季节性时间序列分析在医院感染中的应用.doc

季节性时间序列分析在医院感染中的应用 论著季节性时间序列分析在医院感染中的应用罗阳1,丁国英2,府伟灵1,郭波涛3,张雪1,黄君富1(1.第三军医大学西南医院,重庆400038;2.胶南市经济技术开发区医院,山东胶南266400;3.第三军医大学统计教研室,重庆400038)摘要:目的为了研究医院感染人数与不同季节的关系。 方法利用季节性时间序列的线性模型对1996xx年的数据建模,并比较各个模型对xx年的数据预测能力,从而总结出最佳模型。 结果最后得到4个模型,各模型的P值均010001,说明新建立的模型是可靠的;预测的结果表明最后一个模型的效果最好。 结论季节性时间序列的线性模型能较好的模拟医院感染人数同季节的关系,并有较强的预测能力,从而为医院感染人数的预测提供了有效的工具。 关键词:医院感染人数;时间序列分析;模型:R18113+2:A:100524529 (xx)0420390203Seasonal TimeSequence AnalysisApplying forNosoial InfectionLUOYang1,Ding Guo2ying2,FU Wei2ling1,GUO Bo2tao3,ZHANG Xue1,HUANGJun2fu1(1.Southwest Hospital,2.Department ofStatistics,the ThirdMilitary MedicalUniversity,Chongqing400038,China)Abstract:OBJECTIVE Toinvestigate therelationship betweenbacterial infectionnumber inhospitals anddifferentseasons.METHODS Aseasonal timesequence linearmodel wasapplied toestablish amodel basedon thedataobtained fromthe years1996toxx,then parethe abilityof everymodel topredict dataonxxand pickoutthe best model.RESULTS Wegot fourmodels atlast withthe Pvalue010001each,which showedthe newconstructedmodel wasconfidential.From predictedresults,the last model wasthe bestone.CONCLUSIONSSeasonal timesequence analysiscan wellsimulate therelation ofinfection numbersand seasons.Its strongpredictableability canafford aneffective toolto forecastthe numbersof nosoialinfection.Key words:Nosoial infectionnumber;Seasonal timesequence analysis;Model医院感染的病原体绝大多数为细菌,以需氧菌为主,其中革兰阴性杆菌略占优势1,2。 20世纪80年代以前以革兰阳性球菌为主,以后以革兰阴性杆菌为主。 多系条件致病菌和耐药菌株3,尤其是多种耐药株逐渐增多。 偶见病力强的细菌,如沙门菌属、志贺菌属等,易致暴发流行。 近年来革兰阳性球菌所致的医院感染呈上升趋势,真菌、病毒、支原体等也是医院感染的重要病原体4,尤其是真菌引起的医院感染发病率为20世纪80年代的25倍。 其他病原体包括原虫、蠕虫5等临床亦常可见。 随着人们对医院感染的认识的逐步深入,许多的医:xx210216;修回日期:xx212228基金项目:国家863计划重大专项(xxAARZ2023)国家自然科学基金 (30270388)重庆市应用基础研究项目 (xx210278)通讯作者:府伟灵,Email:weilingfuyahoo.院感染专家发现,医院感染与季节具有一定的相关性。 所以应用季节性时间序列分析对医院感染建模是十分必要的。 本研究从我院的医院感染资料出发,建立季节性时间序列模型,通过模型我们可以了解医院感染同季节的联系,同时可以预测将来的医院感染人数,这对防治医院感染有着极其重要的作用。 1资料与方法111原始数据收集到我院1996xx年每季度医院感染人数的资料,见表1。 表11996xx年各季度的医院感染人数季度年份199919961490154316541563175820602214228815311588158115981687215822662385154015931607167818262111221424191533162415631742195621762271247760946348640565817227850589659569199719982000 xxxxxx1234合计093Chin JNosoiol Vol.15No.4xx?1994-xxChina AcademicJournal ElectronicPublishing House.All rightsreserved.ki.112方法季节性时间序列资料通常包含以下变动因素6:长期变动趋势(T),季节变动趋势(S),周期变动趋势(C)及不规则变动趋势(E)。 经典的预测技术7如直线平均法、平均数趋势法、移动平均比率法均采用乘法原理,即模型 (1)进行分析。 Y=TgSgCgE当采用乘法原理进行分析时,特别当资料中存在非自然周期变动时,移动平均数的步长较难选择,因为如果选择不当,就无法消除资料中的季节变动、周期变动及不规则变动,从而得不到其趋势变动,且预测方法较繁。 针对季节性时间序列资料的特点,还可以有如下加法模型:Y=T+S+C+E本研究将以加法原理为依据,对季节长度为1的时间序列资料Y1,Y2,?,Yn提出如下线性预测模型,其参数可用最小二乘法估计。 11211趋势预测模型Y1=a0+a1t+et式中,a0,a1为模型参数,et为模型误差。 显然此模型仅能预测出其长期趋势变动。 11212周期趋势预测模型当仅考虑长期趋势变动及周期性变动时,有:Yt=a0+a1+c cos(2t/L)+et式中,c为周期效应。 