□

[1. 中國地質(zhì)大學(xué) 武漢 430074；2. 西安財經(jīng)大學(xué) 西安 710100]

引言

近年來發(fā)生的突發(fā)公共衛(wèi)生事件越來越呈現(xiàn)出復(fù)雜性、不可預(yù)見性和頻發(fā)性[1]。例如SARS、禽流感、豬流感和埃博拉等，突發(fā)公共衛(wèi)生事件不但威脅我們的健康，還會破壞社會穩(wěn)定，阻礙經(jīng)濟發(fā)展。我國在遭遇SARS之后，開始對突發(fā)公共衛(wèi)生事件應(yīng)急體系的建設(shè)進行重視，例如對突發(fā)公共衛(wèi)生事件應(yīng)急預(yù)案建設(shè)形成統(tǒng)一的體系；建立專門的傳染病緊急疫情應(yīng)急預(yù)案；針對其他群體性事件的應(yīng)急預(yù)案等，仍存在可優(yōu)化的地方。新型冠狀病毒肺炎暴發(fā)以后，給全球帶來巨大沖擊，對民生和經(jīng)濟造成了極大影響，因此當(dāng)突發(fā)公共衛(wèi)生事件發(fā)生時，及時有效的應(yīng)急工作十分重要。公共衛(wèi)生事件中，爆發(fā)期、發(fā)展期、恢復(fù)期是應(yīng)急決策中較為重要的三個階段，但突發(fā)公共衛(wèi)生事件的突發(fā)性和復(fù)雜性使應(yīng)急工作難度增加，所以對已發(fā)生的公共衛(wèi)生事件所掌握的信息進行分析進而及時決策應(yīng)急預(yù)案十分重要。應(yīng)急預(yù)案是專家們根據(jù)應(yīng)急參考方案和實際情況調(diào)整所得到的，是應(yīng)急預(yù)案的基礎(chǔ)工作。公共衛(wèi)生事件在大范圍爆發(fā)前預(yù)警信息比較明顯，并且此類事件的應(yīng)急預(yù)案具有較為相似的參考性，所以在此類事件中應(yīng)急參考方案的生成方法主要考慮預(yù)警信息充分性、方案普適性和動態(tài)調(diào)整性等因素。我們不能期待通過試錯改進的辦法來面對應(yīng)急工作，但可以通過對已發(fā)生的突發(fā)公共衛(wèi)生事件進行深入研究，總結(jié)出科學(xué)規(guī)律，在緊迫的時間中生成應(yīng)急參考方案，為最終應(yīng)急預(yù)案的確定提供可靠的現(xiàn)實依據(jù)，同時對其他類似的突發(fā)性公共衛(wèi)生事件進行應(yīng)急參考方案的拓展，以此來減輕或避免突發(fā)公共衛(wèi)生事件帶來的影響。突發(fā)公共衛(wèi)生事件的發(fā)生要求決策者在短時間內(nèi)快速準(zhǔn)確地給出從上至下可實施的應(yīng)急預(yù)案，因此應(yīng)急參考方案起到了至關(guān)重要的作用，準(zhǔn)確的應(yīng)急參考方案會大大節(jié)約應(yīng)急時間，進而快速得到適合實際情況的應(yīng)急預(yù)案。

