Прогнозы тб: Блог «Прогнозы ТБ»

Прогнозы на футбол — все прогнозы от экспертов и любителей

Прогнозы на футбол ежедневно привлекают внимание сотен тысяч людей по всей планете, и это неспроста. Популярность игры с каждым днем становится только выше, а интерес к ставкам выходит на качественно новый уровень с популяризацией онлайн букмекерских контор. Каждую неделю вниманию зрителей представляется большое количество матчей из самых различных лиг и соревнований: от знаменитой Английской Премьер-Лиги до более скромных первенств Южной Америки. Каждый чемпионат имеет свою особенность и захватывает не только собственного зрителя, но и поклонников за пределами страны.

Огромной популярностью в наши дни пользуются бесплатные прогнозы на футбол для ведущих первенств Европы. Сегодня в число пяти лучших чемпионатов Старого Света входят АПЛ, Ла Лига, Серия А, Бундеслига и французская Лига 1. Каждый из этих чемпионатов имеет свой собственный неповторимый почерк, который обязательно необходимо учитывать при формировании качественного прогноза. Команды из этих лиг являются постоянными участниками и главными претендентами на победу в международных турнирах, особняком среди которых стоят Лига чемпионов и Лига Европы. Однако нельзя обойти стороной и более скромные состязания, которые ежегодно проходят на всех континентах.

Когда дело доходит до ставок, всегда очень важно знать, где найти прогнозы на футбол от профессионалов. Наши эксперты выполняют всесторонний анализ предстоящих игр, чтобы подготовить максимально информированный совет для пользователей. Неудивительно, что именно футбольная команда экспертов насчитывает в своем составе наибольшее количество человек, а если добавить к ним целую армию простых любителей игры, то прогнозы на футбол бесплатно становятся самым популярным и востребованным сегментом. Прогнозы на футбол от экспертов всегда находятся в свободном доступе на нашем сайте. За них не нужно платить, а следует довериться кропотливой работе специалистов, которые занимаются глубоким изучением статистики, текущей формы команд, турнирной мотивации и множества других факторов.

Прогнозы на спорт и ставки от профессионалов сегодня

Вы попали на Betting Insider – социальную сеть для любителей ставок. Здесь можно найти прогнозы на спорт, почитать аналитические материалы, изучить статистику, сравнить свои прогнозы с мнением экспертов – бывших футболистов, спортивных комментаторов.

Сайт
betting.team
не ограничивается спортивными прогнозами и крутым чтивом со статистикой, у нас можно делать ставки на спорт. Betting Insider – виртуальный букмекер, принимающий ставки на спорт в нашей вымышленной валюте – беткоинах.

Мы не только позволяем сделать ставку на топовые события, но и ведем честную статистику по каждому пользователю – так вы проверите успешность своих ставок на дистанции. Прематч или лайв – играйте как вам нравится.

Сейчас у нас есть следующие разделы с прогнозами на спорт:

У кого-то обязательно возникнет вопрос: зачем нужен сайт Betting Insider, когда можно играть в настоящих букмекерских конторах на реальные деньги? У нашего проекта есть свои плюсы, главный из которых – обучение и тестирование своих стратегий перед игрой у реального букмекера. Пользователи сайта учатся ставкам на спорт, участвуют в розыгрышах призов и не рискуют при этом настоящими деньгами.

Также на Betting Insider можно подписаться на самых успешных прогнозистов, следя за их стратегией ставок и аналитикой. Можно повторить прогноз, если аргументация покажется достаточной убедительной. Лучшие капперы собраны на вкладке «
Рейтинг
» в верхнем меню сайта. Также капперам будут полезны следующие разделы меню:

• База знаний
  – настоящая энциклопедия ставок, здесь есть и развернутые статьи о букмекерских ставках, и разъяснение базовых понятий. Например, в базе знаний мы даем определения основным букмекерским терминам.
• Матч-центр
  – здесь собраны матчи и турниры, доступные для ставок на сайте. По умолчанию матч-центр открывается со ставками на сегодня, но можно выбрать игры на завтра или по конкретной дате в календаре. Выбирайте нужный матч – читайте прогнозы к нему от лучших капперов сайта, а также делайте свои ставки.
• Прогнозы
  – в разделе можно выбрать два варианта отображения ленты – общая и подписки. Общая лента формируется из прогнозов пользователей и экспертов – бывших футболистов и комментаторов. В ленте по подпискам отображаются только прогнозы пользователей, на которых вы подписались.
• Рейтинг
  – на этой вкладке можно посмотреть лучших капперов среди обычных пользователей и экспертов сайта. Рейтинг пользователей можно сортировать за месяц или все время работы Betting Insider.
• Блог
  – в этом разделе мы регулярно публикуем аналитические материалы, новости и подборки прогнозов от экспертов. Если хотите следить за беттингом и новостями букмекерского бизнеса, заглядывайте в блог.

Бесплатные прогнозы на спорт от профессионалов

Как вы уже поняли, на
betting.team
можно найти прогнозы на спорт на сегодня не только от простых капперов, но и от экспертов – спортивных комментаторов и бывших игроков. Это совсем не означает, что прогнозы от профессионалов обязательно точные и принесут успех, но интересно сравнить собственный уровень с Василием Уткиным или Георгием Черданцевым.

Мы ежедневно собираем бесплатные прогнозы известных личностей с разных площадок и публикуем их на Betting.Team. Теперь вы всегда можете открыть
рейтинг экспертов
и узнать, кто из них лучше прогнозирует футбольные и другие спортивные события.

Что значит ТБ(7) в ставках и прогнозах на спорт?

Что означает ставка ТБ(7) на спортивное событие?

В чем преимущество прогнозов на ТБ(7) в БК?

Может ли ставка на ТБ(7) быть полностью возвращена?

ТБ(7): прогноз на тотал матча больше 7.

По умолчанию букмекеры принимают подобные ставки на общее количество голов в основное время матча. При расчете учитывают голы всех соперников противостояния, поскольку тотал не является индивидуальным.

Благодаря целочисленному значению тотала (7) ставка может быть возвращена (частный случай).

Всего у прогноза на ТБ(7) есть три вероятных исхода: выигрыш, возврат, проигрыш. По итогам расчета ставке будет «присвоен» один из них.

Выигрыш: Если условный матч Хозяев и Гостей завершится в основное время количеством голов не менее 8, то прогноз ТБ(7) сбудется. Это будет означает выплату выигрыша в соответствии с коэффициентом ставки. Счет: 7:1, 5:5, 2:8, 7:6.

Возврат: Если противостояние Хозяев и Гостей закончится 7 забитыми голами, то ставка ТБ(7) будет возвращена, то есть вся сумма прогноза вернется игроку обратно. Счет: 6:1, 2:5, 4:3, 0:7.

Проигрыш: Если по итогам поединка Хозяев и Гостей было забито не более 6 голов, то прогноз на ТБ(7) не сбудется. В таком случае все деньги, поставленные на пари с БК, будут проиграны. Счет: 5:1, 1:0, 2:3, 0:0.

Купить

Купить

Прогнозы на спорт — Betteam. Ставки на спорт

Футбольная стратегия Против счета или тотал больше 0.5

Футбольные прогнозы / Футбольные заметки / Букмекерские вилки / Обзор букмекерских контор / Прогноз на футбол

Стратегия против счета — преимущества

• • Качественный отбор матчей дает высокую проходимость и постоянный плюс.

• Результат почти сразу. Через 45 минут вы получаете гарантированную прибыль.
• Можно использовать различный вариант риск-менеджмента( торговля агрессивная, где сумма выигрыша выше, или более консервативная)
  На длинной дистанции данная стратегия приносит стабильный плюс.
• Единственный минус стратегии — чтобы поймать нормальный кэф на тб 0.5 чаще надо делать ставку по хода матча, т.е. в лайве. Можно конечно ставить по текущему — но кэф тогда будет в районе 1.2-1.3.
  

  ---

  ---

  Стратегия Против счета подкупает своей простотой исполнения – вы делаете ставку на матч, который вы получили в нашем прогнозе. Советуем делать ставки в этой бк, зеркало мостбет и обзор вы можете найти на нашем сайте. Почему именно эта бк? Из за высоких кэфов на события, из за надежности, из за моментальных выплат и круглосуточной поддержки.

  Ставку делаете в 1 тайме на тотал больше 0.5. Таким образом, ставка выигрывает, если счет первого тайма изменяется, и проигрывает, если первый тайм оканчивается нулевой ничьей.
  Если первый тайм закончился 0-0, то мы выставляем повышенную ставку на второй тайм на тотал больше(тб) 0.5.
  Повышенная ставка это та ставка, которая позволяет вам перекрыть минус 1 тайма + дает прибыль.
  На первый взгляд стратегия кажется очень простой, но не все так просто. Будут матчи где будут быстрые голы в первом или во втором тайме. После нулевого первого тайма, надо выбрать правильный матч для догона, который позволит закрыть минус предыдущего тайма. Со временем у вас появится внутреннее ощущение правильности выбора того или иного матча. Но вернемся к основам.

  Если матч закончился 0-0

  Если матч закончился 0-0, то стратегия против счета предусматривает несколько вариантов развития событий.

  1. Самый безопасный — зафиксировать минус и начать ставить с нуля.

  Стратегия плюсовая даже при такой лайтовой игре. Бывают дни, когда есть минус, но это нормально.

  2. Догнать минус на следующем матче.

  Берете следующий матч из предложенных нами и догоняетесь. Не уверены в матче? Можно проконсультироваться с нами. Мы подскажем, на каком матче лучше догнаться.
  Догон требует большого банка. Но и прибыль здесь в разы больше, нежели при игре флетом.

  Среди десятков стратегий, опробованных нами, мы выделяем эту стратегию «Против счета» и ее разновидности. Она приносит прибыль участникам конференции уже несколько лет и на сегодняшний день является одной из самых прибыльных.

Отбор матча под стратегию тб 0.5

Отдельно хотелось бы остановиться на теме отбора матча под нашу стратегию тб.

При отборе советуем использовать различные дополнительные аналитические футбольные сайты, которые облегчают нам жизнь и помогают в выборке.

Какие матчи подходят под стратегию тб 0.5? Можно обратить взор на:

• Матчи забивных лиг
• Матчи, где присутствует явный фаворит и аут
• Матчи, где мотивация зашкаливает

С опытом вы будете обладать большой базой забивных клубов, на матчи которых можно делать ставки без особого анализа.

Обирайте матчи, практикуйтесь, можно вначале на бумажке на фантики а уже потом переходите к реальным ставкам.n

Прогнозы на спорт, точные прогнозы от профессионалов

Прогнозы спорта от портала «Онлайн Букмекеры»

Среднестатистический любитель футбола или другого популярного вида спорта полагает, что его знаний вполне достаточно для верного прогнозирования событий. Пара успешных ставок на старте могут убедить его в собственных аналитических способностях. Однако на дистанции такая самоуверенность оборачивается регулярными проигрышами и потерей депозита.

Профессиональные аналитики, разрабатывающие лучшие прогнозы на спорт, практикуют совершенно иной подход. Громкое имя команды может означать ровным счетом ничего при составлении прогноза. В его основе лежит глубокий и всесторонний анализ больших объемов информации. Эксперты Online-Bookmakers:

• обрабатывают статистические сведения из недоступных массовому пользователю источников;
• пользуются собственной базой статистики, накопленной за много лет аналитической работы;
• собирают данные для построения точной модели xG (ожидаемых голов), которая позволяет с высокой точностью определить качество игры команд на текущем этапе;
• анализируют сезонные особенности национальных чемпионатов, индивидуальные показатели спортсменов;
• учитывают характер движения коэффициентов в линиях букмекерских контор.

Экспертный подход к прогнозированию спортивных событий в разы увеличивает проходимость ставок. Огромный процент информации, на основе которой строятся прогнозы, просто незаметен обычному поклоннику спорта. А профессиональные аналитики объективно оценивают все качественные показатели соперников, оставляя в стороне эмоциональную составляющую.

Есть ли гарантии у наших спортивных прогнозов?

«Бесплатный прогноз на то и бесплатный, потому что бесполезный». Так считают многие неопытные беттеры, готовые отдать свои деньги за платную аналитику, которая в лучшем случае была скопирована из свободного источника, а в худшем – просто взята «с потолка». Их мнение в корне ошибочно.

На самом деле, бесплатный прогноз как воздух нужен каждому начинающему игроку. Для новичка экспертное мнение будет крайне полезным. Изучая рекомендованные прогнозы, он будет сравнивать их с собственными расчетами и постепенно набирать опыт, необходимый для успешного беттинга.

Продвинутые игроки тоже часто пользуются подсказками от специалистов нашего портала. У беттеров при частом совершении ставок на спорт нередко «замыливается глаз», что негативно сказывается на объективности прогнозов. И квалифицированное мнение со стороны в таких случаях окажется очень полезным.

Даже профессиональные капперы отдают должное бесплатным онлайн прогнозам от наших аналитиков. Ведь чем больше авторитетных мнений было принято к сведению, тем выше вероятность сделать выигрышную ставку.

Эксперты Online-Bookmakers работают в сфере ставок с 2001 года, что наглядно подтверждает их огромный опыт – как в теории, так и в практике прогнозирования спортивных событий. В качестве базы для построения аналитических выкладок используется обширная база статистических данных, накопленная за эти годы. Кроме того, на нашем сайте работают эксперты с узкой специализацией, которые фокусируются на работе с определенными видами спорта. Каждый аналитик отвечает за свой сегмент, что обеспечивает высокие показатели прохода рекомендованных ставок.

Следует понимать, что даже самый качественный прогноз, основанный на глубоком анализе статистических и прочих значимых данных, не может служить гарантией 100% прохода ставки. Необходимо рассчитывать на прибыль в долгосрочной перспективе, а также вести грамотную стратегию управления банкроллом. Совершайте ставки, адекватно оценивая возможные последствия, и не играйте в букмекерских конторах на заемные средства.

Букмекерский портал Online-Bookmakers.com заинтересован в долгосрочном и плодотворном сотрудничестве с игроками. Прислушивайтесь к нашим рекомендациям – и ваши ставки обязательно сыграют!

ЭБ/Стреймур — ТБ Тверойри. Прогноз и ставка за 1.75 / Прогнозы на футбол

В субботу, 23 мая, в рамках третьего тура чемпионата Фарерских островов по футболу «ЭБ/Стреймур» на своей арене сыграет с «ТБ Тверойри». Начало игры — в 16:30 по мск. «ЭБ/Стреймур» — «ТБ Тверойри»: прогноз, ставка, коэффициенты, статистика.

«ЭБ/Стреймур»

«ЭБ/Стреймур» в минувшем первенстве финишировал на предпоследней девятой строке, но из-за того, что в первой лиге первые три места заняли дубли, то смог сохранить прописку в элите.

«Черно-синие» добыли лишь пять победных результатов в 27 поединках, три встречи свели вничью и 19 матчей проиграли, разница забитых и пропущенных — 25:63.

В первом туре коллектив из поселка Айи уступил на выезде «ХБ Торсхавну» со счетом 0:1, а в следующей игре был разгромлен в родных стенах «НСИ Рунавиком» (0:3).

Отметим, что у «ЭБ/Стреймура» на данный момент 5-матчевая проигрышная серия, в которой команда забил всего лишь один гол при 15 пропущенных.

«ТБ Тверойри»

«ТБ Тверойри» в прошлогоднем первенстве был всего лишь восьмым, опередив девятую строку, на которой расположился предстоящий противник, всего лишь на один балл.

Все прогнозы на футбол

В 27 поединках минувшего первенства «черно-белые» добыли всего пять викторий, четыре раза сыграли вничью и 18 игр проиграли, разница забитых-пропущенных составила — 20:57.

Свой первый поединок текущей компании «ТБ Тверойри» проиграл на выезде «НСИ Рунавику» (1:3), а затем уступил дома «КИ Клаксвик» (1:2), пропустив второй гол на девятой компенсированной минуте.

Стоит отметить, что у команды из юга архипелага на данный момент 12-матчевая безвыигрышная серия, где 11 встреч были проигрышными.

В прошлом чемпионате ТБ выиграл де игры (1:0 — дома и 2:0 — на выезде) при одном поражении (1:2 — в родных стенах).

Прогноз и ставки

От поединка двух аутсайдеров фарерского первенства, которые особо не отличаются высокой результативностью, не приходится ожидать большого количества мячей. Наши прогноз и ставка: ТМ 2,5.

Прогнозирование влияния старения населения на заболеваемость туберкулезом

Аннотация

Фон

Туберкулез (ТБ) реактивируется в результате отдаленной скрытой инфекции или недавней (повторной) инфекции. Риск прогрессирования увеличивается с возрастом. Во всем регионе Западной части Тихого океана Всемирной организации здравоохранения многие группы населения стареют и имеют самые высокие показатели заболеваемости туберкулезом на душу населения в старших возрастных группах. Однако методы анализа повозрастной заболеваемости ТБ и прогнозирования тенденций эпидемии с учетом демографических изменений остаются ограниченными.

Методы

Мы применили модели Ли-Картера, которые изначально были разработаны для моделирования смертности, для моделирования временных тенденций в данных о повозрастной заболеваемости ТБ с 2005 по 2018 год на Тайване. Самки и самцы моделировались отдельно. Мы объединили наши демографические прогнозы и прогнозы заболеваемости туберкулезом по возрасту, чтобы спрогнозировать заболеваемость туберкулезом до 2035 года. Мы сравнили прогнозы заболеваемости туберкулезом с демографическими данными, зафиксированными в 2018 году, с прогнозами, учитывающими демографические изменения.

Результаты

Наши модели позволили количественно оценить рост заболеваемости с возрастом и временные тенденции к снижению.Согласно прогнозу, к 2035 году заболеваемость туберкулезом на Тайване снизится на 54% (95% интервал прогноза (ИП): 45-59%) по сравнению с 2015 годом, в то время как большинство повозрастных показателей заболеваемости снизятся более чем на 60%. %. В 2035 году на взрослых в возрасте 65 лет и старше будет приходиться 78% случаев заболевания туберкулезом. Прогноз заболеваемости ТБ в 2035 году с учетом демографических изменений будет на 39% (95% PI: 36–42%) выше, чем без старения населения.

Выводы

Повозрастные прогнозы заболеваемости в сочетании с демографическими прогнозами могут дать информацию о влиянии старения населения на эпидемии туберкулеза.Программа борьбы с туберкулезом на Тайване должна разрабатывать планы, ориентированные на старшие возрастные группы и их потребности в уходе.

