2019版高考地理一輪復(fù)習(xí)第一部分第二章地球上的大氣第四講全球氣候變化和氣候類型的判讀課件

傳染病疫情的預(yù)警方法1傳染病疫情的預(yù)警方法1概覽討論為何需要探測流感爆發(fā)描述和討論生成警示的不同方法概覽討論為何需要探測流感爆發(fā)探測未來的流感爆發(fā)公共衛(wèi)生監(jiān)測是持續(xù)而系統(tǒng)性地收集、分析和解釋健康數(shù)據(jù)，這對公共衛(wèi)生政策的計劃、實施和評估非常重要，并且同時可以將這些數(shù)據(jù)及時地發(fā)布給有需要的人群（ThackerS.1994）。盡早探測到爆發(fā)可以幫助疾病的預(yù)防和控制。3探測未來的流感爆發(fā)公共衛(wèi)生監(jiān)測是持續(xù)而系統(tǒng)性地收集、分析和解異常假設(shè)我們知道在某個特定時間/地點的預(yù)期病例數(shù)目異常被定義為實際病例數(shù)“顯著”超出了預(yù)期標(biāo)準(zhǔn)并非所有的異常都是由真正的爆發(fā)導(dǎo)致（需要進(jìn)一步的調(diào)查研究）并非所有的爆發(fā)都會導(dǎo)致異常受試者工作特征（ROC）曲線下的面積作為總評方式4異常假設(shè)我們知道在某個特定時間/地點的預(yù)期病例數(shù)目4敏感性和特異性爆發(fā)非爆發(fā)異常ab非異常cd5敏感性=a/(a+c)=真正類率特異性=d/(b+d)=真負(fù)類率敏感性和特異性爆發(fā)非爆發(fā)異常ab非異常cd5敏感性=a/敏感性和特異性很明顯，我們需要高敏感性和高特異性但是其中一個增高會導(dǎo)致另一個減低例如，我們可以通過降低異常的臨界值來增加敏感性（這樣可以探測到更小型的爆發(fā)），但這也會導(dǎo)致更多的誤報或者我們可以大幅提高臨界值以致永遠(yuǎn)探測不到異常，那么特異性=1但是敏感性=06敏感性和特異性很明顯，我們需要高敏感性和高特異性6定義的局限性前面我們將敏感性定義為在每個爆發(fā)周監(jiān)測到異常的概率但是對一次爆發(fā)只警示一次足夠嗎？或者我們需要每周都警示嗎？對于任何爆發(fā)，難道一個只在第一周就警示的系統(tǒng)不比一個只在最后一周才警示的系統(tǒng)更好？我們應(yīng)當(dāng)包含對時間性的衡量（Kleinmanetal.,2006）7定義的局限性前面我們將敏感性定義為在每個爆發(fā)周監(jiān)測到異常的概另一種定義(Hutwagneretal.,2005)敏感性=所有爆發(fā)中至少發(fā)出一次警示的幾率特異性=所有非爆發(fā)中不發(fā)出任何警示的幾率（定義不變）時間性=從爆發(fā)開始到發(fā)出警示的平均時間（比如：周數(shù)）只對探測到爆發(fā)有效？8另一種定義(Hutwagneretal.,2005)第二部分探測異常的統(tǒng)計方法99迂回法控制圖CUSUM移動基線法時間序列法參考文獻(xiàn)10迂回法10迂回法在迂回法中，我們對歷史數(shù)據(jù)擬合一條正玄曲線包括參考（比如95%）限值通常擬合過程中會剔除過去的爆發(fā)（疫情）數(shù)據(jù)如果當(dāng)前值超過上限就產(chǎn)生異常使用示例：警示進(jìn)入流感高峰期11迂回法在迂回法中，我們對歷史數(shù)據(jù)擬合一條正玄曲線包括參考（比演示流感數(shù)據(jù)迂回法-112使用歷史數(shù)據(jù)來估計一年中不同時間的預(yù)期值以及參考限值（點線）演示流感數(shù)據(jù)迂回法-112使用歷史數(shù)據(jù)來估計一年中不同時演示流感數(shù)據(jù)迂回法-213在高峰期前，監(jiān)測數(shù)據(jù)應(yīng)該在參考限值以內(nèi)演示流感數(shù)據(jù)迂回法-213在高峰期前，監(jiān)測數(shù)據(jù)應(yīng)該在參考演示流感數(shù)據(jù)迂回法-314但當(dāng)（冬季）流感高峰期來臨，監(jiān)測數(shù)據(jù)會迅速超過參考限值演示流感數(shù)據(jù)迂回法-314但當(