傳染病監(jiān)測(cè)數(shù)據(jù)的統(tǒng)計(jì)分析方法

朱 琦 于石成 郝元濤△

傳染病監(jiān)測(cè)數(shù)據(jù)的統(tǒng)計(jì)分析方法

朱 琦1于石成2郝元濤1△

1.廣州市中山大學(xué)公共衛(wèi)生學(xué)院醫(yī)學(xué)統(tǒng)計(jì)與流行病學(xué)系(510080)

2.國(guó)家疾病預(yù)防控制中心(102206)

△ 通訊作者：郝元濤，E-mail：haoyt@mail.sysu.edu.cn

有效的傳染病控制，依賴(lài)于有效的傳染病監(jiān)測(cè)〔1〕。傳染病監(jiān)測(cè)是對(duì)人群傳染病的發(fā)生、流行及影響因素進(jìn)行有計(jì)劃的、系統(tǒng)的長(zhǎng)期觀(guān)察，以達(dá)到控制傳染源，切斷傳播途徑，保護(hù)易感人群的目的。以上每一步的實(shí)現(xiàn)都需要建立在對(duì)監(jiān)測(cè)數(shù)據(jù)合理分析的基礎(chǔ)上。

在美國(guó)，傳染病監(jiān)測(cè)數(shù)據(jù)每周會(huì)匯總發(fā)布在美國(guó)CDC出版的《患病率及死亡率周報(bào)》上，主要是以圖表的形式對(duì)各種傳染病的三間分布進(jìn)行回顧性的描述。在2001年以后，美國(guó)CDC不斷將一些新的分析方法整合入傳染病監(jiān)測(cè)數(shù)據(jù)的分析體系，將監(jiān)測(cè)數(shù)據(jù)的利用從回顧性簡(jiǎn)單描述領(lǐng)域拓展到前瞻性分析領(lǐng)域，嘗試從常規(guī)報(bào)告數(shù)據(jù)中發(fā)現(xiàn)早期異常，并對(duì)傳染病的流行趨勢(shì)進(jìn)行預(yù)測(cè)〔2〕。

2003年SARS之后，我國(guó)在傳染病監(jiān)測(cè)系統(tǒng)的建設(shè)上投入大量的資源，目前已經(jīng)建成了覆蓋全國(guó)的傳染病信息報(bào)告網(wǎng)絡(luò)，能夠收集全國(guó)范圍的傳染病監(jiān)測(cè)數(shù)據(jù)。但收集的數(shù)據(jù)內(nèi)容較少，主要是發(fā)病的信息，缺少環(huán)境、社會(huì)人口學(xué)等詳細(xì)的信息;同時(shí)由于存在漏報(bào)和重復(fù)報(bào)告，數(shù)據(jù)的質(zhì)量需進(jìn)一步提高。這些問(wèn)題為傳染病監(jiān)測(cè)數(shù)據(jù)的統(tǒng)計(jì)分析帶來(lái)了挑戰(zhàn)。

我國(guó)傳染病監(jiān)測(cè)數(shù)據(jù)的利用仍停留在簡(jiǎn)單描述階段，缺乏傳染病相關(guān)危險(xiǎn)因素的研究，缺乏利用高級(jí)的統(tǒng)計(jì)分析方法，前瞻性地預(yù)測(cè)傳染病未來(lái)的流行趨勢(shì)。雖然有很多學(xué)者利用國(guó)外的方法，對(duì)傳染病的流行進(jìn)行前瞻性預(yù)測(cè)，但是這些研究都是分散的，并沒(méi)有整合到傳染病監(jiān)測(cè)數(shù)據(jù)分析的體系中，同時(shí)由于各個(gè)國(guó)家的疾病監(jiān)測(cè)系統(tǒng)收集的數(shù)據(jù)內(nèi)容不同，不能簡(jiǎn)單地將國(guó)外的統(tǒng)計(jì)方法照搬到國(guó)內(nèi)。鑒于我國(guó)傳染病監(jiān)測(cè)系統(tǒng)收集的數(shù)據(jù)內(nèi)容有限，如何利用有限的數(shù)據(jù)，挖掘出最大的信息;如何利用其他方面收集的數(shù)據(jù)(同期社會(huì)人口學(xué)資料、環(huán)境資料)，將其與監(jiān)測(cè)數(shù)據(jù)相結(jié)合，擴(kuò)展分析領(lǐng)域，是一個(gè)具有重要現(xiàn)實(shí)意義的課題。

