专利名称：传染病疫情诊断及危害度分类智能分析模型技术的制作方法
技术领域：
本发明涉及的是重要传染病疫情诊断及危险度预测智能模型的构建方法。
背景技术：
传染病的诊断和治疗方法是相对比较成熟的。对于自然原因引起的传染病，只要发现早，治疗及时，疾病预后一般良好；对于人为引起的传染病(生物武器攻击或恐怖袭击)，及早认识和确定攻击行为是减少伤害、控制疫情蔓延的重要环节。因此，探索和建立综合信息分析系统，提高对重要传染病的诊断和危害分类能力是十分重要的。
针对传染病的危害性，研究者们一直在探索能准确预测、识别疫情，判明发展趋势的理论方法，以利于及时行动，采取针对性对策。至今，这些模型研究还全部局限在普通数学模型的构建层次。这些数学模型一般具有典型的以数学理论为依据的设计和构思特点，与实际事件和相关量化数据有一定距离。
发明内容
本发明的目的是提供一种以实际疾病案例为依据，利用计算机智能分析软件建立以临床症状、临床检查、实验室检验和流行病学调查资料为基本分析因子的综合疫情诊断及危害程度分类的传染病智能分析模型的构建技术。
传染病疫情的诊断及危险度分类智能分析模型的构建方法，该方法按以下步骤进行(1)关联因子的确定根据实际案例资料，选取炭疽病和布病的散发、流行和人为引发事件案例。同时也选取它们的相似病例案例。通过Pearson和logistic分析，选取相应的临床、实验室及流行病学关联指标，并将其作为神经网络输入层节点。指标包括体温、呼吸道症状、皮肤症状、脑膜炎综合征、败血症、消化道症状、PCR检测结果、细菌学镜下检测(或培养)结果、X光检测结果、WBC、细菌血清凝集试验结果、接触史、职业分布特征、季节分布特征、潜伏期、地区分布、敌情状况、社会稳定因素、早期抗菌治疗效果、同期病人人数等指标。
(2)指标量化将上述指标进行量化，量化分类包括有；无；阳性；阴性；结果不详；全部阴性；全部阳性；阳性率大于50％(＞50％)；阴性率大于50％(＞50％)；赋值范围为0-10。
(3)疾病诊断及危险度分类分类数目为2-10个。包括传染病种类；散发自然原因引起的流行；人为原因引起的流行；其他疾病等。
(4)模型设计根据Metlab计算机软件中前馈神经网络(BP神经网络)工具箱构建智能模型根据关联指标的多少，输入层为6-14个节点(神经元)；隐层1-6个节点(神经元)；输出层1-5个节点(神经元)。输入层和隐层采用正切Sigmoid函数为计算取值；输出层用purelin线性函数为计算取值。
(5)模型训练及测定即进行BP神经网络的训练和仿真。设定训练样本和检测(验证)样本；模型训练300-1000步；要求符合率为80％-100％。
此模型实用于炭疽病，布鲁氏菌病、鼠疫、霍乱、伤寒、细菌性痢疾、细菌性食物中毒、钩端螺旋体病、流行性出血热、流行性感冒、传染性非典型肺炎、登革热、森林脑炎、乙型脑炎、天花、黄热病、Q热、斑疹伤寒、肉毒杆菌毒素中毒、葡萄球菌肠毒素中毒、疟疾等。
利用人工神经网络(Artificial Neural Network，ANN)构建的疾病分析模型具有独特的信息存储方式、良好的容错性、进行大规模非线性信息处理、强大的自组织、自学习和自适应能力等特点。从实用性和准确性方面具有明显的创新特色。
本发明所涉及的疾病案例资料可从中国期刊网专题全文数据库、ScienceDirect(Elsevier)数据库、医院病案室、疾病控制中心调查资料档案室获得；计算机软件Metlab和SPSS为市售产品。
下面结合炭疽病实施例对发明做进一步说明。
(1)资料检索及筛选通过中国期刊网专题全文数据库和ScienceDirect(Elsevier)数据库，收集1994年-2005年报道的炭疽病、流行性感冒、急性皮炎、脑膜炎、猪链球菌、传染性非典型肺炎等近60例散发及暴发案例。根据研究要求，筛选出39例(见表1)，其中25例炭疽案例、3例可疑炭疽案例和11例非炭疽病(症状相似)案例。其中人为引发炭疽案2例为1979年前苏联Sverdlovsk地区炭疽事件和2001年美国炭疽事件。在这些案例中，分层随机选择2/3作为建模训练样本，另外1/3作为模型验证样本。
(2)资料整理分类及分析根据医学知识，研究小组集体讨论，选取与炭疽病相关的临床、实验室及流行病学19个分析指标，包括体温、肺部症状、皮肤症状、脑膜炎症状、败血症症状、腹部症状、PCR检测结果、病原体镜下检查(或培养)结果、微生物血清学检测结果、胸部X线检测结果、WBC、接触史、职业特征、季节特征、潜伏期、地区特征、敌情、早期抗菌效果和患者人数等。根据相关指标的“阳性”(含百分比例)、“阴性”(含百分比例)、结果不详、符合程度(是/否)、病人总数等结果分别进行定量赋值。依照症状、体症、检测结果、流行病学特征的典型程度变化，定量赋值范围为0-2。同时，将疾病发生及危害程度设定5个类型。包括人为炭疽(赋值1)、自然暴发(赋值2)、自然散发(赋值3)、可疑炭疽(赋值4)和其它相似疾病(赋值5)等。
炭疽病及危害程度与临床、实验室及流行病学相关指标的相关性分析采用统计学软件SPSS10.0中的Pearson分析程序进行分析。将其中显著性关联指标作为模型的输入层节点(神经元)。
