• 
    

    
    

      99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看

      ?

      常用不規(guī)則聚集區(qū)探測(cè)方法*

      2016-12-27 08:49:33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)系衛(wèi)生信息研究中心廣東省衛(wèi)生信息學(xué)重點(diǎn)實(shí)驗(yàn)室510080
      關(guān)鍵詞:聚集區(qū)懲罰區(qū)域

      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,衛(wèi)生信息研究中心,廣東省衛(wèi)生信息學(xué)重點(diǎn)實(shí)驗(yàn)室(510080)

      張王劍 杜志成 郭 貔 郝元濤△

      常用不規(guī)則聚集區(qū)探測(cè)方法*

      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,衛(wèi)生信息研究中心,廣東省衛(wèi)生信息學(xué)重點(diǎn)實(shí)驗(yàn)室(510080)

      張王劍 杜志成 郭 貔 郝元濤△

      疾病的發(fā)生往往存在聚集性[1]。如何識(shí)別發(fā)病聚集區(qū)是公共衛(wèi)生領(lǐng)域的一個(gè)關(guān)鍵問(wèn)題。聚集區(qū)的識(shí)別,不僅為干預(yù)措施的分配提供依據(jù),還可提供關(guān)于環(huán)境危險(xiǎn)因素的信息,進(jìn)而為發(fā)病機(jī)制的研究提供線索[2-3]。目前探測(cè)發(fā)病聚集區(qū)的方法有很多種,如Kulldorff空間掃描統(tǒng)計(jì)量方法[4-5]、局部空間相關(guān)性指數(shù) (local index of spatial association,LISA)[6-7]、Turnbull方法[8-9]、Besag-Newell方法[10]等。其中,Kulldorff空間掃描統(tǒng)計(jì)量方法是應(yīng)用最廣泛的方法之一[11-13],該方法所基于的假設(shè)是聚集區(qū)呈圓形[14]。這是一個(gè)非??量痰募僭O(shè),在很多情況下并不成立。例如,某種疾病通過(guò)水源傳播,則聚集區(qū)可能沿河道呈狹長(zhǎng)分布[15]。

      本文首先對(duì)經(jīng)典的Kulldorff空間掃描統(tǒng)計(jì)量方法作簡(jiǎn)單介紹,然后通過(guò)文獻(xiàn)綜述的方式,歸納在該方法基礎(chǔ)上發(fā)展而來(lái)的一系列常見(jiàn)的不規(guī)則聚集區(qū)探測(cè)方法。

      Kulldorff空間掃描統(tǒng)計(jì)量方法

      Kulldorff在 Naus[16]、Turnbull[9]等學(xué)者的工作基礎(chǔ)上,于1997年提出了空間掃描統(tǒng)計(jì)量的概念[14]。該方法以研究區(qū)域內(nèi)每個(gè)子區(qū)域的中心點(diǎn)代表該子區(qū)域。若掃描窗口覆蓋某子區(qū)域的中心點(diǎn),即認(rèn)為該窗口包含該子區(qū)域(圖1)。

      首先,以某子區(qū)域A的中心點(diǎn)為圓心,畫(huà)一個(gè)圓形掃描窗口,最初窗口內(nèi)只包含子區(qū)域A,記為潛在聚集區(qū){A}。然后,掃描窗口半徑擴(kuò)大,納入一個(gè)新的中心點(diǎn)B,記為潛在聚集區(qū){A,B},依此類(lèi)推,直到最大的掃描窗口所包含的人口數(shù)(或半徑)達(dá)到預(yù)設(shè)的上限。對(duì)研究區(qū)域內(nèi)所有的子區(qū)域,均執(zhí)行如上過(guò)程。每一個(gè)圓形掃描窗內(nèi)包含的區(qū)域都是一個(gè)潛在的聚集區(qū)。Kulldorff根據(jù)窗口內(nèi)外發(fā)病風(fēng)險(xiǎn)比,構(gòu)造了對(duì)數(shù)似然比(log likelihood ratio,LLR)統(tǒng)計(jì)量,作為篩選指標(biāo)[14]。

