突發(fā)公共衛(wèi)生事件數(shù)據(jù)共享與預(yù)警決策系統(tǒng)研究

拜亞萌，劉云朋

（焦作大學(xué)信息工程學(xué)院，河南 焦作 454000）

近年來(lái)，突發(fā)公共衛(wèi)生事件頻發(fā)，危害程度大，涉及范圍廣，不僅嚴(yán)重威脅到廣大人民群眾的生命健康，還給經(jīng)濟(jì)社會(huì)發(fā)展乃至國(guó)家安全帶來(lái)多維度、多領(lǐng)域交織疊加的重大風(fēng)險(xiǎn)。早期傳染病還具有隱蔽性強(qiáng)、預(yù)測(cè)性難等特點(diǎn)[1-2]，如何利用現(xiàn)代化的技術(shù)手段對(duì)新發(fā)傳染病進(jìn)行及時(shí)發(fā)現(xiàn)和監(jiān)測(cè)預(yù)警，已經(jīng)成為今后人類治理突發(fā)公共衛(wèi)生事件的重大挑戰(zhàn)。

在處理公共衛(wèi)生事件的風(fēng)險(xiǎn)防控與應(yīng)急管理過(guò)程中，暴露出諸如醫(yī)療數(shù)據(jù)開(kāi)放共享不足、部門間協(xié)同機(jī)制不暢、疫情預(yù)警監(jiān)測(cè)機(jī)制失效、風(fēng)險(xiǎn)研判和決策效率低等現(xiàn)實(shí)問(wèn)題[3-4]。針對(duì)上述問(wèn)題，目前對(duì)突發(fā)公共衛(wèi)生事件的應(yīng)急預(yù)警研究已經(jīng)形成了以數(shù)據(jù)驅(qū)動(dòng)的動(dòng)態(tài)適應(yīng)和敏捷處理為核心的風(fēng)險(xiǎn)評(píng)估模型和預(yù)警決策機(jī)制[5]。早期的研究主要從時(shí)空維度，對(duì)歷史病例數(shù)據(jù)進(jìn)行分析，采用德?tīng)柗萍夹g(shù)（Delphi）、累積和預(yù)警模型（CUSUM）等定性分析法[6-7]，以及自回歸移動(dòng)平均模型[8]（ARIMA）等定量方法分析預(yù)警，但預(yù)警的精度和及時(shí)性都有待提高。隨著大數(shù)據(jù)分析以及神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)在各領(lǐng)域的普及應(yīng)用，提升樹(shù)模型[9]（Boosting）、循環(huán)神經(jīng)網(wǎng)絡(luò)模型[10]（RNN）等基于機(jī)器學(xué)習(xí)的預(yù)警模型也取得了一定的成果。與此同時(shí)，區(qū)塊鏈技術(shù)在醫(yī)療和防疫監(jiān)測(cè)方面的應(yīng)用也正處于積極探索階段[11-12]，Esposito 等[13]采用麻省理工學(xué)院的OPAL/Enigma 加密平臺(tái)和區(qū)塊鏈技術(shù)相結(jié)合的方法，創(chuàng)造了一個(gè)關(guān)于公共衛(wèi)生醫(yī)療保健信息的存儲(chǔ)和分析平臺(tái)。Kuo 等[14]將區(qū)塊鏈技術(shù)與隱私保護(hù)在線學(xué)習(xí)技術(shù)相結(jié)合，設(shè)計(jì)了公共衛(wèi)生醫(yī)療信息共享平臺(tái)。綜上所述，針對(duì)突發(fā)公共衛(wèi)生事件應(yīng)急預(yù)警研究還較為分散，對(duì)于多維度數(shù)據(jù)耦合作用的復(fù)雜關(guān)系缺乏相應(yīng)的理論研究和機(jī)理分析。另外，區(qū)塊鏈在公共衛(wèi)生醫(yī)療應(yīng)用研究也主要集中于醫(yī)療數(shù)據(jù)信息共享方面，而在突發(fā)公共衛(wèi)生事件的早期數(shù)據(jù)采集、區(qū)域預(yù)警、整合政府和社會(huì)資源方面缺乏系統(tǒng)的研究。