dāng)（冬季）流感高峰期來臨，監(jiān)迂回法例子–Hulthetal.,EID,201015迂回法例子–Hulthetal.,EID,201控制圖在最基本的控制圖中（休哈特圖），我們將當(dāng)前值和一些已知的基準(zhǔn)線和參考限值比較控制限值可以基于歷史或近期數(shù)據(jù)然后我們可以根據(jù)預(yù)先設(shè)定的異常定義，繼續(xù)隨著時間推移監(jiān)測數(shù)據(jù)異常的基本定義是一個超過上限的單一值（一個異常之后我們重設(shè)控制圖）16控制圖在最基本的控制圖中（休哈特圖），我們將當(dāng)前值和一些已演示控制圖-1比較當(dāng)前值（紫色）和參考限值17演示控制圖-1比較當(dāng)前值（紫色）和參考限值17演示控制圖-2下個星期，比較新的值（藍(lán)色）和參考限值18演示控制圖-2下個星期，比較新的值（藍(lán)色）和參考限值18演示控制圖-3這次當(dāng)前值（紅色）產(chǎn)生了異常19演示控制圖-3這次當(dāng)前值（紅色）產(chǎn)生了異常19控制圖中的異常通常來說，控制圖中的異常發(fā)生于：當(dāng)前值超過上限的3σ三個連續(xù)值中的兩個超過上限2σ五個連續(xù)值中的四個超過上限1σ八個連續(xù)值超過均值也有其它版本的規(guī)則有時我們偏好只用第一個規(guī)則，同時設(shè)定一個不太嚴(yán)格的臨界值20控制圖中的異常通常來說，控制圖中的異常發(fā)生于：20移動平均控制圖在基本控制圖中，我們尋找一系列觀測值中的異值或異常的形態(tài)另一種方法是研究連續(xù)的近期觀測值的形態(tài)對于觀測值y1,y2,…,移動平均控制圖的統(tǒng)計量是

在移動平均的計算中使用了n個觀測值21移動平均控制圖在基本控制圖中，我們尋找一系列觀測值中的異值或指數(shù)加權(quán)移動平均控制圖(EWMA)EWMA給予早期數(shù)據(jù)更小的比重對于觀測值y1,y2,…,EWMA的統(tǒng)計量是0<λ<1是比重參數(shù)，s0=0λ增大，越早期數(shù)據(jù)的影響越小通常λ設(shè)置為0.1-0.522指數(shù)加權(quán)移動平均控制圖(EWMA)EWMA給予早期數(shù)據(jù)更小累積和控制圖此方法計算連續(xù)觀測值的總和(CUSUM)并將CUSUM和一個固定的臨界值比較必須先標(biāo)準(zhǔn)化所有觀測值（減去參考均值然后除以參考標(biāo)準(zhǔn)差）23累積和控制圖此方法計算連續(xù)觀測值的總和(CUSUM)并將CU累積和控制圖在時間t的上CUSUM公式是yt是在時間t的觀測值，μ和σ分別是過程均值和標(biāo)準(zhǔn)差參數(shù)k用來忽略某些輕微偏差最簡化的情況下k設(shè)置為0典型的選擇是k=0.5，也就是忽略任何距離均值小于標(biāo)準(zhǔn)差一半的偏差24累積和控制圖在時間t的上CUSUM公式是24演示上CUSUM-1標(biāo)準(zhǔn)化觀測值的累積和（但不小于0）25演示上CUSUM-1標(biāo)準(zhǔn)化觀測值的累積和（但不小于0）2演示上CUSUM-2收集下一個數(shù)值后（藍(lán)色），將其加入CUSUM26演示上CUSUM-2收集下一個數(shù)值后（藍(lán)色），將其加入C移動基線在基本控制圖中，我們預(yù)先設(shè)定了過程均值和標(biāo)準(zhǔn)差（可能來自歷史數(shù)據(jù)）在一些監(jiān)控設(shè)置中，每年的情況或會有所變化，因為我們更偏向于用近期數(shù)據(jù)來設(shè)定過程均值和標(biāo)準(zhǔn)差隨著預(yù)期監(jiān)測的持續(xù)，過程均值和標(biāo)準(zhǔn)差可以持續(xù)地更新27移動基線在基本控制圖中，我們預(yù)先設(shè)定了過程均值和標(biāo)準(zhǔn)差（可能移動基線控制圖-128比較當(dāng)前值（紫色）和參考限值移動基線控制圖-128比較當(dāng)前值（紫色）和參考限值移動基線控制圖-229更新參考限