新型冠状病毒各地风险指数评估系统

摘要

新型冠状病毒各地风险指数评估系统，涉及人工智能辅助传染病动力学领域，针对现有技术中对各地疫情的趋势预测准确率低的问题，包括：网络爬取模块、Rt值计算模块、估计值计算模块、后验系数计算模块、风险系数计算模块和验证模块。本申请使用多维数据预测各地风险指数，经试验得到风险指数RiskIndex(t)和每日新增感染人数的皮尔逊积矩相关系数pccs＝0.7805，说明本申请风险指数能准确地预测各地疫情趋势。

说明书

技术领域

本发明涉及人工智能辅助传染病动力学领域，具体为一种新型冠状病毒各地风险指数 评估系统。

背景技术

冠状病毒病(COVID-19)爆发以来，一直缺少一个能够完整地理解和比较各国卫生安 全水平的框架，收集信息和衡量各个国家应对COVID-19的能力和可用资源，评估当地居民受感染的风险程度。现有的各地区新冠风险评估系统基本只根据14天内某地区的新增感染人数来给该地区一个风险指标，缺乏对疫情数据更深度的挖掘。

发明内容

本发明的目的是：针对现有技术中对各地疫情的趋势预测准确率低的问题，提出一种 新型冠状病毒各地风险指数评估系统。

本发明为了解决上述技术问题采取的技术方案是：

新型冠状病毒各地风险指数评估系统，包括：网络爬取模块、Rt值计算模块、估计值 计算模块、后验系数计算模块、风险系数计算模块和验证模块；

所述网络爬取模块用于爬取各国实时COVID-19感染、治愈及死亡人数；

所述Rt值计算模块用于利用网络爬取模块爬取的各国实时COVID-19感染、治愈及死 亡人数数据进行有效传染数Rt值的计算；

所述估计值计算模块用于获取疫情爆发时间拐点的估计值；

所述后验系数计算模块用于根据Rt值计算模块得到的Rt值、估计值计算模块得到的 疫情爆发时间拐点的估计值以及各地人口情况，利用线性模型得出疫情爆发后的后验系数；

所述风险系数计算模块用于根据全球卫生安全指数和后验系数得到各地风险指数；

所述验证模块用于计算各地风险指数和每日新增感染人数之间的Pearson相关性系数。

进一步的，所述估计值计算模块利用SEIR模型获取疫情爆发时间拐点的估计值。

进一步的，所述SEIR模型表示为：

其中，S、E、I和R分别表示易感人数、暴露者人数、感染者人数及移出者人数；t表示时间，k表示传播速率，∈表示平均潜伏期的倒数，η表示治愈速率，d表示微分符号。

进一步的，所述疫情爆发时间拐点利用SIR模型获取。

进一步的，所述SIR模型表示为：

进一步的，所述疫情爆发时间拐点的估计值表示为：

所述k和η通过网格搜索得到。

进一步的，所述有效传染数Rt值利用贝叶斯定理表示。

进一步的，所述有效传染数Rt值表示为：

其中，似然函数P(k∣R

本发明的有益效果是：

本申请使用多维数据预测各地风险指数，经试验得到风险指数RiskIndex(t)和每日新 增感染人数的皮尔逊积矩相关系数pccs＝0.7805，说明本申请风险指数能准确地预测各地疫 情趋势。

附图说明

图1为本申请的流程图。

具体实施方式

需要特别说明的是，在不冲突的情况下，本申请公开的各个实施方式之间可以相互组 合。

具体实施方式一：参照图1具体说明本实施方式，本实施方式所述的新型冠状病毒各 地风险指数评估系统，包括：网络爬取模块、Rt值计算模块、估计值计算模块、后验系数计算模块、风险系数计算模块和验证模块；

所述网络爬取模块用于爬取各国实时COVID-19感染、治愈及死亡人数；

所述Rt值计算模块用于利用网络爬取模块爬取的各国实时COVID-19感染、治愈及死 亡人数数据进行有效传染数Rt值的计算；

所述估计值计算模块用于获取疫情爆发时间拐点的估计值；

所述后验系数计算模块用于根据Rt值计算模块得到的Rt值、估计值计算模块得到的 疫情爆发时间拐点的估计值以及各地人口情况，利用线性模型得出疫情爆发后的后验系数；

所述风险系数计算模块用于根据全球卫生安全指数和后验系数得到各地风险指数；

所述验证模块用于计算各地风险指数和每日新增感染人数之间的Pearson相关性系数。

我们将世界各个地区疫情爆发前的卫生安全能力的评估与疫情爆发后的后验数据相结 合来对一个地区的疫情风险指数进行综合评估。将模型计算得出的各国实时疫情风险指数 公布在我们的网站上(新型冠状病毒各地疫情科学预测系统(公测版))。

RiskIndex(t)＝HealthSecurityIndex×PosteriorCoefficient(t)

其中疫情爆发前的各地区卫生安全能力评估采用的是2019年公布的《全球卫生安全指 数》(GlobalHealthSecurityIndex)，这项评估从6个方面、34个指标、85个次级指标和140 个问题出发，包括当地的医院和社区护理中心的卫生能力、流行病学研究人员数量、基础 设施是否充足等，通过可以公开获取的数据进行综合评估。

疫情爆发后的时序数据则考虑到了以下几个维度信息：

有效传染数R

时间t到疫情爆发时间拐点t

t时刻的感染率，死亡率，人口密度

我们使用了两种不同的外推方法(修正过的逻辑增长模型和修正过的SEIR模型)推断 出感染数量的预期饱和度和预计的最终日期。两种方法在饱和度和结束日期的数量级上都 一致。使用相同的方法分析总体感染情况，预测疫情趋势并讨论了这些结果的相关性和准 确性。使用逻辑增长模型的导数来拟合得出权重向量，用以平衡各个维度对风险指数的贡 献。得出的各地风险指数均归一化为0到100，其中100代表了最佳安全状况。

有效传染数Rt的计算

使用贝叶斯定理根据每天报告的新病例数来更新R

k

因此对于第一天有:

第二天有:

给定每天λ的平均感染数,检测出k个新病例的概率满足Poisson分布

R

其中γ是序列间隔的倒数(对于COVID19，大约为7天)

疫情爆发时间拐点t

我们使用传染病动力学中的SEIR模型，SEIR模型将总人口分为以下四类：易感者(susceptibles)，未染病但有可能被该类疾病传染的人；暴露者(exposed)，指接触过感染者， 但暂无能力传染给其他人的人；染病者(infectives)，已被感染成为病人而且具有传染力的人； 恢复者(recovered)。其微分方程如下：

这里我们将总人口标准化为：S+E+I+R＝1

为了计算疫情爆发时间拐点t

因为

我们将使用上面的表达式来计算R相对于t的较高导数。由于S(t)是时间的单调函数， 因此可以将其当作参数，使用链式规则得到

我们观察到这些高阶导数中的偶数阶导数在时间t

广州呼吸健康研究院开放课题(中国恒大集团所提供资金资助)-2020GIRHHMS23。

需要注意的是，具体实施方式仅仅是对本发明技术方案的解释和说明，不能以此限定 权利保护范围。凡根据本发明权利要求书和说明书所做的仅仅是局部改变的，仍应落入本 发明的保护范围内。