建立类流感与肠病毒的疾病预测模式

1建立类流感与肠病毒的疾病预测模式2目录目录 2摘要 3第一章前言 6第二章疾管局定点医师通报资料 9第三章肠病毒：材料与方法 第一节时间数列分析方法 13第二节美国CDC“EARS”：HistoricalLimits&CUSUM方法 26第三节时间数列结合CUSUM方法应用于疾病预测 29第四章类流感：材料与方法 30第五章类流感分析结果与讨论 34第六章讨论与建议 47参考文献 493摘要本计划之研究目的在使用疾病管制局定点医师监视通报系统之资料并加上地区、气象、季节、国定假日…等可能之影响因子建立类流感与肠病毒两种疾病之预测模式。本研究以时间数列方法 (Time-SeriesAnalysis)建立疾病流行趋势预测模型，并使用美国CDC“EarlyAberrationReportingSystem”(EARS)中使用的两种方法：HistoricalLimits及CUSUM进行监测。另外，我们也使用健保数据库之门诊就医资料与定医通报资料进行比对，探讨定医通报资料之代表性。在使用时间数列方法建立肠病毒及类流感之疾病之预测模式，资料来源为定医资料1999年第1周~2005年第46周之周通报资料，以季节性整合自我相关移动平均模式(SeasonalAuto-Regressive IntegratedMovingAverage)、转换函数模式(TransferFunctionModel)来探讨预测模式且比较每周观察值与预测值之误差。将台湾各地区与各县市之定点医师肠病毒及类流感之流行趋势绘制于图上，并以卫生署疾病管制局提供之气温资料作为参考，将各地区之监测气象站的监测资料输出每周平均温度作为该定点医师该周之温度资料。结果发现以季节性模式较能适合肠病毒及类流感之时间数列资料。针对气温对于类流感与肠病毒疫情影响之研究，本研究认为以小4区域型态县(市)来分析气温对于肠病毒及类流感疫情之影响，较有意义，故本研究不以全台湾平均数列作为分析对象。以肠病毒而言，乃是以台北市与台中市为例，进行气温对于肠病毒疫情影响之研究，由于气温和肠病毒之关系无明显之正比关系故，不建议使用转换函数模式(TransferFunctionModel)分析；以类流感而言，乃是先以台北市为例，气温与类流感之发生有明显的反比关系，其建模方法为使用转换模型函数模型(TransferFunctionModel)，其主要目的是要探讨当温度变化时，对类流感疫情之影响。最后在现阶段我们以季节性模式建立肠病毒与类流感之预测模式提供给防疫单位了解肠病毒与类流感之趋势及监测。在使用HistoricalLimits及CUSUM方法进行疾病异常流行之监测方面因，为此两种方法是假设疾病每年之流行季节与趋势没有太大变化下进行监测；运用于类流感的监测上效果尚可，但肠病毒之流行期则每年略为不同，在进行监测时应注意警示点之意义，此特性在以时间数列预测时同样会造成困扰。我们将CUSUM应用于疾病流行起始点之预测，并配合时间数列之预测结果在起始点进行位移，可得到较佳之预测结果。以健保数据库之门诊就医资料与定医通报资料进行比对，结果发现定医通报资料虽在疾病整体之流行趋势与健保资料大致吻合但在5疾病开始流行点及高峰点则都有延迟之情形，这可能与定医之选择在全省各区之分布未能充分反应全国之分布情形而造成，建议未来在定点医师之选取可参考法国SentinellesNetwork之方法改进定医之选取方式与资料质量之提升。本计划为二年期计划，目前在第一年的成果将提供第二年更进一步做模式测试，以及分区做较完整的预测模式，并将与疾管局同仁共同研讨监测系统之建立。6第一章前言世界各先进国家为了解及掌控重要传染病的流行趋势，均建有长期通报及预警监测系统，以观察疾病的流行状况。然而，多数的监测系统仅止于描述个案的发生个数、分布状况及与过去同期流行个数之比较分析，并仰赖疾病监测人员多年之经验，进行判读。然而，随着社会经济、人类行为的改变、医疗照护技术的进步、环境变迁及土地开发、国际旅行及运输的便捷⋯等的快速变化，传染病的流行模式或许有所改变，甚或出现新兴及再现之传染病，使得疫情的监控更趋复杂。1998年台湾地区的肠病毒大流行，带给社会相当大的震撼，台湾在未来的那一年、或是那一个地区是否又会爆发大流行？过去一百多年来，流感曾经分别在1889、1918、1957及1968年发生世界性大流行，而地区性流行更是年年发生，我们又应如何掌控因应呢？ 2003年新兴传染病SARS的出现，更让我们付出了相当大的社会成本。传染病对人类的威胁，自有人类以来便未曾停止过。