Образец цитирования: Ku C-C, Dodd PJ (2019) Прогнозирование влияния старения населения на заболеваемость туберкулезом. PLoS ONE 14 (9):
e0222937.

https://doi.org/10.1371/journal.pone.0222937

Редактор: Мишель Тиццони, Фонд ISI, ИТАЛИЯ

Поступила: 28 июня 2019 г .; Дата принятия: 10 сентября 2019 г .; Опубликовано: 24 сентября 2019 г.

Авторские права: © 2019 Ku, Dodd.Это статья в открытом доступе, распространяемая в соответствии с условиями лицензии Creative Commons Attribution License, которая разрешает неограниченное использование, распространение и воспроизведение на любом носителе при условии указания автора и источника.

Доступность данных: Весь код анализа и данные доступны в репозитории github: https://github.com/TimeWz667/AgeingTB.

Финансирование: Исследование было поддержано Советом медицинских исследований Великобритании (грант MR / P022081 / 1, предоставленный PJD).Финансирующие организации не играли никакой роли в дизайне исследования, сборе и анализе данных, принятии решения о публикации или подготовке рукописи.

Конкурирующие интересы: Потенциальный конфликт интересов и практические соображения заключаются в том, что соавтор Питер Додд также является редактором PLOS ONE для этой коллекции. Это не влияет на нашу приверженность политике PLOS ONE в отношении обмена данными и материалами.

Введение

В 2018 году туберкулез (ТБ) по-прежнему оставался главным инфекционным убийцей в мире [1].Стратегия «Положить конец туберкулезу» направлена ​​на снижение заболеваемости туберкулезом на 90% к 2035 году по сравнению с 2015 годом, но текущие глобальные темпы снижения примерно на 2% в год не позволяют достичь этого [2]. Риск скрытой инфекции ТБ накапливается в течение всей жизни, пока передача ТБ продолжается. Распространенность латентной инфекции ТБ наиболее высока в старших возрастных группах [3], которые не только подвергались наибольшему воздействию, но и часто подвергались более высокому уровню передачи ТБ в прошлом. Таким образом, старение, сопровождающееся более высокими темпами прогрессирования [4], действует как демографический драйвер повышения заболеваемости туберкулезом на душу населения [5].В регионе Западной части Тихого океана во многих странах самые высокие показатели заболеваемости ТБ на душу населения среди старших возрастных групп [1]. Среди стран региона Западной части Тихого океана Китай, Гонконг (Китай), Япония, Корея, Сингапур и Тайвань сталкиваются как с высоким бременем ТБ, так и со старением населения [6,7].

Возрастной профиль будущей заболеваемости ТБ имеет решающее значение для прогнозирования потребностей общественного здравоохранения и разработки рациональной политики [8]. Во-первых, у пожилых людей будет более высокий уровень смертности от туберкулеза (и фоновой) [9,10], что подразумевает дополнительные трудности в достижении целей успешного лечения.Во-вторых, у пожилых людей больше сопутствующих заболеваний и более сложные потребности в медицинской помощи, что может привести к более длительному процессу обращения за медицинской помощью и более высоким расходам на здравоохранение в расчете на один случай. Например, пациенты с хроническими заболеваниями легких могут иметь признаки или симптомы, совпадающие с туберкулезом, что делает правильную диагностику туберкулеза более медленной и более дорогостоящей [11]. В-третьих, доля случаев туберкулеза в старших возрастных группах должна использоваться при разработке политики, например, предлагая интегрировать точки входа в лечение туберкулеза в программы долгосрочного лечения или посредством обучения врачей, выделяя пожилых людей как группу риска по туберкулезу с их собственными проблемами диагностики и лечения. [11].

Для количественного прогнозирования возрастного профиля заболеваемости ТБ необходимы комбинированные модели, прогнозирующие демографические изменения, и статистические прогнозы повозрастной заболеваемости ТБ. Однако, насколько нам известно, анализ временных рядов, дающий возрастные прогнозы заболеваемости туберкулезом, не публиковался. Использование авторегрессионных интегрированных моделей скользящего среднего, часто включающих сезонность заболеваемости ТБ, является более распространенным [12], а анализ сопутствующих временных рядов применялся [13] без учета возрастной информации.Моделирование заболеваемости туберкулезом в зависимости от возраста, включая использование моделей возраст-период-когорта, было предпринято, но без подготовки эпидемических прогнозов (например, Iqbal et al. [14] и Wu et al. [15]). Механистическое математическое моделирование с возрастной структурой также может генерировать прогнозы [5,16–18]. Действительно, Arregui et al. [18] разработали прогнозы воздействия демографических изменений на эпидемии туберкулеза, сосредоточив внимание на четырех относительно молодых странах; наши интересы заключаются в разработке статистически точных подходов к временным рядам и в сосредоточении внимания на примере гораздо более пожилого населения.

Во многих условиях демографический переход и старение населения опережают снижение заболеваемости туберкулезом, поэтому необходимы методы для понимания и прогнозирования воздействия изменения демографии на эпидемии туберкулеза. Поэтому мы разработали статистический метод, позволяющий фиксировать возрастные тенденции заболеваемости и прогнозировать будущие эпидемии с учетом демографических изменений, поэтому необходимы дополнительные методы для понимания и прогнозирования воздействия изменения демографии на эпидемии туберкулеза.

Материалы и методы

Настройки и источники данных

Заболеваемость ТБ на Тайване неуклонно снижалась с 64 подтвержденных случаев ТБ на 100000 в 2007 году до 41 на 100000 в 2017 году.С 2005 года доля случаев туберкулеза на Тайване в возрасте старше 65 лет превышает 50% и продолжает расти. В период с 2007 по 2017 год средний возраст на Тайване увеличился с 36 до 40 лет, а доля взрослых старше 65 лет увеличилась с 10% до 14% [7].

Данные уведомления о случаях туберкулеза с подтвержденным посевом, за исключением иностранцев, были получены из системы эпиднадзора Тайваньского центра по контролю за заболеваниями. Подсчеты были представлены по возрастным группам, полу, месяцам и округам. Возраст был указан как (0–4, 5–9,…, 65–69, 70+) лет.Демографические данные были получены из Департамента статистики Министерства внутренних дел Тайваня. Эти данные включали среднегодовые оценки численности населения, смертность, миграцию в однолетних возрастах и ​​фертильность в пятилетних возрастных группах (15–19,…, 45–49). В качестве обучающей выборки использовались данные за 2005–2018 гг. Демографические данные с 2005 по 2017 год были собраны для демографического моделирования населения (более короткий период из-за графика выпуска). Все данные о тренировках в этой статье были опубликованы тайваньскими официальными лицами и доступны в свободном доступе в Интернете; использование лицензировано лицензией Open Government Data License: [https: // data.gov.tw/license].

Важно отметить, что мы предположили, что в течение периода, охватываемого этой статьей, не было пробелов в выявлении случаев. Поэтому мы рассматриваем «уведомление о туберкулезе» и «заболеваемость туберкулезом» как синонимы числа подтвержденных посевом случаев туберкулеза, зарегистрированных в течение определенного периода.

Моделирование и прогнозирование повозрастной заболеваемости

Мы рассмотрели годовые показатели заболеваемости по возрасту и полу. Показатели заболеваемости по возрастным группам и полу рассчитывались как число ежегодных уведомлений, деленное на соответствующие среднегодовые оценки населения.Самок и самцов анализировали отдельно с одинаковой параметризацией. Мы смоделировали уровни заболеваемости, используя модели Ли-Картера (LCM) [19], сформулированные с учетом возраста и времени. Изначально LCM были разработаны для моделирования уровня смертности, но сейчас они преобладают. Методы оценки, прогнозирования и бутстрэппинга для LCM хорошо развиты.

Мы выполнили оценку LCM на основе правдоподобия, а также сопоставимую регрессию Пуассона [20]:

, где E (.) — функция ожидания, год ∈ {2005,…, 2018} — календарный год, α _{возраст} — член эффекта возраста, κ _год — срок действия периода, а β _{возраст} — это коэффициенты, корректирующие эффекты периода для разных возрастных групп, а возраст ∈ {0-4,5-9,…, 70 +} представляет возрастные категории.Для сохранения идентифицируемости мы наложили ограничения Σ _год κ _год = 0 и Σ _{возраст} β _{возраст} = 1. Мы следовали процедуре подбора, предоставленной Браунсом. и другие. [20] для максимизации правдоподобия.

Две вложенные модели Пуассона, одна с использованием профиля возраста и эффекта дискретного периода, т. Е. α _{возраст} + κ _год , а другая с использованием профиля возраста и линейного эффекта, i .е. α _{возраст} + год × κ , использовались в качестве компараторов. Информационный критерий Акаике (AIC), байесовский информационный критерий (BIC) и логарифм правдоподобия считались метриками согласия. Определения этих показателей были идентичны обычной модели регрессии Пуассона [21]. См. Приложение S1 для получения подробной информации о спецификации LCM в нашем подходе.

Для прогнозирования, вдохновленного демографическим прогнозом Ли-Картера, мы использовали модели авторегрессионного интегрированного скользящего среднего с дрейфом [22], построенные на основе эффектов периода LCM.В прогнозировании процессов смерти и рождения применяется полупараметрическая бутстрап-выборка [23].

Моделирование и прогнозирование населения

Мы построили синтетическую популяцию с процессами рождения, смерти и миграции. Демографические методы адаптированы к тем, которые использовались в докладе Тайваньского национального совета развития о прогнозах численности населения [7]. Демография моделировалась по возрасту (0–100 лет) и полу. Для прогнозирования смертности использовалась модель Ли-Картера [19] в возрасте до 84 лет; и мы использовали метод Коула-Кискера [24] для лиц в возрасте старше 85 лет при моделировании уровня смертности, поскольку было обнаружено, что он более надежен для малых размеров выборки при выводе показателей смертности.При прогнозировании рождаемости использовались коэффициенты фертильности женщин детородного возраста от 15 до 49 с модифицированным LCM [25]. Для согласованности с прогнозированием заболеваемости для смертей и рождений использовалась полупараметрическая бутстрап-выборка [23]. Процесс миграции моделировался линейной регрессией с возрастными эффектами и линейным трендом; при прогнозировании применялась остаточная бутстрап-выборка с возрастными параметрами, наблюдавшимися в 2017 году. Прогнозы использовались на следующем этапе путем агрегирования по возрастным группам, как и данные о заболеваемости.См. Приложение S2 для подробной методологии синтетической популяции.

Прогнозирование общей заболеваемости туберкулезом

Модель заболеваемости туберкулезом и демографическая модель были построены независимо. Прогнозы повозрастной заболеваемости туберкулезом были взвешены по прогнозируемой демографии населения, чтобы получить прогнозы заболеваемости туберкулезом на душу населения для всего населения. Заболеваемость туберкулезом рассчитывалась на 100 000 показателей по данной страте. Снижение заболеваемости туберкулезом было рассчитано по отношению к заболеваемости в 2015 году и представлено в процентах.Для простоты некоторые результаты были представлены для возрастных групп 0–14, 15–34, 35–64 и старше 65 лет. При прогнозировании 95% интервалы прогноза и средние значения вычислялись на основе 10 000 выборок начальной загрузки. Неопределенность распространялась от каждой подмодели. Для сравнения с целью глобального сокращения заболеваемости туберкулезом на душу населения [2] мы спрогнозировали заболеваемость до 2035 года. В качестве промежуточных показателей использовались вехи 2020, 2030 и 2035 годов стратегии «Положить конец туберкулезу» по процентному снижению заболеваемости туберкулезом на душу населения с 2015 года. результаты.

Заболеваемость, связанная с демографическими изменениями

Мы провели анализ сценария, чтобы выяснить потенциальное влияние демографических изменений. При прогнозировании повозрастной заболеваемости туберкулезом до 2035 года мы сохранили размер населения и возрастную структуру, как это было в 2018 году. Заболеваемость туберкулезом сравнивалась со значениями, включая прогнозируемые изменения в структуре населения, путем вычисления доли общей заболеваемости туберкулезом, относящейся к демографическим характеристикам. изменение каждый год как ( I _{1, год} — I _{0, год} ) / I _{1, год} , где I _{1, год} и I _{0, год} — это инциденты с демографическими изменениями и без них, соответственно, и это календарный год.Это соответствует определению атрибутивной фракции населения [26].

Все анализы были выполнены с использованием R 3.5 [27] и проанализированы / визуализированы с помощью пакета R StMoMo, TSA, ggplot2 [28–30]. Весь код анализа доступен по адресу [https://github.com/TimeWz667/AgeingTB].

Результаты

Моделирование заболеваемости

На рис. 1 показаны оценки моделей Ли-Картера данных о заболеваемости. Оценки влияния возраста ( α _{возраст} ) показали, что исходные уровни заболеваемости увеличиваются с возрастом.У обоих полов более высокие уровни в возрастных группах старше пятнадцати лет соответствуют более высокому уровню заболеваемости туберкулезом. Точечные оценки корректировок возраст-период ( β _{возраст} ) не выявили конкретной тенденции. Однако существуют большие неопределенности для всех оценок, относящихся к возрастным группам до 15 лет, из-за небольшого количества наблюдаемых уведомлений. Оценки эффекта периода ( κ _год ) имели почти постоянный наклон с календарными годами.На рис. 1 также показано прогнозирование эффектов периода с 95% -ными интервалами прогнозирования: интервалы прогнозирования для обоих полов росли с постоянной скоростью с календарным временем. Таблица 1 показывает степень соответствия НОК, вложенных моделей Пуассона возраст-период и моделей Пуассона возрастной тенденции. В AIC, BIC и логарифмической вероятности для обучающих данных результат LCM предпочтительнее двух других, хотя он требует более высокой степени свободы. См. Приложение S3 для получения подробной информации о графиках согласия и остатков.

Рис. 1. Аппроксимация модели Ли-Картера и прогнозирование заболеваемости туберкулезом.

(данные: 2005–2018 гг., Прогноз: 2019–2035 гг.). 95% доверительные интервалы оценщиков и интервалы предсказания прогнозов были рассчитаны посредством бутстрапинга с размером выборки 10 000.

https://doi.org/10.1371/journal.pone.0222937.g001

Прогноз населения

На рис. 2 показано демографическое изменение с 2005 по 2035 г. На рис. 2А максимальное количество населения составит 23 человека.6 миллионов в 2023 году и начнет сокращаться до 23,2 миллиона в 2035 году. Доля населения в возрасте старше 65 лет увеличивается за этот период и достигнет 27% в 2035 году. Доля населения в возрасте до 15 лет снижается примерно до 11%. . На рис. 2В сравнивается возрастная структура населения Тайваня в 2018 и 2035 годах, выделяя старение населения.

Прогнозирование заболеваемости и возрастная структура

На рис. 3 показаны тенденции заболеваемости туберкулезом среди населения и заболеваемости туберкулезом по возрастным группам (<15, 15–34, 35–64,> 65).Прогноз на рис. 3A предполагает, что заболеваемость туберкулезом в 2035 году составит 22 (95% интервал прогноза (ИП): 19–25) на 100 000 человек. Общее снижение заболеваемости достигнет 54% (95% ИП: 45–59%) в 2035 году, что на 37% меньше сокращения, предусмотренного Стратегией «Положить конец туберкулезу». На рис. 3В показано, что повозрастные уровни заболеваемости снизятся на 60–80% с 2015 по 2035 год, за исключением группы 5–9. Темпы снижения в большинстве возрастных групп будут выше, чем прогнозируемое снижение в 44% для всего населения. На рис. 3C показаны общие уровни заболеваемости по возрастным группам в виде гистограммы с накоплением.Показатели заболеваемости туберкулезом в возрастных группах до 65 лет будут постепенно снижаться, в то время как показатели заболеваемости туберкулезом в возрастных группах до 65 лет практически останутся неизменными с 2018 по 2035 год. На рис. 3D показана доля заболеваемости туберкулезом в каждой возрастной группе. Доля взрослых в возрасте старше 65 лет достигнет 68% (95% PI: 67–69%) и 79% (95% PI: 78–81%) в 2025 и 2035 годах, соответственно. В 2035 году более 97% инцидентов будут происходить среди лиц в возрасте 35 лет и старше, и действительно, вклад случаев в возрасте до 15 лет почти не виден на рис. 3C и 3D.

Рис. 3. Прогнозирование заболеваемости туберкулезом.

(A) Общий уровень заболеваемости на 100000 человек. В прогнозе пунктирная линия показывает средние значения, а заштрихованная область — 95% интервал прогноза. (B) Снижение уровня заболеваемости по пятилетним возрастным группам в течение 2015–2035 гг. С интервалом прогноза 95%. (C) Показатели заболеваемости по возрастным группам. (D) Доля возрастных групп в заболеваемости.

https://doi.org/10.1371/journal.pone.0222937.g003

Влияние демографии на заболеваемость туберкулезом

На рис. 4 показаны прогнозируемые уровни заболеваемости с демографическими изменениями и без них.В сценарии без демографических изменений прогноз предполагает, что заболеваемость в 2035 году будет около 13 на 100 000 по сравнению с 23 при демографических изменениях и цели сокращения на 90% — 4,5 на 100 000. 95% интервалы прогнозов для прогнозов с демографическими изменениями непрерывно расширяются из года в год, тогда как без демографических изменений они сходятся к постоянной ширине в течение пяти лет. В таблице 2 показано влияние демографических изменений. К 2020 году заболеваемость туберкулезом снизится на 23% и 27% с демографическими изменениями и без них, соответственно.С учетом демографических изменений прогнозируется снижение уровня заболеваемости на 54% (95% PI: 45–59%) с 2015 по 2035 год; без демографических изменений сокращение составит 72% (95% PI: 67% -76%). В обоих сценариях тенденции показателей заболеваемости показали убывающее сокращение временной шкалы. В обоих сценариях снижение заболеваемости со временем замедлилось. Сравнение прогнозов с динамической и фиксированной демографией показало, что 39% (95% PI: 36–42%) случаев туберкулеза в 2035 году будут связаны с демографическими изменениями.