      式中n為總病例數(shù),為掃描窗口Z內(nèi)的病例數(shù),ez為窗口Z內(nèi)的期望病例數(shù),一般情況下中Pz和P分別為窗口Z內(nèi)人口數(shù)和研究區(qū)域總?cè)丝跀?shù)。為了克服多重檢驗(yàn)問(wèn)題[17],Kulldorff采用蒙特卡洛(Monte Carlo,MC)方法對(duì)各潛在聚集區(qū)的LLR值進(jìn)行假設(shè)檢驗(yàn)[14,18]。LLR值最大的窗口稱為“最有可能的聚集區(qū)(the most likely cluster,MLC)”,又稱“一類(lèi)聚集區(qū)”。其余的LLR值有統(tǒng)計(jì)學(xué)意義的窗口,稱為“次級(jí)聚集區(qū)(secondary cluster)”,又稱“二類(lèi)聚集區(qū)”。Satscan軟件可自動(dòng)完成上述篩選過(guò)程[19]。

      Kulldorff空間掃描統(tǒng)計(jì)量方法主要適用于潛在聚集區(qū)呈圓形或研究的空間單位為采樣點(diǎn)的情況[14,20-22]。

      圖1 Kulldorff空間掃描統(tǒng)計(jì)量方法示意圖

      常用不規(guī)則聚集區(qū)探測(cè)方法

      1.方法概述

      在Kulldorff空間掃描統(tǒng)計(jì)量方法的基礎(chǔ)上發(fā)展了一系列不規(guī)則聚集區(qū)探測(cè)方法。在研究區(qū)域內(nèi),任何具有連續(xù)性的子區(qū)域集合,都是潛在的聚集區(qū)。該定義將候選聚集區(qū)的形狀從圓形拓展到了任意形狀。但是,隨著子區(qū)域數(shù)目的增大,候選聚集區(qū)的數(shù)目呈指數(shù)增長(zhǎng)[23-24]。因此,如何精減候選聚集區(qū)的數(shù)目是不規(guī)則聚集區(qū)探測(cè)的核心問(wèn)題。此外,所探測(cè)出的聚集區(qū)的實(shí)際意義,也是一個(gè)值得關(guān)注的問(wèn)題。人們更傾向于獲得并非過(guò)度不規(guī)則的、“緊縮型”的聚集區(qū)[25]。

      2.貪心算法

      貪心算法(greedy algorithm),又稱“貪婪算法”,指某子區(qū)域A遵循“LLR最大化原則”向周?chē)訁^(qū)域“擴(kuò)張”,每一次“擴(kuò)張”只吸收能使LLR值上升最大的鄰居,直到該區(qū)域的所有鄰居均不能使LLR值繼續(xù)增大,或聚集區(qū)長(zhǎng)度(子區(qū)域數(shù)目)達(dá)到上限時(shí),才停止搜索[15]。最后一步所得區(qū)域即為以A為中心的最佳候選聚集區(qū)。最小生成樹(shù)算法(minimum spanning tree algorithm,MST)是一種重要的貪心算法,由Assuncao等[26]于2006年提出。該算法基于圖論,將研究區(qū)域內(nèi)的各個(gè)子區(qū)域以節(jié)點(diǎn)表示,子區(qū)域間的拓?fù)潢P(guān)系以節(jié)點(diǎn)間的連線(或稱邊)表示,同時(shí)賦予每條邊一個(gè)權(quán)重,以度量子區(qū)域間發(fā)病率的差異。隨機(jī)選取初始子區(qū)域,作為“葉”,根據(jù)權(quán)重最小化原則,逐步向相鄰子區(qū)域“生長(zhǎng)”,最后匯成樹(shù)根(即所有子區(qū)域的集合)。從生成樹(shù)中移除一條邊,即可形成候選聚集區(qū)。該法的主要目的是篩選能夠使LLR值最大化的邊。