案例推理（Case-based Reasoning，CBR）可以有效應(yīng)用先前經(jīng)驗，為當(dāng)前事發(fā)案例提供決策參考[2]。CBR是通過尋找相似的歷史案例，利用已有經(jīng)驗或結(jié)果來解決新問題。CBR過程包括：案例檢索，案例重用，案例修正，案例保存四個部分[3]。近年來案例推理得到了大量關(guān)注和研究，在案例檢索和案例表示方面，通過義類詞典、云模型[4]、粗糙集[5]和知識管理系統(tǒng)[6]等方法和手段對案例檢索和表示進行改進，例如由于相似的施工安全事故總是不斷重復(fù)上演，故張兵等[7]應(yīng)用CBR技術(shù)構(gòu)建了超高層建筑施工安全事故的案例表征模型，結(jié)果表明CBR 能夠有效避免當(dāng)前信息不完整而產(chǎn)生的計算失真問題。為了應(yīng)對煤礦突發(fā)事故，提高煤礦現(xiàn)場處置方案的實時性和可操作性，楊夢等[8]構(gòu)建了一個基于專家系統(tǒng)的煤礦事故現(xiàn)場處置方案自動生成系統(tǒng)。張國軍等[9]針對地震應(yīng)急救援決策問題，將案例推理方法應(yīng)用于應(yīng)急救援輔助決策過程，提出了基于案例推理的地震應(yīng)急救援決策方法和基于框架的地震應(yīng)急救援案例表示方法，有效地提高了應(yīng)急救援輔助決策的效率。 董銀杏等[10]提出基于案例推理技術(shù)的燃?xì)馔话l(fā)事件應(yīng)急決策方法，提高了燃?xì)馔话l(fā)事件應(yīng)急處置能力等。以上學(xué)者的研究克服了傳統(tǒng)知識獲取的瓶頸問題，但過程繁瑣且不具備動態(tài)性的特點，有些方法具有一定的局限性。在案例檢索特征權(quán)重的考慮中，李丞曜等[11]考慮了事故屬性的特征，快速有效地對事故進行處理。封超等[12]結(jié)合遺傳算法和粒子群算法考慮屬性權(quán)重的影響。黃浙京等[13]提出CBR變權(quán)值引擎模型等。這些方法不僅提高了匹配的精準(zhǔn)度，同時最小化主觀影響，但有些方法中，系數(shù)的取值對結(jié)果造成明顯的波動，且要求案例具有一定的數(shù)量。綜上，案例推理被廣泛地應(yīng)用到應(yīng)急決策中，提高了應(yīng)急決策的效率和應(yīng)急處置能力，取得預(yù)期的效果，但仍存在精度較低、步驟復(fù)雜、所需時間較長、需要完備的案例庫才可應(yīng)用和系數(shù)影響較大等缺點。同時當(dāng)前CBR的研究大多集中在案例檢索中相似度計算上，而對于指標(biāo)的考慮較為欠缺，應(yīng)急事件的指標(biāo)具有差異性和多樣性，往往需要全面的考慮各個指標(biāo)，否則會導(dǎo)致所提取的應(yīng)急參考方案實施效果較差或相似度值較低等情況。因此本文應(yīng)用CBR在應(yīng)急工作中的優(yōu)勢，針對公共衛(wèi)生事件突發(fā)性和動態(tài)性的特點，針對新型冠狀病毒肺炎提出了基于案例推理的應(yīng)急參考方案生成方法。

一、問題描述

在新型冠狀病毒肺炎暴發(fā)之初，應(yīng)對當(dāng)時的緊迫形勢，需要對突發(fā)疫情信息快速分析，得到應(yīng)急參考方案，并及時根據(jù)實際情況進行調(diào)整和決策，從而爭取到充分的時間。形勢的緊迫性、環(huán)境風(fēng)險的脆弱性可能會造成應(yīng)急工作準(zhǔn)備和應(yīng)對的不足，面對這類情況，需要可以快速提供參考的歷史公共衛(wèi)生事件案例信息庫和符合實際情況的應(yīng)急參考方案。