Обсуждение

Значительная часть заболеваемости туберкулезом (ТБ) на Тайване приходится на людей старше 65 лет. Социально-экономическое развитие обычно приводит к снижению заболеваемости туберкулезом, но также снижает рождаемость и смертность, а также старение населения. Это исследование представляет собой новое исследование потенциального воздействия старения населения на заболеваемость туберкулезом с использованием статистического моделирования и прогнозирования. Текущие тенденции снижения заболеваемости туберкулезом и демографические изменения предполагают, что уровень заболеваемости туберкулезом на Тайване снизится до 25 на 100 000 к 2035 году.Это на 45% меньше по сравнению с 2015 годом, что не соответствует цели «Положить конец туберкулезу» по снижению заболеваемости туберкулезом на 90%. Мы показали, что более высокие показатели заболеваемости по возрасту в старших возрастных группах могут означать, что старение населения препятствует снижению заболеваемости туберкулезом, при этом заболеваемость туберкулезом в 2035 году, по прогнозам, будет на 39% выше, чем без демографических изменений.

В предыдущих исследованиях использовались статистические методы либо для прогнозирования заболеваемости туберкулезом, [12,13,31,32], либо для анализа закономерностей по возрасту с использованием моделей возраст-период-когорта, [14,15], но мы являемся первым исследованием, в котором проводился статистический прогноз. возрастная заболеваемость туберкулезом.В некоторых исследованиях моделирования передачи [16,18] изучались вопросы, связанные с возрастной структурой, а Arregui et al. [18] составили прогнозы. Однако примерка в Arregui et al. не основывалась на вероятности и не использовала возрастные данные по ТБ, поэтому не могла оценить степень соответствия по возрасту для прогнозов по ТБ или сравнить альтернативные модели с традиционными метриками. Мы по-новому использовали модели Ли-Картера (LCM), [19,22], которые используют элегантную низкоразмерную декомпозицию возрастных коэффициентов для моделирования тенденций и общей формы.Изначально LCM были введены для моделирования уровня смертности и в настоящее время являются доминирующим подходом, но были применены и в других местах. Что касается демографии, Хайндман [25], Руэда-Сабатер и Альварес-Эстебан [33] использовали LCM для прогнозирования показателей фертильности, а Cowen [34] приспособил LCM к показателям абортов. Kainz et al. [35] смоделировали распространенность хронической болезни почек как данные по скорости, а Yue et al. [36] моделировали заболеваемость и смертность от рака. Однако мы первыми применили НОК к ТБ, обнаружив, что они подходят лучше, чем модели возраст-период Пуассона.Наш подход предлагает обобщаемый и легко реализуемый метод прогнозирования повозрастной заболеваемости ТБ и влияния демографических изменений на общую заболеваемость ТБ.

В наших результатах подгонки модели возрастные эффекты ( α _{возраст} ) продемонстрировали, что уровни заболеваемости туберкулезом положительно коррелируют с возрастом как у женщин, так и у мужчин. Оценки эффекта периода (κ _{, год} ) были почти линейными, несмотря на то, что не предполагали линейность в формулировке LCM. Снижение может отражать улучшение инфекционного контроля и выявления случаев заболевания, а также снижение распространенности латентного ТБ в каждой возрастной группе.Улучшение инфекционного контроля и выявления случаев заболевания снижает силу инфекции, которая приведет к увеличению заболеваемости туберкулезом. Распространенность скрытого ТБ зависит от совокупного риска инфицирования в течение всей жизни и, следовательно, от истории распространенности активного ТБ. Поскольку заболеваемость туберкулезом снижается, распространенность латентного туберкулеза в недавних когортах будет ниже, чем в исторических когортах того же возраста. Наконец, условия взаимодействия возраст-период ( β _{возраст} ) были использованы для демонстрации того, как уровень заболеваемости снижался по-разному в каждой возрастной группе, хотя общая картина не была выявлена.Дисперсия оценок среди молодых людей была больше, потому что только около 1% случаев ТБ (<100 случаев ежегодно в последнее десятилетие) приходилось на людей моложе 15 лет.

Считается, что для Тайваня и многих других стран с высоким уровнем доходов уведомления о ТБ параллельны заболеваемости ТБ с небольшим промежутком. На Тайване отсутствуют данные обследований (например, исследований по отлову-повторной поимке), чтобы напрямую проинформировать о величине этого пробела. В условиях, когда этот разрыв больше и меняется со временем, интерпретация данных уведомлений о туберкулезе более проблематична, и уведомления могут не служить хорошим показателем заболеваемости.Даже в условиях снижения эпидемии туберкулеза с изменяющимся составом случаев заболевания не исключено, что выявление случаев заболевания может со временем меняться по-разному в разных возрастных группах; мы не пытались включить такие эффекты. Тайвань не имеет демографических прогнозов Отдела народонаселения Организации Объединенных Наций, отсюда и наше индивидуальное демографическое моделирование. Для большинства стран эти прогнозы можно использовать «с полки». Мы представили результаты процентного сокращения как показателей заболеваемости ТБ на душу населения, так и общей заболеваемости ТБ (например,Таблица 2), которые аналогичны из-за небольшого прогнозируемого изменения численности населения Тайваня за рассматриваемый период; это может быть верно не для всех настроек.

Снижение заболеваемости туберкулезом на Тайване, вероятно, вызвано множеством сопутствующих причин, включая улучшение борьбы с туберкулезом, социально-экономическое развитие и сокращение распространенности латентного туберкулеза в результате снижения передачи. Для инфекционного заболевания, такого как туберкулез, снижение передачи может усиливать и поддерживать с течением времени изменения основных причинных факторов, усложняя их анализ.Низкий уровень заболеваемости туберкулезом среди детей в возрасте до пятнадцати лет может отражать низкую подверженность туберкулезу в этой группе или потенциально более низкие показатели выявления случаев заболевания. Наша оценка воздействия старения населения на заболеваемость и структуру случаев ТБ имеет в настоящее время особое значение для многих стран региона Западной части Тихого океана ВОЗ [1] и будет актуальна для многих других стран и регионов в будущем. Наш анализ может предоставить шаблон для аналитиков, которые хотят изучить вопросы, связанные с будущей заболеваемостью и демографией ТБ, если доступны возрастные данные.

Наш анализ феноменологически объяснил когортное распространение латентной туберкулезной инфекции (ЛТБИ). ЛТБИ представляет собой накопленный пожизненный риск инфицирования в результате контакта с активным туберкулезом. У пожилых людей в большинстве случаев более высокая распространенность ЛТИ из-за более длительного совокупного воздействия и (в условиях снижения эпидемий) подверженности более высокому среднему уровню инфицирования в течение их жизни. Таким образом, старение этих позитивных когорт на ЛТБИ порождает вековой временной тренд в показателях реактивации заболеваний в определенном возрасте.Наш подход не моделирует явным образом распространенность LTBI, потому что это приведет к появлению дополнительных параметров и, без данных LTBI, к проблемам идентифицируемости. Однако в нашем текущем подходе когортные эффекты ЛТИ учитываются косвенно путем моделирования вековых тенденций возрастной заболеваемости.

Еще одно ограничение нашего подхода состоит в том, что он не учитывает нелинейное пороговое поведение, например, во время вспышек. Однако во многих странах с высоким доходом (включая Тайвань) неуклонное снижение заболеваемости туберкулезом означает, что чистое число воспроизводимых ниже единицы.

Возможно расширение модели путем добавления экзогенных переменных. Наш анализ не рассматривал влияние других переменных для простоты и ясности. Важными предикторами могут быть социально-экономический статус и сопутствующие заболевания, такие как сахарный диабет [37]. Однако прогнозы потребуют дополнительного анализа временных рядов для прогнозирования этих объясняющих переменных. Стоит отметить, что согласно данным эпиднадзора Тайваньского центра контроля заболеваний, в 2005 г. 0,72% случаев ТБ на Тайване были кодированы как ВИЧ; пренебрежение ВИЧ вряд ли повлияло бы на наши результаты.

Пожилой возраст как фактор риска заболевания туберкулезом, возможно, недостаточно изучен, поскольку возраст не является изменяемым фактором риска, а также поскольку в большинстве нынешних условий с высоким бременем туберкулеза и типичный возраст заболевших туберкулезом довольно молод. Наш результат о том, что старение населения будет замедлять снижение заболеваемости туберкулезом, согласуется с результатами Arregui et al [18], полученными для различных условий с использованием очень разных методов, и количественно оценивает величину этого эффекта. Однако важность старших возрастных групп для борьбы с туберкулезом уже очевидна для многих азиатских групп населения [16], и это станет все более распространенным аспектом глобальной борьбы с туберкулезом, если снижение заболеваемости продолжится и ускорится в будущем.У пожилых людей также будут свои особые проблемы с доступом, диагностикой и сопутствующими заболеваниями, затрудняющими их лечение. Планирование общественного здравоохранения для разработки адаптированных стратегий ухода и контроля для удовлетворения этих меняющихся потребностей населения имеет важное значение.

В заключение, модель Ли-Картера предоставляет инструмент для прогнозирования возрастной заболеваемости туберкулезом и, следовательно, прогнозирования общей заболеваемости туберкулезом с учетом демографических изменений. На Тайване старение населения может замедлить снижение заболеваемости туберкулезом на 39% в период 2015–2035 гг.Программы лечения и борьбы с туберкулезом будут все больше и больше нуждаться в удовлетворении потребностей пожилых людей, которые составят растущую часть эпидемии туберкулеза.

Ссылки

1. 1.
   Всемирная организация здравоохранения. Глобальный доклад о туберкулезе, 2018 г. Всемирная организация здравоохранения; 2018;
2. 2.
   Всемирная организация здравоохранения. Глобальная стратегия и цели по профилактике, лечению и борьбе с туберкулезом после 2015 г. Женева: Всемирная организация здравоохранения. 2014;
3. 3.Houben RMGJ, Dodd PJ. Глобальное бремя скрытой туберкулезной инфекции: переоценка с использованием математического моделирования. PLoS Med. 2016; 13: e1002152. pmid: 27780211
4. 4.
   Шааф Х.С., Коллинз А., Беккер А., Дэвис ЗОП. Туберкулез в крайнем возрасте. Респирология. 2010; 15: 747–763. pmid: 20546192
5. 5.
   Винницкий Э., Боргдорф М.В., Люнг С.К., Там К.М., Fine PEM. Ограниченное влияние борьбы с туберкулезом в Гонконге: связано с высоким риском реактивации болезни.Epidemiol Infect. 2008; 136: 943–952. pmid: 17678555
6. 6.
   Публикации Организации Объединенных Наций. Старение населения мира, 2015. ООН; 2017.
7. 7.
   Совет национального развития, Тайвань. Демографические прогнозы для R.O.C. (Тайвань): 2018–2065 гг. Совет национального развития, Тайвань; 2018.
8. 8.
   Краситель C, Williams BG. Популяционная динамика и борьба с туберкулезом. Наука. 2010. 328: 856–861. pmid: 20466923
9. 9.
   Пратт Р. Х., Уинстон Калифорния, Стив Каммерер Дж., Армстронг Л. Р..Туберкулез у пожилых людей в США, 1993–2008 гг. [Интернет]. Журнал Американского гериатрического общества. 2011. С. 851–857. pmid: 21517786
10. 10.
    Хагия Х., Кояма Т., Замами Й., Минато Й., Татебе Й., Миками Н. и др. Тенденции заболеваемости и смертности от туберкулеза в Японии: популяционное исследование, 1997–2016 гг. Epidemiol Infect. 2018; 1–10.
11. 11.
    Негин Дж., Абимбола С., Марэ Б.Дж. Туберкулез среди пожилых людей — время обратить внимание [Интернет].Международный журнал инфекционных болезней. 2015. С. 135–137. pmid: 25809769
12. 12.
    Bras AL, Gomes D, Filipe PA, de Sousa B, Nunes C. Тенденции, сезонность и прогнозы туберкулеза легких в Португалии. Int J Tuberc Lung Dis. 2014; 18: 1202–1210. pmid: 25216834
13. 13.
    van Aart C, Boshuizen H, Dekkers A, Altes HK. Разница во времени между иммиграцией и заболеваемостью иммигрантами в Нидерландах: анализ временных рядов. Международный журнал туберкулеза и болезней легких.2017; 21: 486–492. pmid: 28399962
14. 14.
    Икбал С.А., Уинстон Калифорния, Барденхейер Б.Х., Армстронг Л.Р., Навин ТР. Возрастно-когортный анализ заболеваемости туберкулезом по Рождеству, США, 1996–2016 гг. Am J Public Health. 2018; 108: S315 – S320. pmid: 30383432
15. 15.
    Wu P, Cowling BJ, Schooling CM, Wong IOL, Johnston JM, Leung C-C и др. Возраст-период-когортный анализ уведомлений о туберкулезе в Гонконге с 1961 по 2005 гг. Thorax. 2008; 63: 312–316. pmid: 18024541
16. 16.Харрис Р.К., Самнер Т., Найт Г.М., Эванс Т., Карденас В., Чен С. и др. Целевая вакцинация против туберкулеза в Китае и ее значение для разработки вакцины: модельное исследование. Ланцет Glob Health. Эльзевир; 2019; 7: e209 – e218. pmid: 30630775
17. 17.
    Брукс-Поллок Э., Коэн Т., Мюррей М. Влияние реалистичной возрастной структуры на простые модели передачи туберкулеза. PLoS One. 2010; 5: e8479. pmid: 20062531
18. 18.
    Арреги С., Иглесиас М.Дж., Сампер С., Маринова Д., Мартин С., Санз Дж. И др.Управляемая данными модель для оценки передачи Mycobacterium tuberculosis в развивающихся демографических структурах. Proc Natl Acad Sci U S. A. 2018; 115: E3238 – E3245. pmid: 29563223
19. 19.
    Ли Р.Д., Картер Л.Р. Моделирование и прогнозирование смертности США. J Am Stat Assoc. [Американская статистическая ассоциация, Тейлор и Фрэнсис, Лтд.]; 1992. 87: 659–671.
20. 20.
    Brouhns N, Denuit M, Vermunt JK. Лог-билинейная регрессия Пуассона к построению проектируемых жизненных объектов [Интернет].Страхование: математика и экономика. 2002. С. 373–393. https://doi.org/10.1016/s0167-6687(02)00185-3
21. 21.
    Ли Р. Метод Ли-Картера для прогнозирования смертности с различными расширениями и приложениями. Н. Ам Актуар Дж. Рутледж; 2000; 4: 80–91.
22. 22.
    Ли Р. Метод Ли-Картера для прогнозирования смертности с различными расширениями и приложениями. Н. Ам Актуар Дж. Рутледж; 2000; 4: 80–91.
23. 23.
    Реншоу А.Е., Хаберман С. О подходах к измерению риска смертности на основе моделирования со специальной ссылкой на моделирование Пуассона Ли – Картера [Интернет].Страхование: математика и экономика. 2008. С. 797–816.
24. 24.
    Коул А.Дж., Кискер Э. Дефекты в данных о смертности в пожилом возрасте в США: новые процедуры расчета графиков смертности и таблиц дожития в самом старшем возрасте. Коул Кискер 1990 Азиатско-Тихоокеанский демографический форум. Гонолулу, Гавайи Коул Энсли Дж. Весна 1990 г .; 1990;
25. 25.
    Хайндман Р.Дж., Бут Х. Стохастические прогнозы численности населения с использованием функциональных моделей данных для смертности, фертильности и миграции.Прогноз Int J. 2008. 24: 323–342.
26. 26.
    Стинланд К., Армстронг Б. Обзор методов расчета бремени болезней, обусловленных конкретными факторами риска. Эпидемиология. JSTOR; 2006. 17: 512–519.
27. 27.
    R Core Team. R: Язык и среда для статистических вычислений [Интернет]. Вена, Австрия: Фонд R для статистических вычислений; 2018. Доступно: https://www.R-project.org/
28. 28.
    Уикхэм Х. ggplot2: Элегантная графика для анализа данных [Интернет].Springer-Verlag New York; 2016. Доступно: http://ggplot2.org
29. 29.
    Андрес В., Миллоссович П., Владимир К. StMoMo: стохастическое моделирование смертности в программном обеспечении R.J. Stat. arts.units.it; 2018; 84: 1–38.
30. 30.
    Чан К.С., Рипли Б. TSA: Анализ временных рядов [Интернет]. 2018. Доступно: https://CRAN.R-project.org/package=TSA
31. 31.
    Онозаки И., Ло I, Сисманидис С., Зигнол М., Глазиу П., Флойд К. Национальные обследования распространенности туберкулеза в Азии, 1990–2012 гг.: Обзор результатов и извлеченных уроков.Trop Med Int Health. 2015; 20: 1128–1145. pmid: 25943163
32. 32.
    Суарес П.Г., Ватт С.Дж., Аларкон Э., Портокарреро Дж., Завала Д., Каналес Р. и др. Динамика туберкулеза в ответ на 10 лет интенсивных усилий по борьбе в Перу. J Infect Dis. 2001. 184: 473–478. pmid: 11471105
33. 33.
    Руэда-Сабатер К., Альварес-Эстебан ПК. Анализ возрастных структур рождаемости с помощью логистических моделей. J Appl Stat. Тейлор и Фрэнсис; 2008; 35: 1053–1070.
34. 34.Cowan SK. Меры по когортным абортам в США. Popul Dev Rev. 2013; 39: 289–307. pmid: 26052166
35. 35.
    Кайнц А., Хронски М., Стел В.С., Ягер К.Дж., Герольдингер А., Дунклер Д. и др. Прогнозирование распространенности хронической болезни почек у больных сахарным диабетом в странах Европейского Союза до 2025 года. Трансплантат Nephrol Dial. 2015; 30 Приложение 4: iv113–8.
36. 36.
    Юэ Дж.С., Ван Х.С., Леонг И-И, Су В-П. Использование Тайваньской национальной базы данных медицинского страхования для моделирования заболеваемости и смертности от рака.Insur Math Econ. 2018; 78: 316–324.
37. 37.
    Marais BJ, Lönnroth K, Lawn SD, Migliori GB, Mwaba P, Glaziou P и др. Коморбидность туберкулеза с инфекционными и неинфекционными заболеваниями: объединение служб здравоохранения и усилий по борьбе. Lancet Infect Dis. 2013; 13: 436–448. pmid: 23531392

Статистические методы прогнозирования заболеваемости туберкулезом на основе данных из Гуанси, Китай | BMC Infectious Diseases

С января 2012 г. по июнь 2019 г. в Гуанси было зарегистрировано в общей сложности 587 344 случая туберкулеза и 879 случаев смерти от туберкулеза.Из рисунка 1 видно, что заболеваемость туберкулезом снижалась год от года, и была определенная сезонность. Заболеваемость туберкулезом во втором и третьем кварталах была выше, чем в первом и четвертом кварталах.