      Patil和 Taillie[27]于2002年提出的 Upper level set統(tǒng)計(jì)量方法,是該類(lèi)算法的特例。該類(lèi)算法遵循權(quán)重最小化原則,產(chǎn)生的候選聚集區(qū)數(shù)目較少,運(yùn)行速度非???,但可能遺漏一些感興趣的聚集區(qū),在一定程度上存在功效低,或者過(guò)度估計(jì)[15,23,28-29]的問(wèn)題。

      Wieland等[29]在上述算法的基礎(chǔ)上,于2007年提出了等密度歐氏最小生成樹(shù)(density-equalizing euclidean minimum spanning tree,DEEMST)算法。與 Kulldorff空間掃描統(tǒng)計(jì)量方法相比,該方法的假陽(yáng)性率較高,所識(shí)別出的聚集區(qū)往往較真實(shí)聚集區(qū)大,即存在“過(guò)度估計(jì)”問(wèn)題。

      貪心算法未能考慮到候選聚集區(qū)“擴(kuò)張”過(guò)程中,相應(yīng)的LLR值先降后升,甚至反彈到新高的情形。因此,該類(lèi)算法存在“局部最大化問(wèn)題(local maximum problem)”,不能得到整體最優(yōu)解[15,30]。但是,貪心算法求解思路直觀,速度快,且獲得的結(jié)果往往是整體最優(yōu)解較好的一個(gè)近似解,特別適用于研究范圍內(nèi)子區(qū)域數(shù)目較多的情形[31]。

      3.懲罰算法

      解決“過(guò)度估計(jì)”問(wèn)題一個(gè)較好的辦法是,對(duì)子區(qū)域的納入標(biāo)準(zhǔn)實(shí)行“懲罰”,使得低風(fēng)險(xiǎn)子區(qū)域因?yàn)椴粷M足“懲罰”后的納入標(biāo)準(zhǔn),而不能進(jìn)入候選聚集區(qū)。懲罰算法主要包括幾何懲罰算法和發(fā)病率臨界懲罰算法。

      (1)幾何懲罰算法

      幾何懲罰算法,是一類(lèi)對(duì)潛在聚集區(qū)的形狀或搜索范圍進(jìn)行預(yù)先的限定,以壓縮候選聚集區(qū)的數(shù)目,或防止識(shí)別出過(guò)度不規(guī)則的聚集區(qū)的算法。

      ①形狀限定法

      Kulldorff等[32]于2006年提出的橢圓形掃描窗口,即屬于最直觀的幾何懲罰形式。為避免將潛在聚集區(qū)限定于某種特定的幾何形狀,Duczmal和Kulldorff等[33]于 2006年提出非壓縮性懲罰(non-compactness penalty),將候選聚集區(qū)的面積與包繞該區(qū)的凸包面積之比作為懲罰系數(shù)的底,對(duì)LLR值實(shí)施懲罰。Yiannakoulias等[25]則根據(jù)潛在聚集區(qū)內(nèi)邊的數(shù)目構(gòu)造“非連接性懲罰系數(shù)”的底。懲罰系數(shù)的指數(shù)α在0~1之間,值越接近1,懲罰效果越強(qiáng)。但是,α的設(shè)定比較主觀。有些情況下,非連接性懲罰方法更加合理。當(dāng)真實(shí)聚集區(qū)的形狀的確呈過(guò)度不規(guī)則時(shí),人為進(jìn)行壓縮未必合理[15,24]。

      ②掃描范圍限定法

      Tango等[28]于2005年提出了形狀靈活的空間掃描統(tǒng)計(jì)量(flexibly shaped spatial scan statistic)。該算法將掃描范圍限定在某子區(qū)域A及其K-1個(gè)最近鄰之內(nèi)。掃描范圍內(nèi)的K個(gè)子區(qū)域進(jìn)行自由組合,形成長(zhǎng)度為1~K的區(qū)域集合,其中具有連續(xù)性的區(qū)域,即為候選聚集區(qū)空間,而其中LLR最大者,即為一類(lèi)聚集區(qū)。該算法繼而被整合成軟件FleXScan[34],在國(guó)內(nèi)外的疾病模式研究[35-37]和方法比較研究[38-39]中均有廣泛應(yīng)用。該方法有效避免了聚集區(qū)遺漏和過(guò)度估計(jì)的問(wèn)題,也避免了貪心算法所存在的“局部最大化問(wèn)題”。但是該算法在參數(shù)K的選擇上缺乏客觀標(biāo)準(zhǔn)。此外,該算法運(yùn)算量大,適用于探測(cè)中小聚集區(qū)。