CBR在應(yīng)急事件的應(yīng)用中，對歷史案例十分重視，從眾多歷史案例中提取出最接近現(xiàn)實情況的應(yīng)急參考方案，并可以實現(xiàn)對歷史案例庫進行動態(tài)補充和調(diào)整。公共衛(wèi)生事件病例種類多樣，情況復(fù)雜，不同病種之間具有共性的同時具有異性，可以從較為相似的病種中得到經(jīng)驗和提醒，因此建立歷史案例基因庫較為合適和全面，以便為后續(xù)的應(yīng)急參考方案及時生成提供基礎(chǔ)條件。以新型冠狀病毒肺炎為例，整個過程存在不同階段，每個階段存在一定程度的差異，這些差異要求應(yīng)急措施各不相同，因此本文將突發(fā)公共衛(wèi)生事件整個過程的歷史基因庫以階段為劃分，爆發(fā)期和發(fā)展期每日數(shù)據(jù)變化大，情況變數(shù)多，當(dāng)疫情處于恢復(fù)期時，確診人數(shù)的增幅趨于平緩。在實際情況中，爆發(fā)期和發(fā)展期這兩個階段，24小時內(nèi)就會有超過萬人的新增，2～3天內(nèi)各省各市就有相應(yīng)的應(yīng)急措施提出。針對這一現(xiàn)象，本文將新型冠狀病毒肺炎24小時后的統(tǒng)計作為前兩個階段的數(shù)據(jù)。當(dāng)處于恢復(fù)期時，以計算出的平均潛伏期為依據(jù)，將6天作為一個周期[14]。因此整個公共衛(wèi)生事件的周期由兩部分構(gòu)成，第一部分即處于爆發(fā)期和發(fā)展期、第二部分即處于恢復(fù)期。本文所考慮的基于案例推理的突發(fā)公共衛(wèi)生事件應(yīng)急決策生成方法問題中，整個周期包括兩個部分，共m個階段，其中前i個階段是爆發(fā)期和發(fā)展期，m-1個階段是恢復(fù)期，即M={1,2,···,m},i∈M，設(shè)Z={Z1,Z2,···,Zi}表示歷史突發(fā)公共衛(wèi)生事件所有階段的集合，其中Zi表示突發(fā)公共衛(wèi)生事件的第i個階段。指標(biāo)個數(shù)N={1,2,···,n} ,j∈N，設(shè)Ci={Ci1,Ci2,···,Cin}表示歷史突發(fā)公共衛(wèi)生事件的指標(biāo)集，其中Cin表示突發(fā)公共衛(wèi)生事件第i個階段中第n個指標(biāo)。C*={C*1,C*2,···,C*n}表示當(dāng)前突發(fā)公共衛(wèi)生事件疫情的指標(biāo)集，其中C*n表示當(dāng)前突發(fā)公共衛(wèi)生事件疫情中第n個指標(biāo)。設(shè)當(dāng)前突發(fā)公共衛(wèi)生事件疫情所處的階段Z*是未知的。歷史信息庫是指發(fā)生過的同類突發(fā)公共衛(wèi)生事件的指標(biāo)值和應(yīng)急措施的完整周期的每一個階段的詳細(xì)記錄。本文解決的問題是：如何快速有效地根據(jù)過去同類突發(fā)公共衛(wèi)生事件的應(yīng)急工作為當(dāng)前突發(fā)公共衛(wèi)生事件得到可供參考的應(yīng)急方案。首先依據(jù)突發(fā)公共衛(wèi)生事件整個過程的不同階段Z*建立歷史信息庫，然后根據(jù)指標(biāo)數(shù)值的分布特點進行區(qū)間劃分，最后進行整體相似度計算，為當(dāng)前突發(fā)公共衛(wèi)生事件疫情生成有效的應(yīng)急參考措施。

二、應(yīng)急方案生成方法介紹

（一）方法步驟

為了解決上述應(yīng)急方案生成問題，本文提出基于案例推理的突發(fā)公共衛(wèi)生事件應(yīng)急決策生成方法，如圖1所示。首先構(gòu)建突發(fā)公共衛(wèi)生事件完整周期的所有階段的歷史基因庫；其次針對指標(biāo)在數(shù)值上的分布特點進行區(qū)間劃分并計算所涉及階段的重復(fù)度；最后，計算綜合相似度，得到可供參考的應(yīng)急參考方案。