本文旨在通過(guò)文獻(xiàn)綜述的方式，歸納闡述國(guó)內(nèi)外已經(jīng)開(kāi)發(fā)的，能夠應(yīng)用于傳染病監(jiān)測(cè)數(shù)據(jù)的統(tǒng)計(jì)分析方法，包括回顧性的分析方法和前瞻性的分析方法。

傳染病監(jiān)測(cè)數(shù)據(jù)的統(tǒng)計(jì)分析方法

傳染病監(jiān)測(cè)系統(tǒng)所收集的數(shù)據(jù)總量十分龐大，數(shù)據(jù)分析處理的方式也是多種多樣。對(duì)于數(shù)據(jù)的分析可分為回顧性和前瞻性?xún)煞N;按照時(shí)間段的不同又分為周分析、月分析和年度分析。各種類(lèi)型的分析用途不同，欲解決的公共衛(wèi)生監(jiān)測(cè)問(wèn)題也是不同的〔3〕。

對(duì)于傳染病監(jiān)測(cè)數(shù)據(jù)的回顧性、描述性的統(tǒng)計(jì)分析方法已經(jīng)較為成熟和模式化，主要是通過(guò)一些統(tǒng)計(jì)圖表的形式將不同時(shí)間、不同地區(qū)、不同人群的傳染病發(fā)病情況刻畫(huà)出來(lái)。現(xiàn)階段這一領(lǐng)域的研究熱點(diǎn)是：如何根據(jù)現(xiàn)有的監(jiān)測(cè)數(shù)據(jù)，判斷傳染病的發(fā)病是否具有空間和時(shí)間聚集性(如何早期識(shí)別傳染病的爆發(fā))。

在監(jiān)測(cè)數(shù)據(jù)的前瞻性研究領(lǐng)域，目前研究較多的，是如何利用現(xiàn)有的傳染病監(jiān)測(cè)數(shù)據(jù)，對(duì)未來(lái)傳染病的流行趨勢(shì)進(jìn)行預(yù)測(cè)。這類(lèi)分析方法大致可以分為三大類(lèi)：時(shí)間分析方法、空間分析方法、其他分析方法。

1.時(shí)空聚集性分析方法

此類(lèi)方法的思想是在考慮了地區(qū)人口差異，對(duì)人口空間分布進(jìn)行校正的前提下，檢驗(yàn)疾病的時(shí)空分布是否隨機(jī)。根據(jù)檢驗(yàn)?zāi)康目梢苑譃榻裹c(diǎn)聚集性檢驗(yàn)和一般聚集性檢驗(yàn)。

焦點(diǎn)聚集性檢驗(yàn)用于檢驗(yàn)在一個(gè)事先確定的點(diǎn)源附近是否有局部聚集性存在。而一般聚集性檢驗(yàn)是在沒(méi)有任何先驗(yàn)假設(shè)的情況下對(duì)聚集性進(jìn)行定位〔3〕。一般聚集性檢驗(yàn)又可以分為聚集性探測(cè)檢驗(yàn)和全局聚集性檢驗(yàn)。聚集性探測(cè)檢驗(yàn)是在沒(méi)有先驗(yàn)假設(shè)的情況下對(duì)局部聚集性進(jìn)行定位，并確定其統(tǒng)計(jì)學(xué)意義。而全局聚集性檢驗(yàn)是用于確定在整個(gè)研究區(qū)域是否存在聚集性，并不考慮單個(gè)聚集性的統(tǒng)計(jì)學(xué)意義〔4，5〕。

(1)聚集性探測(cè)檢驗(yàn)