Рис. 1

Заболеваемость туберкулезом в Гуанси с января 2012 г. по июнь 2019 г.

Мы использовали программное обеспечение R3.6.2 для декомпозиции данных о заболеваемости туберкулезом и обнаружили, что данные о заболеваемости туберкулезом имеют очевидную сезонность, периодичность и случайность (см. Рис. 2). ), поэтому можно использовать модель SARIMA для прогнозного анализа.

Рис.2

Декомпозиция временных рядов заболеваемости ТБ с января 2012 года по июнь 2019 года

Данные с января 2012 года по июнь 2019 года были разделены на две части, часть с января 2012 года по декабрь 2018 года использовалась для построения SARIMA ( p, d, q ) ( P, D, Q ) _{s Модель} , а другая часть с января 2019 года по июнь 2019 года использовалась для тестирования характеристик прогнозирования SARIMA ( p, d, q ) ( P, D, Q ) _{s Модель} .

Модель SARIMA ( p, d, q ) ( P, D, Q ) _{s Метод модели} требует, чтобы данные были стационарными, в противном случае нельзя будет получить ни ретроспективный анализ, ни прогноз ряда. Во-первых, ADF использовался для проверки стабильности исходной серии, и протестированное значение Prob было на 0,94 больше 0,05, что показало, что серия не была стационарной. Поскольку в ряде случаев заболеваемости туберкулезом в Гуанси наблюдалась явная сезонность (см. Рис.2), мы провели сезонную разницу первого порядка с периодом 12 в исходной серии, а затем снова провели тест ADF для данных сезонной разницы, и протестированные Значение вероятности было меньше 0.01, следовательно, после сезонной разницы первого порядка данные были стационарными, тогда d = 0, D = 1 и s = 12. Результаты испытаний были показаны в таблице 1.

Таблица 1 Тесты ADF данных моделирования

Во-вторых, для построения графиков ACF и PACF стационарных данных (см. Рис. 3). Согласно анализу графиков ACF и PACF, мы установили восемь предварительных моделей: SARIMA (1,0,1) (0,1,0) ₁₂ , SARIMA (1,0, (2)) (0,1 , 0) ₁₂ , SARIMA ((2), 0,1) (0,1,0) ₁₂ , SARIMA ((2), 0, (2)) (0,1,0) ₁₂ , SARIMA (2,0, (2)) (0,1,0) ₁₂ , SARIMA (2,0,1) (0,1,0) ₁₂ , SARIMA (1,0,2) ( 0,1,0) ₁₂ и SARIMA (2,0,2) (0,1,0) ₁₂ .Затем был использован метод наименьших квадратов для тестирования параметров восьми моделей, и были рассчитаны значения AIC и SC этих моделей, результаты тестирования были показаны в таблице 2. Можно было видеть, что только SARIMA ((2) , 0, (2)) (0,1,0) _{12 Модель} с наименьшими значениями AIC и SC прошла проверку параметров (все значения Prob были меньше 0,05).

Рис. 3

Графики ACF и PACF стационарного ряда

Таблица 2 Оценка параметров предварительных моделей с их AIC и SC

Наконец, мы провели диагностическую проверку остатков SARIMA ((2) , 0, (2)) (0,1,0) ₁₂ модель с использованием Q-теста Бокса-Дженкинса, тест Prob был больше 0.05, следовательно, согласно этому анализу, модель SARIMA ((2), 0, (2)) (0,1,0) ₁₂ была применима для прогнозирования заболеваемости ТБ в Гуанси.

Мы использовали модель SARIMA ((2), 0, (2)) (0,1,0) ₁₂ для соответствия данным заболеваемости туберкулезом с марта 2013 г. по декабрь 2018 г., а RMSE, MAE и MAPE были 0,98, 0,77 и 5,8 соответственно; Мы использовали модель SARIMA ((2), 0, (2)) (0,1,0) ₁₂ для прогнозирования заболеваемости туберкулезом с января по июнь 2019 года, а RMSE, MAE и MAPE были равны 0.62, 0,45 и 3,77 соответственно. Как значения точности подгонки, так и значения точности прогноза были очень маленькими, что указывало на то, что модель SARIMA ((2), 0, (2)) (0,1,0) ₁₂ была очень хорошей, а ее точность прогнозирования была высокой. . На основе модели SARIMA ((2), 0, (2)) (0,1,0) ₁₂ мы спрогнозировали заболеваемость туберкулезом в Гуанси с июля 2019 года по декабрь 2020 года, эти прогнозируемые значения показаны в таблице 3, а подобранная и прогнозируемая частота встречаемости сравнивалась с наблюдаемой частотой на рис.4.

Таблица 3 Наблюдаемая заболеваемость ТБ и прогнозируемая заболеваемость ТБ по SARIMA ((2), 0, (2)) (0,1,0) _{12 Модель} с января 2019 года по декабрь 2020 года Рис. 4

подобранная и спрогнозированная заболеваемость туберкулезом SARIMA ((2), 0, (2)) (0,1,0) ₁₂ модель

Рынок лечения туберкулеза (ТБ) 2021: отчет с углубленным отраслевым анализом тенденций и роста , Возможности и прогноз до 2027 г. с данными по выдающимся регионам и странам

Отдел новостей MarketWatch не участвовал в создании этого контента.

15 сентября 2021 г. (Expresswire) —
Ожидается, что в прогнозируемом периоде 2021–2027 гг. Глобальный «Рынок лечения туберкулеза (ТБ) » будет стабильно расти в течение прогнозируемого периода. Отчет «Рынок лечения туберкулеза (ТБ)» дает представление о последних тенденциях. В нем обобщены ключевые аспекты рынка, включая сосредоточить внимание на областях ведущих ключевых игроков, которые стали свидетелями наибольшего спроса, лидирующих регионах и приложениях. Он предлагает как качественную, так и количественную информацию о факторах, проблемах и возможностях, которые будут определять рост рынка в 2021-2027 годах, Отчет содержит 114 страниц с подробным анализом.

COVID-19 может повлиять на мировую экономику тремя основными способами: напрямую влияя на производство и спрос, создавая нарушения цепочки поставок и рынка, а также оказывая финансовое воздействие на фирмы и финансовые рынки. Наши аналитики, отслеживающие ситуацию по всему миру, объясняют, что рынок создаст перспективу прибыльности для производителей после кризиса COVID-19. Отчет призван предоставить дополнительную иллюстрацию последнего сценария, замедления экономического роста и влияния COVID-19 на отрасль в целом.

Заключительный отчет добавит анализ воздействия COVID-19 на эту отрасль.

ЧТОБЫ ПОНЯТЬ, КАК ВЛИЯНИЕ COVID-19 ОСВЕЩАЕТСЯ В ЭТОМ ОТЧЕТЕ — ЗАПРОСИТЕ ОБРАЗЕЦ

Этот отчет о рынке лечения туберкулеза (ТБ) включает оценку размера рынка по стоимости (млн долларов США) и объема (тыс. Единиц). Как нисходящий, так и восходящий подходы использовались для оценки и подтверждения размера рынка лечения туберкулеза (ТБ), чтобы оценить размер различных других зависимых субрынков на рынке в целом.Ключевые игроки на рынке были определены посредством вторичных исследований, а их доли на рынке были определены посредством первичных и вторичных исследований. Все процентные доли, разделения и разбивки были определены с использованием вторичных источников и проверенных первичных источников.

Получить образец отчета в формате PDF — https://www.marketgrowthreports.com/enquiry/request-sample/18653591

Исследование охватывает текущий размер рынка выпрямителей и темпы его роста на основе 6-летнего периода. записи с описанием компании Ключевые игроки / производители:

● Johnson and Johnson ● Otsuka Pharmaceutical Co., Ltd ● Macleods Pharmaceutical Ltd ● Dong-A ST Co., Ltd ● Lupine Ltd ● Janssen Products, LP ● Mylan ● Sanofi

Краткое изложение рынка лечения туберкулеза (ТБ):

Глобальный туберкулез (ТБ) Ожидается, что рынок лечебных услуг будет расти значительными темпами в течение прогнозируемого периода с 2021 по 2027 год. В 2020 году рынок будет расти стабильными темпами, и с ростом принятия стратегий ключевыми игроками ожидается рост рынка в течение прогнозируемый горизонт.

Если у вас латентный туберкулез, вам может потребоваться принимать только один или два типа противотуберкулезных препаратов. При активном туберкулезе, особенно если это лекарственно-устойчивый штамм, потребуется сразу несколько препаратов. К наиболее распространенным лекарствам, используемым для лечения туберкулеза, относятся:

Изониазид

Рифампицин (рифадин, римактан)

Этамбутол (миамбутол)

Пиразинамид

Исследования рынка и полезные сведения: Глобальное исследование туберкулеза

(Отчет о лечении туберкулеза) рынок лечения туберкулеза (ТБ) с использованием различных методологий и анализов для предоставления точной и всесторонней информации о рынке.Для более четкого понимания он разделен на несколько частей, охватывающих различные аспекты рынка. Затем каждая область разрабатывается, чтобы помочь читателю понять потенциал роста каждого региона и его вклад в мировой рынок. Исследователи использовали первичную и вторичную методики для сопоставления информации в отчете. Они также использовали те же данные для создания текущего рыночного сценария. Этот отчет направлен на то, чтобы направить людей к более глубокому и ясному знанию рынка.

Прогнозируется, что объем мирового рынка лечения туберкулеза (ТБ) достигнет миллионов долларов США к 2027 году, по сравнению с миллионами долларов США в 2020 году, при великолепных среднегодовых темпах роста в течение 2021-2027 годов.

Глобальный объем и сегмент лечения туберкулеза (ТБ)

Глобальный рынок лечения туберкулеза (ТБ) сегментирован по компаниям, регионам (странам), типам и приложениям. Игроки, заинтересованные стороны и другие участники глобального рынка лечения туберкулеза (ТБ) смогут получить преимущество, поскольку они используют отчет как мощный ресурс.Сегментный анализ фокусируется на доходах и прогнозах по регионам (странам), по типам и приложениям на период 2016-2027 гг.

Получите образец копии отчета о рынке лечения туберкулеза (ТБ) за 2021 г.

Отчет дополнительно изучает состояние развития рынка и будущие тенденции рынка лечения туберкулеза (ТБ) во всем мире. Кроме того, он разбивает сегменты рынка лечения туберкулеза (ТБ) по типам и приложениям для полного и глубокого исследования и выявления рыночного профиля и перспектив.

Какой сегмент является ведущим в зависимости от типа продукта?

● Изониазид ● Рифампицин (Рифадин, Римактан) ● Этамбутол (Миамбутол) ● Пиразинамид

На основе данных о конечных пользователях / приложениях в этом отчете основное внимание уделяется состоянию и перспективам основных приложений / конечных пользователей, потреблению (продажам) , рыночная доля и темпы роста для каждого приложения, в том числе:

● Активный ТБ ● Скрытый ТБ

Географически , этот отчет сегментирован по нескольким ключевым регионам, с продажами, доходами, долей рынка и темпами роста лечения туберкулеза (ТБ) в эти регионы, с 2015 по 2027 год, охватывают

● Северная Америка (США, Канада и Мексика) ● Европа (Германия, Великобритания, Франция, Италия, Россия и Турция и т. д.)) ● Азиатско-Тихоокеанский регион (Китай, Япония, Корея, Индия, Австралия, Индонезия, Таиланд, Филиппины, Малайзия и Вьетнам) ● Южная Америка (Бразилия, Аргентина, Колумбия и т. Д.) ● Ближний Восток и Африка (Саудовская Аравия, ОАЭ, Египет , Нигерия и Южная Африка)

Некоторые из ключевых вопросов, на которые даны ответы в этом отчете:

● Какова глобальная ( Северная Америка, Европа, Азиатско-Тихоокеанский регион, Южная Америка, Ближний Восток и Африка ) стоимость продаж, стоимость продукции , потребительская стоимость, импорт и экспорт Лекарства от туберкулеза (ТБ)? ● Кто являются основными мировыми производителями средств лечения туберкулеза (ТБ)? Какова их операционная ситуация (мощность, производство, продажи, цена, себестоимость, валовая прибыль и выручка)? ● Каковы возможности рынка лечения туберкулеза (ТБ) и угрозы, с которыми сталкиваются поставщики в глобальной индустрии лечения туберкулеза (ТБ)? ● Какое приложение / конечный пользователь или тип продукта могут иметь перспективы для постепенного роста? Какова рыночная доля каждого типа и приложения? ● Какой целенаправленный подход и какие ограничения сдерживают рынок лечения туберкулеза (ТБ)? ● Каковы различные каналы продаж, маркетинга и распространения в мировой индустрии? ● Каковы исходные материалы и производственное оборудование для лечения туберкулеза (ТБ), а также производственный процесс для лечения туберкулеза (ТБ)? ● Какие основные рыночные тенденции влияют на рост рынка лечения туберкулеза (ТБ)? ● Экономическое влияние на отрасль лечения туберкулеза (ТБ) и тенденции развития отрасли лечения туберкулеза (ТБ).● Каковы рыночные возможности, рыночный риск и обзор рынка лечения туберкулеза (ТБ)? ● Каковы основные движущие силы, ограничения, возможности и проблемы рынка лечения туберкулеза (ТБ) и как они, как ожидается, повлияют на рынок? ● Каков размер рынка лечения туберкулеза (ТБ) на региональном и национальном уровне?

Если у вас есть какие-либо вопросы по этому отчету или вы ищете какой-либо конкретный сегмент, приложение, регион или любые другие пользовательские требования, тогда свяжитесь с экспертом для настройки отчета.

Узнайте больше и поделитесь вопросами, если таковые имеются, перед покупкой в ​​этом отчете по адресу — https://www.marketgrowthreports.com/enquiry/pre-order-enquiry/18653591

Основные моменты из содержания

Содержание

1 Определение и обзор рынка лечения туберкулеза (ТБ)
1.1 Цели исследования
1.2 Обзор лечения туберкулеза (ТБ)
1.3 Объем рынка лечения туберкулеза (ТБ) и оценка размера рынка
1.4 Сегментация рынка
1.4.1 Типы лечения туберкулеза (ТБ)
1.4.2 Применение лечения туберкулеза (ТБ)
1.5 Обменный курс рынка

2. Метод и логика исследования
2.1 Методология
2.2 Источник данных исследования

3. Анализ рыночной конкуренции
3.1 Анализ эффективности рынка
3.2 Анализ продуктов и услуг
3.3 Стратегии компании по борьбе с воздействием COVID-19
3.4 Продажи, стоимость, цена, валовая прибыль 2016-2021
3.5 Основная информация

4 Сегменты рынка по типам, исторические данные и прогнозы рынка
4.1 Глобальное производство и стоимость средств от туберкулеза (ТБ) по типам
4.1.1 Глобальное производство средств от туберкулеза (ТБ) по типам 2016-2021
4.1. 2 Глобальная рыночная стоимость средств лечения туберкулеза (ТБ) по типам 2016-2021 гг.
4.2 Производство, стоимость и скорость роста мирового рынка средств лечения туберкулеза (ТБ) по типам 2016-2021 гг.
4.3 Глобальное производство средств лечения туберкулеза (ТБ) и прогноз стоимости по типам
4 .4 Производство, стоимость и скорость роста мирового рынка препаратов для лечения туберкулеза (ТБ) по типам Прогноз на 2021-2026 гг.

Получите образец отчета о рынке препаратов для лечения туберкулеза (ТБ) за 2021 г.

5 Сегменты рынка по приложениям, историческим данным и Прогнозы рынка
5.1 Глобальное потребление и стоимость лечения туберкулеза (ТБ) по приложениям
5.2 Глобальное потребление средств от туберкулеза (ТБ), стоимость и темпы роста по приложениям, 2016-2021 гг.
5.3 Глобальный прогноз потребления и стоимости лечения туберкулеза (ТБ) по приложениям
5.4 Глобальный рынок лечения туберкулеза (ТБ) Потребление, стоимость и темпы роста по прогнозу приложений 2021-2026

6 Глобальное лечение туберкулеза (ТБ) по регионам, исторические данные и Прогнозы рынка
6,1 Глобальные продажи средств лечения туберкулеза (ТБ) по регионам 2016-2021 гг.
6,2 Глобальная рыночная стоимость средств лечения туберкулеза (ТБ) по регионам 2016-2021 гг. -2021
6.3.1 Северная Америка
6.3.2 Европа
6.3.3 Азиатско-Тихоокеанский регион

6.3.4 Южная Америка
6.3.5 Ближний Восток и Африка
6.4 Глобальный прогноз продаж средств против туберкулеза (ТБ) по регионам на 2021-2026 гг.
6.5 Глобальный туберкулез (TB ) Прогноз рыночной стоимости лечения по регионам на 2021-2026 гг.
6,6 Прогноз продаж, стоимости и темпов роста мирового рынка лечения туберкулеза (ТБ) по регионам на 2021-2026 гг.
6.6.1 Северная Америка
6.6.2 Европа
6.6.3 Азиатско-Тихоокеанский регион
6,6 .4 Южная Америка
6.6.5 Ближний Восток и Африка

7. Динамический анализ рынка и предложения по развитию
7.1 Движущие силы рынка
7.2 Ограничения развития рынка
7.3 Анализ PEST
7.3.1 Политические факторы
7.3.2 Экономические факторы
7.3.3 Социальные факторы
7.3 .4 Технологические факторы
7.4 Тенденции в отрасли при COVID-19
7.4.1 Оценка риска COVID-19
7.4.2 Оценка общего воздействия COVID-19 на отрасль
7.4.3 До COVID-19 и после COVID- 19 Рыночный сценарий
7.5 Анализ стратегии входа на рынок
7.5.1 Определение рынка
7.5.2 Клиент
7.5.3 Модель распределения
7.5.4 Обмен сообщениями и позиционирование продукта
7.5.5 Цена
7.6 Рекомендации по выходу на рынок

Продолжение….

Приобрести этот отчет (цена 3350 долларов США за однопользовательскую лицензию) — https://www.marketgrowthreports.com/purchase/18653591

О нас:

Рынок быстро меняется с продолжающимся расширением отрасли.Развитие технологий предоставило сегодняшним предприятиям многогранные преимущества, приводящие к ежедневным экономическим сдвигам. Таким образом, для компании очень важно понимать закономерности рыночных движений, чтобы лучше разрабатывать стратегию. Эффективная стратегия предлагает компаниям преимущество в планировании и преимущество перед конкурентами. Отчеты о росте рынка — надежный источник для получения отчетов о состоянии рынка, которые предоставят вам информацию о потенциальных потребностях вашего бизнеса.