圖1 基于案例推理的突發(fā)公共衛(wèi)生事件應(yīng)急參考方案生成方法技術(shù)路線圖

（二）相關(guān)指標(biāo)的選取

根據(jù)公共衛(wèi)生事件相關(guān)文獻中指標(biāo)選取，公共衛(wèi)生事件通常選擇將發(fā)展勢態(tài)和病例醫(yī)療救治[15]、應(yīng)急措施執(zhí)行能力[16]、應(yīng)急準(zhǔn)備能力[17]、應(yīng)急措施啟動后的實用性等作為反映其疫情情況的應(yīng)急指標(biāo)[18]。以新型冠狀病毒肺炎事件為例，首先累計確診人數(shù)、累計死亡人數(shù)、累計治愈人數(shù)、重癥患者人數(shù)和危重癥患者人數(shù)可以反映疫情發(fā)展勢態(tài)和病例醫(yī)療救治情況，當(dāng)人數(shù)增幅情況有所緩和時，我們可以認(rèn)為疫情發(fā)展勢態(tài)有所好轉(zhuǎn)且病例醫(yī)療救治有效。其次根據(jù)突發(fā)公共衛(wèi)生事件的特點，密切接觸者也是很重要的指標(biāo)。同時為了減少醫(yī)療資源的浪費和充分考慮病人情緒，解除醫(yī)學(xué)觀察的密切接觸者也作為重要指標(biāo)。所以在整個疫情中，累計密切接觸者人數(shù)和解除醫(yī)學(xué)觀察人數(shù)存在明顯的增幅變化，這離不開應(yīng)急預(yù)案的執(zhí)行力和有效性，所以本文也將兩者作為需要考慮的指標(biāo)。綜上所述，根據(jù)突發(fā)公共衛(wèi)生事件的不同情況選取最能反映事件狀態(tài)的指標(biāo)，構(gòu)建歷史基因庫。

（三）新型冠狀病毒肺炎歷史信息庫的構(gòu)建

由于新型冠狀病毒肺炎事件整個周期中存在不同階段，國家及地方衛(wèi)健委會根據(jù)不同階段給出不同的應(yīng)急措施，并且在全國范圍內(nèi)同類公共衛(wèi)生突發(fā)事件應(yīng)對措施基本一致，所以針對此類事件最有效的就是構(gòu)建其不同階段的歷史信息庫，以便后續(xù)類似突發(fā)公共衛(wèi)生事件的應(yīng)急參考?；诖耍鶕?jù)突發(fā)公共衛(wèi)生事件存在不同的階段，本文以新型冠狀病毒肺炎事件為例，構(gòu)建了不同階段的歷史案例基因庫，將每一階段的指標(biāo)值及相關(guān)應(yīng)急措施分類詳細(xì)列出，包括醫(yī)療、經(jīng)濟、民生、交通等方面，具體措施來自于中華人民共和國家衛(wèi)生健康委員會及相關(guān)地方發(fā)布的政策內(nèi)容，如圖2所示。

圖2 新型冠狀病毒肺炎事件完整周期中每一階段的歷史信息表

三、案例篩選的具體步驟

（一）數(shù)據(jù)處理和指標(biāo)區(qū)間劃分計算過程

首先對歷史基因庫中的指標(biāo)數(shù)據(jù)fi進行中心化處理、標(biāo)準(zhǔn)化處理及歸一化處理。以往的研究中并沒有深入考慮指標(biāo)數(shù)值集中分布的區(qū)域，大多是直接進行相似度計算，考慮到不同指標(biāo)的數(shù)據(jù)分布區(qū)域特點不一樣，所以將指標(biāo)值進行單一的數(shù)據(jù)處理是不充分的，這樣可能會導(dǎo)致所篩選出的應(yīng)急措施有效性的降低及當(dāng)前疫情所處階段的判斷與實際有偏差，所以本文考慮針對指標(biāo)數(shù)值集中分布的區(qū)域進行區(qū)間劃分。根據(jù)平均數(shù)反映一組數(shù)的集中趨勢，標(biāo)準(zhǔn)差反映一組數(shù)的離散趨勢，將兩者結(jié)合考慮，首先求出合適組距，再利用SPSS進行正態(tài)分布檢驗，確定指標(biāo)數(shù)值都為正態(tài)分布，結(jié)合正態(tài)分布在實際中的應(yīng)用，選擇將在橫軸區(qū)間(μ-1.96σ,μ+1.96σ)內(nèi)的數(shù)據(jù)作為正常值，在此之外的數(shù)據(jù)視為異常值，進行區(qū)間劃分。組數(shù)的選擇則根據(jù)一組數(shù)據(jù)的分布和決策者的需要來選擇。如何考慮組距是一個非常重要的問題，本文既考慮了正常值的分布，又考慮了極端值的分布，且盡可能使每個區(qū)間等概率，如圖3所示。