本文圍繞“數(shù)據(jù)-資源-應(yīng)用”融合模式，以突發(fā)公共衛(wèi)生事件涵蓋的多維度數(shù)據(jù)為基礎(chǔ)，構(gòu)建基于區(qū)塊鏈的數(shù)據(jù)共享和預(yù)警決策系統(tǒng)，實(shí)現(xiàn)了醫(yī)療信息共享、公共安全監(jiān)測(cè)、過(guò)程跟蹤溯源和信息收集存證，為公共衛(wèi)生事件評(píng)估預(yù)警算法與系統(tǒng)的設(shè)計(jì)提供新的思路和方案。

1 系統(tǒng)基本框架

1.1 系統(tǒng)架構(gòu)

本系統(tǒng)以區(qū)塊鏈技術(shù)為核心，以突發(fā)事件演化的動(dòng)態(tài)時(shí)序關(guān)系為研究對(duì)象進(jìn)行建模，以構(gòu)建基于區(qū)塊鏈的突發(fā)公共衛(wèi)生事件數(shù)據(jù)共享和預(yù)警決策系統(tǒng)，從而實(shí)現(xiàn)了知識(shí)驅(qū)動(dòng)的疫情風(fēng)險(xiǎn)評(píng)估智能決策。本文所設(shè)計(jì)的系統(tǒng)架構(gòu)，如圖1 所示。

圖1 突發(fā)公共衛(wèi)生事件數(shù)據(jù)共享和預(yù)警決策系統(tǒng)架構(gòu)圖

該系統(tǒng)框架以“數(shù)據(jù)-信息-知識(shí)-智能”為設(shè)計(jì)思路，主要由區(qū)塊鏈數(shù)據(jù)存儲(chǔ)與共享平臺(tái)、風(fēng)險(xiǎn)預(yù)警與決策模型2 部分組成，前者是促進(jìn)突發(fā)公共衛(wèi)生事件治理的基本保障，后者是促進(jìn)突發(fā)公共衛(wèi)生事件治理的最終目的。

1.2 系統(tǒng)流程

系統(tǒng)的運(yùn)行機(jī)制和預(yù)警流程如圖2 所示，具體步驟描述如下。

圖2 系統(tǒng)總體運(yùn)行流程圖

步驟1 多維度數(shù)據(jù)獲?。阂允录莼膭?dòng)態(tài)時(shí)序關(guān)系建模為理論基礎(chǔ)，探析病人的人口統(tǒng)計(jì)學(xué)特征、癥候群特征、其他敏感醫(yī)療特征之間的關(guān)系，對(duì)與公共衛(wèi)生事件相關(guān)的多維度數(shù)據(jù)進(jìn)行監(jiān)測(cè)、抽取和集成處理。

步驟2 風(fēng)險(xiǎn)預(yù)警模型構(gòu)建：分析多維度數(shù)據(jù)之間的關(guān)聯(lián)性，設(shè)計(jì)基于事件演化的動(dòng)態(tài)時(shí)序關(guān)系建模的公共衛(wèi)生事件風(fēng)險(xiǎn)度量算法，實(shí)現(xiàn)對(duì)突發(fā)公共衛(wèi)生事件風(fēng)險(xiǎn)的預(yù)警。

步驟3 評(píng)估模型訓(xùn)練學(xué)習(xí)：采用聯(lián)邦學(xué)習(xí)框架對(duì)區(qū)域內(nèi)風(fēng)險(xiǎn)評(píng)估模型進(jìn)行自主學(xué)習(xí)，通過(guò)迭代全局參數(shù)，不斷優(yōu)化評(píng)估模型精度，提高共享效率和實(shí)現(xiàn)隱私保護(hù)。