11213季节趋势预测模型 (1) (2) (3) (4)Yt=a0+a1+lj=1sjxtj+et (5)式中,x tj=1t modl=j0tmodlj,tmodl即为t除以l的余,sj为季节性周期效应。 11214季节自回归模型Yt=a0+a1Y(t-1)+a2Y(t-2)+?ap Y(t-p)+式中,a0,a1,?,ap为模型参数,p为模型阶次。 如果模型参数及模型阶次选择适当,则由时滞方程的理论可知,一个p阶时滞方程可描述一个包含周期变动及长期趋势变动的时序过程7。 因此模型 (6)能描述一个包含长期趋势变动、非自然周期性变动、季节周期性变动及不规则变动的时序资料。 模型阶次P可按AIC(Akaike InformationCri2terion)准则来确定,其计算公式为:AIC(P)=nlnSe2+2p(Plnn)其中Se2为P阶模型残差的均方差,n为样本含量,模型应选择AIC(P)最小的阶次。 对于多数季节性时间序列资料而言,最多只有lj=1sjxtj+et (6)一个主效应的非自然周期变动,此时可取模型 (6)中的阶次P=3就能满足实际需要了。 113使用软件本研究均采用SAS812统计软件中的回归过程。 2结果利用1996xx年的数据,分别应用模型 (3)、 (4)、 (5)和 (6)进行拟合,并对xx年进行预测,结果如下:211模型 (3)拟合Yt=1352124+30147t212模型 (4)拟合Yt=1353135+30140t+10103cos(2t/l)213模型 (5)拟合Yt=1366146+30144t-7167xt1-19197xt2-27156xt3,对此模型第四季度xt4的效应已包含在常数项中。 214模型 (6)拟合只考虑一个非自然周期效应,因此取p=3有:Yt=10107+1100Yt-1-0114Yt-2+0.16Yt-3-39145xt1-37148xt2-34108xt3,对此模型第四季度xt4的效应已包含在常数项中。 215预测各模型对xx年各季度的预测值结果及实际值的比较见表 2、表3。 表2xx年各季度预测值与实际值的比较季度实际值模型 (3)2235187226613422961812327128模型 (4)2234195225513222951752336118模型 (5)2241155225916922821542340154模型 (6)229412223031112321127237519812342288238524192477表3xx年各季度预测值的相对误差3(%)季度模型 (3)2128419851056104模型 (4)2132514451105169模型 (5)2103512551645151模型 (6)01273143410441081234注:3计算公式为:|预测值-实际值|/实际值100%。 3讨论由表2和表3可知,各个模型对年份的值进行了一定的预测,模型 (4)和模型 (6)取得了良好的效果,然而预测效果最好的为模型 (6)。 这主要是因为模型 (6)不但考虑了季节性周期变动,而且考虑了时间序列的后效性,即序列中的非自然周期变动。 医院感染的发生受社会因素、环境因素的影响既有趋势变动,又有季节变动,所以应用模型 (5)和模型193中华医院感染学杂志xx年第15卷第4期?1994-xxChina AcademicJournal ElectronicPublishing House.All rightsreserved.ki. (6),对医院感染人数建模是符合医院感染发生的流行病学特征8的,因此这两个模型取得了良好的效果。 而模型 (1)为简单的线性模型,仅仅考虑了感染人数总的发展趋势,而没有考虑季节性的变动。 模型 (4)仅考虑的周期的变动,模型 (5)考虑到了季节因素,但没有将时间序列的后效性加入模型中,如对模型要求的精度不高,模型 (5)也是个不错的选择。 加法模型与传统的乘法模型相似,它们均是建立在假定时间序列所包含的4个变动因素之上,但加法模型的优点在于可以对模型的拟合效果给出评价,我们进一步的考察了各模型进行拟合时的P值,均010001,说明各模型在拟合方面都有良好的表现。 根据此模型,我们可以看出:在1年中,每个季节的感染率是不同的。 而每个季节都有它所特有的气候与环境因素,所以通过此模型,我们可以对下一年的不同季节的医院感染人数进行初步预测,这样,就有利于我们找出导致医院感染的根源,并消除其根源,提前做好对医院感染的防范工作,从而最终减少医院感染的人数。 参考文献:1刘滔滔,梁宁生,李艳,等.大鼠细菌感染模型血中磷脂酶A2变化的研究J.中华医院感染学杂志,xx,13 (1):10212.2王莉,马立平,府伟灵.医院职工感染血源性传播疾病防护措施J.中华医院感染学杂志,xx,13 (1):448.3龙邵甫,蒋顺奎.解脲脲支原体体外耐药性检测J.中国皮肤性病学杂志,xx,15 (6):3962397.4屈玲,府伟灵,徐永涛,等.166例真菌感染分离鉴定及药敏试验结果分析J.中华医院感染学杂志,xx,14 (1):1102112.5姚春艳,府伟灵.葡萄球菌医院感染的耐药性分析J.中华医院感染学杂志,xx,14 (1):1042106.6岳建集.Verhulst模型,微分模型及时滞模型的建模与经济预测应用J.数理统计与管理,1995,4 (14):11214.7杨瑞璋.卫生管理统计学M.哈尔滨:黑龙江科学技术出版社,1990.1982200.8刘向林.复合型催化模型在钩虫感染流行病学研究中的应用J.数理医药学杂志,xx,15 (3):2732275.新生儿脐部消毒前后细菌学调查杨秀菊,谢景玫,苏春勤(大理医学院附属医院,云南大理671000)关键词:新生儿脐部;细菌学;调查:R47219:B:100524529 (xx)0420392201由于新生儿脐带断端是一个创面,若护理不当,可导致局部以至全身感染。 研究表明在新生儿败血症中,脐部感染者占66%87%;且脐部是厌氧菌感染的好发部位,一旦发生严重感染可危及生命。 我们对新生儿脐部进行了消毒前和消毒后细菌学调查,结果报道如下。 1资料与方法从xx年13月份,随机采集我院48例新生儿脐部,用无菌生理盐水棉签以新生儿脐带断端及脐轮为中心,直径5cm进行环形采样,剪去与手接触部位,以无菌操作将棉签放入拭管内。 然后用0.05%碘伏液棉签在原取样部位进行消毒,待干后按消毒前相同的方法进行采样,并将采样标本立即送检。 2结果调查中在新生儿脐部分离