摘要：醫(yī)學(xué)統(tǒng)計作為醫(yī)學(xué)研究的輔助工具有著非常重要的作用，從醫(yī)學(xué)實驗設(shè)計到數(shù)據(jù)分析方面都有著廣泛的運用。統(tǒng)計分析方法的應(yīng)用能夠有效的提高醫(yī)學(xué)研究的質(zhì)量。本文通過分析預(yù)測疾病發(fā)病率的統(tǒng)計分析方法，以期能給廣大醫(yī)務(wù)工作者科學(xué)研究提供一定的參考。

關(guān)鍵詞：疾病發(fā)病率 統(tǒng)計分析方法 進(jìn)展

對于疾病的控制，尤其是傳染病的有效控制，離不開對疾病發(fā)病率有效的預(yù)測和檢測。疾病發(fā)病率預(yù)測是通過長期的、有計劃的觀察和搜集相關(guān)數(shù)據(jù)，并運用合理的統(tǒng)計分析方法對疾病發(fā)病率進(jìn)行預(yù)測。目前，我國已經(jīng)建成了全國范圍內(nèi)的疾病信息報告網(wǎng)絡(luò)，通過網(wǎng)絡(luò)能夠?qū)θ珖膊“l(fā)病率進(jìn)行檢測。但是，目前我國對于這些檢測數(shù)據(jù)的利用僅僅停留在描述性統(tǒng)計分析的階段，未發(fā)展到運用高級有效的統(tǒng)計方法進(jìn)行前瞻性的預(yù)測分析。本文通過研讀大量文獻(xiàn)，歸納國內(nèi)外文獻(xiàn)中利用到的有效的統(tǒng)計分析方法，進(jìn)行相關(guān)的概述。

一、預(yù)測疾病發(fā)病率統(tǒng)計分析概述

由于疾病監(jiān)測系統(tǒng)搜集的數(shù)據(jù)十分龐大，并且對于這些數(shù)據(jù)的處理也有著多樣的處理方法。因此，分析這些數(shù)據(jù)的方法是具有前瞻性和回顧性的，由于本文主要是預(yù)測疾病發(fā)病率，所以主要介紹前瞻性的分析方法。另外，根據(jù)數(shù)據(jù)選擇的不同時間段可以把數(shù)據(jù)分析分為年度、每周和每月分析。數(shù)據(jù)選取的不同，分析出來的結(jié)果不同，用于預(yù)測的范圍也不同。

另外對于疾病檢測系統(tǒng)數(shù)據(jù)的回顧性和描述性分析已經(jīng)非常成熟，可以通過利用不同統(tǒng)計圖表來刻畫不同的信息?，F(xiàn)有文獻(xiàn)對于這方面的研究主要用來分析檢測數(shù)據(jù)是否具有很好的時間聚集和空間性。

本文要介紹的前瞻性的研究方法，主要是通過之前的監(jiān)控數(shù)據(jù)，對于未來疾病發(fā)病的趨勢進(jìn)行有效的分析和預(yù)測。前瞻性的分析方法主要分為三種：時空聚集性分析方法、空間分析方法、其他分析方法。

二、時空聚集性分析方法

時空聚集性分析方法是根據(jù)不同地區(qū)人口分布的差異來矯正人口空間分布，從而檢驗疾病發(fā)病率的時空分布是否服從隨機狀態(tài)?？梢园凑詹煌臋z驗?zāi)康姆譃橐话憔奂院徒裹c聚集性檢驗。一般聚集性檢驗是在沒有先驗條件下即沒有先驗假設(shè)中對其進(jìn)行聚集性定位。其中又分為全局聚集性和聚集性探測檢驗兩類。全局聚集性檢驗是對整個要進(jìn)行研究區(qū)域檢驗其是否存在聚集性，而聚集性探測檢測是對拒不進(jìn)行聚集性定位。焦點聚集性是檢測在實現(xiàn)確定的區(qū)域附近是否具有拒不聚集性的存在。

（一）聚集性探測檢驗

聚集性探測檢測的方法主要是最大超額時間檢驗、Besag Newell方法、Kulldorff空間掃描統(tǒng)計量、Turnbull方法。較為成熟并且應(yīng)用最多的方法是Kulldorff空間掃描統(tǒng)計量，其核心思想是在進(jìn)行檢測的區(qū)域上面構(gòu)建一個圓形掃描窗口，讓這個窗口在區(qū)域上面移動，其掃描的半徑不斷增加最終增加到設(shè)定好的上線，從而由于半徑不同會出現(xiàn)許多的掃描窗口，通過計算這些窗口的內(nèi)外似然值，其中具有最大似然值的窗口不可能是隨機產(chǎn)生的群體。2005年，相關(guān)學(xué)者對于這個方法進(jìn)行了改良，把窗口并不限于圓形擴展為任意形狀的窗口。