步驟4 數(shù)據(jù)存儲(chǔ)和共享交換：以行政區(qū)域?yàn)閱挝?，?gòu)建不同層級(jí)的突發(fā)公共衛(wèi)生事件風(fēng)險(xiǎn)區(qū)塊鏈，并采用側(cè)鏈技術(shù)實(shí)現(xiàn)不同區(qū)域間的數(shù)據(jù)交換與共享。

步驟5 風(fēng)險(xiǎn)預(yù)警決策上報(bào)：采用智能合約機(jī)制完成突發(fā)公共衛(wèi)生事件風(fēng)險(xiǎn)的分布式共識(shí)、自動(dòng)化預(yù)警和決策上報(bào)發(fā)布。

2 關(guān)鍵技術(shù)實(shí)現(xiàn)

2.1 區(qū)塊鏈數(shù)據(jù)存儲(chǔ)與協(xié)同共享平臺(tái)設(shè)計(jì)

數(shù)據(jù)存儲(chǔ)和協(xié)同共享平臺(tái)通過(guò)區(qū)域級(jí)聯(lián)盟鏈+側(cè)鏈技術(shù)相結(jié)合的方式，構(gòu)建多維度、多層級(jí)的信息共享平臺(tái)。該平臺(tái)的關(guān)鍵技術(shù)包括區(qū)塊鏈存儲(chǔ)結(jié)構(gòu)設(shè)計(jì)、分布式數(shù)據(jù)存儲(chǔ)、多層級(jí)數(shù)據(jù)交換。

2.1.1 區(qū)塊鏈存儲(chǔ)結(jié)構(gòu)設(shè)計(jì)

為保護(hù)個(gè)人隱私和敏感數(shù)據(jù)，將個(gè)人隱私等敏感數(shù)據(jù)作為原始數(shù)據(jù)存儲(chǔ)在本地服務(wù)器，而將統(tǒng)計(jì)性、綜合性的醫(yī)療數(shù)據(jù)信息存儲(chǔ)在區(qū)塊體內(nèi)，并通過(guò)入鏈算法將達(dá)到共識(shí)的區(qū)塊添加到相應(yīng)的區(qū)塊鏈，從而形成多條不同區(qū)域?qū)蛹?jí)的聯(lián)盟區(qū)塊鏈，極大地降低了數(shù)據(jù)泄露風(fēng)險(xiǎn)。圖3 描述了本文設(shè)計(jì)的區(qū)塊鏈存儲(chǔ)結(jié)構(gòu)。

圖3 區(qū)塊鏈存儲(chǔ)結(jié)構(gòu)設(shè)計(jì)

區(qū)塊頭部信息中，保留了比特幣區(qū)塊的時(shí)間戳和Merkle 根，增加了前驅(qū)區(qū)塊的哈希（Hash）值，用作驗(yàn)證目的，并增加了參與交易節(jié)點(diǎn)的簽名集合，用來(lái)確認(rèn)交易的有效性。區(qū)塊體中具體交易由資源Hash、交易發(fā)起者簽名、可搜索加密索引以及交易賬本信息等數(shù)據(jù)組成，其中，資源Hash 記錄當(dāng)前交易記錄的Hash 值，用來(lái)保證記錄的完整性；交易發(fā)起者簽名用來(lái)驗(yàn)證本次交易的真實(shí)性；可搜索加密索引為后續(xù)安全檢索指定的交易做準(zhǔn)備。另外，為節(jié)省存儲(chǔ)空間、保護(hù)個(gè)人隱私和敏感數(shù)據(jù)，區(qū)塊體僅存儲(chǔ)交易數(shù)據(jù)量、模型參數(shù)、模型運(yùn)行時(shí)間等大顆粒統(tǒng)計(jì)信息，并通過(guò)數(shù)據(jù)加密、參數(shù)聚合、權(quán)限驗(yàn)證和信用刺激等方式，完成共享數(shù)據(jù)的安全存儲(chǔ)和加密傳輸。

