基于运气学说的流感样病例预测

　　作者：胡雪琴,崔蒙　 作者单位：(中国中医科学院中医药信息研究所,北京 100700)

　　【摘要】 目的 尝试将运气学说应用于流感疾病的预测预报,建立流感预警模型。方法 以天津市2005-2009年的流感样病例数据为研究对象,通过分析气象因素(最高温度、平均温度、平均湿度等)以及推算运气学说中的客主加临情况,探索流感和气象因素及运气因子之间的关系。结果 流感的流行与最高温度、最大海平面压力、运气因子有一定的关联关系。结论 构建了一个基于运气学说的流感预警自回归移动平均模型,并且具有较好的流感样病例预测能力。

　　【关键词】 流感样病例;运气学说;客主加临;气象因素;自回归移动平均模型

　　Abstract：Objective To apply Yunqi theory into the influenza epidemic forecast and set up a model of influenza early warning. Methods The influenza-like illness (ILI) data came from Tianjin city of the year 2005-2009 were adopted, meteorological factors (max temperature, average temperature, average humidity, etc) were analyzed, and the situation of guest qi adding to host qi of Yunqi theory was calculated. The correlation between influenza and meteorological factors and Yunqi factors were explored. Results The max temperature, max sea level pressure and Yunqi factors had close relationship with influenza epidemic. Conclusion An ARIMA influenza forecasting model is built based on Yunqi theory, which provides some reference for the dynamic surveillance of influenza.

　　Key words：influenza-like illness;Yunqi theory;guest qi adding to host qi;meteorological factors;ARIMA model

　　在“人与天地相参应”这一整体观念指导下,运气学说着眼于天地自然的运动变化,特别是气候的变化对人以及发生于人身上的疾病的影响。运气学说以时间为变量,通过一系列既定的运算法则,可以推衍出未来某一时段的气候和疾病的发展变化趋势。

　　2009年上半年甲型H1N1流感流行,一些学者运用运气学说对流感的中医病机和证候特征进行了分析[1],并对其流行趋势进行了预测。笔者尝试将运气学说应用到流感的预警中,重点讨论客主加临中的“相得”、“相克”与流感的关联关系,探索运气学说对流感疾病的预测预报,采用自回归移动平均模型(ARIMA)建立流感预警模型。

　　1 资料与方法

　　1.1 资料来源

　　1.1.1 流感样病例数据

　　流感样病例(ILI)按照WHO和国家流感中心推荐的定义[2]：发热(腋下体温≥38 ℃),伴咳嗽或咽痛之一,缺乏其他实验室确定诊断依据。本研究采用流感样病例百分比(ILI%)作为判断流感的轻重程度的依据,目的是希望通过ILI的初期筛查,为流感的早期诊断提供帮助。ILI%资料来自中国国家流感中心公开发布的流感检测数据[3],资料为天津市2005年10月3日-2009年9月20日的数据(共151周)。

　　1.1.2 气象数据

　　气象资料来自中国气象科学数据共享服务网[4],为同期天津市逐日地面平均气压、平均气温、最小相对湿度、降水量、平均风速等14个气象因素。为了与周流感ILI%对应,气象因素均以周为单位求平均值。

　　1.1.3 运气学说数据处理

　　运气推演主要参考程士德主编的《内经讲义》[5],根据年干支推算公式,推算出2005-2009年相应的年干支。应用“天干纪运,地支纪气”理论,推演出每年相应的司天、在泉、主气和客气。司天和在泉见表1,由于5年涉及到的主气和客气数据较多,在此不一一列举。表1 2005-2009年流感发病相应的司天、在泉之气表

　　运气学说涉及的数据为文本数据,为了简化对运气因子的数据处理,本文仅讨论运气学说中的“客主加临”情况。客主加临的主要内容为：①主气与客气相得;②主气与客气不相得,逆;③主气与客气不相得,顺。为此,我们对这3种“客主加临”情况的处理是：把文本型数据转换成数值型,分别用0、1、-1表示。以2006年客主加临情况的数据处理为例,结果见表2。表2 2006年客主加临情况的数据处理

　　1.2 统计方法

　　本研究初步选用的气象因素有14个,运气因子1个,先对这15个因素与ILI%进行相关分析,得到显著相关的几个因子。然后采用ARIMA模型对ILI%和这15个变量进行建模,对模型的残差序列做自相关函数(ACF)图和偏自相关函数(PACF)图进行模型的诊断检验。

　　2 结果

　　2.1 描述性统计分析

　　2005年10月3日-2009年9月20日期间,天津市最高的ILI%为25,最低的ILI%为9.7。平均气温为13.14 ℃,平均海平面压力为1 018.79 hPa,平均风速为21.3 km/h,日常温度曲线和海平面压力曲线成正态分布。气象因素变量与ILI%直观的折线图见图1(因最大海平面压力数值较高,故单独做图)。图1 2005-2009年天津市气象因素变量与ILI%折线图