Свяжитесь с нами:
Имя: Г-н Аджай Море
Эл. Почта: [email protected]
Организация: отчеты о росте рынка
Телефон: США +1 424 253 0946 / Великобритания +44 208 638 7433

Для получения дополнительной информации Отчеты Щелкните здесь:

Рост рынка имплантируемых кардиовертеров-дефибрилляторов (ICD) в 2021 году: движение по ключевым результатам, определениям, SWOT-анализу, приложениям, тенденциям и прогнозам до 2026 года с данными по ведущим регионам и странам

Рост рынка предоперационной подготовки кожи в 2021 году: движение по Ключевые выводы, определение, SWOT-анализ, приложения, тенденции и прогноз до 2026 года с данными по ведущим регионам и странам

Рынок лекарств от прыщей 2021: Краткий глобальный отраслевой анализ по возможностям роста, статусу развития, факторам роста и тенденциям по прогнозу на 2026 год с ведущими регионами и Данные по странам

Пресс-релиз, распространяемый The Express Wire

Для просмотра оригинальной версии на Express Wire vi сидят Рынок лечения туберкулеза (ТБ) 2021: отчет с углубленным отраслевым анализом тенденций, роста, возможностей и прогнозов до 2027 года с данными по основным регионам и странам

COMTEX_393355611 / 2598 / 2021-09-15T00: 33: 15

Есть ли проблемы с этим пресс-релизом? Свяжитесь с поставщиком исходного кода Comtex по адресу editorial @ comtex.com. Вы также можете связаться со службой поддержки клиентов MarketWatch через наш Центр поддержки клиентов.

Отдел новостей MarketWatch не участвовал в создании этого контента.

Прогнозирование заболеваемости туберкулезом с использованием нового ансамбля Empirica

Введение

Туберкулез (ТБ) — хроническое инфекционное заболевание, вызываемое палочкой. Mycobacterium tuberculosis , это основная причина плохого состояния здоровья, входящая в десятку ведущих причин заболеваемости и смертности во всем мире. ¹ По оценкам ВОЗ, в 2019 году во всем мире туберкулезом заболели около 10 миллионов человек. ² Кроме того, по оценкам, в 2019 году от туберкулеза умерло 1,4 миллиона человек, что привело к ежегодному сокращению заболеваемости и смертности во всем мире примерно на 1,8% и 2,8% в период между 2015 и 2019 годами, соответственно. ² В настоящее время глобальные уведомления о случаях заболевания поступают в основном из 30 стран с высоким бременем ТБ, что составляет около 87% от общемирового числа. ² Из них на третьем месте Китай, где доля зарегистрированных случаев в мире достигает 8,4%. ² Кроме того, на Китай также приходится вторая доля (14%) глобального бремени лекарственно-устойчивого туберкулеза в 2019 году, несмотря на прогресс в сокращении заболеваемости туберкулезом со среднегодовым процентным изменением в 3,2% в период с 1990 по 2017 год. ³ Однако в последние годы мы стали свидетелями риска возобновления заболеваемости туберкулезом в некоторых регионах Китая, что связано с изменением климата, расстройствами, связанными с употреблением алкоголя, диабетом, ВИЧ-инфекцией, курением и недоеданием, что сдерживает прогресс в реализации стратегии ликвидации туберкулеза. с целью снижения заболеваемости и смертности от ТБ на 90% и 95% соответственно в период 2015–2035 гг. ^1,2,4,5 Для ускорения прогресса в достижении такой амбициозной цели точная оценка и прогнозирование прошлых, текущих и будущих тенденций эпидемии туберкулеза играет ключевую роль в формировании целевых мер профилактики и контроля и в корректировке настоящего. вмешательства.

Существует большое количество исследований, прогнозирующих эпидемиологические тенденции инфекционных заболеваний с использованием различных статистических методов, таких как метод сезонного авторегрессионного интегрированного скользящего среднего (SARIMA), ⁶ метод экспоненциального сглаживания, ⁷ обобщенная регрессионная нейронная сеть (GRNN) метод, ⁸ метод нелинейной авторегрессионной нейронной сети (NARNN), ⁹ метод нейронной сети обратного распространения (BPNN), ¹ метод многомерной линейной регрессии, ¹⁰ и рекуррентные нейронные сети Элмана и Джордана. ¹¹ Среди них наиболее часто используемым линейным методом является модель SARIMA, ^12–15 , тогда как нелинейным методом является модель NARNN. ^5,9,12,16 Однако существуют различные факторы, влияющие на эпидемиологические характеристики болезней и ограничивающие их. ^1,17,18 По этой причине эпидемии инфекционных заболеваний часто характеризуются линейными и нелинейными формами. ¹⁹ Однако вышеупомянутые статистические методы часто недостаточны для фиксации тенденций или случайности во временных рядах, что может ограничивать обобщение результатов упомянутых моделей.Следовательно, для повышения точности и надежности прогнозирования ожидается, что альтернативный подход будет настроен для использования с обоими вышеупомянутыми двумя признаками, включенными в серию объектов. Вдохновленные такой идеей, во многих исследованиях была принята гибридная техника, включающая линейную модель и нелинейную модель, чтобы дать более точный прогноз за счет интеграции преимуществ каждой модели. ^9,20,21

За последние годы вейвлет-анализ стал популярным методом, позволяющим разложить данные на различные крупномасштабные и низкочастотные компоненты (линейный признак), а также низкомасштабные и высокочастотные компоненты (нелинейный признак), особенно когда целевая серия показывает сложные нестационарные и нелинейные характеристики. ²² Совсем недавно был разработан новый подход к вейвлет-анализу — разложение по ансамблю эмпирических мод (EEMD) путем добавления шума для преодоления недостатка смешивания мод традиционного разложения по эмпирическим модам (EMD). ²³ Важно отметить, что в отличие от наиболее часто используемых методов дискретного вейвлет-преобразования, которые могут генерировать разные результаты разложения, поскольку они требуются для предварительного определения базисных функций, ²⁴ EEMD является самоадаптирующимся, интуитивно понятным, прямым и эмпирическим методом разложения для нестационарные и нелинейные временные ряды. ²³ Учитывая превосходство метода EEMD в декомпозиции данных и тенденции к ухудшению эпидемии туберкулеза в Тибете с самой высокой заболеваемостью туберкулезом в Китае за последние годы, ²⁵ , мы предложили новый метод прогнозирования (обозначенный как EEMD- Гибридный метод SARIMA-NARNN) путем интеграции моделей SARIMA и NARNN, ​​основанных на методе EEMD, для одновременного захвата как тенденций, так и случайности во временных рядах. В частности, метод EEMD был впервые применен для разложения ряда заболеваемости TB на несколько компонентов функций внутреннего режима (IMF), представляющих различные нелинейные части данных, и компонент остатка, обозначающий тенденцию данных.Во-вторых, использование методов NARNN и SARIMA для моделирования IMFs и остаточных компонентов, соответственно. Наконец, прогнозные значения от IMF и остаточных компонентов были агрегированы как прогнозируемые результаты гибридного метода EEMD-SARIMA-NARNN. Таким образом, линейная и нелинейная части, содержащиеся в рядах заболеваемости туберкулезом, могут быть рассмотрены этим методом смешивания данных одновременно. Мы также сравнили подогнанные и предсказанные результаты базовой модели SARIMA, базовой модели NARNN и традиционной модели смеси SARIMA-NARNN с таковой из предлагаемого нами нового гибридного метода, чтобы оценить эффективность прогнозирования этого нового метода, основанного на данных.

Материалы и методы

Область исследования и источник данных

Тибет расположен на юго-западе Китайской Народной Республики. Это один из пяти этнических автономных регионов Китая, его средняя высота над уровнем моря превышает 4000 м, и он известен как «крыша мира». Тибет покрывает 1228,4 км ² . На конец 2019 года постоянное население составляло 3,506 миллиона человек.

Ежемесячные данные о происшествиях в период с января 2006 г. по декабрь 2017 г., о которых сообщалось в Центр по контролю и профилактике заболеваний (CDC), были взяты из Национальной системы надзора за подлежащими уведомлению инфекционными заболеваниями (NNIDSS), а данные о населении за тот же период — из Статистического бюро. Тибетского автономного района ( http: // tjj.xizang.gov.cn/ ). Всего было объединено 144 наблюдения за 12 лет. Обычно требуется использовать предпочтительно 100 или более наблюдений для разработки моделей объектов, чтобы получить надежный и стабильный результат. ²⁶ Таким образом, наблюдения, использованные в этом исследовании, были разделены на две части, включая обучающий набор данных, содержащий 132 наблюдения (с января 2006 года по декабрь 2016 года), и набор тестовых данных, состоящий из 12 наблюдений (с января по декабрь 2017 года).

Утверждение этических норм и согласие на участие

Протокол исследования был одобрен наблюдательным советом исследовательского учреждения Синьсянского медицинского университета (№: XYLL-2019,072), и согласие не требуется для этого исследования, так как мы собирали только зарегистрированные ежемесячные случаи ТБ, общедоступные без подробного описания личности. Информация.

Новая гибридная модель EEMD-SARIMA-NARNN

EEMD Technique

В прошлом, хотя метод EMD демонстрировал заметное превосходство в анализе сигналов, особенно для данных, полученных в нелинейных и нестационарных процессах с шумом, есть два основных недостатка, включая краевые эффекты и смешение мод, ^20,23,27 , особенно из-за недостатка смешивания мод, который не только приводит к смешиванию различных мод колебаний масштаба, но может даже вызывать потерю физического смысла каждого IMF. ²⁸ Таким образом, метод EEMD был разработан на основе алгоритма EMD для преодоления препятствий, присущих оригинальной методике. ²³ В подходе EEMD используется мощный метод ансамблевого среднего для повышения точности измерений. ²³ А именно, он определяет фактические отдельные компоненты IMF как среднее значение ансамбля экспериментов, каждый компонент IMF состоит из сигнала и шума конечной амплитуды. ²⁰ Процедура декомпозиции подхода EEMD может иметь следующий вид.

Сначала добавьте белый шум w ( t ) к заданному временному ряду x ( t ), и полученный новый ряд можно выразить как

(1)

Во-вторых, разложите полученную серию на IMF с помощью алгоритма EMD.

В-третьих, повторите два вышеупомянутых шага, используя различные серии белого шума, полученные результаты каждый раз добавлялись к исходной серии.

Наконец, усредните ансамбль соответствующих IMF, сгенерированных методом разложения EMD.

В процессе декомпозиции номера ансамбля и амплитуда добавленного белого шума играют ключевую роль в получаемых окончательных результатах. ²⁹ К счастью, хорошо продемонстрированное статистическое правило помогает определить эти два ключевых параметра ²³ :

(2)

, где N представляет собой номера ансамбля, представляет собой амплитуду добавленного белого шума и означает стандартное отклонение ошибки. Предыдущие исследования показали, что настройки параметров с номерами ансамбля 100 и амплитудой добавленного белого шума 0.2-кратное стандартное отклонение может дать удовлетворительный результат. ^23,30

EEMD-SARIMA-NARNN Гибридная модель

С этой целью в полной мере используется возможная линейная и нелинейная информация, содержащаяся в целевой серии, вдохновленная идеей «декомпозиции и ансамбля» техники EEMD и мощной способностью извлекать нелинейную информацию из модели NARNN, ​​ ³¹ была предложена гибридная модель EEMD-SARIMA-NARNN (, рис. S1, ).В этом проекте временные ряды заболеваемости туберкулезом были разложены на различные подсерии МВФ и остаточные термины. Затем каждая подсерия IMF была спрогнозирована с использованием подходящей модели NARNN, ​​в то время как остаточный член был спрогнозирован с помощью соответствующей модели SARIMA. Таким образом, окончательные результаты могут быть получены путем интегрирования результирующих значений модели SARIMA с аналогами подходов NARNN. Таким образом, гибридная модель может достичь емкости, которая раскрывает все возможные компоненты, включенные в данные.Указанное уравнение комбинированной модели SARIMA-NARNN можно записать как

(3)

(4)

, где представляет собой оценки с использованием предложенного гибридного метода, представляет собой оценки остаточных членов с использованием метода SARIMA, относится к оценкам подсерий IMFs с использованием метода NARNN.

Кроме того, были созданы метод SARIMA, метод NARNN и традиционный метод SARIMA-NARNN в соответствии с шагами, описанными в дополнительном материале.

Статистический анализ

Тенденции и изменения эпидемии ТБ измерялись с помощью среднегодового процентного изменения (AAPC) на основе программы регрессии точек соединения (версия 4.8.0.1). Базовый метод SARIMA был построен с помощью программного обеспечения R (версия 3.4.3, R Development Core Team, Вена, Австрия), а методы EEMD, basic NARNN, ​​SARIMA-NARNN и EEMD-SARIMA-NARNN были разработаны с использованием программного обеспечения MATLAB (версия R2014a, MathWorks, Натик, Массачусетс, США). Метод множителя Лагранжа (LM) использовался для проверки условного гетероскедастического поведения и волатильности (эффект ARCH) остаточного ряда из выбранных четырех моделей. ³² Среднеквадратичная ошибка (RMSE), среднее абсолютное отклонение (MAD), средняя частота ошибок (MER), средняя абсолютная ошибка в процентах (MAPE) и среднеквадратичная ошибка в процентах (RMSPE) были выбраны для оценить уровни точности прогнозов среди моделей.Чем ниже значения индексов, тем лучше модели.

(5)

(6)

(7)

(8)

(9)

, где X _i обозначает наблюдаемые значения TB, это оценки с использованием выбранных подходов, относится к среднему значению всех наблюдаемых значений TB, а N обозначает количество симуляций и прогнозов.

Результаты

Описательный анализ

В период 2006–2017 гг. Зарегистрировано 45 025 случаев туберкулеза, из них ежегодно регистрируется 3753 случая, в результате чего годовой и ежемесячный уровень заболеваемости составляет 121.9 и 10,2 на 100 000 человек соответственно. Как показано на рис. , рис. S2 , когда к ряду заболеваемости туберкулезом была применена процедура разложения по сезонным трендам, основанная на методе Лесса (STL), было обнаружено, что эпидемия туберкулеза резко увеличилась в 1,7 раза с 2006 по 2017 гг. , с AAPC = 5,8 (95% доверительный интервал: 3,5–8,1; Z = 5,8, P <0,001) ( Рисунок S3 ). Самый высокий уровень заболеваемости туберкулезом отмечен в 2017 году (152,0 случая на 100000 человек), он увеличился 2.В 4 раза по сравнению с 2008 годом, когда уровень заболеваемости был самым низким (64,7 случая на 100 000 человек). Кроме того, было отмечено, что заболеваемость туберкулезом имела заметные сезонные эффекты, пик приходился на период с января по август, особенно в январе и марте, и спад с сентября по декабрь, особенно в декабре (, рисунки S2 и S4 ). .

Самый подходящий метод SARIMA

Исходный ряд заболеваемости туберкулезом показал единичный корень (ADF = -1,3, P = 0.2) и заметные сезонные эффекты (, рис. S2 ), указывающие на нестационарный ряд и, таким образом, различающиеся по сезонам один раз, чтобы удалить сезонные колебания данных. Таким образом, разностные данные соответствовали предварительному условию разработки модели SARIMA, будучи стационарными (ADF = -3,4, P = 0,001). После этого, построив графики ACF и PACF для стационарного ряда, было обнаружено, что автокорреляции при задержках 1, 2 и 3 и частичные автокорреляции при задержках 1 и 2 касаются уровней значимости (, рис. S5, ), и мы заметили, что значения ключевых параметров (p, q, P и Q) модели SARIMA превышали 2, параметр модели не предполагал статистической значимости, и поэтому мы выбрали несколько правдоподобных моделей с ключевыми параметрами между 0 и 2.Таблица 1 демонстрирует, что модель SARIMA (2,0,0) (2,1,0) ₁₂ , по-видимому, обеспечивает адекватное моделирование для серии объектов, поскольку эта модель представила самые низкие значения показателей производительности (AIC = 409,2, CAIC = 409,7, и BIC = 423,2) среди девяти возможных моделей, и статистический тест оцененных параметров для этого метода оказался существенно различающимся (таблица 2). Более того, как тест Ljung – Box Q, так и тест LM показали значение P , превышающее 0,05 (рис. 1A, таблицы S1 и S2 ), предполагая, что остатки вели себя как белый шум и эффект ARCH был сняли с остатков.Вышеупомянутые тесты означают, что модель SARIMA (2,0,0) (2,1,0) ₁₂ подходит для описания этого временного ряда. Поэтому данная модель принята как лучшая.

Самый подходящий метод NARNN

Как описано в предыдущих исследованиях, модели ИНС со скрытыми модулями от 10 до 20 и задержками обратной связи от 3 до 7 часто могут обеспечить удовлетворительное прогнозирование и в определенной степени облегчить переобучение. ^33–37 Таким образом, мы обучили серию сетей с указанными выше диапазонами скрытых единиц и задержками обратной связи методом проб и ошибок, так что была обнаружена предпочтительная модель. Таким образом, модель NARNN (16, 6) с 16 скрытыми модулями и 6 задержками обратной связи, как правило, была указана как оптимальная, поскольку эта сетевая структура давала самые низкие значения MSE при обучении (0,6), проверке (4,5) и тестировании. (3.8), и все значения R были больше 0,8 при обучении (1,0), валидации (0.8), тестирование (0,8) и все данные (0,9) (таблица 3 и , рисунок S6, ). Кроме того, как показано на рис. , рис. S7 , результаты моделирования этой модели довольно хорошо согласуются с наблюдаемыми значениями, поскольку большинство ошибок находятся в диапазоне от -1 до 1. Кроме того, статистика Ljung – Box Q и LM-теста для невязки Последовательность, полученная с помощью этой модели, показала значение P больше 0,05 ( Таблицы S1 и S2 ), а автокорреляция выборки и частичная автокорреляция для ошибок прогноза внутри выборки при различных задержках не смогли превысить границы значимости ( Рисунок 1B), подразумевая, что ошибки прогноза в выборке показали белый шум и отсутствие эффекта ARCH.Таким образом, мы уверены, что модель NARNN (16, 6) была признана оптимальной в данном исследовании.