2.1.2 多層級(jí)數(shù)據(jù)交換技術(shù)

本系統(tǒng)以國(guó)家-省-市-縣四級(jí)體系為區(qū)域?qū)蛹?jí)劃分，涉及了醫(yī)療機(jī)構(gòu)、疾控中心、各級(jí)政府和衛(wèi)生行政部門等參與主體。為解決數(shù)據(jù)冗余和權(quán)限分配混亂的問(wèn)題，本文以行政區(qū)域?yàn)閱卧?，?gòu)建多條區(qū)域級(jí)的區(qū)塊鏈，每條區(qū)塊鏈包含區(qū)域內(nèi)所有醫(yī)療機(jī)構(gòu)、疾控中心和衛(wèi)生部門，同一區(qū)域內(nèi)的參與節(jié)點(diǎn)可以共享基于本區(qū)域內(nèi)的風(fēng)險(xiǎn)模型、風(fēng)險(xiǎn)指數(shù)、醫(yī)療資源占用率等資源。不同區(qū)域之間的數(shù)據(jù)交換采用區(qū)塊鏈側(cè)鏈技術(shù)完成，實(shí)現(xiàn)了不同區(qū)域的數(shù)據(jù)轉(zhuǎn)移和安全共享。以各級(jí)衛(wèi)生部門作為中轉(zhuǎn)節(jié)點(diǎn)，將不同區(qū)域的數(shù)據(jù)共享鏈接在一起，實(shí)現(xiàn)全地域疫情預(yù)警風(fēng)險(xiǎn)數(shù)據(jù)的分布式共識(shí)和自動(dòng)化上報(bào)。

2.2 風(fēng)險(xiǎn)預(yù)警與決策模型設(shè)計(jì)

突發(fā)公共衛(wèi)生事件風(fēng)險(xiǎn)預(yù)警模型的關(guān)鍵技術(shù)包括基于事件演化動(dòng)態(tài)適應(yīng)建模、基于聯(lián)邦學(xué)習(xí)的聯(lián)合模型訓(xùn)練、基于智能合約的風(fēng)險(xiǎn)預(yù)警上報(bào)。

2.2.1 基于事件演化動(dòng)態(tài)適應(yīng)性建模

突發(fā)公共衛(wèi)生事件演化是一個(gè)多階段的動(dòng)態(tài)自適應(yīng)過(guò)程，以癥狀監(jiān)測(cè)事件演化過(guò)程為研究對(duì)象，利用事件衍生、耦合的時(shí)空特點(diǎn)，針對(duì)傳染病早期的發(fā)病率數(shù)據(jù)呈現(xiàn)出線性和非線性的特征，本文采用線性ARIMA 模型[15]與非線性循環(huán)神經(jīng)網(wǎng)絡(luò)模型（GRNN）[16]相組合的方式構(gòu)建基于ARIMA-GRNN 的預(yù)警模型，該模型結(jié)構(gòu)如圖4 所示。

圖4 ARIMA-GRNN 預(yù)警模型結(jié)構(gòu)圖

傳染病預(yù)警模型的建模過(guò)程主要包括2 個(gè)方面：一是尋找靈敏的預(yù)警指標(biāo)、采集獲取有效的監(jiān)測(cè)數(shù)據(jù)，二是構(gòu)建并訓(xùn)練傳染病預(yù)警評(píng)估模型提升系統(tǒng)的預(yù)警能力。其中，預(yù)警數(shù)據(jù)源主要從醫(yī)院信息系統(tǒng)抽取相關(guān)信息，包括患者的個(gè)人特征（例如年齡、性別、居住地和職業(yè)等）、癥候群特征（例如病人主訴、癥狀、體征和常規(guī)檢查結(jié)果等數(shù)據(jù)）以及其他敏感醫(yī)療特征（例如藥房數(shù)據(jù)、非處方藥銷售、護(hù)士熱線電話等數(shù)據(jù)），通過(guò)加工、集成，建立傳染病風(fēng)險(xiǎn)數(shù)據(jù)庫(kù)。