      Yiannakoulias等[25]于 2007年提出了“深度限制(depth limit)”的方法,將貪心算法中每一步要求LLR值最大化,放寬到經(jīng)過(guò)u步后,LLR值仍未達(dá)到新高,聚集區(qū)才停止“擴(kuò)張”,從而緩解了“局部最大化”問(wèn)題。

      幾何懲罰算法適用于研究者具備關(guān)于真實(shí)聚集區(qū)的大小、形狀等屬性的先驗(yàn)知識(shí),并能夠根據(jù)先驗(yàn)知識(shí)預(yù)設(shè)懲罰參數(shù)的情形。但是,預(yù)設(shè)參數(shù)的難度大,主觀性強(qiáng),尤其對(duì)聚集區(qū)形狀的限定往往缺乏說(shuō)服力。

      (2)發(fā)病率臨界懲罰算法

      為了解決過(guò)度估計(jì)問(wèn)題,Tango和 Takahashi[40]以對(duì)每一個(gè)子區(qū)域的發(fā)病人數(shù)的異常程度設(shè)定下限的辦法,對(duì)LLR值進(jìn)行如下懲罰:

      上述懲罰方法與靈活掃描統(tǒng)計(jì)量方法[28]聯(lián)合應(yīng)用,既解決了以往掃描方法“過(guò)度估計(jì)”的問(wèn)題,又沖破了靈活掃描統(tǒng)計(jì)量方法中對(duì)K大小的限制。但是,子區(qū)域發(fā)病人數(shù)異常程度的下限須事先設(shè)定。Tango建議以0.20作為al的默認(rèn)值[41]。

      4.迭代算法

      (1)模擬退火算法

      Duczmal和 Assuncao[30]于 2004年提出了一種圖論方法-模擬退火算法(simulated annealing algorithm,SA),又稱“偽最優(yōu)方案”[24]。該算法首先運(yùn)用 Kulldorff空間掃描統(tǒng)計(jì)量方法,篩選出一類(lèi)聚集區(qū),然后通過(guò)增減子區(qū)域,來(lái)尋找使LLR最大的不規(guī)則聚集區(qū)。如果新候選聚集區(qū)相對(duì)于上一步聚集區(qū),LLR值增長(zhǎng)不大或無(wú)增長(zhǎng)時(shí),則從新候選聚集區(qū)中隨機(jī)選擇一個(gè)作為下一步篩選的基礎(chǔ)[24]。這種隨機(jī)選擇的方法,降低了“局部最大化”風(fēng)險(xiǎn)。但是,SA算法非常復(fù)雜,其中所設(shè)的參數(shù)難以解釋,且缺乏設(shè)定標(biāo)準(zhǔn)[26]。Tango等[28]利用Duczmal教授提供的程序進(jìn)行模擬,發(fā)現(xiàn)在大部分情形下,該算法所識(shí)別出的區(qū)域遠(yuǎn)大于真實(shí)聚集區(qū)。

      Zhijun Yao等[23]吸收了現(xiàn)有不規(guī)則掃描方法“相鄰擴(kuò)張”的思想,于2011年提出了兩種基于迭代的算法--最大似然優(yōu)先算法(maxima-likelihood-first,MLF)和非貪心增長(zhǎng)算法(non-greedy growth,NGG)。

      (2)MLF算法

      該算法首先計(jì)算所有子區(qū)域的LLR值,并以其中最大者作為初始區(qū)域,與其鄰居組成新區(qū)域。從初始區(qū)域和新區(qū)域中選出LLR值最大者作為新的初始區(qū)域。重復(fù)以上過(guò)程,直到選出的區(qū)域覆蓋一半?yún)^(qū)域或一半人口。