主要的方法有Kulldorff空間掃描統(tǒng)計(jì)量、Besag_Newell方法〔3〕、Turnbull 方法〔6〕、最大超額事件檢驗(yàn)〔7〕。

其中應(yīng)用較多的是Kulldorff空間掃描統(tǒng)計(jì)量，其思想是在地圖上構(gòu)造一個(gè)圓形掃描窗口，并讓其在研究區(qū)域內(nèi)移動(dòng)，掃描半徑從零連續(xù)遞增到預(yù)先規(guī)定的上限，繼而產(chǎn)生無(wú)數(shù)個(gè)半徑不同的窗口，計(jì)算每個(gè)窗口內(nèi)外的似然值，似然值最大的窗口被認(rèn)為是最不可能因?yàn)殡S機(jī)而造成的 cluster〔8〕。2005年，Toshiro Tango和Kunihiko Takahashi對(duì)Kulldorff法進(jìn)行了改良，將掃描窗口拓展為任意形狀，而不是僅僅限定為圓形〔9〕。

(2)全局聚集性檢驗(yàn)

主要的方法有 Bonetti-Pagano的 M 統(tǒng)計(jì)量〔10〕、Cuzick_Edwards方法〔11〕、Oden 方法和 Ipop 方法〔12，13〕、Mantel方法〔14〕、k 個(gè)最鄰近法〔15〕。

其中k個(gè)最鄰近法是最新的方法，由Jacquez于1996年提出，其目的是檢驗(yàn)在空間上相鄰的病例，在時(shí)間上也相鄰。Norstorm等應(yīng)用了此方法研究了挪威牛群急性呼吸道傳染病的時(shí)空聚集性〔15〕。

2.時(shí)間分析方法

這一類(lèi)統(tǒng)計(jì)學(xué)方法用于探測(cè)公共衛(wèi)生監(jiān)測(cè)時(shí)間序列數(shù)據(jù)中的異常。其思想是基于傳染病的歷史水平，制定數(shù)學(xué)模型并根據(jù)模型計(jì)算出預(yù)期值，然后比較實(shí)際值與預(yù)期值之間的偏移量，對(duì)模型的預(yù)測(cè)效果做出評(píng)價(jià)并將模型應(yīng)用于實(shí)際工作中。

(1)歷史極限法〔16〕

將傳染病當(dāng)前4周的發(fā)病數(shù)與基線(xiàn)進(jìn)行比較，這一基線(xiàn)是過(guò)去5年相應(yīng)的前面4周、當(dāng)前4周和之后4周病例數(shù)的平均值。得到前面5年的15個(gè)數(shù)值后，用當(dāng)前4周的合計(jì)病例數(shù)除以15個(gè)數(shù)值的平均值，得到一個(gè)比值，并將這個(gè)比值在對(duì)數(shù)坐標(biāo)中表現(xiàn)出來(lái)，與比值的歷史極限進(jìn)行比較。比值歷史極限的計(jì)算公式為：1±，其中均數(shù)μ和標(biāo)準(zhǔn)差σ是通過(guò)15個(gè)歷史數(shù)據(jù)計(jì)算得到的。

該方法的優(yōu)點(diǎn)是簡(jiǎn)單易用，能夠提供病例每周異常狀況的總結(jié)。但同時(shí)存在3個(gè)缺陷：并未考慮對(duì)趨勢(shì)的探測(cè);忽略了數(shù)據(jù)之間的相關(guān)性;正態(tài)性假設(shè)不一定成立，尤其對(duì)于罕見(jiàn)疾病。

(2)過(guò)程控制圖

過(guò)程控制圖的基本思想是：如果某隨機(jī)變量獨(dú)立并且服從正態(tài)分布，可以構(gòu)造出一個(gè)統(tǒng)計(jì)量y，當(dāng)y超過(guò)預(yù)先確定的控制界限時(shí)，就認(rèn)為研究過(guò)程脫離統(tǒng)計(jì)控制，即出現(xiàn)統(tǒng)計(jì)學(xué)失常，提示存在非正常事件〔17〕。適當(dāng)?shù)目刂平缦薜倪x擇顯得非常重要〔17〕。常用的控制界限的上下限通常表示為過(guò)程的標(biāo)準(zhǔn)差的倍數(shù)(如3倍標(biāo)準(zhǔn)差)。常用的過(guò)程控制圖包括：Shewhart圖、累積控制圖(累積和法)、移動(dòng)平均圖、指數(shù)加權(quán)移動(dòng)平均圖。