本文所構(gòu)建的ARIMA-GRNN 預(yù)警模型，不僅兼顧ARIMA 網(wǎng)絡(luò)模型的線性處理能力，同時(shí)兼顧了GRNN 網(wǎng)絡(luò)模型的非線性逼近能力，充分利用有限的少量數(shù)據(jù)，實(shí)現(xiàn)對(duì)不同傳染病早期傳播風(fēng)險(xiǎn)的有效預(yù)警。構(gòu)建ARIMA-GRNN 預(yù)警模型的步驟如下。

首先，收集原始數(shù)據(jù)，處理和挖掘病人的人口統(tǒng)計(jì)學(xué)特征、癥候群特征、其他敏感醫(yī)療特征之間的關(guān)系，建立ARIMA 預(yù)測(cè)模型。

其次，設(shè)定輸入樣本A、輸入樣本B 的值分別為ARIMA 的擬合值和時(shí)間值，輸出樣本的值為實(shí)際值，從而構(gòu)建出一個(gè)二維輸入、一維輸出的GRNN 網(wǎng)絡(luò)模型。

最后，根據(jù)ARIMA 模型得到的預(yù)測(cè)值和響應(yīng)時(shí)間變量作為輸入，從而完成組合模型的預(yù)警結(jié)果輸出，并通過(guò)聯(lián)邦學(xué)習(xí)的方式，對(duì)模型進(jìn)行微調(diào)訓(xùn)練，修正預(yù)測(cè)結(jié)果，提高預(yù)警精度。

2.2.2 基于聯(lián)邦學(xué)習(xí)的聯(lián)合模型訓(xùn)練

為保護(hù)患者數(shù)據(jù)的所有權(quán)和隱私權(quán)，降低數(shù)據(jù)泄露風(fēng)險(xiǎn)，本文采用聯(lián)邦學(xué)習(xí)（Federated Learning，以下簡(jiǎn)稱FL）技術(shù)，在不交換各自隱私數(shù)據(jù)的前提下，通過(guò)鏈下聚合學(xué)習(xí)方式完成風(fēng)險(xiǎn)評(píng)估模型的訓(xùn)練[17]。FL 是一種分布式機(jī)器學(xué)習(xí)框架，主要特點(diǎn)是確保用戶隱私，在不共享原始數(shù)據(jù)的前提下通過(guò)參數(shù)交互完成協(xié)同訓(xùn)練、生成全局模型，不僅可以有效地保護(hù)數(shù)據(jù)隱私，同時(shí)對(duì)積極參與高質(zhì)量數(shù)據(jù)貢獻(xiàn)的醫(yī)院進(jìn)行獎(jiǎng)勵(lì)。

首先，參與的醫(yī)療機(jī)構(gòu)利用本地?cái)?shù)據(jù)對(duì)本地預(yù)警模型進(jìn)行訓(xùn)練，隨機(jī)選擇一個(gè)驗(yàn)證節(jié)點(diǎn)將本地模型參數(shù)和其他交易賬本信息打包上鏈。其次，各節(jié)點(diǎn)實(shí)時(shí)下載最新區(qū)塊中其他節(jié)點(diǎn)的子模型參數(shù)，并在本地進(jìn)行聚合。然后，通過(guò)合約的方式匯總和計(jì)算全局模型參數(shù)，并將全局參數(shù)反饋給各醫(yī)療機(jī)構(gòu)，同時(shí)生成新的區(qū)塊以存儲(chǔ)本地模型。最后，醫(yī)療機(jī)構(gòu)根據(jù)反饋的參數(shù)再次進(jìn)行訓(xùn)練，不斷迭代，最終得到完整的全局模型，完成整個(gè)訓(xùn)練過(guò)程。通過(guò)聯(lián)邦學(xué)習(xí)的加密傳輸和融合計(jì)算，各醫(yī)療機(jī)構(gòu)可根據(jù)提供的數(shù)據(jù)量和模型質(zhì)量，獲取相應(yīng)的貢獻(xiàn)值，從而鼓勵(lì)更多參與者持續(xù)貢獻(xiàn)，進(jìn)而提高全局模型精度。