Самый подходящий традиционный метод смешивания SARIMA-NARNN

В процессе построения традиционного метода SARIMA-NARNN остаточный ряд модели SARIMA использовался для обучения лучшей модели NARNN.Точно так же мы обнаружили, что метод NARNN (19, 6) с 19 скрытыми модулями и 6 задержками обратной связи оказался достаточным для моделирования серий объектов посредством повторного моделирования, поскольку эта модель имела относительно большое значение R и относительно низкое значение MSR в данные обучения, проверки и тестирования (Таблица 3). Далее, мы исследовали ряды остатков из модели смеси SARIMA (2,0,0) (2,1,0) ₁₂ -NARNN (16, 6), используя тесты Ljung – Box Q и LM, показав, что этот остаток серия принадлежала к серии белого шума, и также в остатках не было замечено никакого эффекта ARCH ( таблицы S1 и S2 ).Кроме того, выборочные автокорреляции и частичные автокорреляции для ошибок прогноза внутри выборки в пределах 95% -ной неопределенности также показали, что ошибки соответствуют предположению о некоррелированности (рис. 1C). Таким образом, модель смеси SARIMA (2,0,0) (2,1,0) ₁₂ -NARNN (16, 6) считается наиболее эффективной в данной работе.

Самый подходящий новый метод смешивания EEMD-SARIMA-NARNN

Методика EEMD использовалась для разложения ряда заболеваемости туберкулезом. Как показано на рисунке 2, исходный ряд был разложен на шесть различных подсерий IMF и остаточный член.Впоследствии остаточный член был смоделирован с использованием метода SARIMA, а члены IMF были смоделированы с помощью различных методов NARNN, ​​и полученные результаты показали, что метод SARIMA (1,2,0) (1,0,1) ₁₂ был наиболее подходит для моделирования остаточного члена и NARNN (17, 5), NARNN (16, 5), NARNN (15, 5), NARNN (16, 6), NARNN (14, 4) и NARNN (14, 5) Модели были сочтены наилучшими методами моделирования подсерий IMF1 ~ IMF6 (таблицы 3–4), соответственно, а результаты диагностических тестов для лучшей модели SARIMA и различных моделей NARNN показаны на рис. 3 и S8 — S14 .Дальнейшие результаты проверки остатков по новому смешанному методу EEMD-SARIMA-NARNN приведены в таблицах S1-S2 и на рисунке 1D. Значения P для тестов LM и Ljung – Box Q были больше 0,05 ( Таблицы S1 — S2 ), что свидетельствует об отсутствии эффекта ARCH в ошибках и мало свидетельств ненулевой автокорреляции в ошибки прогноза внутри выборки при различных задержках, которые также можно проверить с помощью графиков ACF и PACF, поскольку выборочные автокорреляции и частичные автокорреляции при различных задержках почти попали в пределы значимости 95% (рис. 1D).Приведенные выше результаты предполагают, что эта новая управляемая данными модель смеси может фиксировать краткосрочные зависимости данных и подходит для прогнозирования данных.

Оценка уровней точности прогнозов среди моделей

Мы использовали предпочтительные отдельные модели для прогнозирования данных тестирования, а затем сравнили уровни точности прогнозов между моделями из двух аспектов горизонтов обучения и прогнозирования на основе пяти показателей, включая RMSE, MAD, MER, MAPE и RMSPE. Сравнительные результаты показали, что предложенная нами комбинированная модель EEMD-SARIMA-NARNN дает более низкие значения вышеуказанных пяти показателей по сравнению с другими методами, используемыми в этом исследовании, как для обучения, так и для прогнозирования горизонтов (Таблица 5).Аналогичным образом, как видно на рисунке 4, имеет смысл, что этот новый метод смешивания может лучше охватить структуру временных зависимостей ряда заболеваемости туберкулезом, чем другие.

Обсуждение

Точная оценка эпидемий инфекционных заболеваний служит основой для процесса принятия решений и рационального распределения ограниченных ресурсов здравоохранения в условиях динамичного спроса. ¹ Важность и оригинальность этой работы заключается в том, что она создает новую и более эффективную модель прогнозирования для прогнозирования ряда заболеваемости ТБ путем интеграции линейных характеристик метода SARIMA и нелинейных характеристик модели NARNN на основе метода EEMD.При сравнении показателей эффективности этой новой модели, включающей RMSE, MAD, MER, MAPE и RMSPE, с базовой моделью SARIMA, базовой моделью NARNN и традиционной смешанной моделью SARIMA-NARNN, ​​было замечено, что эта новая управляемая данными гибридная модель показали лучшее превосходство, чем другие, как в подходящем, так и в прогнозируемом аспектах. Часто значение MAPE считается полезным показателем для оценки точности прогнозирования модели, при этом значение менее 10% указывает на высокую точность прогноза, а значение менее 20% указывает на хорошее приближение к наблюдаемым значениям. ³⁸ Удивительно, но предлагаемый нами новый гибридный метод обеспечил высокоточный прогноз для ряда заболеваемости туберкулезом, поскольку MAPE показал значение менее 10% как в смоделированном, так и в прогнозируемом горизонте, что еще больше усиливает полезность предлагаемого нами нового метода в качестве полезный инструмент прогнозирования. Кроме того, мы использовали данные о заболеваемости туберкулезом в провинции Цинхай, чтобы обеспечить внешнюю проверку прогностической способности предлагаемого нами гибридного метода, ¹² Таблицы S3 — S5 и На рисунках S15 — S16 показаны полученные результаты , предполагая тот же вывод, что и наша текущая работа, о том, что смешанный метод EEMD-SARIMA-NARNN дает более точное приближение к данным о заболеваемости туберкулезом в Цинхае.Кроме того, недавняя работа нашей исследовательской группы показывает, что модель сезонной тенденции ошибок (ETS) также может точно оценивать и прогнозировать эпидемические модели заболеваемости туберкулезом, ⁴ , и, таким образом, мы дополнительно сравнили мимические и прогнозируемые способности между предлагаемым нами гибридом. техника и модель ETS. Результаты моделирования показали, что модель ETS (A, AD, A) считается предпочтительной ( таблицы S6 — S7 ). Точно так же, как видно из таблицы , таблица S8 , гибридный метод EEMD-SARIMA-NARNN также значительно превосходит оптимальную модель ETS.Таким образом, этот новый гибридный метод, основанный на данных, можно рекомендовать как эффективный и ценный инструмент для анализа и оценки временных тенденций заболеваемости ТБ в Тибете. Более того, хотя модель SARIMA, модель NARNN, ​​модель ETS и модель смеси SARIMA-NARNN дали относительно низкую прогностическую эффективность по сравнению с предлагаемой нами гибридной техникой, они также продемонстрировали хороший потенциал для моделирования эпидемий ТБ, поскольку они давали Значение MAPE менее 20% как в мимическом, так и в прогностическом аспектах, это хорошо согласуется с предыдущими исследованиями, в которых использовались вышеуказанные общие модели для анализа временных паттернов других инфекционных заболеваний (например, COVID-19, ³⁹ брюшной тиф и паратиф. , ⁴⁰ шистосомоз, ⁴¹ и болезнь рук и ног ⁴² ).Кроме того, предлагаемую нами гибридную модель можно использовать для оценки текущих эффектов вмешательства в отношении ТБ, если эта модель оценивает значительно более высокую заболеваемость, чем фактическая, а это означает, что текущие вмешательства играют важную роль. В противном случае необходимы дополнительные или оптимизированные меры, такие как оптимизация существующих инструментов, стремление к всеобщему охвату услугами здравоохранения и социальной защиты, внедрение новой вакцины и новой профилактики, а также увеличение финансирования борьбы с туберкулезом. ²

Модель SARIMA была рекомендована в качестве универсального инструмента для оценки и прогнозирования временных рядов с явной сезонностью и периодичностью, а для нестационарных временных рядов после дифференцирования или преобразования с логарифмом или квадратным корнем эту модель также можно использовать и может достичь удовлетворительного прогноза.Например, Чен и др. Разработали метод SARIMA для оценки эпидемиологических тенденций заболеваемости гриппом, они обнаружили, что метод SARIMA (0,1,0) (0,1,2) ₁₂ показал значение MAPE 10,597%. для прогнозирования заболеваемости гриппом в городской зоне Шэньяна, а метод SARIMA (1,1,1) (1,1,0) ₁₂ имел значение MAPE 19,414% в сельской местности. ⁴³ Гао и др. Отметили, что метод SARIMA (0,1,7) (1,0,1) ₁₂ показал хорошие результаты для прогнозирования совокупной заболеваемости брюшным тифом (MAPE = 13.257%) и паратиф (MAPE = 19,501%). ⁴⁰ Хотя модель SARIMA демонстрирует хорошие показатели прогнозирования, она не может описывать нелинейную информацию, включенную в заболеваемость туберкулезом, поскольку эта модель предполагает наличие линейной связи между последовательными значениями временного ряда. ⁴ Однако, в отличие от модели SARIMA, динамический метод NARNN считается многообещающей альтернативой для решения любой нелинейной проблемы без каких-либо ограничений из-за его функции краткосрочной памяти, помимо общих свойств статических BPNN и GRNN. ^9,44,45 Таким образом, исследователи разработали традиционную модель смеси SARIMA-NARNN, ​​чтобы использовать потенциал каждого метода, и тем не менее недавние исследования показали, что такой традиционный комбинированный режим может не эффективно моделировать сезонные изменения или вариации тренда на основе необработанных данных. временные ряды, поскольку традиционная модель может недостаточно хорошо улавливать линейные и нелинейные компоненты, ⁴⁶ а именно, традиционные гибридные модели не обязательно превосходят свои индивидуальные прогнозы. ^19,46 Кроме того, как свидетельствуют наши и другие исследования, традиционные модели SARIMA-NARNN или другие традиционные модели смеси (такие как SARIMA-BPNN и SARIMA-GRNN) не могут предложить улучшение производительности по сравнению с базовыми методами NARNN и ETS на данные тестирования. ^19,47–49 По этой причине предлагаемая нами гибридная модель, управляемая данными, более разумно приспособлена для прогнозирования различных компонентов путем разложения целевого ряда на различные линейные и нелинейные характеристики на основе метода EEMD.Как и ожидалось, этот гибридный метод оказался механически более надежным и точным для прогнозирования заболеваемости ТБ в Тибете по сравнению с другими. Учитывая его превосходство и дешевизну сбора данных, этот управляемый данными комбинированный метод EEMD-SARIMA-NARNN кажется применимым для анализа эпидемиологических тенденций заболеваемости туберкулезом в других регионах или другими типами инфекционных заболеваний, даже когда-либо существовавших. серийные данные, хотя еще предстоит проделать большую работу, чтобы исследовать их эффективность и полезность.Кроме того, следует отметить, что некоторые новые передовые методы глубокой добычи полезных ископаемых (такие как нейронная сеть с долговременной краткосрочной памятью (LSTM) и сверточная нейронная сеть (CNN)) в настоящее время применяются для прогнозирования случаев лихорадки денге, суточной температуры поверхности суши ⁵⁰ , ²⁸ и коды медицинских записей ICD-9, ⁵¹ , и эти исследования показали, что LSTM и CNN также показали высокую точность для прогнозирования целевого ряда. Таким образом, предполагается, что дальнейшая работа будет направлена ​​на сравнение возможности прогнозирования предлагаемого нами комбинированного метода и вышеупомянутых методов глубокой добычи.

В ходе этой работы мы обнаружили, что заболеваемость туберкулезом демонстрирует заметные сезонные колебания, преимущественно с пиком в конце зимы и ранней весной и минимальным уровнем осенью и в начале зимы. Такая сезонная картина аналогична предыдущим результатам, полученным по всему Китаю и большинству юго-западных регионов Китая (таких как Цинхай, Сицзан и Юньнань), ^5,12,52 вместе с результатами, полученными в Японии и Испании. ^53,54 Предыдущий обзор сезонной изменчивости, основанный на 12 исследованиях, также подтверждает дополнительные доказательства того, что пиковые характеристики туберкулеза преимущественно наблюдаются в весенний и летний сезоны. ⁵⁵ И все же не согласен с этим в Восточной Капской провинции, США, Корее, Монголии, северной Индии и Кувейте. ^9,56–58 В этом исследовании был сделан интересный вывод о том, что ряды заболеваемости туберкулезом в Тибете демонстрировали преимущественно полугодовую сезонную модель с более длинными сезонами высокого риска с января по август и сезонами низкого риска с сентября по декабрь. в год, что несовместимо с данными, наблюдавшимися в более ранних исследованиях. ^5,12,52,55 По-видимому, различные факторы связаны с механизмами, лежащими в основе сезонного поведения повышенного риска ТБ.Во-первых, Тибет, как известный туристический город, ежегодно привлекает сотни тысяч человек, при этом туристов в 2019 году превысило 40 миллионов. ⁵⁹ Среди них люди, совершающие поездки в месяцы повышенного риска туберкулеза, составляют большую часть из них. . Масштабные перемещения населения могут приводить к передаче ТБ, ⁶⁰ , что также согласуется с временными моделями, присутствующими в месяцы высокого риска в пространственно-временной последовательности. Во-вторых, текущие исследования показали, что метеорологические параметры могут играть решающую роль в распространении туберкулеза. ^1,61 Исследование показало, что заболеваемость туберкулезом снизилась с повышением температуры и осадков в Цинхае. ⁶² Другое исследование показало, что скорость ветра положительно коррелирует с заболеваемостью туберкулезом в городе Цзинхун провинции Юньнань. ⁶¹ Климат Тибета характеризуется низким давлением, сильным ветром, сильными дождями и относительно низкой температурой (средняя годовая температура составляет 8 ° C), этот тип климата может увеличить вероятность заражения туберкулезом в сезоны высокого риска, поскольку люди, как правило, переезжают в закрытые помещения или в людные места для выполнения своей деятельности и работы. ⁹ В-третьих, считается, что уровни витамина D могут быть тесно связаны с сезонными колебаниями туберкулеза, это опосредовано повышенным риском активации латентного туберкулеза из-за поздних зимних надиров уровня витамина D. ^52,56 Уменьшение количества солнечного света зимой вызывает дефицит витамина D, который дополнительно влияет на способность макрофагов убивать бациллу Mycobacterium tuberculosis in vitro. ^56,63 В-четвертых, Лунный Новый год, главный праздник в Китае, также может играть важную роль в сезонных пиках заболеваемости туберкулезом, поскольку за этим праздником следует миграция самого крупного коллектива Тибета, особенно в январе и феврале. в год.Учитывая, что от заражения до медицинского диагноза проходит около 4-8 недель инкубации, ⁶⁴ это полностью соответствует максимальному пику в марте. Кроме того, видно, что в феврале зарегистрировано меньше случаев, чем в январе и марте. Это связано с тем, что люди не склонны обращаться за медицинской помощью в период Лунного Нового года. Наконец, в последние годы во Всемирный день борьбы с туберкулезом в Тибете было реализовано все больше и больше мероприятий, включающих знания-отношение-поведение и новые методы борьбы с туберкулезом, которые могут повысить осведомленность общественности о туберкулезе и повысить их желание получить доступ к медицинской помощи.Кроме того, следует продолжить исследование других факторов, влияющих на сезонные колебания.

В отличие от того факта, что заболеваемость туберкулезом ежегодно снижается примерно на 1,6% и 3% с 2005 г. в мире и Китае, соответственно, ² было продемонстрировано, что заболеваемость туберкулезом в Тибете имеет тенденцию к быстрому росту. , с AAPC = 5,8 с 2006 по 2017 год. По оценкам ВОЗ, для достижения цели 2035 года в Стратегии «Ликвидация туберкулеза» по сокращению заболеваемости туберкулезом на 90% по сравнению с 2015 годом, тенденцию к снижению заболеваемости туберкулезом необходимо ускорить со скоростью около 5% к 2020 году, 10% к 2025 году и 17% в период с 2025 по 2035 год во всем мире. ^2,65 Нынешняя структура эпидемии ТБ в Тибете была чрезвычайно сложной задачей для достижения цели избавления мира от ТБ в разные периоды. ⁶⁵ Многие причины могут быть причиной такой тенденции к росту эпидемии туберкулеза в Тибете. Во-первых, туберкулез — это инфекционное заболевание бедности; В Тибете плохие основные медицинские услуги и низкие социально-экономические условия, при этом ВВП занимает последнее место среди 31 провинции и муниципалитета Китая в 2019 году, ⁵⁹ , что может быть самым важным фактором быстрого роста заболеваемости туберкулезом.Во-вторых, местные метеорологические и экологические факторы также могут вносить важный вклад. В-третьих, буддийские монахи и монахини, составляющие значительную часть населения Тибета, плохо осведомлены о здоровье, и они часто проводят свою религиозную деятельность в относительно небольших храмах независимо от времени года, что способствует дальнейшему распространению инфекции среди людей. . ⁶⁶ В-четвертых, в последние годы лабораторное оборудование и возможности тестирования постоянно совершенствуются, а новые методы и методы молекулярно-биологического обнаружения и быстрой диагностики популяризируются, чтобы повысить уровень обнаружения пациентов в Тибете.В-пятых, около 80% больных ТБ в Тибете проживали в сельскохозяйственных и пастбищных районах, ⁶⁶ , и многие пациенты с ТБ не знают, что их можно обследовать и лечить бесплатно. Столкнувшись с катастрофическими расходами для больных туберкулезом и их домохозяйств, они часто отказываются от доступа к медицинской помощи, что еще больше способствует распространению туберкулеза среди людей. Наконец, исследование показало, что осведомленность населения об основной информации о профилактике и лечении ТБ составила всего 34%, что значительно ниже, чем в среднем по стране (57.0%), ⁶⁷ такая низкая осведомленность населения может быть фактором, способствующим росту заболеваемости ТБ в Тибете. Кроме того, некоторые другие причины (например, расстройства, связанные с употреблением алкоголя, диабет, ВИЧ-инфекция, курение и недоедание) также могут иметь значение. Столкнувшись с такой тенденцией к ухудшению, необходимо принять некоторые дополнительные или всеобъемлющие стратегии вмешательства для борьбы с туберкулезом в Тибете.

