PDF(4667 KB)
PDF(4667 KB)
PDF(4667 KB)
4种模型在黄山市结核病发病预测中的应用
Application of four models in predicting the incidence of tuberculosis in Huangshan
目的 对黄山市结核病发病的趋势进行预测,为优化结核病防控举措提供依据。方法 从结核病管理信息系统中收集2015—2024年黄山市的结核病发病数,分别构建季节性自回归综合移动平均(seasonal autoregressive integrated moving average, SARIMA)模型、Holt-winters指数平滑模型、灰色预测GM(1, 1)模型及Prophet模型,将各模型2024年的发病预测数与实际发病数进行验证,以均方根误差(root mean square error, RMSE)、平均绝对误差(mean absolute error, MAE)、平均绝对百分比误差(mean absolute percentage error, MAPE)作为模型评价指标,选取最优模型预测2025—2026年黄山市结核病发病情况。结果 2015—2024年黄山市结核病登记发病数呈波动下降趋势,具有明显的季节性,夏季是登记报告的高峰期,冬季是低谷期;4种模型拟合效果均良好,经验证,Prophet模型预测效果最优(RMSE、MAE、MAPE值分别为5.03、4.17和10.28%);所有模型均预测2025—2026年黄山市结核病发病数仍呈下降趋势,Prophet模型预测2025—2026年黄山市结核病登记发病数分别为462例和432例,登记发病率分别为35.08/10万和32.80/10万。结论 Prophet模型拟合效果最优,可使用该模型对黄山市结核病发病趋势进行预测。
Objective To predict the incidence trend of tuberculosis in Huangshan and to provide a basis for optimizing tuberculosis prevention and control strategies. Methods Tuberculosis incidence data from 2015 to 2024 in Huangshan were collected from the Tuberculosis Management Information System. Seasonal autoregressive integrated moving average (SARIMA) model, Holt-winters exponential smoothing model, Gray Prediction GM (1, 1) model, and Prophet model were constructed. The predicted incidence for 2024 from each model was validated against the actual reported incidence. Root mean square error (RMSE), mean absolute error (MAE), and mean absolute percentage error (MAPE) were used as evaluation indicators to select the optimal model for predicting tuberculosis incidence from 2025 to 2026 in Huangshan. Results The registered tuberculosis incidence in Huangshan from 2015 to 2024 showed a fluctuating downward trend with distinct seasonality, peaked in summer, and reached a trough in winter. All four models demonstrated good fitting performance. Validation results revealed that the Prophet model achieved the best predictive performance (RMSE=5.03, MAE=4.17, MAPE=10.28%). All models predicted a continued decline in tuberculosis incidence in Huangshan for 2025-2026. The Prophet model predicted 462 and 432 registered tuberculosis cases in 2025 and 2026, respectively, corresponding to registered incidence rates of 35.08/100 000 and 32.80/100 000. Conclusion The Prophet model exhibits the best fitting performance and can be used to predict the trend of tuberculosis incidence in Huangshan.
结核病 / SARIMA模型 / Prophet模型 / 预测
| [1] |
成诗明, 王黎霞, 陈伟. 结核病现场流行病学[M]. 北京: 人民卫生出版社,2016:1.
|
| [2] |
World Health Organization. Global Tuberculosis Report 2024[R]. Geneva: World Health Organization, 2024.
|
| [3] |
梁祖花, 潘春柳, 汪俊华, 等. 贵阳市活动性肺结核报告发病数变化趋势及预测[J]. 中华疾病控制杂志, 2025, 29(1):42-48,66.
|
| [4] |
张习习, 任珂, 陈欣, 等. 安徽省2020—2024年肺结核报告发病情况[J]. 安徽预防医学杂志, 2025, 31(4):287-291,300.
|
| [5] |
张根友, 刘洁, 史四九, 等. 2011—2020年安徽省肺结核疫情变化趋势及流行特征分析[J]. 疾病监测, 2021, 36(10):1025-1030.
|
| [6] |
张顺先, 邱磊, 张少言, 等. ARIMA模型的建立及对中国肺结核月报告例数的预测效果研究[J]. 中国防痨杂志, 2020, 42(6):614-620.
|
| [7] |
梁建国, 冯永亮, 董丽, 等. ARIMA乘积季节模型在山西省结核病预测中的应用[J]. 疾病监测, 2023, 38(3):332-338.
|
| [8] |
张明玉, 周钰博, 吴建军, 等. ARIMA模型与GM(1, 1)模型对丙型病毒性肝炎发病的预测效果比较研究[J]. 预防医学情报杂志, 2024, 40(10):1187-1192.
|
| [9] |
依里帕·依力哈木, 努尔比耶·约麦尔, 武迪, 等. 2015—2021年新疆和田地区新冠疫情前后肺结核发病趋势分析[J]. 安徽医科大学学报, 2024, 59(4):678-683.
