease Control and Prevention.Percentage of adults aged ≥18 years who looked up health information on the Internet,by age group and Sex-National health interview survey,United States,January September,2009[J].Morbid Mortal Weekly Rep,2010,59(15): 461-6.

[31]Pelat C,Turbelin C,Bar-Hen A,et al.More diseases tracked by using Google Trends[J].Emerg Infect Dis,2009,15(8): 1327-8.

近年來，我國采取旨在促進(jìn)中國出口貿(mào)易的書籍的政策和措施，但是從圖書進(jìn)出口金額量和交易額看，在圖書上仍處于起步階段。如表1所示：

[32]Wilson N,Mason K,Tobias M,et al.Interpreting google flu trends data for pandemic H1N1 influenza: the New Zealand experience[J].Euro Surveill,2009,14(44): 19386-93.

[33]Kelly H,Grant K.Interim analysis of pandemic influenza (H1N1)2009 in Australia: surveillance trends, age of infection and effectiveness of seasonal vaccination[J]. Euro Surveill, 2009,14(31): 19288-94.

[34]郭浩巖,王 林,蘇 婧,等.2013年人感染H7N9禽流感輿情監(jiān)測結(jié)果分析[J].中國健康教育,2015,13(05): 479-81.

[35]Yuan Q,Nsoesie EO,Lv B,et al.Monitoring influenza epidemics in China with search query from baidu[J].PLoS One,2013,8(5):e64323-8.

[36]Xie T,Yang Z,Yang S,et al.Correlation between reported human infection with avian influenza A H7N9 virus and cyber user awareness: what can we learn from digital epidemiology[J].Int J Infect Dis,2014,22(1): 1-3.

[37]Valdivia A, Lopez-Alcalde J, Vicente M, et al. Monitoring influenza activity in Europe with Google Flu Trends: comparison with the findings of sentinel physician networks - results for 2009-10[J].Euro Surveill,2010,15(29): 19621-8.

[38]Butler D.When google got flu wrong[J].Nature,2013,494(7436):155-6.

[39]Dugas AF, Hsieh YH, Levin SR, et al. Google flu trends:correlation with emergency department influenza rates and crowding metrics[J].Clin Infect Dis,2012,54(4): 463-9.

[40]Hulth A,Rydevik G.Web query-based surveillance in Sweden during the influenza A(H1N1)2009 pandemic, April 2009 to February 2010[J].Euro Surveill,2011,16(18): 19856-62.

[41]Lazer D,Kennedy R,King G,et al.Big data.The parable of Google Flu: traps in big data analysis[J]. Science, 2014,343(6176): 1203-5.

[42]陳新保,朱建軍,陳建群.時空數(shù)據(jù)模型綜述[J].地理科學(xué)進(jìn)展,2009,28(01): 9-17.

[43]林 玫,李永紅,董柏青.傳染病預(yù)測預(yù)警方法在我國的應(yīng)用現(xiàn)狀[J].中國熱帶醫(yī)學(xué),2010,10(3): 308-9,348.

[44]屈曉暉,袁 武,袁 文,等.時空大數(shù)據(jù)分析技術(shù)在傳染病預(yù)測預(yù)警中的應(yīng)用[J].中國數(shù)字醫(yī)學(xué),2015,(08): 36-9.