圖3 指標(biāo)值分布圖

步驟如下：

1. 對歷史信息庫中的指標(biāo)數(shù)據(jù)進行中心化處理

2. 對歷史信息庫中的指標(biāo)數(shù)據(jù)進行標(biāo)準(zhǔn)化處理

3. 對歷史信息庫中的指標(biāo)數(shù)據(jù)進行歸一化處理

6. 將異常值放置異常區(qū)間后，其余正常值作為主體重新單獨考慮，計算平均值；

8. 利用所得Qahead,Qbehind確定主體數(shù)據(jù)在前區(qū)間個數(shù) Countahead和后區(qū)間個數(shù)Countbehind

其中

其中 {0 ≤Num≤2,Numexp∈N}；

9. 確定前組距 Disahead和后組距 Disbehind，其中

（本文默認(rèn)總組數(shù)為10）得到區(qū)間如下表1所示。

表1 區(qū)間劃分類型

其中：

N-cen表 示中心化處理后的指標(biāo)數(shù)據(jù)；

N-nor表示標(biāo)準(zhǔn)化處理后的指標(biāo)數(shù)據(jù)；

N-one表示歸一化處理后的指標(biāo)數(shù)據(jù)；

si表示指標(biāo)數(shù)據(jù)的標(biāo)準(zhǔn)差；

r表示分布比例下確定前案例個數(shù)；

q表示分布比例下確定前案例個數(shù)；

Qahead表示正常值在上分布比值；

Qbehind表示正常值在下分布比值；

Countahead表示在前區(qū)間個數(shù)；

Countbehind表示在后區(qū)間個數(shù)；

Numexp表示極端值區(qū)間個數(shù)；

Disahead表示前組距；

Disbehind表示后組距；

得到每個指標(biāo)劃分好的區(qū)間之后，對當(dāng)前所給公共衛(wèi)生突發(fā)事件的指標(biāo)找到所屬區(qū)間，然后找出指標(biāo)所處區(qū)間在整個疫情中所涉及到的階段，在表2中，當(dāng)顯示“√”時，表示指標(biāo)在整個公共衛(wèi)生事件中所涉及的階段。

表2 指標(biāo)所處區(qū)間在整個疫情中所涉及到的階段

根據(jù)表2可以列出每個指標(biāo)所處區(qū)間整個疫情中所涉及到的階段，如表3所示。

表3 指標(biāo)所對應(yīng)的區(qū)間在疫情中涉及階段

最后計算所涉及的階段的重復(fù)度Ri，選擇重復(fù)度Ri?θ時的階段，其中θ 由決策者給出。

（二）整體相似度計算

通過計算兩個向量之間相似度值[14]，來代表歷史公共衛(wèi)生事件不同階段和當(dāng)前突發(fā)公共衛(wèi)生事件之間的相似度；

其中，

然后

1. 求得歷史公共衛(wèi)生事件不同階段的指標(biāo)值和當(dāng)前疫情指標(biāo)值的 S imj(Z*,Zi);

2. 求綜合相似度

其中，

其中，ws為熵權(quán)法求出的權(quán)值，wc為層次分析法求出的權(quán)值， α為兩者的重要程度；

3. 設(shè)置一個閾值 λ，如果 λ =τ·max{Sim(Z*,Zi)}，則選出符合條件的歷史公共衛(wèi)生事件階段，其中τ取決于決策者的要求。

四、算例說明

本文以新型冠狀病毒肺炎疫情作為算例進行說明。由于暴發(fā)期是是控制疫情至關(guān)重要的階段，且前文提到將24小時的統(tǒng)計作為計算數(shù)據(jù)，則假設(shè)某一天的疫情情況如下表4所示，且假設(shè)歷史案例基因庫中，此類公共衛(wèi)生事件有18個階段的不同的應(yīng)急預(yù)案可供參考。