      相對(duì)于最小生成樹(shù)算法,MLF算法每次“擴(kuò)張”基于多個(gè)“種子”,在一定程度上減弱了前者“方向性”生長(zhǎng)的問(wèn)題(即“局部最大化問(wèn)題”)。該算法運(yùn)行速度較快,但是迭代過(guò)程默認(rèn)將聚集區(qū)鎖定在初始區(qū)域周?chē)?。該法主要適用于掃描區(qū)域內(nèi)子區(qū)域數(shù)目較少,且不存在多個(gè)發(fā)病率過(guò)高的子區(qū)域的情形。

      (3)NGG算法

      在“相鄰擴(kuò)張”中,候選聚集區(qū)數(shù)目主要取決于上一步的區(qū)域數(shù)(即“基數(shù)”)和各區(qū)域的鄰居數(shù)。擴(kuò)張過(guò)程中,基數(shù)呈指數(shù)增長(zhǎng),但各區(qū)域的鄰居數(shù)變化不大。因此,控制候選聚集區(qū)數(shù)目的最好辦法是限定基數(shù)。

      首先設(shè)定基數(shù)上限M,將所有子區(qū)域放進(jìn)臨時(shí)列表,并計(jì)算每個(gè)區(qū)域的LLR,及它們的平均鄰居數(shù)L;從臨時(shí)列表中,按LLR值篩選出N=M/L個(gè)區(qū)域(設(shè)為集合A);清空列表,并將集合A及它的鄰居所組成的新候選聚集區(qū)放入臨時(shí)列表里。重復(fù)以上過(guò)程,直到選出的區(qū)域覆蓋一半?yún)^(qū)域或一半人口。

      迭代算法,區(qū)別于貪心算法之處在于每一次迭代中,新候選聚集區(qū)的構(gòu)建基于多個(gè)種子。但是,種子仍然是按一定標(biāo)準(zhǔn)(如在候選列表中LLR排前幾的區(qū)域)篩選出來(lái)的,未必是所有候選種子的隨機(jī)樣本。未來(lái)的研究仍然可以從該方面著手,進(jìn)一步提高迭代算法的性能。

      除了以上掃描方法之外,聚集區(qū)探測(cè)的思想還可根據(jù)具體研究問(wèn)題的背景,與遺傳算法[42-44]、決策樹(shù)算法[45]、基于格點(diǎn)化的方法[46-47]等相結(jié)合,充分發(fā)揮各種算法的優(yōu)勢(shì),解決具體問(wèn)題。隨著建模理論和技術(shù)的發(fā)展,通過(guò)建模方法,擬合發(fā)病與危險(xiǎn)因素之間的關(guān)系,并估計(jì)各區(qū)域發(fā)病的相對(duì)危險(xiǎn)度,直觀呈現(xiàn)各區(qū)域發(fā)病風(fēng)險(xiǎn)的高低,逐漸成為研究熱點(diǎn)和主要趨勢(shì)[48-50]。

      問(wèn)題和展望

      不規(guī)則聚集區(qū)探測(cè)方法的提出,克服了傳統(tǒng)的圓形窗口掃描的局限性,極大地提高了高發(fā)區(qū)域識(shí)別的準(zhǔn)確性。不同探測(cè)方法的適用情形不同。在某些空間模式下,某種探測(cè)方法可能表現(xiàn)出明顯的優(yōu)勢(shì),但很難保證該方法在所有情形下,均具有相對(duì)優(yōu)勢(shì)[50]。各種方法提出時(shí),須通過(guò)模擬研究進(jìn)行性能評(píng)估。已有研究在設(shè)定空間模式時(shí),存在兩個(gè)問(wèn)題:一是所設(shè)聚集區(qū)形狀過(guò)少,常常為圓形、環(huán)形等規(guī)則形狀;二是發(fā)病率或相對(duì)危險(xiǎn)度的水平數(shù)過(guò)少,往往假定聚集區(qū)內(nèi)外共兩水平,因此只能局限于對(duì)一類(lèi)聚集區(qū)識(shí)別能力的評(píng)估上[25]。此外,已有研究發(fā)現(xiàn),以LLR值作為篩選指標(biāo)存在“過(guò)度估計(jì)”的問(wèn)題[26,28]。未來(lái)的研究,需要尋找更加準(zhǔn)確的LLR值懲罰方法,并設(shè)置全面的空間模式,對(duì)這些方法的性能進(jìn)行模擬評(píng)估。