Shewhar圖用于探測(cè)過(guò)程均數(shù)的非隨機(jī)偏移，對(duì)異常觀(guān)察值發(fā)出警報(bào)。

累積和法是將觀(guān)察值與預(yù)期值的差值進(jìn)行累加，若超過(guò)了預(yù)先確定的閾值則發(fā)出警報(bào)。

移動(dòng)平均圖是 Stern and Lightfoot〔18〕于 1999 年提出的一種自動(dòng)預(yù)警系統(tǒng)，并應(yīng)用于腸道病原體監(jiān)測(cè)數(shù)據(jù)。移動(dòng)平均圖的統(tǒng)計(jì)量為：

其中m是移動(dòng)平均中用到的過(guò)去觀(guān)察值的個(gè)數(shù)。當(dāng)|yt|超出控制限時(shí)即認(rèn)為出現(xiàn)統(tǒng)計(jì)失常。移動(dòng)平均圖探測(cè)較小變化的能力比較強(qiáng)，其中m是關(guān)鍵參數(shù)，決定了圖的適用性，適當(dāng)?shù)膍能使控制圖在假陽(yáng)性率和假陰性率之間取得平衡。

(3)時(shí)間序列分析

傳染病監(jiān)測(cè)數(shù)據(jù)通常表現(xiàn)出相關(guān)性和季節(jié)性，對(duì)疾病未來(lái)的發(fā)病率進(jìn)行預(yù)測(cè)時(shí)必須充分考慮到數(shù)據(jù)的這些特點(diǎn)。時(shí)間預(yù)測(cè)的本質(zhì)就是利用目標(biāo)本身的動(dòng)態(tài)時(shí)間序列、分析、研究預(yù)測(cè)目標(biāo)未來(lái)的變化規(guī)律。

時(shí)間序列分析最早應(yīng)用于計(jì)量經(jīng)濟(jì)學(xué)，后來(lái)才慢慢延伸到醫(yī)學(xué)領(lǐng)域。時(shí)間序列預(yù)測(cè)方法主要有：指數(shù)平滑預(yù)測(cè)、移動(dòng)平均預(yù)測(cè)、自回歸移動(dòng)平均模型(ARIMA模型)等〔19-22〕。其中ARIMA模型是最為經(jīng)典的模型。

ARIMA模型建模過(guò)程主要按4個(gè)階段進(jìn)行。序列平穩(wěn)化：ARIMA的應(yīng)用需要時(shí)間序列符合平穩(wěn)性的要求。模型的識(shí)別：主要是根據(jù)ACF圖和PACF圖的特征，提出幾種可能的模型作進(jìn)一步分析。模型參數(shù)估計(jì)和模型診斷：對(duì)提出的模型進(jìn)行參數(shù)估計(jì)和診斷，如模型不恰當(dāng)，則回到第二階段，重新選定模型。預(yù)測(cè)應(yīng)用：將最終建立的恰當(dāng)?shù)哪Ｐ?，?yīng)用于未來(lái)傳染病流行趨勢(shì)的研究〔20〕。

ARIMA模型被用于包括監(jiān)測(cè)數(shù)據(jù)的分析在內(nèi)的很多領(lǐng)域，美國(guó)CDC所開(kāi)發(fā)的公共衛(wèi)生監(jiān)測(cè)統(tǒng)計(jì)軟件(SSSI)提供的很多用于分析監(jiān)測(cè)數(shù)據(jù)的模型中，就包括ARIMA模型。