本文使用邏輯回歸方法來(lái)描述聯(lián)邦學(xué)習(xí)問(wèn)題，設(shè)定每個(gè)醫(yī)院的本地?cái)?shù)據(jù)集Dn，i={xn，i∈Ti，yn，i∈Ti}，xn，i是第n 個(gè)醫(yī)院參與訓(xùn)練的輸入樣本矢量，yn，i是輸入樣本矢量的標(biāo)簽。因此，本地風(fēng)險(xiǎn)預(yù)警模型的局部目標(biāo)函數(shù)可由式（1）表示

全局風(fēng)險(xiǎn)預(yù)警模型的損失函數(shù)最小化的目標(biāo)是

第e 輪更新模型后，計(jì)算統(tǒng)計(jì)出n 個(gè)醫(yī)院的局部模型參數(shù)，如式（3）

式中：l 是預(yù)定義的學(xué)習(xí)速率，將局部模型參數(shù)上傳到共識(shí)節(jié)點(diǎn)，訓(xùn)練得到e 輪全局模型參數(shù)，如式（4）

根據(jù)式（1）和式（3）可計(jì)算出存儲(chǔ)本地訓(xùn)練數(shù)據(jù)的醫(yī)院的局部損失函數(shù)和局部模型參數(shù)。而全局模型參數(shù)的精確度則受訓(xùn)練數(shù)據(jù)質(zhì)量影響，高精度的本地訓(xùn)練數(shù)據(jù)集可有效提升訓(xùn)練精度和學(xué)習(xí)效率。

2.2.3 基于智能合約的風(fēng)險(xiǎn)預(yù)警上報(bào)

由于本項(xiàng)目是聯(lián)盟鏈，無(wú)需計(jì)費(fèi)等相關(guān)功能，同時(shí)為解決傳統(tǒng)的風(fēng)險(xiǎn)預(yù)警機(jī)制中個(gè)人經(jīng)驗(yàn)不足、算法魯棒性弱等問(wèn)題，本文采用基于EVM 智能合約虛擬機(jī)的防疫預(yù)警合約開(kāi)發(fā)引擎，實(shí)現(xiàn)自動(dòng)化的風(fēng)險(xiǎn)預(yù)警和決策上報(bào)，確保預(yù)警的及時(shí)性和準(zhǔn)確性。EVM 合約內(nèi)部包括預(yù)警邏輯、風(fēng)險(xiǎn)編碼、風(fēng)險(xiǎn)類型、風(fēng)險(xiǎn)記錄和預(yù)警賬本等內(nèi)置信息。另外，根據(jù)傳染病暴發(fā)的空間流行特性以及區(qū)域聯(lián)動(dòng)預(yù)警需求，該應(yīng)用合約又分為通用預(yù)警合約Gwc和區(qū)域預(yù)警合約Rwc，EVM 智能合約的預(yù)警機(jī)制如圖5 所示。

圖5 基于EVM 智能合約的預(yù)警機(jī)制

預(yù)警合約流程如下：將預(yù)警合約提前發(fā)布到分布式節(jié)點(diǎn)中，當(dāng)每次交易產(chǎn)生，調(diào)用Rwc的預(yù)警邏輯單元，判斷執(zhí)行是否需要進(jìn)行預(yù)警數(shù)據(jù)入賬，并將最終預(yù)警結(jié)果更新到預(yù)警賬本中。其中，Rwc所需的參數(shù)都需要在共識(shí)節(jié)點(diǎn)中實(shí)現(xiàn)確認(rèn)和共識(shí)驗(yàn)證，Gwc則負(fù)責(zé)將各個(gè)區(qū)域模型的匯總計(jì)算得到全局模型參數(shù)。