　　2.2 相关分析

　　Spearman相关分析显示,ILI%与运气因子的相关系数最大,而与最高温度、最大海平面压力、最大风速这3个气象因素也相关,见表3。其中ILI%与最高温度成正相关,即最高温度相对升高时,流感样病例数相对增多。而ILI%与最大海平面压力、最大风速成负相关,即最大海平面压力相对升高、最大风速相对增大时,流感样病例数相对减少。表3 ILI%与气象因素变量的Spearman相关分析

　　2.3 时间序列分析

　　2.3.1 时间序列模型的识别

　　时间序列模型的建立一般可分为模型识别、模型拟合、控制和预测三大步骤。首先可以使用ACF和PACF图进行初步识别。序列的ACF和PACF见图2。图2 模型残差ACF和PACF图

　　ACF和PACF图提示绝大部分相关函数都在可信限范围内,且Box-Ljung统计量无显著性,则可认为残差是一个“白噪声”序列,提示所估计的模型已包含了原始时间序列的所有季节性及周期性变动,可接受所估计的模型。故构建ARIMA(1,0,2)×(1,1,2)12的ARIMA模型。结果显示气象因素中最高温度、最大海平面压力与ILI%有关,运气因子与ILI%也相关,结果见表4。可以看出,当最高温度升高1 ℃、最大海平面压力降低1 hPa,将分别导致ILI%升高0.46%、0.61%。表4 ARIMA(1,0,2)×(1,1,2)12模型参数表

　　2.3.2 时间序列模型的预测分析

　　用模型ARIMA(1,0,2)×(1,1,2)12对2005年10月3日-2009年9月20日天津市ILI各月报告数进行回代预测(组内回代),对2009年9月21日-11月30日的ILI%进行组外回代,结果显示预测值与实际值较吻合,预测的动态趋势与实际情况基本一致,可见模型拟合的效果很好。拟合及预测的具体结果见图3,预测值见表5。图3 2005年10月3日-2009年9月20日天津市ILI%拟合及预测结果表5 2009年9月21日-11月30日天津市ILI%预测值

　　本研究用ARIMA模型预测2009年9月21日-11月30日的ILI,从预测的数据对比来看,总的趋势是一致的,误差不大,均在置信区间内,可见预测效果良好。仔细观察表5数据,实际数据要比预测数据稍大一些,说明天津市2009年下半年ILI%增长的势头比以往要强劲。由于原时间序列只有5年的范围,对预测精度是个不利的因素,随着时间的推移,原始时间序列数据的累积,预测精度可以进一步提高。

　　3 讨论

　　目前,美国疾病控制与预防中心(CDC)以每年10月的平均周病毒分离数作为基准值来判定流感流行季节和非流行季节[6]。而一些研究表明,ILI%比病毒分离结果更具有早期预警意义[7],ILI%可以作为预测流感流行的指标[8]。因此,本研究采用ILI%作为判断流感流行程度的依据。可通过ILI的初期筛查,为流感的早期诊断提供帮助。

　　基于天津市2005-2009年的ILI%数据,本研究构建了基于气象因素的流感样病例ARIMA预测模型,时间序列预测法的自变量是气象因素和“客主加临”的运气因子,因变量是待预测的ILI%,最后给出了基于(1,0,2)×(1,1,2)12模型的预测,得到了气象因素如最高温度、最大海平面压力等与ILI%的相关关系,从而为增强流感监测水平及其动态变化规律提供了参考。

　　为了提高应对流感大流行的能力,本研究将运气学说引入到流感样病例ARIMA预测模型中,重点解决主气和客气这2个运气因子对流感发病的影响。结果表明,客主加临运气因子与ILI%有着明显的相关关系,研究结果有助于丰富和发展中医运气学说理论。今后考虑在模型中加入主运、客运、胜复等多个因素,逐步深化预警模型,希望该模型能服务于公共卫生平台。

　　【参考文献】

　　[1] 顾植山.从中医五运六气理论谈对当前甲型H1N1流感的认识[J].浙江中医药大学学报,2009,33(4)：457-459.

　　[2] 全国流感/人禽流感监测实施方案(2005-2010)[R].中国疾病预防控制中心,2005.

　　[3] 中国国家流感中心[EB/OL].[2010-04-17].http://www.cnic.org.cn/ chn/down/?typied=20&page=9.

　　[4] 国家气象信息中心[EB/OL].[2010-04-15].http://cdc.cma.gov.cn/ index.jsp.

　　[5] 程士德.内经讲义[M].上海：上海科学技术出版社,1984：191-203.

　　[6] Simonsen L, Fukuda K, Schonberger LB. The impact of influenza epidemics on hospitalizations[J]. JID,2001,181：831-837.

　　[7] 张顺祥,谷利妞,程小雯,等.季节性流感监测中病毒分子变异分析的意义[J].疾病控制杂志,2009,13(1)：23-28.

　　[8] Yang L, Wong CM, Lau EH, et al. Synchrony of clinical and laboratory surveillance for influenza in Hong Kong[J]. PLoS ONE, 2008,3(1)：e1399.