值并和當(dāng)前值（藍(lán)色）比較移動基線控制圖-229更新參考限值并和當(dāng)前值（藍(lán)色）比較移動基線控制圖-330這次當(dāng)前值（紅色）產(chǎn)生了異常移動基線控制圖-330這次當(dāng)前值（紅色）產(chǎn)生了異常比較CUSUM和基本控制圖基本控制圖可以快速探測到大量超出基線的情況有效探測大型的以及/或者密集的疾病爆發(fā)CUSUMs可以更好地探測比較小型的疾病增長有效探測小型的以及/或者緩慢長期的疾病爆發(fā)…一系列的微小正增長可以迅速增加31比較CUSUM和基本控制圖基本控制圖可以快速探測到大量超出基控制圖的更多延伸在近期基準(zhǔn)值和當(dāng)前值之間預(yù)留緩沖區(qū)否則正在進(jìn)行的爆發(fā)可能會影響臨界值對于小的數(shù)值使用泊松分布代替正態(tài)分布同時監(jiān)控多方位的信息32控制圖的更多延伸在近期基準(zhǔn)值和當(dāng)前值之間預(yù)留緩沖區(qū)32時間序列法前面描述的控制圖法沒有明確考慮到兩個重要因素：數(shù)據(jù)的序列相關(guān)性（假設(shè)隨后的數(shù)據(jù)是獨立的）季節(jié)性影響（盡管使用歷史數(shù)據(jù)可以幫助一些）專門的時間序列模型可以考慮這些因素33時間序列法前面描述的控制圖法沒有明確考慮到兩個重要因素：33時間序列法專門的的時間序列法用來分析時間序列數(shù)據(jù)Box-Jenkins的ARIMA模型狀態(tài)空間模型這些先進(jìn)的方法可以考慮歷史季節(jié)性、過去的爆發(fā)、以及近期的水平波動當(dāng)超出參考限值時產(chǎn)生異常或者在時間序列估值后使用控制圖34時間序列法專門的的時間序列法用來分析時間序列數(shù)據(jù)34動態(tài)線性模型基于觀測值y1,y2,…的模型中假設(shè)一系列的隱變量θ1,θ2,…可以估算θ1,θ2,…這種指定隱變量的方法可以假設(shè)觀測值是獨立的35動態(tài)線性模型基于觀測值y1,y2,…的模型中假設(shè)一系列的時間序列法的缺陷時間序列法是最復(fù)雜的途徑，應(yīng)當(dāng)優(yōu)于簡單的方法但是這種方法需要最多的資源，需要專家初期和持續(xù)的投入對于很多癥狀的基本監(jiān)測，控制圖或者歷史局限值已經(jīng)足夠36時間序列法的缺陷時間序列法是最復(fù)雜的途徑，應(yīng)當(dāng)優(yōu)于簡單的方法不同國家的方法描述國家方法參考文獻(xiàn)美國控制圖Xingetal.2011控制圖Burkometal.2004CUSUMBellazzinietal.2011西班牙CUSUMSchrelletal.2013希臘CUSUM,（迂回法）Spanosetal.201237不同國家的方法描述國家方法參考文獻(xiàn)美國控制圖Xinget回顧第二部分當(dāng)季節(jié)性比較明了時，可以使用迂回法在很多情況下，控制圖可以提供滿意的結(jié)果在某些情況下，CUSUM和EWMA可以表現(xiàn)得更好通常時間序列法可能表現(xiàn)得最好，但是需要許多資源的投入和維護(hù)38回顧第二部分當(dāng)季節(jié)性比較明了時，可以使用迂回法3839第三部分態(tài)勢感知39態(tài)勢感知的目標(biāo)“在需要提示信息的情況下監(jiān)測疾病的趨勢或者其它社區(qū)衛(wèi)生的標(biāo)記”（Buehleretal.,2008）不要停止產(chǎn)生疫情警報在流感季節(jié)開始后的情形如何？