在ARIMA模型被提出以后，有很多學(xué)者針對(duì)該模型進(jìn)行了進(jìn)一步的完善，例如將過(guò)程控制圖與ARIMA模型相結(jié)合〔17〕，將小波分析與 ARIMA模型相結(jié)合〔23〕。這些完善擴(kuò)展了ARIMA模型的適用范圍，提高了預(yù)測(cè)的準(zhǔn)確度。

3.空間分析方法

為了研究傳染病的空間變化情況，預(yù)測(cè)傳染病在各個(gè)地區(qū)未來(lái)的發(fā)病趨勢(shì)，就需要將傳染病監(jiān)測(cè)與空間技術(shù)(用于尋找和描述地圖上的聚集程度)結(jié)合起來(lái)〔24，25〕。地理信息在傳染病監(jiān)測(cè)中的最早應(yīng)用可以追溯到1854年John Snow對(duì)倫敦寬街爆發(fā)的霍亂疫情的流行病學(xué)調(diào)查。近年來(lái)隨著傳染病監(jiān)測(cè)系統(tǒng)的發(fā)展和數(shù)據(jù)收集量的增加，對(duì)于傳染病空間聚集性探測(cè)的需求也與日俱增。

當(dāng)監(jiān)測(cè)系統(tǒng)收集到病例時(shí)，可以即時(shí)對(duì)病例進(jìn)行定位，也可從保存有符合監(jiān)測(cè)條件的患者地理定位的靜態(tài)數(shù)據(jù)庫(kù)中調(diào)用數(shù)據(jù)〔24〕。地理編碼最簡(jiǎn)單的形式是區(qū)號(hào)或郵編，也可以通過(guò)地理信息系統(tǒng)(GIS)得到詳細(xì)的經(jīng)緯度坐標(biāo)〔26，27〕。統(tǒng)計(jì)學(xué)中將這種有地理信息的數(shù)據(jù)稱(chēng)為空間數(shù)據(jù)。

盡管疾病的時(shí)間監(jiān)測(cè)方法已經(jīng)有了很好的發(fā)展，但用于空間監(jiān)測(cè)的方法研究并不多。空間監(jiān)測(cè)統(tǒng)計(jì)方法(從空間上探測(cè)傳染病的聚集性)已經(jīng)成為未來(lái)研究的熱點(diǎn)。

用于迅速探測(cè)空間趨勢(shì)的方法主要有以下幾種：

(1)廣義線(xiàn)性模型和廣義線(xiàn)性混合模型

當(dāng)可以得到局部區(qū)域內(nèi)每一個(gè)病例的地理定位時(shí)，Kleinman等〔28〕提出了可以采用廣義線(xiàn)性模型進(jìn)行監(jiān)測(cè)。該方法簡(jiǎn)稱(chēng)為“SMART分值法”(small area regression and testing scores)。其思想是將每一個(gè)小區(qū)域當(dāng)作一個(gè)個(gè)體，并擬合隨機(jī)效應(yīng)來(lái)考慮每個(gè)區(qū)域的重復(fù)數(shù)據(jù)。這一方法允許每個(gè)小區(qū)域病例的基線(xiàn)發(fā)病率存在變異。

SMART分值法可容納時(shí)間聚集性、長(zhǎng)期趨勢(shì)、季節(jié)性，并對(duì)每一區(qū)域居住人群的不同特征進(jìn)行校正。該模型的結(jié)果可以用基于概率的矩陣表示，該結(jié)果對(duì)協(xié)變量和多重比較都進(jìn)行了校正。目前該模型已經(jīng)可以由多種軟件實(shí)現(xiàn)。

(2)Rogerson空間累積和法

Rogerson在累積和法的基礎(chǔ)上加入了空間統(tǒng)計(jì)量，將其應(yīng)用擴(kuò)展到傳染病的空間分析領(lǐng)域〔29〕。

Raubertas〔30〕對(duì) Rogerson 空間累積和法進(jìn)行了完善，提出對(duì)多個(gè)地區(qū)進(jìn)行監(jiān)測(cè)時(shí)，應(yīng)保留每個(gè)地區(qū)及其周?chē)R近區(qū)域的累積和，而不是只保留每個(gè)地區(qū)的累積和。具體做法是構(gòu)建每個(gè)地理單位的局部統(tǒng)計(jì)量，即區(qū)域內(nèi)及其周?chē)鷧^(qū)域的觀(guān)察值的加權(quán)和，離該區(qū)域的距離越遠(yuǎn)，權(quán)重越小。最后監(jiān)控這些局部統(tǒng)計(jì)量的累積和。