      [1]Tobler WR.A Computer Movie Simulating Urban Growth in the Detroit Region.1970:234-240.

      [2]Wheeler DC.A comparison of spatial clustering and cluster detection techniques for childhood leukemia incidence in Ohio,1996-2003.Int JHealth Geogr,2007,6:13.

      [3]Jennings JM,Curriero FC,Celentano D,et al.Geographic identification of high gonorrhea transmission areas in Baltimore,Maryland.Am JEpidemiol,2005,161(1):73-80.

      [4]董選軍,滕世助,余運(yùn)賢,等.掃描統(tǒng)計(jì)量在流行性腮腺炎聚集性判斷的應(yīng)用.中國(guó)衛(wèi)生統(tǒng)計(jì),2014(05):863-864.

      [5]康萬(wàn)里,鄭素華.空間掃描統(tǒng)計(jì)在中國(guó)菌陽(yáng)結(jié)核病分布中的應(yīng)用.中國(guó)衛(wèi)生統(tǒng)計(jì),2012(04):487-489.

      [6]何明禎,劉劍,依火伍力,等.高山地區(qū)釘螺分布的空間特征研究.中華流行病學(xué)雜志,2011,32(4):361-365.

      [7]徐玨,黃春萍,宋姝娟,等.Moran’s I系數(shù)分析手足口病的空間自相關(guān)性.浙江預(yù)防醫(yī)學(xué),2014(6):541-543,556.

      [8]裴姣,殷菲,李曉松,等.Turnbull方法在四川省結(jié)核病空間聚集性分析中的應(yīng)用初探.中華疾病控制雜志,2011,15(5):441-444.

      [9]Turnbull BW,Iwano EJ,Burnett WS,et al.Monitoring for clusters of disease:application to leukemia incidence in upstate New York..A-merican journal of epidemiology,1990,132(1 Suppl):S136-S143.

      [10]馮海歡,殷菲,李曉松,等.Besag_Newell方法在內(nèi)蒙古布魯氏菌病空間聚集性分析的應(yīng)用初探.中華疾病控制雜志,2011,15(6):527-530.

      [11]趙飛,朱蓉,張利娟,等.SaTScan在湖沼型血吸蟲(chóng)病聚集區(qū)域探測(cè)中的應(yīng)用.中國(guó)血吸蟲(chóng)病防治雜志,2011,23(1):28-31.

      [12]李秀央,陳坤.掃描統(tǒng)計(jì)量的理論及其在空間流行病學(xué)中的應(yīng)用.中華流行病學(xué)雜志,2008,29(8):828-831.

      [13]Deng T,Huang Y,Yu S,et al.Spatial-temporal clusters and risk factors of hand,foot,and mouth disease at the district level in Guangdong Province,China.PLoS One,2013,8(2):e56943.

      [14]Kulldorff M.A spatial scan statistic.Communications in Statistics-Theory and methods,1997,26(6):1481-1496.

      [15]Yiannakoulias N,Wilson S,Kariuki HC,et al.Locating irregularly shaped clusters of infection intensity.Geospat Health,2010,4(2):191-200.

      [16]Naus JI.The Distribution of the Size of the Maximum Cluster of Points on a Line.1965:60,532-538.

      [17]殷菲.時(shí)-空掃描統(tǒng)計(jì)量在傳染病早期預(yù)警中的應(yīng)用研究.四川大學(xué)流行病與衛(wèi)生統(tǒng)計(jì)學(xué),2007.

