2005-2017年全国法定传染病重复报告卡大数据分析与应用

目的了解全国传染病报告信息管理系统中法定传染病报告卡重复报告(重卡)现状,分析重卡原因,提出解决方法,进一步规范报告管理,提高数据质量。方法基于Hadoop和Spark为核心的大数据分析平台,利用Python和Jupyter notebook,按照查重条件对2005-2017年全国法定传染病报告卡分别统计分析年度内重卡、累计重卡和跨年度重卡,并利用Python包matplotlib绘图展示统计结果。结果2005-2017年年度内重卡率平均为7.65/万,累计重卡数1 141 539张,累计重卡率133.47/万,重卡数居前3位的疾病是乙型肝炎、手足口病和肺结核,占比分别为30.23%、28.01%和12.96%。其中2017年年度内重卡率为11.19/万,年内重卡数8 497张,跨年度重卡累计276 194张。结论法定传染病年度内卡片重复报告依然有待加强管理,跨年度重卡和累计重卡逐年增多,严重影响数据分析,需要尽快采取相应的数据管理和分析对策。

云南省乙型病毒性肝炎报告情况及准确性分析

目的分析云南省2008～2011年中国疾病监测信息报告系统(National Notifiable Disease Reporting System,NNDRS)乙型病毒性肝炎(乙肝)报告情况和质量,提出监测建议。方法对NNDRS报告的乙肝病例、云南省乙肝高发地区报告准确性的专项调查资料、云南省乙肝主动监测系统资料进行分析。结果云南省乙肝报告发病率呈逐年上升趋势,2006年发病率最高(51.94/10万),较1990年上升l.46倍,较实施网络直报前的2003年上升1.10倍:2006年后发病率上升趋于平缓;2007～2011年,云南省报告急性乙肝发病率逐渐下降。2007年保山市5所医疗机构乙肝病例报告准确率仅为4.05%,93.92%的报告病例是慢性乙肝病毒(Hepatitis B Virus,HBV)携带者。2008～2011年,在同期、同地点、同监测医院,由疾病预防控制中心复核NNDRS报告的乙肝病例,剔除慢性HBV携带者后,上报的乙肝平均发病率是17.36/10万,但NNDRS报告的乙肝平均发病率是46.04/10万,是云南省主动监测系统报告发病率的2.42倍。结论云南省乙肝报告发病率不准确,与慢性HBV携带者等不足于诊断为乙肝病例的就诊者被作为乙肝病例报告有关,NNDRS乙肝报告的发病率高于全省乙肝实际发病水平。

广东省广州市新型冠状病毒肺炎网络直报信息质量评价

目的 评价广东省广州市新型冠状病毒肺炎(COVID-19)网络直报质量,总结经验,发现存在问题,分析影响因素,提出改进措施。方法 通过中国疾病信息报告管理系统中获取COVID-19报告卡,收集汇总广州市各疾病预防控制中心现场流行病学调查资料,应用漏报率、迟报率、报告卡填写不完整率、报告卡填写不准确率、报告卡与流行病学调查资料不一致率、重复报告率等评价指标体系,运用SPSS 16.0软件对广州市COVID-19的网络直报质量进行评价。结果 COVID-19漏报率为0,迟报率0.05%、报告卡填写不完整率1.62%、报告卡填写不准确率3.97%、报告卡与流行病学调查资料不一致率3.88%,报告卡重复报告率13.25%。结论 广州市COVID-19报告时效性良好,报告卡填写质量有待提高,在今后的工作中应针对薄弱环节制定行之有效的措施,并继续完善系统,为及时研判COVID-19疫情发生发展趋势提供重要支撑。

2015–2017年全国传染病网络直报系统血吸虫病病例报告情况分析

目的了解全国传染病网络直报系统中血吸虫病病例报告情况,查找病例报告工作中存在的不足,并对报告病例流行特征进行分析。方法在全国传染病网络直报系统中,导出2015-2017年血吸虫病报告病例数据,分析病例上报情况及病例流行病学特征。结果2015-2017年全国传染病网络直报系统共上报血吸虫病病例59981例,其中删除病例1460例、终审病例58521例。病例报告中存在不规范问题,主要涉及随意删除病例、病例上报时间不符合规定、病例分类错误和漏报。58521例终审病例中,男女性别比为1.83∶1;平均年龄(51.91±11.30)岁,农民和渔(船)民分别占93.26%(54577例)和3.46%(2022例)。国内病例主要集中在安徽、湖南、湖北和江西,4省报告病例数占全国病例总数的99.73%。北京、浙江等省(直辖市、自治区)共报告11例国外输入性曼氏血吸虫病和埃及血吸虫病病例。结论2015-2017年全国传染病网络直报系统中血吸虫病报告病例以临床诊断病例为主;与全国血吸虫病防治工作年报表相比,全国传染病网络直报系统中血吸虫病确诊病例漏报严重。

基于机器学习的全国布鲁氏菌病重复报告分析方法研究

目的研究利用机器学习的方法识别布鲁氏菌病重复报告卡(重卡)。方法利用2005—2017年中国疾病预防控制信息系统中报告的499577张布鲁氏菌病个案卡,参考人工识别法,重卡为3785张,建立数据集并构建特征后进行机器学习,选择KNN(K Nearest Neighbor)、支持向量机(Support Vector Machine,SVM)和随机森林三种模型进行训练,所得模型进行分类预测,最后评估分类结果。结果KNN、SVM和随机森林三种模型的分类效果AUC(Area Under Curve)值分别为0.97、0.97、0.98。结论KNN、SVM和随机森林三种模型识别效果均较好,其中随机森林模型重卡识别效果最好,其次为SVM。机器学习方法能够很好识别布鲁氏菌病累计重卡,对传染病报告数据分析和报告管理有一定实用价值。