所以，建立监控各种重要传染病的有效机制，实为当务之急。本研究之工作重点即在建立有效的疾病预测模式，期能于最适当之时机，发出警讯，提醒政府相关监测人员，适时的采取行动，及早因应准备，以达成减灾之功能。7本研究目的以建立类流感与肠病毒两种疾病之预测模式为主，使用疾病管制局定点医师监视通报系统之资料做为建立预测模式之基础，并加上地区、气象、季节、国定假日⋯等可能之影响因子建立预之多元时间数列(multipletimeseries)分析方法：经离群值侦测 (OutliersDetection)、介入模式(InterventionModel)、转换函数模式(TransferFunctionmodel)等选模过程，建立适当之长期预测模式。〈二〉HistoricalLimits方法：检视观测期当期与其前、后期发生案件之个数与过去五年间同时期发生之案件之平均个数是否超过阀值(threshold)做为判定是否有异常之标准。〈三〉CUSUM (CumulativeSums)方法：(1)长期预测模式：检视观测期当期发生案件之个数与过去五年间同时期发生之案件之平均个数之累积标准差，如果超过预设之可容忍差异值，即判定为异常。(2)短期预测模式：检视观测期当期与前数周同时期发生之案件之平均个数之累积标准差，如果超过预设之可容忍差异值，即判定为异常。以上3种预测模式将同时运作因，其判读资料之原理不同，可提供对资料不同面向之观察。此外，原始资料之正确性与是否具代表性，为一切建立预测模型是否稳定与准确之依据，我们亦使用健保数据库之肠病毒与类流感之门诊就诊次数与定医通报资料做比对，探讨定医资料是否具代表8性。9第二章疾管局定点医师通报资料民国78年检疫总所为弥补「法定传染病」及「应报告传染病」低报与低时效缺点，建立定点医师监视通报系统，并于79年开始运作。初期定点医师的选取，由县市卫生局推荐辖区内门诊数高且具代表性的开业医师，由检疫总所各区监视中心的工作人员进行访视了，解医师的合作意愿后，选择适当的医师。迄今定点医师数维持在650位至800位，分布于台闽地区70-80%的乡镇巿区，分为医院与诊所医师因。为医院定点医师通报数非常少且目前疾管局之分析资料以诊所为主所，以在与健保资料作比对时仅以诊所之定点医师通报资料做为研究之重点。以西元2000~2003年之定医通报资料与健保资料进行比对，在健保数据库资料之选取是以ICD-9-CMcode为主，类流感：464.10、464.50、465.8、465.9、487.0、487.1；肠病毒：074.3、074、079.2、074.8。由2003年地区分部统计图(图一)之定点医师之全省各区分布图来看，各区医师之分布状况不论是与各区之“现住人口数之分配图“资(料来源：内政部统计处或)是与健保数据库有看类流感或肠病毒之诊所医师之各区分布图比较，可看出定点医师之全省各区分布状况并不能真正反映全国之分布情形。如：现住人口数最多的台北市(12%)与台北县(16%)，有通报健保资料之类流感或肠病毒之诊所医师在台北市分别占全国诊所医师之16%及14%，而台北县为11%及16%，但定点医师只分别占7%及8%而已。而苗栗县之人口数及诊所医师数只占2%，却有4%的定医数。在计算全国平均通报数时通报数可能会被低估。在肠病毒方面由；(图二)可看出定医通报数与健保资料所得之肠病毒就诊次数之流行趋势大致吻合。但由(表一)则发现定医通报在肠病毒开始流行之起始点与高峰点与实际状况约有1周之延迟状况。如以肠病毒最易侵犯之族群：14岁以下之四区人口分布分别为北区 (44%)、中区(26%)、南区(27%)、东区(3%)“(资料来源：内政部统计处)。而定医人数之分布则为北区(31%)、中区(33%)、南区(28%)、东区(7%)。发现若以平均门诊人次数(=全国定医通报门诊人次/全国定医数)作为疫情判断之数据，可能因北区之代表数过少而无法及时反映真实状况而数据上则有低估之疑虑。由四区分布图(图三)可看出各区定医通报数与健保资料之流行趋势大致吻合。由各区资料表 (表二~表四)发现各区在肠病毒开始流行之起始点北区、南区约3周之延迟，高峰点约有1周之延迟，可能与北区定医人数过少无法及时反映真实状况有关。在类流感方面：通报情形大致与肠病毒相同，亦即疾病之流行趋势大致吻合(图四)。但开始流行之起始点与高峰点与实际状况也有1周之延迟状况(表五)。由四区分布图(图五)可看出各区定医通报数与健保资料之流行趋势大致吻合。由各区资料表(表五~表八)发现各区在类流感开始流行之起始点与高峰点约有1周之延迟，南区在类流感流行之起始点有较多周数之延迟。