|
| [10] |
李娇. “三位一体”管理模式在石棉县肺结核预防控制中的应用研究[D]. 泸州: 西南医科大学, 2019.
|
| [11] |
余爱平, 忻骥, 李月华, 等. 武汉市2014—2023年肺结核疫情流行特征分析[J/OL]. 中国热带医学, 2025:1-14. (2025-02-20). https://kns.cnki.net/kcms/detail/46.1064.R.20250220.1533.004.html.
|
| [12] |
马晓雪, 周建, 王大福, 等. 2016—2023年贵州省肺结核流行特征及空间聚集分析[J]. 现代预防医学, 2025, 52(4):597-602.
|
| [13] |
刘超, 杜柳铭, 聂心容, 等. 中国肺结核病的季节性特征、循环周期及长短期预测[J]. 中国感染控制杂志, 2023, 22(7):751-757.
|
| [14] |
陈代权, 林淑芳, 周银发, 等. 2010—2019年福建省结核病患者就诊延迟及影响因素分析[J]. 中国防痨杂志, 2023, 45(1):96-103.
|
| [15] |
杨振, 聂艳武, 孙亚红, 等. 基于Prophet等时间序列季节模型的肺结核发病预测及对比分析[J]. 现代预防医学, 2021, 48(21):3841-3846,3883.
|
| [16] |
李顺勇, 李可心. ARIMA和Prophet模型在艾滋病发病预测中的应用[J]. 河南科学, 2020, 38(9):1387-1393.
|
| [17] |
郑艳妮, 赵玉锐, 梁莉萍, 等. 基于SARIMA、Holt-winters与Prophet三种时间序列模型的2021年武威市丙型病毒性肝炎发病预测[J]. 疾病预防控制通报, 2023, 38(5):49-53,68.
|
| [18] |
安徽省统计局. 2024年安徽省人口变动情况抽样调查主要数据公报[EB/OL]. (2025-03-10)[2025-04-15]. https://tjj.ah.gov.cn/public/6981/149851781.html.
|
| [19] |
World Health Organization. The End TB Strategy[R]. Geneva: World Health Organization, 2014.
|
| [20] |
崔馨禄, 陈成江, 李卫霞, 等. 2018—2022年海南岛肺结核时空聚集性分析[J/OL]. 海南医学院学报, 2024:1-17. (2024-12-11). https://link.cnki.net/doi/10.13210/j.cnki.jhmu.20241211.001.
|
| [21] |
刘勇. 新冠流行期间广东地区流感流行特征及流行趋势预测研究[D]. 广州: 广州医科大学, 2022.
|
| [22] |
杨凯朝, 杜冰会, 白祎然, 等. 季节性ARIMA模型在河南省流感样病例发病预测中的应用[J]. 河南预防医学杂志, 2023, 34(1):23-27,71.
|
| [23] |
傅颖, 张晓龙, 蒋骏, 等. SARIMA模型在苏州市肺结核发病预测中的应用[J]. 中国热带医学, 2020, 20(4):339-342.
目的 建立苏州市肺结核发病的SARIMA模型并预测发病,为苏州市肺结核防控提供参考。方法 收集结核病信息管理系统(新)中苏州市2010年1月—2018年12月肺结核月发病数,通过时间序列分析建立SARIMA模型并预测苏州市2019年肺结核的发病情况。结果 苏州市肺结核发病数具有明显的季节周期性,每年的发病最高峰为5月,发病最低谷为2月。苏州市肺结核发病数的最佳拟合模型为SARIMA (0,1,1)×(0,1,1)<sub>12</sub>,AIC=9.590,SBC=9.644,模型参数均具有统计学意义,模型残差为白噪声序列,模型的预测值与实际值平均绝对百分比误差MAPE=7.943%,模型预测精度较高。预测苏州市2019年肺结核发病数为3 467例,月发病数平均值为289例,发病水平较2018年略有下降。结论 SARIMA(0,1,1)×(0,1,1)<sub>12</sub>模型能较好拟合出苏州市肺结核发病数的时间变化趋势,可应用于苏州市肺结核月发病数的短期预测。
|
| [24] |
尤金辉, 范国锋. ARIMA模型与GM(1, 1)模型对兴化市结核病发病数预测效果比较[J]. 江苏预防医学, 2022, 33(5):551-553.
|
| [25] |
温福东, 赵彬宇, 苏月, 等. 基于prophet模型预测中国布鲁氏菌病发病人数[J]. 中国医院统计, 2024, 31(1):7-10.
|
| [26] |
孙倩, 胡军国, 刘玉琴, 等. 基于灰色预测模型GM(1, 1)的2010—2025年甘肃省肿瘤登记地区胰腺癌发病率预测[J]. 中华肿瘤防治杂志, 2025, 32(6):323-328.
|
利益冲突声明 全部作者声明无利益冲突
/
| 〈 |
|
〉 |