（二）全局聚集性檢驗

全局聚集性檢驗有K個最鄰近法、Oden方法和Mantel方法、Ipop方法、Cuzick Edwards方法和Bonetti Pagano的M統(tǒng)計量。這里面最新的方法是由Jacquez（1996）提出的K個最鄰近法，通過這個方法可以有效的檢驗空間區(qū)域內(nèi)相鄰的病例在時間上也存在相鄰性。并且相關(guān)學(xué)者應(yīng)用這個方法有效的驗證了挪威等地牛群傳染病中的時空聚集性。

三、時間分析方法

（一）時間序列分析方法

由于疾病發(fā)病情況通常具有季節(jié)性和相關(guān)性，因此可以根據(jù)此類數(shù)據(jù)特性利用時間序列分析方法對疾病發(fā)病率進(jìn)行有效的預(yù)測。時間序列分析應(yīng)用于醫(yī)學(xué)領(lǐng)域是從計量經(jīng)濟(jì)學(xué)領(lǐng)域衍生過來的。其主要的模型有：指數(shù)平滑模型、移動平均模型、ARIMA模型（自回歸移動平均模型）。其中對于自回歸移動平均模型的應(yīng)用是最為廣泛的。

例如：全部發(fā)病資料取自青海海西州第一人民醫(yī)院。經(jīng)過核對、補漏，從而保證資料的準(zhǔn)確和完整。運用Excel2003及EViews3.1對2001年1月至2007年12月海西州地區(qū)高血壓發(fā)病資料進(jìn)行整理分析，統(tǒng)計海西州地區(qū)2001～2007年的高血壓月發(fā)病率（記為yt）。

自回歸移動平均模型又稱為Box-Jenkins模型，用ARIMA（d，q）表示。這個模型可以有效的對非平穩(wěn)數(shù)據(jù)進(jìn)行預(yù)測，其中模型中的d代表差分階數(shù)即把非平穩(wěn)數(shù)據(jù)轉(zhuǎn)化為平穩(wěn)數(shù)據(jù)進(jìn)行的差分次數(shù)，q用于表現(xiàn)模型移動平均的技術(shù)。如果遇到平穩(wěn)的數(shù)據(jù)則可以通過建立ARMA模型進(jìn)行預(yù)測，通常發(fā)病率數(shù)據(jù)是非平穩(wěn)的數(shù)據(jù)，因此ARIMA模型的運營較為廣泛。ARIMA模型主要通過四個步驟進(jìn)行預(yù)測分析。首先，對原始數(shù)據(jù)進(jìn)行平穩(wěn)性判斷，主要通過分析數(shù)據(jù)的ACF和PACF圖來進(jìn)行平穩(wěn)性判斷和模型的選擇。其次，參數(shù)估計和模型診斷，如果通過診斷模型符合要求則下一步進(jìn)入預(yù)測應(yīng)用。通過合適的模型利用過去的數(shù)據(jù)對于未來傳疾病發(fā)病率進(jìn)行預(yù)測。

按上述病例進(jìn)行分析：模型ARIMA（p，d，q）的公式為：yt=1yt-1+2yt-2+…+pyt-p+εt-θ1εt-1-θ2εt-2-…-θqεt-p。其中p、q為模型的階數(shù)；常數(shù)系數(shù)1、2、…p和θ1、θ2、…θp為模型的參數(shù)；yt-1、yt-2、…yt-p是時間序列在t-1、t-2、…t-p時刻的觀察值；εt-1、…εt-q為殘差序列。ARIMA模型需確定三個參數(shù)，即自回歸階數(shù)（p）、差分次數(shù)（d）、移動平均階數(shù)（q），它首先通過差分把時間序列的季節(jié)性消除（達(dá)到數(shù)據(jù)平穩(wěn)），然后建模，最后估計參數(shù)。對非季節(jié)性數(shù)據(jù)，一般求一階差分即可。若時間序列的季節(jié)性變動周期為T，則時間序列yt的一階季節(jié)差分序列Tyt 為Tyt =yt-yt-T（t>T）。