      [18]Dwass M.Modified Randomization Tests for Nonparametric Hypotheses.1957:28,181-187.

      [19]Kulldorff M.Satscan User Guide v7.0.

      [20]錢(qián)莎莎,郭巍,王麗艷,等.基于地理信息系統(tǒng)的我國(guó)艾滋病聚集性流行的空間分析.中國(guó)衛(wèi)生統(tǒng)計(jì),2014(06):1064-1067.

      [21]唐咸艷,周紅霞.掃描統(tǒng)計(jì)及其在流行病學(xué)中的應(yīng)用.中國(guó)衛(wèi)生統(tǒng)計(jì),2011(03):332-337.

      [22]袁東方,應(yīng)莉婭,劉志芳,等.基于谷歌地圖的傳染病空間聚集性分析.中國(guó)衛(wèi)生統(tǒng)計(jì),2014(03):414-417.

      [23]Yao Z,Tang J,Zhan FB.Detection of arbitrarily-shaped clusters using a neighbor-expanding approach:A case study on murine typhus in South Texas.International Journal Of Health Geographics,2011,10(23).

      [24]Duczmal L,Duarte AR,Tavares R.Extensions of the scan statistic for the detection and inference of spatial clusters.2009.

      [25]Yiannakoulias N,Rosychuk RJ,Hodgson J.Adaptations for finding irregularly shaped disease clusters.INTERNATIONAL JOURNAL OF HEALTH GEOGRAPHICS,2007,6(28).

      [26]Assuncao R,Costa M,Tavares A,et al.Fast detection of arbitrarily shaped disease clusters.Stat Med,2006,25(5):723-742.

      [27]Patil GP,Taillie C.upper level set scan statistic for detacting arbitrarily shaped hotspots.2004:11,183-197.

      [28]Tango T,Takahashi K.A flexibly shaped spatial scan statistic for detecting clusters.Int JHealth Geogr,2005,4:11.

      [29]Wieland SC,Brownstein JS,Berger B,et al.Density-equalizing Euclidean minimum spanning trees for the detection of all disease cluster shapes.Proc Natl Acad Sci USA,2007,104(22):9404-9409.

      [30]Duczmal L,Assun??o R.A simulated annealing strategy for the detection of arbitrarily shaped spatial clusters,2004,2:269-286.

      [31]劉桂林.基于貪心算法的時(shí)間片優(yōu)先級(jí)排課算法的研究與應(yīng)用.湖南大學(xué)計(jì)算機(jī)技術(shù),2013.

      [32]Kulldorff M,Huang L,Pickle L,et al.An elliptic spatial scan statistic.Stat Med,2006,25(22):3929-3943.

      [33]Duczmal L,Kulldorff M,Huang L.Evaluation of spatial scan statistics for irregularly shaped clusters.JOURNAL OF COMPUTATIONAL AND GRAPHICAL STATISTICS,2006,15(2):428-442.

      [34] Takahashi K,Yokoyama T,Tango T.FleXScan:Software for the flexible spatial scan statistic.2004.

      [35]Demoury C,Goujon-Bellec S,Guyot-Goubin A,et al.Spatial variations of childhood acute leukaemia in France,1990-2006:global spatial heterogeneity and cluster detection at'living-zone'level.EUROPEAN JOURNAL OF CANCER PREVENTION,2012,21(4):367-374.

      [36]周劍南,馮子健,譚柯,等.Flexible空間掃描統(tǒng)計(jì)量在傳染病聚集性探測(cè)的應(yīng)用研究.中華疾病控制雜志,2010(06):475-478.

      [37]張文增,李長(zhǎng)青,冀國(guó)強(qiáng),等.空間掃描統(tǒng)計(jì)量在手足口病空間聚集性研究中的應(yīng)用.中國(guó)衛(wèi)生統(tǒng)計(jì),2012(04):507-509.