3 實(shí)驗(yàn)與分析

實(shí)驗(yàn)環(huán)境為Ubuntu 的操作系統(tǒng)，分別采用SPSS 16.0、SAS 10.1 軟件、MATLAB 神經(jīng)網(wǎng)絡(luò)工具箱完成ARIMA 模型、RBF 和GRNN 神經(jīng)網(wǎng)絡(luò)模型的參數(shù)估計(jì)、模型擬合及其檢驗(yàn)。實(shí)驗(yàn)過(guò)程：首先對(duì)ARIMAGRNN 模型進(jìn)行訓(xùn)練，然后利用訓(xùn)練后的ARIMAGRNN 模型對(duì)甲乙類傳染病月發(fā)病率進(jìn)行監(jiān)測(cè)預(yù)警，從而驗(yàn)證預(yù)警模型的可靠性。

實(shí)驗(yàn)訓(xùn)練集將肺結(jié)核每月（2000 年1 月—2005 年7 月）實(shí)際發(fā)病數(shù)據(jù)作為輸出變量，ARIMA 模型的相應(yīng)擬合值和時(shí)間變量作為二維輸入變量，對(duì)GRNN 模型進(jìn)行訓(xùn)練。實(shí)驗(yàn)測(cè)試集以獲取的電子病歷數(shù)據(jù)作為輸入變量，將測(cè)試集儲(chǔ)存在6 個(gè)聯(lián)邦學(xué)習(xí)數(shù)據(jù)節(jié)點(diǎn)中，每個(gè)節(jié)點(diǎn)80 份，這些數(shù)據(jù)節(jié)點(diǎn)中的電子病歷樣本在訓(xùn)練時(shí)不會(huì)被上傳到中心節(jié)點(diǎn)，從而保護(hù)了患者的隱私。圖6 描述了ARIMA－GRNN 組合模型對(duì)肺結(jié)核發(fā)病率的擬合效果。

圖6 ARIMA－GRNN 組合模型對(duì)肺結(jié)核發(fā)病率的擬合效果

從圖6 可知，ARIMA-GRNN 預(yù)警模型的擬合值和實(shí)際值貼合緊密，擬合效果良好。另外，表1 對(duì)3 種預(yù)警模型的預(yù)測(cè)效果進(jìn)行比較。

表1 3 種模型的肺結(jié)核發(fā)病率預(yù)測(cè)效果比較1/10 萬(wàn)

對(duì)表1 數(shù)據(jù)分析可知，在風(fēng)險(xiǎn)預(yù)警準(zhǔn)確性表現(xiàn)方面，ARIMA-GRNN 模型優(yōu)于RBF 模型，ARIMA 模型的準(zhǔn)確性最低。

4 結(jié)束語(yǔ)

本文以醫(yī)院信息系統(tǒng)中涵蓋的病歷數(shù)據(jù)和運(yùn)營(yíng)數(shù)據(jù)等為數(shù)據(jù)來(lái)源，通過(guò)分析患者的人口統(tǒng)計(jì)學(xué)特征、癥候群特征以及其他敏感醫(yī)療特征，構(gòu)建基于事件演化動(dòng)態(tài)適應(yīng)性建模的疫情風(fēng)險(xiǎn)評(píng)估算法，實(shí)現(xiàn)疫情早期預(yù)警監(jiān)測(cè)。另外，本文融合風(fēng)險(xiǎn)預(yù)警模型與區(qū)塊鏈技術(shù)，構(gòu)建了基于區(qū)塊鏈的數(shù)據(jù)共享和預(yù)警決策系統(tǒng)，脫離依賴靜態(tài)歷史數(shù)據(jù)或經(jīng)驗(yàn)案例的被動(dòng)預(yù)案方式，達(dá)到了降低強(qiáng)中心化管理帶來(lái)的責(zé)任風(fēng)險(xiǎn)，提高傳染病早期風(fēng)險(xiǎn)預(yù)警的信息時(shí)效性。