Настоящее исследование имело некоторые потенциальные недостатки. Во-первых, временной ряд заболеваемости ТБ был получен с помощью системы пассивного мониторинга, и поэтому занижение данных может быть неизбежным.Во-вторых, мы использовали только набор данных за 12 лет для построения моделей, и некоторая подробная информация (например, пол и возраст) о случаях ТБ не может быть извлечена, что ограничивает дальнейший анализ чувствительности для нашей модели. В-третьих, в настоящее время все еще отсутствует руководство по определению подходящих ключевых параметров ИНС (таких как скрытые блоки и задержки обратной связи). В приложениях необходимо проводить серию экспериментов методом проб и ошибок, пока не будут обнаружены лучшие показатели производительности.В-четвертых, включение потенциальных факторов, влияющих на ТБ, в метод EEMD-SARIMA-NARNN может способствовать повышению эффективности прогнозирования, но в нашей работе этого сделать не удалось. В-пятых, может ли этот новый смешанный метод также обеспечить высокоточное прогнозирование других инфекционных заболеваний или временных рядов, необходимо провести дальнейшие исследования для изучения его потенциального использования. Наконец, в приложениях новые зарегистрированные случаи ТБ следует вовремя добавлять в модель, чтобы обеспечить уровень точности прогнозов.

Выводы

Предлагаемый нами новый управляемый данными гибридный метод EEMD-SARIMA-NARNN может лучше отражать характеристики динамической зависимости заболеваемости ТБ в Тибете по сравнению с базовой моделью SARIMA, базовой моделью NARNN, ​​моделью ETS и традиционным комбинированным методом SARIMA-NARNN, ​​которые может быть рекомендован в качестве полезного и полезного инструмента поддержки политики для заблаговременного планирования ресурсов здравоохранения и определения интенсивности и типа текущих вмешательств, необходимых для прекращения эпидемии туберкулеза.Кроме того, учитывая продолжающийся рост случаев туберкулеза, необходимо принять некоторые дополнительные или комплексные стратегии вмешательства для борьбы с тибетом.

Заявление об обмене данными

Все данные, подтверждающие выводы работы, содержатся в исследовании.

Благодарности

Мы признательны китайскому Центру контроля заболеваний за ежемесячное количество случаев туберкулеза. Этот проект был поддержан Проектом обучения инновациям и предпринимательству для студентов университетов провинции Хэнань (S202010472007) и Синьсянского медицинского университета (XYXSKYZ201932) и Проектом ключевых научных исследований университетов Хэнани (21A330004).

Авторские взносы

Все авторы внесли существенный вклад в концепцию и дизайн, сбор данных или анализ и интерпретацию данных; принимал участие в написании статьи или ее критическом пересмотре на предмет важности интеллектуального содержания; согласился представить в текущий журнал; дал окончательное одобрение версии, которая будет опубликована; и соглашаемся нести ответственность за все аспекты работы.

Раскрытие информации

Авторы сообщают об отсутствии конфликта интересов в этой работе.

Список литературы

1. Ли Цзюй (Li ZQ), штаб-квартира Пань, Лю Цюй, Сун Х., Ван Дж. М.. Сравнение эффективности моделей временных рядов с метеорологическими факторами или без них при прогнозировании туберкулеза легких в восточном Китае. Заражение бедностью . 2020; 9 (1): 151. DOI: 10.1186 / s40249-020-00771-7

2. ВОЗ. Глобальный доклад о туберкулезе 2020 г. Доступно по адресу: https://apps.who.int/iris/handle/10665/336069. По состоянию на 25 декабря 2020 г.

3. Дин Ц., Ван С., Шангуань Ю. и др.Эпидемические тенденции туберкулеза в Китае с 1990 по 2017 год: данные глобального исследования бремени болезней. Устойчивость к лекарствам от инфекций . 2020; 13: 1663–1672. DOI: 10.2147 / idr.s249698

4. Ван И, Сюй С, Рен Дж и др. Прогнозирование долгосрочной сезонности и тенденций заболеваемости туберкулезом в Китае с использованием усовершенствованной модели сезонных ошибок, тенденций и тенденций. Устойчивость к лекарствам от инфекций . 2020; 13: 733–747. DOI: 10.2147 / IDR.S238225

5. Wang Y, Xu C, Zhang S, et al. Анализ временных тенденций заболеваемости туберкулезом в материковом Китае с 1997 по 2025 год с использованием новой гибридной модели SARIMA-NARNNX. BMJ Открыть . 2019; 9 (7): e024409. DOI: 10.1136 / bmjopen-2018-024409

6. Ли З, Ван З, Сонг Х и др. Применение гибридной модели для прогнозирования заболеваемости туберкулезом среди населения Китая. Устойчивость к лекарствам от инфекций . 2019; 12: 1011–1020. DOI: 10.2147 / idr.s1

7. Zhang YQ, Li XX, Li WB, et al. Анализ и прогнозирование показателей регистрации туберкулеза в провинции Хэнань, Китай: исследование с использованием модели экспоненциального сглаживания. Заражение бедностью .2020; 9 (1): 123. DOI: 10.1186 / s40249-020-00742-y

8. Ван Ю.В., Шен З.З., Цзян Ю. Сравнение авторегрессионной интегрированной модели скользящего среднего и обобщенной регрессионной нейросетевой модели для прогнозирования геморрагической лихорадки с почечным синдромом в Китае: исследование временных рядов. BMJ Открыть . 2019; 9 (6): e025773. DOI: 10.1136 / bmjopen-2018-025773

9. Адебой А., Дэвис О., Акинвуми О., Джеймс Н., Раффин М. Сезонность и прогнозирование тенденций распространенности туберкулеза в Восточной Капской провинции, Южная Африка, с использованием гибридной модели. Int J Environ Res Public Health . 2016; 13 (8): 757. DOI: 10.3390 / ijerph23080757

10. Чжан X, Чжан Т., Янг А.А., Ли X. Применение и сравнение четырех моделей временных рядов в данных эпидемиологического надзора. PLoS Один . 2014; 9 (2): e88075. DOI: 10.1371 / journal.pone.0088075

11. Wu W., An SY, Guan P, Huang DS, Zhou BS. Анализ временных рядов бруцеллеза человека в материковом Китае с использованием рекуррентных нейронных сетей Элмана и Джордана. BMC Инфекция Дис .2019; 19 (1): 414. DOI: 10.1186 / s12879-019-4028-x

12. Wang Y, Xu C, Li Y, et al. Усовершенствованная управляемая данными гибридная модель SARIMA-NNNAR для прогнозирования временных рядов заболеваемости туберкулезом в провинции Цинхай, Китай. Устойчивость к лекарствам от инфекций . 2020; 13: 867–880. DOI: 10.2147 / IDR.S232854

13. Тиан Ч.В., Ван Х., Ло ХМ. Моделирование временных рядов и прогнозирование случаев заболеваний рук, ящура в Китае с 2008 по 2018 год. Epidemiol Infect . 2019; 147: e82. DOI: 10.1017 / S095026881800362X

14.Weng RX, Fu HL, Zhang CL и др. Анализ временных рядов и прогноз заболеваемости chlamydia trachomatis с использованием данных эпиднадзора с 2008 по 2019 год в Шэньчжэне, Китай. Эпидемиол. Инфекция . 2020; 148: e76. DOI: 10,1017 / s0950268820000680

15. Qiu H, Zeng D, Yi J, et al. Прогнозирование заболеваемости острым геморрагическим конъюнктивитом в Чунцине: анализ временных рядов. Эпидемиол. Инфекция . 2020; 148: e193. DOI: 10.1017 / S095026882000182X

16. Ван К.В., Дэн Ц., Ли Дж. П., Чжан Ю. Ю., Ли КСИ, Ву М. С..Гибридная методология прогнозирования временных рядов заболеваемости туберкулезом на основе ARIMA и нейронной сети NAR. Эпидемиол. Инфекция . 2017; 145 (6): 1118–1129. DOI: 10.1017 / S0950268816003216

17. Пан А., Лю Л., Ван С. и др. Ассоциация вмешательств общественного здравоохранения с эпидемиологией вспышки COVID-19 в Ухане, Китай. ЯМА . 2020; 323 (19): 1915. DOI: 10.1001 / jama.2020.6130

18. Lin YJ, Lin HC, Yang YF, et al. Связь между загрязнением атмосферного воздуха и повышенным риском развития туберкулеза. Устойчивость к лекарствам от инфекций . 2019; 12: 3835–3847. DOI: 10.2147 / IDR.S227823

19. Таская-Темизель Т., Кейси М.С. Сравнительное исследование авторегрессионных гибридов нейронных сетей. Нейронная сеть . 2005. 18 (5–6): 781–789. DOI: 10.1016 / j.neunet.2005.06.003

20. Zhang X, Zhang Q, Zhang G, Nie Z, Gui Z, Hybrid A. Модель для прогнозирования временных рядов годового стока с использованием нейронной сети Эльмана с ансамблевым эмпирическим разложением мод. Уотер-Суи . 2018; 10 (4): 416. DOI: 10.3390 / w10040416

21. Ван Х, Тянь Ч., Ван ВМ, Ло ХМ. Анализ временных рядов туберкулеза с 2005 по 2017 год в Китае. Эпидемиол. Инфекция . 2018; 146 (8): 935–939. DOI: 10.1017 / S0950268818001115

22. Деб М., Чакрабарти Т.К. Гибридная модель SARIMA-ETS на основе вейвлетов для прогнозирования потребления электроэнергии. Elect J Appl Статистический анализ . 2017; 10 (2): 408–430.

23. Wu Z, Huang NE. Ансамблевое разложение по эмпирическим модам: метод анализа данных с использованием шума. Adv Adapt Data Anal . 2009; 01 (01): 1–41. DOI: 10.1142 / s179353690

47

24. Хуанг Н.Э., Шэнь З., Лонг СР. Новый взгляд на нелинейные волны на воде: спектр Гильберта. Анну Рев Гидравлический Механизм . 1999. 31 (1): 417–457.

25. Zuo Z, Wang M, Cui H, et al. Пространственно-временные характеристики и эпидемиология туберкулеза в Китае с 2004 по 2017 год по общенациональной системе эпиднадзора. BMC Общественное здравоохранение . 2020; 20 (1): 1284. DOI: 10.1186 / s12889-020-09331-y

26.Бартоломью Д., Box GEP, Jenkins GM. Анализ временных рядов: прогнозирование и управление . 5-е изд. Хобокен, Нью-Джерси: John Wiley and Sons Inc .; 2015: 14.

27. Qiu X, Ren Y, Suganthan PN, Amaratunga GAJ. Глубокое обучение ансамбля на основе разложения эмпирических мод для прогнозирования временных рядов спроса на нагрузку. Прикладное программное обеспечение . 2017; 54: 246–255.

28. Zhang X, Zhang Q, Zhang G, et al. Управляемая данными модель для ежедневного прогнозирования температуры поверхности суши с использованием нейронной сети с долговременной краткосрочной памятью на основе разложения по ансамблю эмпирических мод. Int J Environ Res Public Health . 2018; 15 (5): 1032. DOI: 10.3390 / ijerph25051032

29. Чжоу К., Цзян Х., Ван Дж., Чжоу Дж. Гибридная модель для прогнозирования PM2.5, основанная на ансамблевом эмпирическом разложении мод и общей регрессионной нейронной сети. Научно-технический центр . 2014; 496: 264–274. DOI: 10.1016 / j.scitotenv.2014.07.051

30. Цзянь З., Ян Р., Гао РХ, Фэн З. Повышение производительности ансамблевого эмпирического разложения мод. Обработка сигнала механической системы .2010. 24 (7): P.2104–2123.

31. Ван В., Чау К., Сюй Д., Чен Х. Повышение точности прогнозов временных рядов годового стока с использованием ARIMA на основе разложения EEMD. Управление водных ресурсов . 2015; 29 (8): 2655–2675.

32. Wang Y, Xu C, Wu W, et al. Анализ временных рядов временных тенденций заболеваемости геморрагической лихорадкой с почечным синдромом в Китае с 2005 по 2019 год. Sci Rep . 2020; 10 (1): 9609. DOI: 10.1038 / s41598-020-66758-4

33. Лю Цюй, Ли Зи, Цзи И и др.Прогнозирование сезонности и тенденций туберкулеза легких в провинции Цзянсу Китая с использованием расширенного статистического анализа временных рядов. Устойчивость к лекарствам от инфекций . 2019; 12: 2311–2322. DOI: 10.2147 / idr.s207809

34. Лам К.С., Ошоди О.С. Результат построения прогноза: сравнение искусственной нейронной сети и модели Бокса-Дженкинса. Eng Управление строительной аркой . 2016; 23 (3): 302–322.

35. Малеки А., Нассери С., Аминабад М.С., Хади М. Сравнение моделей ARIMA и NNAR для прогнозирования характеристик притока водоочистных сооружений. KSCE J Гражданский англ. . 2018; (6): 1–13.

36. Топлан Р. Простые и сложные методы прогнозирования ежемесячных данных о прибытии туристов на Маврикий. Int J Stat Appl . 2014. 4 (5): 217–223. DOI: 10.5923 / j.statistics.20140405.01

37. Zhou L, Jing X, Yu L, et al. Использование гибридной модели для прогнозирования распространенности шистосомоза у людей. Int J Environ Res Public Health . 2016; 13 (4): 355. DOI: 10.3390 / ijerph23040355

38. Pao HT. Прогнозирование энергопотребления на Тайване с использованием гибридных нелинейных моделей. Энергия . 2009. 34 (10): 1438–1446. DOI: 10.1016 / j.energy.2009.04.026

39. Саба А.И., Эльшейх А.Х. Прогнозирование распространенности вспышки COVID-19 в Египте с использованием нелинейных авторегрессионных искусственных нейронных сетей. Технология Saf Environ Protection . 2020; 141: 1–8. DOI: 10.1016 / j.psep.2020.05.029

40. Гао Дж., Ли Дж., Ван М. Анализ временных рядов совокупной заболеваемости брюшным тифом и паратифом в Китае с использованием моделей Грея и SARIMA. PLoS Один .2020; 15 (10): e0241217. DOI: 10.1371 / journal.pone.0241217

41. Юй XY, Чен З, Ци LX. Сравнительное исследование моделей SARIMA и NARX в прогнозировании заболеваемости шистосомозом в Китае. Mathematical Biosci Eng . 2019; 16 (4): 2266–2276. DOI: 10.3934 / mbe.2019112

42. Yu L, Zhou L, Tan L, et al. Применение новой гибридной модели с сезонной авторегрессивной интегрированной скользящей средней (ARIMA) и нелинейной авторегрессивной нейронной сетью (NARNN) в прогнозировании случаев HFMD в Шэньчжэне, Китай. PLoS Один . 2014; 9 (6): e98241. DOI: 10.1371 / journal.pone.0098241

43. Чен Й, Ленг К., Лу И и др. Эпидемиологические особенности и анализ временных рядов заболеваемости гриппом в городских и сельских районах Шэньяна, Китай, 2010-2018 гг. Эпидемиол. Инфекция . 2020; 148: e29. DOI: 10.1017 / S0950268820000151

44. Wang Y, Xu C, Zhang S, et al. Разработка и оценка подхода глубокого обучения для моделирования сезонности и тенденций заболеваемости пальпно-ящурной инфекцией в материковом Китае. Научный сотрудник . 2019; 9 (1): 8046. DOI: 10.1038 / s41598-019-44469-9

45. Нуры А.Х., Хасан К., Алам М.Дж. Сравнительное исследование моделей вейвлет-ARIMA и вейвлет-ИНС для данных временных рядов температуры на северо-востоке Бангладеш. J King Saud Univ . 2017; 29 (1): 47–61.

46. Ци З.М. Нейросетевое прогнозирование сезонных и трендовых временных рядов. Евро J Oper Res . 2005: 501–514.

47. Zhou L, Zhao P, Wu D, Cheng C, Huang H. Модель временных рядов для прогнозирования числа новых госпитализированных пациентов. BMC Med Inform Decis Mak . 2018; 18 (1): 39. DOI: 10.1186 / s12911-018-0616-8

48. Вэй В., Цзян Дж., Гао Л. и др. Новая гибридная модель, использующая авторегрессионную интегрированную скользящую среднюю и обобщенную регрессионную нейронную сеть для оценки заболеваемости туберкулезом в округе Хэн, Китай. Ам Дж. Троп Мед Хиг . 2017; 97 (3): 799–805. DOI: 10.4269 / ajtmh.16-0648

49. Wu W, Guo J, An S et al. Сравнение двух гибридных моделей для прогнозирования заболеваемости геморрагической лихорадкой с почечным синдромом в провинции Цзянсу, Китай. PLoS Один . 2015; 10 (8): e0135492. DOI: 10.1371 / journal.pone.0135492

50. Xu J, Xu K, Li Z, et al. Прогноз случаев лихорадки денге в 20 городах Китая на основе метода глубокого обучения. Int J Environ Res Public Health . 2020; 17: 2. DOI: 10.3390 / ijerph27020453

51. Hsu JL, Hsu TJ, Hsieh CH, Singaravelan A. Применение сверточных нейронных сетей для прогнозирования кодов медицинских записей ICD-9. Датчики (Базель, Швейцария) . 2020; 20:24. DOI: 10.3390 / s20247116

52.Wubuli A, Li Y, Xue F, Yao X, Upur H, Wushouer Q. Сезонность регистрации активного туберкулеза с 2005 по 2014 год в Синьцзяне, Китай. PLoS Один . 2017; 12 (7): e0180226. DOI: 10.1371 / journal.pone.0180226

53. Суми А., Кобаяси Н. Анализ временных рядов географически определенного ежемесячного числа новых зарегистрированных случаев активного туберкулеза в Японии. PLoS Один . 2019; 14 (3): e0213856. DOI: 10.1371 / journal.pone.0213856

54. Риос М., Гарсия Дж. М., Санчес Дж. А., Перес Д.Статистический анализ сезонности туберкулеза легких. Eur J Epidemiol . 2000. 16 (5): 483–488. DOI: 10.1023 / A: 1007653329972

55. Фарес А. Сезонность туберкулеза. Дезинфекция Дж. . 2011; 3 (1): 46–55. DOI: 10.4103 / 0974-777X.77296

56. Уиллис, Мэриленд, Уинстон, Калифорния, Хейлиг К.М., Каин К.П., Уолтер Н.Д., Мак Кензи В.Р. Сезонность туберкулеза в США, 1993-2008 гг. Клин Инфекция Дис . 2012. 54 (11): 1553–1560. DOI: 10.1093 / cid / cis235

57.Ким Э. Х., Бэ Дж. М.. Сезонность туберкулеза в Республике Корея, 2006-2016 гг. Эпидемиол. Здоровье . 2018; 40: e2018051. DOI: 10.4178 / epih.e2018051

58. Торп Л.Е., Фриден Т.Р., Лазерсон К.Ф., Уэллс К., Хатри Г.Р. Сезонность туберкулеза в Индии: реальна ли она и о чем нам говорит? Ланцет . 2004. 364 (9445): 1613–1614. DOI: 10.1016 / s0140-6736 (04) 17316-9

59. Департамент развития туризма Тибетского автономного района. Доступно по адресу: http: //lyfzt.xizang.gov.cn/. По состоянию на 25 декабря 2020 г.