      [38]You W,Tao P,Chenghu Z,et al.ACOMCD:a multiple cluster detection algorithm based on the spatial scan statistic and ant colony optimization.Computational Statistics&Data Analysis,2012,56(2):283-296.

      [39]Ramis R,Gomez-Barroso D,Lopez-Abente G.Cluster detection of diseases in heterogeneous populations:an alternative to scan methods.GEOSPATIAL HEALTH,2014,8(2):517-526.

      [40]Tango T,Takahashi K.A flexible spatial scan statistic with a restricted likelihood ratio for detecting disease clusters.STATISTICS IN MEDICINE,2012,31(30SI):4207-4218.

      [41]Tango T.A spatial scan statistic with a restricted likelihood ratio.200875-95.

      [42]Duczmal L,Cancado ALF,Takahashi RHC,et al.A genetic algorithm for irregularly shaped spatial scan statistics.COMPUTATIONAL STATISTICS&DATA ANALYSIS,2007,52(1):43-52.

      [43]Sahajpal R,Ramaraju GV,Bhatt V.Applying niching genetic algorithms for multiple cluster discovery in spatial analysis.Proceedings of International Conference on Intelligent Sensing and Information Processing,2004:35-40.

      [44]Cancado A L F,Duarte A R,Duczmal L H,et al.Penalized likelihood and multi-objective spatial scans for the detection and inference of irregular clusters.International Journal of Health geographics,2010,9(55).

      [45]Gaudart J,Poudiougou B,Ranque S,et al.Oblique decision trees for spatial pattern detection:optimal algorithm and application to malaria risk.BMC Med Res Methodol,2005,5:22.

      [46]Yiannakoulias N,AK,Schopflocher D,et al.Using Quad Trees to Generate Grid Points for Applications in Geographic Disease Surveillance.2007:3,1-9.

      [47]Boscoe FP,McLaughlin C,Schymura MJ,et al.Visualization of the spatial scan statistic using nested circles.HEALTH&PLACE,2003,9(3):273-277.

      [48]張王劍,季振東,郭貔,等.廣東省2009-2012年手足口病流行趨勢(shì)分析.中山大學(xué)學(xué)報(bào)(醫(yī)學(xué)科學(xué)版),2014,35(4):607-613.

      [49]Aamodt G,Samuelsen SO,Skrondal A.A simulation study of three methods for detecting disease clusters.Int J Health Geogr,2006,5:15.

      [50]Meliker JR,Sloan CD.Spatio-temporal epidemiology:principles and opportunities.Spat Spatiotemporal Epidemiol,2011,2(1):1-9.

      國(guó)家自然科學(xué)基金面上項(xiàng)目(81473064)

      △通信作者:郝元濤,E-mail:haoyt@m(xù)ail.sysu.edu.cn

      郭海強(qiáng))

      猜你喜歡
      聚集區(qū)懲罰區(qū)域
      成都市科技服務(wù)業(yè)發(fā)展現(xiàn)狀分析
      神的懲罰
      小讀者(2020年2期)2020-03-12 10:34:06
      Jokes笑話
      懲罰
      土族聚集區(qū)傳統(tǒng)常用野生植物及相關(guān)傳統(tǒng)知識(shí)的研究
      關(guān)于四色猜想
      分區(qū)域
      真正的懲罰等
      基于嚴(yán)重區(qū)域的多PCC點(diǎn)暫降頻次估計(jì)
      時(shí)空掃描統(tǒng)計(jì)量三維可視化的實(shí)現(xiàn)*
      山阳县| 望奎县| 赤城县| 浮梁县| 宁城县| 封开县| 玉龙| 井陉县| 肥城市| 昭通市| 吴忠市| 新河县| 溧阳市| 云南省| 永昌县| 隆德县| 平安县| 太保市| 夏河县| 苗栗市| 古田县| 榆中县| 新安县| 固镇县| 慈利县| 瑞昌市| 平山县| 庄浪县| 灌云县| 蒙自县| 宁河县| 马山县| 合江县| 景洪市| 桦川县| 广南县| 邹城市| 丹棱县| 犍为县| 峨山| 两当县|