跟進(jìn)當(dāng)前和預(yù)測未來的趨勢進(jìn)行干預(yù)措施的實時評估40態(tài)勢感知的目標(biāo)“在需要提示信息的情況下監(jiān)測疾病的趨勢或者其它態(tài)勢感知的內(nèi)容傳播性和嚴(yán)重性的評估決定各種控制措施必要性和時間開始計劃疫苗推廣信息來源例行監(jiān)測系統(tǒng)（比如定點流感癥狀監(jiān)測）新的監(jiān)測系統(tǒng)（比如在線查詢、英國流感大流行熱線、柜臺藥品銷售、曠工/曠課情況）41態(tài)勢感知的內(nèi)容傳播性和嚴(yán)重性的評估41監(jiān)測數(shù)據(jù)的互動傳播Chengetal.201142監(jiān)測數(shù)據(jù)的互動傳播Chengetal.201142由多重渠道整合信息使用多變量模型擬合多重流感監(jiān)測數(shù)據(jù)，紅色柱體表明高/增加活躍度目前從62所參與學(xué)校收集學(xué)生缺課數(shù)據(jù)指定流感診所的就診情況只在流感大流行期間發(fā)布數(shù)據(jù)(Lauetal.2012)43由多重渠道整合信息使用多變量模型擬合多重流感監(jiān)測數(shù)據(jù)，紅色柱參考文獻(xiàn)BellazziniMA,MinorKD.EDsyndromicsurveillancefornovelH1N1spring2009.AmericanJournalofEmergencyMedicine,2011;29(1):70-4.BuehlerJW,SonrickerA,PaladiniM,SoperP,MostashariF.SyndromicSurveillancePracticeintheUnitedStates:FindingsfromaSurveyofState,Territorial,andSelectedLocalHealthDepartmentsAdvancesinDiseaseSurveillance,2008;6(3).BurkomHS,ElbertY,FeldmanA,LinJ.RoleofdataaggregationinbiosurveillancedetectionstrategieswithapplicationsfromESSENCE.MorbidityandMortalityWeeklyReport,2004;53:S67-71.ChengCK,IpDK,CowlingBJ,HoLM,LeungGM,LauEH.Digitaldashboarddesignusingmultipledatastreamsfordiseasesurveillancewithinuenzasurveillanceasanexample.JournalofMedicalInternetResearch,2011;13(4):e85.HulthA,AnderssonY,HedlundKO,AnderssonM.Eye-openingapproachtonorovirussurveillance.EmergingInfectiousDiseases,2010;16(8):1319-21.HutwagnerL,BrowneT,SeemanGM,FleischauerAT.Comparingaberrationdetectionmethodswithsimulateddata.EmergingInfectiousDiseases,2005;11(2):314-6.44參考文獻(xiàn)BellazziniMA,MinorKD.E參考文獻(xiàn)（2）KleinmanKP,AbramsAM.Assessingsurveillanceusingsensitivity,specicityandtimeliness.StatisticalMethodsinMedicalResearch,2006;15(5):445-64.LauEH,ChengCK,IpDK,CowlingBJ.Situationalawarenessofinuenzaactivitybasedonmultiplestreamsofsurveillancedatausingmultivariatedynamiclinearmodel.PLOSONE,2012;7(2):e38346.SchrellS,ZiemannA,Garcia-CastrilloRiesgoL,RosenktterN,LlorcaJ,PopaD,KratT.LocalimplementationofasyndromicinuenzasurveillancesystemusingemergencydepartmentdatainSantander,Spain.