（二）過程控制圖

這種方法的核心思想是假設(shè)隨機變量獨立且滿足正太分布，通過對統(tǒng)計量y的構(gòu)造，對統(tǒng)計量進(jìn)行分析，當(dāng)其超過設(shè)定的控制界限的時候可以認(rèn)為其為非正常時間。因此，對于這種方法應(yīng)用的關(guān)鍵是選擇合適的控制界限。通常通過選擇標(biāo)準(zhǔn)差的倍數(shù)來設(shè)定控制界限。這其中常用的過程控制圖有移動平均圖、指數(shù)加權(quán)移動平均圖和Shewhart圖、累積控制圖。

（三）歷史極限法

歷史極限法是將疾病目前4周的發(fā)病數(shù)量與之前的基線進(jìn)行比較，基線是指整個果斷5年的相應(yīng)的前面、當(dāng)前和之后4周的發(fā)病數(shù)據(jù)的平均值。從而，根據(jù)過去5年的這15個數(shù)值，并且現(xiàn)在的4周出現(xiàn)的發(fā)病數(shù)量的總和除以過去5年15個數(shù)值的平均值，并將這個壁紙在對數(shù)坐標(biāo)中表現(xiàn)出來與之前的歷史基線進(jìn)行比較。這個方法簡單易用，但是其并未考慮相關(guān)性和趨勢性，不一定任何一個樣本都滿足正太分布。

四、空間分析方法

要想得到疾病發(fā)病的空間變化的趨勢，來預(yù)測疾病在各個區(qū)域未來的發(fā)病率，就需要把空間技術(shù)與疾病發(fā)病率預(yù)測結(jié)合起來。早在1854年就有英國學(xué)者把地理信息應(yīng)用到疾病發(fā)病率預(yù)測當(dāng)中。

（一）廣義線性模型和廣義線性混合模型

廣義線性模型是由Kleinman提出來的，其可以有效的對局部區(qū)域中每個病例進(jìn)行有效的地理定位。其簡稱為SMART分值法。核心思想是把局部區(qū)域中的每一個小區(qū)域看作一個小的個體，通過隨機效應(yīng)來分析小區(qū)域中的重復(fù)數(shù)據(jù)。這個方法容納長期趨勢、季節(jié)性和時間聚集性，可以校正區(qū)域人群中的不同特征。

（二）Rogerson空間累計和法

這個方法是把空間統(tǒng)計量加入到累積和法上面形成的，進(jìn)而應(yīng)用到疾病發(fā)病率的空間分析。采用Rogerson空間累計和法能夠有效的計算預(yù)期值。當(dāng)用這個模型對數(shù)值進(jìn)行預(yù)測時，如果出現(xiàn)誤差，原因應(yīng)該是模型的誤差而不是疾病發(fā)病率的變化。

五、其他方法

（一）馬爾可夫鏈法

這個方法是研究隨機事件的變化趨勢。核心思想是把疾病發(fā)病率看作一個隨機過程，通過分析疾病發(fā)病率的初始狀態(tài)來預(yù)測未來的發(fā)病率，由于每次疾病的發(fā)生是隨機的，從而從這一次疾病到下一次疾病的發(fā)生是一定概率的轉(zhuǎn)移，因而下次疾病的發(fā)生僅僅與上一次疾病的發(fā)生有關(guān)而與之前的其他因素沒有任何關(guān)系。

（二）判別分析

判別分析是對樣本進(jìn)行分類，根據(jù)研究對象表現(xiàn)出來的特征值進(jìn)行判別的多元統(tǒng)計分析方法。根據(jù)相應(yīng)的判別準(zhǔn)則，建立判別函數(shù)，用疾病發(fā)病率數(shù)據(jù)來確定這些函數(shù)中的待定系數(shù)，最后計算相應(yīng)的判別指標(biāo)，來進(jìn)行判別分析。

參考文獻(xiàn)：

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

[2]劉巧蘭，李曉松，馮子健，等.Rogerson 空間模式監(jiān)測方法在傳染病實時監(jiān)測中的應(yīng)用.中華流行病學(xué)雜志[J].2007，28（11）：1133-1137

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

[4]馮丹，韓曉娜，趙文娟等.中國內(nèi)地法定報告?zhèn)魅静☆A(yù)測和監(jiān)測的ARIMA模型[J].疾病控制雜志，2007，11（2）：140-142