由于累積和法是對(duì)實(shí)際值和預(yù)期值的差值進(jìn)行累計(jì)，因此，采用Rogerson的方法的關(guān)鍵就是如何較好地計(jì)算預(yù)期值〔31〕。如果預(yù)期值的計(jì)算不準(zhǔn)確，最終發(fā)出警報(bào)的可能是模型的誤差，而與真正疾病發(fā)病率的改變無(wú)關(guān)。

4.其他分析方法

(1)SIR模型

SIR模型是通過(guò)研究傳染病的易感者(susceptible)、感染者(infected)以及移出者(removed)隨時(shí)間變化的情況，對(duì)傳染病未來(lái)的流行趨勢(shì)和流行規(guī)模進(jìn)行預(yù)測(cè)，是應(yīng)用于傳染病預(yù)測(cè)的經(jīng)典數(shù)學(xué)模型〔32〕。

(2)模糊數(shù)學(xué)理論

模糊數(shù)學(xué)理論不需要知道輸入量和輸出量之間的函數(shù)關(guān)系，已經(jīng)有學(xué)者將其中的模糊聚類(lèi)法和模糊控制模型應(yīng)用于傳染病的預(yù)測(cè)領(lǐng)域。向立富應(yīng)用模糊綜合評(píng)判法對(duì)1970年至1980年流腦的發(fā)病率進(jìn)行回顧驗(yàn)證，證明模糊控制模型的回代準(zhǔn)確率為81.1%〔33〕。

(3)馬爾科夫鏈

馬爾科夫鏈?zhǔn)菓?yīng)用概率論來(lái)研究隨機(jī)事件變化趨勢(shì)的一種方法，其主要思想是：將時(shí)間序列看作一個(gè)隨機(jī)過(guò)程，通過(guò)對(duì)事物不同的初始狀態(tài)來(lái)預(yù)測(cè)未來(lái)的情況，其中系統(tǒng)在每個(gè)時(shí)間所處的狀態(tài)是隨機(jī)的，從當(dāng)前時(shí)間到下一時(shí)間的狀態(tài)按一定的概率轉(zhuǎn)移，而未來(lái)狀態(tài)僅與現(xiàn)在狀態(tài)及其轉(zhuǎn)移概率有關(guān)，而與以前狀態(tài)無(wú)關(guān)，即無(wú)后效性。馬爾科夫鏈進(jìn)行的是區(qū)間預(yù)測(cè)，以區(qū)間劃分系統(tǒng)狀態(tài)，對(duì)于數(shù)據(jù)量較大的情形預(yù)測(cè)準(zhǔn)確度較高。根據(jù)傳染病歷年的發(fā)病率資料建立馬爾科夫預(yù)測(cè)模型，便能夠?qū)崿F(xiàn)對(duì)未來(lái)傳染病的發(fā)病率進(jìn)行預(yù)測(cè)〔34〕。

(4)灰色系統(tǒng)理論

灰色系統(tǒng)理論是我國(guó)學(xué)者鄧聚龍教授于1982年創(chuàng)立的，在傳染病的預(yù)測(cè)領(lǐng)域，應(yīng)用最廣泛的是灰色動(dòng)態(tài)模型?；疑珓?dòng)態(tài)模型的思想是將無(wú)規(guī)律的原始數(shù)據(jù)變成較有規(guī)律的生成數(shù)據(jù)后再建立模型方程，并以此預(yù)測(cè)未來(lái)的發(fā)展趨勢(shì)。

