原创 | 一文读懂传染病时空聚类方法

最新推荐文章于 2024-09-26 16:30:55 发布

数据派THU

最新推荐文章于 2024-09-26 16:30:55 发布

阅读量247

点赞数

文章标签：聚类数据挖掘机器学习人工智能算法

本文链接：https://blog.csdn.net/tMb8Z9Vdm66wH68VX1/article/details/133191200

版权

本文深入探讨了时空聚类方法在传染病监测预警中的重要性，特别是时空扫描统计法，包括其原理、改进及实际应用，旨在通过统计学和大数据技术提升疾病监测的精准性和及时性。

摘要由CSDN通过智能技术生成

作者：苏悦

本文约2000字，建议阅读5分钟本文主要介绍上述的空间扫描统计量及后续的一些改进方法。

新冠肺炎的大流行警示我们，传染病对人类构成巨大威胁，也凸显了建立传染病监测预警系统的紧迫性。这需要对传染病在人群中的分布进行长期持续的时空分析，以便及早发现异常情况，阻止疫情的大规模扩散甚至爆发。

了解传染病的时空聚集性是监测预警的关键环节。随着我国公共卫生系统的不断完善，疾病和健康数据的空间属性不断增加，加之大数据和网络数据的迅猛增长，以及与时空数据相关的统计学方法的不断进步，这些为分析传染病的时空聚集性提供了条件，超越了传统的时间监测和空间监测方法。

尽管现有的时空聚类方法涵盖时空扫描统计法、基于密度的方法以及基于时空距离的方法，但在传染病领域，更为广泛采用时空扫描统计法，这与传染病聚类所使用的病例数据较多有关。这类数据一般包含地理信息、时间信息以及患者信息，从中发现的聚类称为“事件聚类”或“事件检测”，其重点在于揭示在时空上彼此接近的事件。

时空扫描统计法最早由Kulldorff等人于1997年提出，后经过改进成为解决传染病时空聚类的重要方法[1]。该方法通过考察各种不同大小的圆形区域，确定疾病发生率明显高于预期的地区。随后，Tango等人在此基础上提出了灵活的空间扫描统计量，以进一步优化该算法。本文主要介绍上述的空间扫描统计量及后续的一些改进方法。

空间扫描统计量

时空扫描统计量（Spatio-temporal scan statistic）的基础是Kulldorff在1997年提出的空间扫描统计量（spatial scan statistic），主要是在地图上遍历所有圆心，在每个圆心上逐渐扩大圆的半径，同时利用扫描窗口内和扫描窗口外的实际发病数和理论发病数构造检验统计量，也就是对数似然比（Log Likelihood Ratio），再用蒙特卡洛法对该窗口的统计学意义进行评价，从而找到发病数异常的窗口，如图1 所示。此算法可以基于伯努利模型和泊松模型，下面以伯努利模型为例说明它的理论过程。