表4 2020年2月16日新型冠狀病毒肺炎情況

（一）建立公共衛(wèi)生突發(fā)事件的歷史信息庫

以新型冠狀病毒肺炎為例建立的歷史案例基因庫，如圖4所示。

圖4 新型冠狀病毒肺炎的歷史基因表

（二）劃分區(qū)間及找出當(dāng)前疫情指標(biāo)所屬區(qū)間

本文將對指標(biāo)數(shù)據(jù)分別進行5組、10組、15組的分組數(shù)據(jù)處理，由于篇幅原因，僅詳細(xì)說明以10組為劃分的結(jié)果，結(jié)果如表5～表11所示。

表5 指標(biāo)1確診人數(shù)區(qū)間劃分

表6 指標(biāo)2死亡人數(shù)區(qū)間劃分

表7 指標(biāo)3治愈人數(shù)區(qū)間劃分

表8 指標(biāo)4重癥人數(shù)區(qū)間劃分

表9 指標(biāo)5危重癥人數(shù)區(qū)間劃分

表10 指標(biāo)6密切接觸人數(shù)區(qū)間劃分

表11 指標(biāo)7解除觀察人數(shù)區(qū)間劃分

首先得到指標(biāo)劃分好的區(qū)間之后，對當(dāng)前所給公共衛(wèi)生突發(fā)事件的指標(biāo)找到所屬區(qū)間，如表12所示；其次，找出指標(biāo)所處區(qū)間在整個疫情中所涉及到的階段，如表13所示；然后，根據(jù)表13中指標(biāo)所處區(qū)間在整個疫情中所涉及到的階段，列出所涉及的階段，如表14所示；最后，計算所涉及的階段的重復(fù)度Ri，并選擇Ri＞3的階段，如表15所示。

表12 2020年2月16日所給疫情的指標(biāo)值所在區(qū)間分布

表13 指標(biāo)所處區(qū)間在整個疫情中所涉及到的階段

表14 指標(biāo)所對應(yīng)的區(qū)間在整個疫情中所涉及的階段

表15 所涉及的階段的重復(fù)度Ri

當(dāng)以5組為區(qū)間劃分時根據(jù)重復(fù)度所選擇出的階段是第10階段、第11階段、第12 階段、第13階段、第15階段為所篩選出的重要參考階段，并且可以看到，相比以10組為區(qū)間劃分和以15組為區(qū)間劃分，涉及了更多可能相似度并不高的階段?？梢钥闯?，以10組為區(qū)間劃分所選擇出的階段為第10階段、第11階段、第12 階段、第13階段；以15組為區(qū)間劃分所選擇出的階段為第10階段、第11階段、第12 階段?？梢园l(fā)現(xiàn)，區(qū)間的細(xì)分使得篩選出的信息越發(fā)相似，可以有效地過濾相似度不高的信息。

（三）歷史公共衛(wèi)生事件不同階段指標(biāo)和當(dāng)前疫情指標(biāo)之間相似度的計算

Sim(Z*,Zi)值如下表16所示。最后，本文將分別從wj=0.5ws+0.5wc、wj=0.3ws+0.7wc、wj=0.7ws+0.3wc這三個賦權(quán)的方式計算，得到 S im(Z*,Zi)值如下表17所示。

表16 Sim(Z*,Zi)值

表17 Sim(Z*,Zi)值

假設(shè) τ= 0.9，得到 λ =0.707，發(fā)現(xiàn)三種賦權(quán)的方式得到的排序結(jié)果都為第11階段＞第12階段＞第10階段＞第13階段，則將歷史案例基因庫中第11階段的應(yīng)急預(yù)案作為參考。根據(jù)篩選結(jié)果可以得到，從歷史基因庫篩選出的指標(biāo)數(shù)據(jù)大小全部與當(dāng)前公共衛(wèi)生事件情況盡可能保持一致，為應(yīng)急決策提供較為準(zhǔn)確的參考依據(jù)，如表18所示。