(5)逐步判別模型

逐步判別模型的原理與判別分析相同，即通過(guò)一批分類(lèi)明確的訓(xùn)練樣本，制定出判別標(biāo)準(zhǔn)對(duì)以后新的樣本進(jìn)行分類(lèi)。李時(shí)習(xí)〔35〕選用近10年湖南省的月均氣溫、降雨量、日照時(shí)問(wèn)等氣象資料和鉤體病發(fā)病率資料，構(gòu)建了判別方程，將鉤體病發(fā)病率按高低劃分為若干個(gè)等級(jí)，利用氣象資料對(duì)鉤體病發(fā)病率等級(jí)進(jìn)行判別預(yù)測(cè)，回代符合率為61.53%。

小 結(jié)

能夠用于傳染病流行趨勢(shì)預(yù)測(cè)的統(tǒng)計(jì)學(xué)方法很多，但是沒(méi)有一種方法能夠適用于所有疾病的監(jiān)測(cè)數(shù)據(jù)，因?yàn)槊恳环N疾病和每一個(gè)監(jiān)測(cè)系統(tǒng)都有其獨(dú)特的特征〔36〕。相對(duì)于對(duì)統(tǒng)計(jì)模型的依賴(lài)，異常的探測(cè)更加依賴(lài)于監(jiān)測(cè)系統(tǒng)的特征比如數(shù)據(jù)收集、監(jiān)測(cè)系統(tǒng)的報(bào)告機(jī)制及其穩(wěn)定性以及反應(yīng)機(jī)制。因此，在分析系統(tǒng)數(shù)據(jù)之前，必須熟悉監(jiān)測(cè)系統(tǒng)的結(jié)構(gòu)，選擇最合適的方法。

1.WHO，CSR.WHO recommended surveillance standards.1999.

2.CDC.http：//www.cdc.gov/ncphi/disss/nndss/phs/infdis2009.htm.available in 2009/11/05.

3.Besag J，Newell J.The detection of clusters in rare diseases.Journal of the Royal Statistical Society，1991，Series A(154)：143-155.

4.Kulldorff M.Statisticalmethods for spatial epidemiology：tests for randomness.GIS and Health，1998：49-62.

5.Tango T.Comparison of general tests for spatial clustering.In：Lawson et al(Eds).Disease Mapping and Risk Assessment for Public Health，1999.

6.Turnbull BW，Iwano EJ，Burnett WS，et al.Monitoring for clusters of disease：Application to leukem ia incidence in upstate New York.American Journal of Epidemiology，1990，132：136-143.

7.Tango T.A test for spatial disease clustering adjusted for multiple testing.Statist.Med，2000，19：191-204.

8.Kulldorff M.A spatial scan statistic.COMMUN.STATIST.-THEORY METH，1997，26(6)：1482-1496.

9.Tango T，Takahashi K.A flexibly shaped spatial scan statistic for detecting clusters.International Journal of Health Geographics，2005，4(11).

10.Bonetti M，Pagano M.Proceedings of the Biometrics Section on detecting clustering.American Statistical Association，2001：24-33.

11.Cuzick JR.Edwards.Spatial clustering for inhomogeneous popluations.Journal of the Royal Statistical Society，1990，Series B(52)：73-104.

12.Moran PAP.Notes on continuous stochastic phenomena.Biometrika，1950，37：17-23.

13.Oden N.Adjusting Moran's I for population density.Statistics in Medicine，1995，14：17-26.

14.Mantel N.The detection of disease clustering and a generalized regression approach.Cancer Research，1967，27：209-220.

15.Norstrom M，Pfeiffer DU，Jarp J.A space-time cluster investigation of an outbreak of acute respiratory disease in Norwegian cattle herds.Preventative Veterinary Medicine，2000，47：107-119.

16.Stroup DF，W illiamson GD，Herndon JL，et al.Detection of aberrations in the occurrence of notifiable diseases surveillance data.Statistics in Medicine，1989，8：323-329.

17.W illiamson GD，Hudson GW.A monitoring system for detecting aberrations in public health surveillance reports.Statistics in Medicine，1999，18：3283-3298.