60. Li X, Li T, Tan S. Мужчины в возрасте ≥ 45 лет, бизнесмены, плавающее население и сельские жители могут считаться группами высокого риска по заражению туберкулезом в Гуанчжоу, Китай: обзор 136 394 подтвержденных случаев. Rev Inst Med Trop Сан-Паулу . 2013. 55 (5): 366–368. DOI: 10.1590 / s0036-46652013000500013

61. Xiao Y, He L, Chen Y, et al. Влияние метеорологических факторов на заболеваемость туберкулезом в Юго-Западном Китае с 2006 по 2015 гг. Научный сотрудник . 2018; 8 (1): 10053. DOI: 10.1038 / s41598-018-28426-6

62. Rao HX, Zhang X, Zhao L, et al. Пространственная передача и метеорологические детерминанты заболеваемости туберкулезом в провинции Цинхай, Китай: панельный анализ пространственной кластеризации. Заражение бедностью . 2016; 5 (1): 45. DOI: 10.1186 / s40249-016-0139-4

63. Ганмаа Д., Уянга Б., Чжоу Х и др. Добавки витамина D для профилактики туберкулезной инфекции и болезней. N Engl J Med . 2020; 383 (4): 359–368.DOI: 10.1056 / NEJMoa1

6

64. Рао Х, Ши Х, Чжан Х. Использование статистического анализа сканирования Куллдорфа для обнаружения пространственно-временных кластеров туберкулеза в провинции Цинхай, Китай, 2009-2016 гг. BMC Инфекция Дис . 2017; 17 (1): 578. DOI: 10.1186 / s12879-017-2643-y

65. ВОЗ. Стратегия «Положить конец туберкулезу». 2014. Доступно по адресу: https: // wwwwhoint / tb / End_TB_brochurepdf. По состоянию на 25 декабря 2020 г.

66. Статистическое бюро Тибетского автономного района. Статистический ежегодник Тибета 2020.Доступно по адресу: http: //tjj.xizang.gov.cn/. По состоянию на 25 декабря 2020 г.

67. Го Дж, Ван Дж. Сорангза. Обзор основных сведений о профилактике туберкулеза и борьбе с ним в Тибетском автономном районе. Последние новости мира по медицине . 2020; 19 (73): 217–219.

Пространственные и временные прогнозы распространенности активного туберкулеза в Камбодже

Пространственные прогнозы

Гоган и его коллеги22 разработали оценки географии населения с высоким разрешением с использованием скорректированного Организацией Объединенных Наций распределения населения Камбоджи за 2010, 2015 и 2020 годы , которые были извлечены из WorldPop Project.23 Данные были загружены в виде растровых файлов и обработаны в QGIS, 24 ArcMap25 и R19 для разделения на квадраты сетки размером 1 км.

Чтобы спрогнозировать распространенность активного туберкулеза в Камбодже во время НПТ 2011 года, псевдопопуляция лиц была сначала случайным образом распределена в каждую сетку на основе возраста, пола и уровня страты псевдо-индивидов с использованием распределения населения Гогана. данные и с выборкой Монте-Карло параметров из апостериорного распределения иерархической модели TB; был рассчитан индивидуальный риск активного туберкулеза.Эта процедура была повторена 100 раз, и была рассчитана и визуализирована в пространстве средняя распространенность и общее количество людей с активным ТБ.

Временные прогнозы

Прогнозы возможной будущей распространенности активного ТБ были получены в результате трехэтапной процедуры: на этапе 1 мы вменяли текущую пространственную структуру населения, как описано ранее; на этапе 2 мы запускали демографическую модель поверх пространственной структуры, старея существующее население, истощая его за счет смертей и пополняя за счет рождений; и на этапе 3 мы применили существующие или уменьшенные возрастные показатели точечной распространенности, стратифицированные по полу и городским / сельским слоям, к прогнозируемой будущей пространственной структуре.Три сценария изменения количества точек описаны далее в этом разделе.

Для демографической модели пятилетние повозрастные коэффициенты рождаемости для страны в целом за период с 2000 по 2005 год были использованы в качестве базового показателя, полученного от Статистического отдела Организации Объединенных Наций26. Затем они были скорректированы для каждого региона страны. страны и обоих слоев (сельских и городских) в каждой провинции, путем масштабирования, чтобы соответствовать количеству (живущих) детей в возрасте до 1 года в 2008 году27. Затем этот коэффициент фертильности был зафиксирован в модели до 2030 года.При первоначальном моделировании мы наблюдали, что коэффициенты фертильности различаются по провинциям и сельским / городским слоям из-за несоответствия между прогнозируемым и фактическим количеством младенцев. Поэтому мы скорректировали коэффициенты рождаемости на уровне провинции / страты следующим образом.

Общее соотношение полов при рождении оценивалось по количеству младенцев мужского и женского пола в возрасте <1 года в 2008 году и впоследствии оставалось неизменным, то есть на уровне 105 мальчиков на 100 девочек. Обозначим быть долей рождений мужского пола.

Сдача внаем

быть национальным коэффициентом рождаемости для женщин в возрасте
а
, а также

быть числом женщин в возрасте
а
в провинции
п
, городской / сельский слой
ты
в год
т
, мы вывели ожидаемое количество рождений в каждой провинции, страте и году как

.

Число детей, доживших до возраста 1 года, было получено путем отдельного расчета ожидаемого числа рождений мальчиков

и девочек

Затем они выдерживались год, к тому времени

мальчики и

девушки, и таким образом

дети вообще.Отношение смоделированного к фактическому количеству годовалых детей,

, в год

, то есть

был затем установлен как «поправочный коэффициент» для провинции
п
, страта
ты
, который использовался для получения коэффициента фертильности для прогнозов, то есть коэффициента фертильности для провинции
п
, страта
ты
, возраст
а
, было установлено равным

Годовые пятилетние коэффициенты смертности с разбивкой по полу были доступны за 16-летний период с 2000 по 2015 год из хранилища данных Всемирной обсерватории здравоохранения ВОЗ, 28 из которых сгруппированы вместе для лиц в возрасте 85 лет и старше и лиц в возрасте <1 отдельно от возрастной группы до 5 лет.Они также были доступны для страны в целом. Логарифмические коэффициенты смертности внутри возрастных групп были линейно экстраполированы с этого периода на 2030 год, то есть

где

годовой уровень смертности лиц в возрасте
а
в год
т
. Уровень смертности предполагался постоянным в течение 5-летних интервалов (при этом для лиц в возрасте <1 года была своя собственная группа смертности, а для лиц в возрасте> 85 лет — в одной возрастной группе). Модель была подогнана с использованием регрессии наименьших квадратов к данным за период 2000–2015 гг. И экстраполирована на другие значения.Для мужчин и женщин подходили отдельные модели, но отсутствие данных о дифференцированной смертности по сельским и городским слоям не позволяло учитывать любой такой эффект.

Расчетные и прогнозируемые доли населения как в сельских / городских слоях в каждой провинции на 2010, 2015 и 2020 годы были взяты из WorldPop Project.22 23 Примерно линейное изменение за этот период времени было расширено до временного окна С 2008 по 2030 год.

Используя годовой временной шаг с 2008 по 2030 год, мы перераспределили население в каждом регионе между сельскими и городскими слоями, чтобы соответствовать расчетным пропорциям (подробности в дополнительном онлайн-материале 1).Затем мы рассчитали для каждого региона и обеих слоев прогнозируемое количество рождений (заданное в фиксированном соотношении мужчин: женщин 511: 489 на основе количества живущих детей <1 года в 2008 году27) и количество смертей в каждом возрасте. . Поскольку нам не удалось получить показатели миграции между регионами Камбоджи, мы заморозили провинцию отдельных лиц по данным переписи 2008 года27 и распределили детей по провинциям и слоям их матери.

балльная распространенность ТБ была рассчитана до 2030 г. по трем сценариям.В сценарии снижения распространенности снижение возрастной точечной распространенности в период между национальными репрезентативными обследованиями 2002–2011 годов было экстраполировано на 2030 год; в сценарии отсутствия улучшений в будущем для 2030 года использовались оценки 2011 года. Вместе они могут составить нижнюю и верхнюю правдоподобные границы будущей распространенности активного ТБ. Также рассматривалась модель умеренного снижения распространенности, в которой прогнозы валового внутреннего продукта (ВВП) на душу населения для Камбоджи29 в качестве показателя общего развития использовались для определения темпов улучшения распространенности активного ТБ в Камбодже.Итак, рассматривались три модели:

Нет будущего сценария улучшения: для этого мы использовали апостериорный средний возраст, пол, регион и распространенность по конкретным слоям, оцененные по результатам обследования распространенности 2011 года, и применили его к населению с 2010 по 2030 год.

Сценарий непрерывного сокращения: мы предположили, что снижение точечной распространенности ТБ для каждой возрастной группы было линейным (в логарифмической шкале), что соответствует снижению, наблюдавшемуся за 9 лет между обследованиями НПТ с 2002 по 2011 гг.15 Затем это было экстраполировано на 2030 год для каждой возрастной группы. Чтобы учесть неопределенность, мы провели повторную выборку из распределения повозрастных сокращений заболеваемости туберкулезом и ежегодно усредняли это до прогнозируемой точечной распространенности активного туберкулеза в течение нескольких лет после 2011 года. и НПТ 2011 г.

для возрастной группы
а
, мы предположили, что сокращение на 1 год составит

где

Для каждого моделирования мы выбираем годовое возрастное сокращение из распределения следующим образом:

Сценарий прогноза ВВП : в этой модели мы предполагаем, что повозрастное сокращение ТБ экспоненциально связано с ростом ВВП на душу населения.Позволять

быть ВВП на душу населения по отношению к 2002 г. и

относительно 2011 года. Пусть также

быть сокращением повозрастной точечной распространенности туберкулеза для возраста
а
и год
т
, относительно 2002 г. (который ранее оценивался для

15), и

относительно 2011 года. Мы предполагаем

. Параметр

приравнивается к

, которая передискретизируется аналогично модели с непрерывным уменьшением. Затем делаются прогнозы путем экстраполяции этого показателя из показателей 2011 года.

На пути к комплексным сезонным прогнозам потоков углерода на суше и в океане: уроки, извлеченные из субсезонных прогнозов НАСА

Аннотация

Сезонные прогнозы, составляемые с помощью объединенных моделей общей циркуляции атмосферы и океана (МОЦ), все в большей степени способны давать точные прогнозы климатических аномалий.В некоторых центрах возможности этих моделей расширяются для представления обратных связей углерода и климата, включая биогеохимию океана (OB), взаимодействия земной биосферы (TB) и пожары.

Здесь мы исследуем, могли ли аномалии потоков углерода на суше и в океане, которые произошли за последние 10 лет, быть предсказаны на месяцы вперед. Этот период включал как эпизоды Эль-Ниньо, так и эпизоды Ла-Ниньо, которые можно предсказать на несколько месяцев вперед, а также большое количество данных дистанционного зондирования для оценки эффективности.Мы исследуем эту тему, используя модель системы наблюдения за Землей Годдарда (GEOS) НАСА, которая регулярно производит ансамбль сезонных климатических прогнозов, а также набор автономных динамических и статистических моделей, которые оценивают процессы потока углерода. Использование полей прогнозов GEOS с 2007 по 2016 гг. Для создания ретроспективных прогнозов моделей потоков показывает, что эти модели способны воспроизводить важные особенности, наблюдаемые со спутников. В частности, ретроспективные прогнозы акушерства могут прогнозировать аномалии в распределении хлорофилла с заблаговременностью 3-4 месяца.Статистические прогнозы пожаров, основанные на климатических индексах океана, позволяют прогнозировать площадь выгоревших пожаров в тропиках с заблаговременностью от 3 до 12 месяцев. Способность ретроспективных прогнозов ТБ воспроизводить аномалии наземного потока контролируется навыками климатического прогноза. Применение коррекции смещения для устранения существенных ошибок в метеорологии сезонных прогнозов значительно улучшает прогнозы ТБ, поддерживая умелые прогнозы на срок до 3 месяцев. Хотя прогнозы ТБ демонстрируют умение воспроизводить оценки, полученные с помощью одной и той же модели ТБ, основанной на наблюдаемой метеорологии, прогнозы из разных моделей также могут не согласовываться друг с другом, что подчеркивает необходимость многомодельных подходов и непрерывной разработки моделей для повышения надежности прогнозов.Хотя сезонное прогнозирование остается активной областью исследований, эти результаты демонстрируют, что прогнозы процессов потока углерода могут поддерживать множество приложений, позволяя ученым понимать обратные связи углерода и климата по мере их возникновения и извлекать выгоду из более гибких спутниковых технологий, которые открывают интересующие области. чтобы быть нацеленным со сроком выполнения от недель до месяцев.

Геоинформационная система распространения туберкулеза на основе инверсии и прогноза

Мониторинг, анализ и прогнозирование распространения эпидемии в регионе требуют построения математической модели, обработки и визуализации больших данных, поскольку количество населения и размер региона может быть огромным.Одним из важных шагов является уточнение математической модели, т.е. определение исходных данных и коэффициентов системы дифференциальных уравнений эпидемиологических процессов с использованием дополнительной информации. Проанализирован численный метод решения обратной задачи эпидемиологии, основанный на генетическом алгоритме и традиционном подходе оптимизации. Наши алгоритмы применяются для анализа и прогнозирования эпидемической ситуации в регионах Российской Федерации, Республики Казахстан и Китайской Народной Республики.Из-за большого количества данных мы используем специальную программу «Цифровая Земля» для визуализации эпидемии.

Ссылки

[1]
Авилов К.К., Романюха А.А.,
Математические модели распространения и борьбы с туберкулезом (обзор),
Мат. Биол. Биоинформ. 2 (2007), нет. 2, 188–318.
Искать в Google Scholar

[2]
Х. Т. Бэнкс, С. Ху и У. К. Томпсон,
Моделирование и обратные задачи при наличии неопределенности,
CRC Press, Бока-Ратон, 2014.
Искать в Google Scholar

[3]
А.Хупперт и Дж. Катриэль,
Математическое моделирование и прогнозирование в эпидемиологии инфекционных болезней,
Clinical Microbiol. Заразить. 19 (2013), нет. 11, 999–1005.
Искать в Google Scholar

[4]
Кабанихин С.И.,
Определения и примеры обратных и некорректных задач,
J. Обратная некорректная проблема. 16 (2008), 317–357.
Искать в Google Scholar

[5]
Кабанихин С.И., Хасанов А.К., Пененко А.В.,
Метод градиентного спуска для решения обратной коэффициентной задачи теплопроводности,
Нумер.Анальный. Прил. 1 (2008), 34–45.
Искать в Google Scholar

[6]
Кабанихин С.И., Криворотько О.И., Ермоленко Д.В., Каштанова В.Н., Латышенко В.А.
Обратные задачи иммунологии и эпидемиологии,
Евразийский J. Math. Comput. Прил. 5 (2017), нет. 2, 14–35.
Искать в Google Scholar

[7]
Кабанихин С.И., Криворотько О.И., Ермоленко Д.В., Воронов Д.А.,
Сравнение градиентного и симплексного методов численного решения обратной задачи для простейшей модели инфекционного заболевания,
Математика.Записки СВФУ 22 (2015), вып. 2, 72–82.
Искать в Google Scholar

[8]
Кабанихин С.И., Криворотько О.И., Каштанова В.
Комбинированный численный алгоритм восстановления математической модели передачи туберкулеза с контрольными программами,
J. Обратная некорректная проблема. 26 (2018), 121–131.
Искать в Google Scholar

[9]
Кабанихин С.И., Криворотько О.И., Маринин И.В.,
Трехмерный ГИС-анализ и оценка природных и техногенных катастроф: предварительный оперативный анализ и оценка последствий чрезвычайных ситуаций природного и техногенного характера,
Palmarium Academic, Москва, 2013.Искать в Google Scholar

[10]
Кабанихин С.И., Воронов Д.А., Гродз А.А., Криворотько О.И.
Идентифицируемость математических моделей в медицинской биологии,
Russian J. Genetics Appl. Res. 6 (2016), нет. 8, 838–844.
Искать в Google Scholar

[11]
В. Латышенко, О. Криворотько, С. Кабанихин, С. Чжан, В. Каштанова, Д. Ермоленко,
Анализ идентифицируемости обратных задач биологии,
2017 2-я Международная конференция по компьютерному моделированию, моделированию и прикладной математике (CMSAM),
DEStech, Ланкастер (2017), 567–571.Искать в Google Scholar

[12]
Х. Мяо, Х. Ся, А. С. Перельсон и Х. Ву,
Об идентифицируемости нелинейных моделей ODE и их приложений в вирусной динамике,
SIAM Rev. Soc. Ind. Appl. Математика. 53 (2011), 3–39.
Искать в Google Scholar

[13]
А. Терликбаева, С. Эрмосилла и С. Галеа,
Туберкулез в Казахстане: анализ детерминант риска в национальных данных эпиднадзора,
BMC Infect. Дис. 12 (2012), ID статьи 262.
Искать в Google Scholar

[14]
Дж. М. Трауэр, Дж.Т. Денхольм и Э. С. Макбрайд,
Построение математической модели передачи туберкулеза в высокоэндемичных регионах Азиатско-Тихоокеанского региона,
J. Теорет. Биол. 358 (2014), 74–84.
Искать в Google Scholar

[15]
С. Вайда,
Идентифицируемость реакционных систем первого порядка,
Реагировать. Кинет. Катал. Lett. 11 (1989), 39–43.
Искать в Google Scholar

[16]
Х. Т. Ваалер, А. Гесер и С. Андерсен,
Использование математических моделей в изучении эпидемиологии туберкулеза,
Амер.J. Publ. Здоровье. 52 (1962), 1002–1013.