表18 所提取出的歷史公共衛(wèi)生事件的參考應(yīng)急措施表

根據(jù)本文所提出的基于案例推理的突發(fā)公共衛(wèi)生事件應(yīng)急方案生成方法所篩選出的階段指標(biāo)值與所假設(shè)疫情的指標(biāo)值進行比較，如表19所示，可以發(fā)現(xiàn)指標(biāo)值十分接近，即所篩選出的歷史案例基因庫中的最接近階段的應(yīng)急預(yù)案與當(dāng)前疫情情況十分相似，可以有效地將當(dāng)時的應(yīng)急措施作為當(dāng)前疫情的應(yīng)急參考措施并根據(jù)實際情況做出調(diào)整，對于新增的措施繼續(xù)放置到歷史信息庫中作為補充。

表19 所篩選出的階段指標(biāo)值與所假設(shè)疫情的指標(biāo)值比較

綜上所述，首先，建立突發(fā)公共衛(wèi)生事件完整周期所有階段的歷史信息庫，詳細(xì)羅列出每個階段的指標(biāo)數(shù)據(jù)和所對應(yīng)的應(yīng)急措施。其次，針對指標(biāo)在數(shù)據(jù)處理后的數(shù)值分布情況進行區(qū)間劃分，更好地區(qū)別正常值和異常值，使應(yīng)急措施的篩選更有針對性。然后，根據(jù)劃分好的區(qū)間找到當(dāng)前疫情指標(biāo)所屬區(qū)間，并找出所涉及階段，計算所涉及階段的重復(fù)度。最后，計算綜合相似度，得到當(dāng)前突發(fā)公共衛(wèi)生事件應(yīng)急參考措施。

五、對比分析

文獻[19]李永海等針對缺乏有效應(yīng)急預(yù)案的一類突發(fā)事件應(yīng)急響應(yīng)問題，提出了一種基于相似歷史案例分析的突發(fā)事件應(yīng)急預(yù)案生成方法。不同的e值，會得到不同的結(jié)果，如表20所示。

表20 不同 τ值下篩選出的案例集

其中e= τ·max(Sim)， τ值取決于主觀賦值，根據(jù)運行結(jié)果可以發(fā)現(xiàn) τ值的細(xì)微變化就極大地影響案例的提取數(shù)量，使應(yīng)急預(yù)案決策波動性較大。本文提出指標(biāo)區(qū)間劃分與剪枝，使得所得結(jié)果具有穩(wěn)定性，將熵權(quán)法和層次分析法相結(jié)合，分別從三種方式上進行賦權(quán)，得到的結(jié)果均為相同的且篩選出的階段都為相似度最高的，提高了案例篩選有效性。

六、結(jié)論

本文提出了一種基于案例推理的突發(fā)公共衛(wèi)生事件疫情應(yīng)急參考方案生成方法，突發(fā)公共衛(wèi)生事件整個周期包含情況不同的階段，所以在生成應(yīng)急方案時，需要根據(jù)當(dāng)前情況結(jié)合歷史基因庫中最為相似的階段來進行參考。根據(jù)基因結(jié)構(gòu)的特點，構(gòu)建了公共衛(wèi)生事件歷史案例基因庫，存放了具體的案例信息和數(shù)據(jù)，對歷史數(shù)據(jù)進行有效的利用。根據(jù)指標(biāo)數(shù)值的特征，進行針對性數(shù)據(jù)處理，結(jié)合案例推理，計算公共衛(wèi)生事件目標(biāo)案例與歷史案例的綜合相似度，為應(yīng)急決策者提供科學(xué)的、有效的應(yīng)急參考方案。相比于已有的研究，本文根據(jù)數(shù)據(jù)分布特點對指標(biāo)進行區(qū)間細(xì)分，可以有效地找出與當(dāng)前疫情最為相似的歷史突發(fā)公共衛(wèi)生事件的階段，實現(xiàn)了簡單快速高效的檢索過程。然而，大多數(shù)突發(fā)公共衛(wèi)生事件都伴隨著對其他方面的極大影響，例如經(jīng)濟、民生、教育等方面的影響，但本文未考慮所受影響的這些方面，所以對于突發(fā)公共衛(wèi)生事件應(yīng)急方案的生成應(yīng)重視所受影響的其他方面的考慮，本方法并未涉及，這也是今后需要研究的重心。