论文部分内容阅读
突发性传染病严重危害人类健康并阻碍着社会经济的发展.2003年爆发的严重急性呼吸系统综合症(简称SARS),2009年爆发的甲型H1N1和2014年西非地区爆发的埃博拉等都给社会带来了巨大的灾难.因此国家卫生组织,传染病控制专家以及疾病的易感人群等都非常关注传染病控制及预测问题.为此许多学者根据疾病的发生以及在人群内的传播规律,建立能反映疾病发展变化过程和传播规律的数学模型并结合疫情报道数据,帮助揭示其流行规律、采取控制措施并评估其效果.早在1927年,Kermack和Mckendrick就利用动力学的方法建立了传染病的经典数学模型-SIR模型(Susceptible-Infective-Removal模型),后来被广泛用于刻画黑死病、天花、流感、肝炎、麻疹等不同类型传染病的传播规律.但是,当突发性传染病在某地区爆发时,公共卫生部门和人们希望尽快了解疾病的传播规律,特别是如何根据现有的有关疾病的信息包括累积病例数快速确定此类疾病的基本再生数、转折点和最终感染人数等的估计值.而SIR模型刻画的是易感者类、染病者类和移除者类的数量发展变化规律,它需要将这个地区的人口数量分成三类来研究,当数据有限时该模型不能满足模型确定和参数估计及其预测的需要.因此,在突发性传染病爆发的初期,SIR模型或其它传染病模型不是最佳选择.由于解析解和模型参数容易被确定等特点,简单的单种群模型也常常被用来研究、评估突发性传染病的各项指标,比如:H1N1、非典和登革热等.但多数工作集中在用特定的模型去研究特定的疾病,而对于不同疾病模型选择的方法及必要性没有过多研究.因此,论文将基于甲型H1N1和埃博拉疫情数据,采用贝叶斯因子和MH算法实现模型选择并确定最优模型,以此探讨模型选择对刻画突发性疾病疫情发展几个关键因子重要性.首先,论文给出了基于贝叶斯因子和MH算法的模型选择方法.选择常见的有解析解的单种群增长模型Logistic模型、Gompertz模型、Rosenzweing模型和Richards模型为备选模型.将2009年陕西省爆发的甲型H1N1和2014年西非爆发的埃博拉的累计病例数作为数据来源.在模型和参数构成的联合空间中,运用MH算法估计在给定数据下每个备选模型的后验概率,进而利用贝叶斯因子从备选模型中选出拟合数据最好的模型.然后,用被选出的最佳模型估计基本再生数、转折点和最终感染人数,进而预测出疾病的感染强度、得到控制的时间和最终的爆发程度.对不同数据作模型选择,得到拟合不同数据的最佳模型.再将其他模型拟合数据所得参数估计值与最佳模型的所得结果作比较,可以得到模型选择的不确定性会造成对重要参数的低估或高估,进而影响到对疫情预测的准确性.如果不加考虑的任意选择一个模型来研究疾病数据,会使得预测结果与实际情况偏差较大.所以,基于有限数据研究突发性传染病,模型选择是至关重要的。