18.Stern L，Lightfoot D.Automated outbreak detection：a quantitative retrospective analysis.Epidemiology and Infection，1999，122：103-110.

19.嚴(yán)薇榮.傳染病預(yù)警指標(biāo)體系及三種預(yù)測(cè)模型的研究.華中科技大學(xué)博士學(xué)位論文，2008.

20.吳家兵，葉臨湘，尤爾科.ARIMA模型在傳染病發(fā)病率預(yù)測(cè)中的應(yīng)用.數(shù)理醫(yī)藥學(xué)雜志，2007，20(1)：90-92.

21.馮丹，韓曉娜，趙文娟等.中國(guó)內(nèi)地法定報(bào)告?zhèn)魅静☆A(yù)測(cè)和監(jiān)測(cè)的ARIMA 模型.疾病控制雜志，2007，11(2)：140-142.

22.吳家兵，葉臨湘，尤爾科.時(shí)間序列模型在傳染病發(fā)病率預(yù)測(cè)中的應(yīng)用.中國(guó)衛(wèi)生統(tǒng)計(jì)，2006，23(3)：276.

23.Goldenberg A，Shmueli G，Caruana RA，et al.Early statistical detection of anthrax outbreaks by tracking over-the-counter medication sales.Proceedings of the National Academy of Sciences，2002，99：5237-5249.

24.Lazarus R，Kleinman K，Dashevsky I，et al.Use of automated ambulatory-care encounter records for detection of acute illness clusters，including potential bioterrorism events.Emerging Infectious Diseases，2002，8：753-760.

25.Leonhard H，Giusi G，Christina F，et al.Joint spatial analysis of gastrointestinal infectious diseases.Statistical Methods in Medical Research，2006，(15)：465-480.

26.沈壯，黃若剛，騰仁明.GIS系統(tǒng)在衛(wèi)生防病應(yīng)急處理工作中的應(yīng)用.中國(guó)公共衛(wèi)生管理，2003，19(1)：24-25.

27.戚曉鵬，呂繁，何武.地理信息系統(tǒng)在流行病學(xué)中的應(yīng)用及開(kāi)發(fā).中華流行病學(xué)雜志，2004，25(11)：997-999.

28.Kleinman K，Lazarus R，Platt R.A generalized linear mixed models approach for detecting incideng clusters of disease in small areas，with an application to biological terrorism.American Journal of Epidemiology，2004，159：217-224.

29.Rogerson P，Yamada I.Monitoring change in spatial patternsof disease：comparing univariate and multivariate cumulative sum approaches.Statistics in Medicine，2004，23：2195-2214.

30.Raubertas RF.An analysis of disease surveillance data that uses geographic locations of the reporting units.Statistics in Medicine，1989，8：267-271.

31.劉巧蘭，李曉松，馮子健，等.Rogerson空間模式監(jiān)測(cè)方法在傳染病實(shí)時(shí)監(jiān)測(cè)中的應(yīng)用.中華流行病學(xué)雜志，2007，28(11)：1133-1137.

32.Altmann M.Susceptible-infected-removed epidemic models with dynamic partnerships.JMath Biol，1995，33(6)：661-75.

33.向立富.模糊綜合評(píng)判法在流腦預(yù)測(cè)中的應(yīng)用.中國(guó)衛(wèi)生統(tǒng)計(jì)，1994，11(4)：33-34.

34.付長(zhǎng)賀，鄧甦.馬爾科夫鏈在傳染病預(yù)測(cè)中的應(yīng)用.沈陽(yáng)師范大學(xué)學(xué)報(bào)(自然科學(xué)版)，2009，27(1)：28-30.

35.李時(shí)習(xí).逐步判別對(duì)鉤端螺旋體病發(fā)病率的擬和與預(yù)測(cè).實(shí)用預(yù)防醫(yī)學(xué)，1998，5：120-121.

36.胡世雄，邢慧嫻，鄧志紅.我國(guó)傳染病的預(yù)測(cè)預(yù)警現(xiàn)狀.中國(guó)預(yù)防醫(yī)學(xué)雜志，2007，41(5)：407-410.