(3)智能模型建立①选用计算机软件Metlab6.1中前馈神经网络(Back propagationNetwork，BP神经网络)工具箱。其由若干功能单一神经元并行分布组成，分为输入层、隐层和输出层。网络中的信息传递是单向的，同一层中的神经元之间无联系，而层与层之间多采用全互联方式，层间连接权值表通过不断训练学习来调节其值，直到实际输出和预期输出间的误差达到可接受的范围，以便它能够很好地逼近任何有限间断点的非线性函数。
②神经元模型建立及网络结构形式确定。根据对模型的尝试与调整，本模型输入层和隐层采用正切Sigmoid函数为计算取值；输出层用purelin线性函数为计算取值。根据显著性关联指标的指标个数决定模型的输入层节点；根据试验仿真效果进行调整，隐层设3个节点；根据研究的要求，输出层设1个节点。
③建立模型流程。即进行BP神经网络的训练和仿真。用已知的输入和输出样本对模型开展学习训练，检验该网络的推广能力。从神经元、网络结构、网络参数学习算法等方面着手，改进后再检验。模型成立条件一般为以网络模拟输出值与实际值符合率达到80％以上为满意。
④相关分析Pearson分析结果显示，在19项临床、实验室及流行病学相关指标中，疾病潜伏期、胸部X光检验结果、镜检结果、职业特征等11项指标与炭疽病的诊断和流行强度有关(见表2)。因此将这11个指标作为模型输入层的节点。考虑到“患者人数”一项指标接近显著性临界点，而且从理论上看与危险分类明显有关，因此也纳入输入节点。
⑤网络训练在BP神经网络命令窗口执行相应的操作指令，依次输入训练样本的计量参数值，神经网络按照指令进行反复的学习和训练，通过500步学习和训练，曲线变化稳定，误差下降明显，误差由6.66959下降到5.051 19×10-11。
⑥模拟结果网络训练结束后，在程序窗口输入12验证样本的量化参数值，神经网络通过学习和训练，得出模拟预测数值(见表3)。12个案例每次模拟预测结果与实际值的符合率有变化，最大值这91％，最低为66.7％。但全部案例的10次输出结果均值与真实值接近，符合率达100％。
表1 主要建模和预测资料来源
表2 29例炭疽指标与炭疽诊断及危害程度分类的pearson相关分析
**相关有非常显著意义(P＜0.01)*相关有显著意义(P＜0.05)
表3 神经网络模拟预测结果
注表中T为实际值，人为炭疽(赋值1)、自然暴发(赋值2)、自然散发(赋值3)、可疑炭疽(赋值4)和其它相似疾病(赋值5)；A为同一样本10次网络模拟输出值。
权利要求
1.关联因子的确定根据实际案例资料，选取传染病的散发、流行和人为引发事件案例。同时也选取它们的相似病例案例。通过Pearson和logistic分析，选取相应的临床、实验室及流行病学关联指标，并将其作为智能模型输入层节点。指标可以包括体温、呼吸道症状、皮肤症状、脑膜炎综合征、败血症、消化道症状、PCR检测结果、细菌学镜下检测(或培养)结果、X光检测结果、WBC、细菌血清凝集试验结果、接触史、职业分布特征、季节分布特征、潜伏期、地区分布、敌情状况、社会稳定因素、早期抗菌治疗效果、同期病人人数等。
2.指标量化将上述指标进行量化，量化分类包括有；无；阳性；阴性；结果不详；全部阴性；全部阳性；阳性率大于50％(＞50％)；阴性率大于50％(＞50％)；赋值范围为0-10。(3)疾病诊断及危害度分类分类数目为1-10个。包括传染病种类；散发；自然原因引起的流行；人为原因引起的流行；其他疾病等。
3.模型设计根据Metlab计算机软件中前馈神经网络(BP神经网络)工具箱构建智能模型根据关联指标的多少，输入层为6-14个节点(神经元)；隐层1-6个节点(神经元)；输出层1-5个节点(神经元)。输入层和隐层采用正切Sigmoid函数为计算取值；输出层用purelin线性函数为计算取值。
4.模型训练及测定即进行BP神经网络的训练和仿真。设定训练样本和检测(验证)样本；模型训练300-1000步；要求符合率为80％-100％。此模型实用于炭疽病，布鲁氏菌病、鼠疫、霍乱、伤寒、细菌性痢疾、细菌性食物中毒、钩端螺旋体病、流行性出血热、流行性感冒、传染性非典型肺炎、登革热、森林脑炎、乙型脑炎、天花、黄热病、Q热、斑疹伤寒、肉毒杆菌毒素中毒、葡萄球菌肠毒素中毒、疟疾等。
全文摘要
本发明公开的是传染病疫情诊断及危害度分类智能分析模型的构建方法。此方法首先根据实际传染病案例资料，以临床、实验室检查及流行病学调查指标为基本因子进行统计学相关分析；选取特异关联指标，通过计算机神经网络算法构建智能分析模型，以及时判断传染病的发生及危害程度，提高对传染病疫情的认识和判断能力。该模型建成后，应用方便简单。即使是普通基层医务人员也可根据现场实际情况资料的收集和整理，及时进行综合诊断和危害度判断。
文档编号G06F19/00GK1881227SQ20061005429
公开日2006年12月20日 申请日期2006年5月16日 优先权日2006年5月16日
发明者熊鸿燕, 韩家信, 许斌, 李亚斐, 朱才众 申请人:中国人民解放军第三军医大学