由此研究发现目前定医通报资料是可以反映全国之疾病流行趋势，且作为疫情通报之资料来源也较经济且易于取得。可惜资料在疾病流行之起始点与高峰点有些许落差，可能与定医之选样与通报资料质量之控管产生误差有关。法国SentinellesNetwork之定点医师监视通报系统自1984年开始运作，至今已20多年，对于定点医师之选取在所有执业医师中有人口统计学上之代表性即(样本之选取在年龄、性别、地区分布、执业科别具有代表性)，对于通报医师之通报个案是否纳入分析，或定点医师是否为“Active”医师，有一套筛选原则。建议可参考其建置方式改进定医之选取与资料之选择，以提升定医通报资料之质量。第三章肠病毒：材料与方法一、肠病毒资料来源(一)疾病管制局：自卫生署疾病管制局申请取得定点医师通报资料库中之台湾地区23县市肠病毒资料，取得资料时段为自公元1999年第一周至2005年第46周，其资料型态为周资料。(二)中央气象局由：疾病管制局提供中央气象局自公元1999年1月1日至2005年6月30日各气象站测得之平均、最高、最低气温与累积降雨量。二、分析方法(一)时间数列分析方法(二)美国CDC“EarlyAberrationReportingSystem(EARS)”：HistoricalLimits&CUSUM方法(三)时间数列结合CUSUM方法应用于疾病预测第一节时间数列分析方法n资料之前置处理1.农历春节周之调整：由于在农历春节周各定点医师上班或开业时间不一，故将农历春节周之值，以农历春节周之前一周与后一周之平均值来插补(impute该)值。2.异常点之调整：数列中有一些周会出现「遽降」之现象，也将利用此异常点之前一周与后一周之平均值，来插补该异常点之值。3.将台湾地区23县市之农历春节周与异常点经过适当调整后，再针对台湾地区肠病毒总平均数列进行分析。4.台湾地区总平均数列之计算方式Foreachweek(from1999w1~2005w46):Gmeant:GrandMeanSeriesinTaiwanforweektMeani,t:MeanReportCasesofi-thcityorcountyforweekt,whichstandsforWi:weightedby#ofSentinelPhysiciansofi-thcityofcounty,whichstandsforn分析方法1.台湾地区肠病毒之流行趋势这次资料分析是以卫生署疾病管制局从民国八十八年开始建立肠病毒定点医师通报至民国九十四年第46周为止，将台湾地区分为北、中、南、东四个地区，分析的项目包括以时序图(timeseriesplot)进行台湾地区及北、中、南、东四个地区资料之描述，以了解全国性及地区性流行的趋势、季节性的循环、及肠病毒发生与气温间的关系等。2.预测模式建立针对台湾地区与台湾地区北区、中区、南区分别建立肠病毒疾病预测模式，我们以SCA统计软件来进行资料分析，我们将分析分为两部分第：一部份是以西元1999年至公元2004年共六年的时间来建立模型；第二部分将已建立好之模型来预测公元2005年第1周至第52周之预测值，并加以验证此模型之预测能力。在进行时间数列资料分析前先以自我相关函数(AutocorrelationFunction，简称ACF)进行探讨资料是否为平稳型数列(StationarySeries)；以判定是否对资料进行对数转换(log-transformation)或进一步对资料进行差分 (Difference)。由于此资料收集时间从公元1999年开始至公元2004年，除了2000年有53周其余均有52周，为了进行SeasonalARIMA之模式建立，剔除2000年之第53周资料，才能对此资料进行季节性差分，使得时间数列趋向平稳型数列。将以1999年第1周至2004年第52周之定点医师肠病毒资料作一SeasonalARIMA模式，以作为预测2005年第1周至52周之肠病毒通报病例数。3.模式估计与检定及模式侦测在时间数列分析中模式里之参数是由条件概似法(ConditionalLikelihoodMethod)估计，并由绘图方式来分析残差值之分布。ARIMA模式有一基本假设，即白噪音为独立之常态分配，而残差可视为白噪音之估计值，因此可藉由观察残差之ACF图形来判断此模型之残差是符合独立常态之假设。若配置之模型为合适，则ACF图形将趋近于白噪音状态(whitenoise)。4.离群值之侦测(OutlierDetection)根据原始数列被鉴定为季节性模式之后，可利用此模式来揭示数列中异常之观测值，并对离群值所造成的原因作更进一步的了解，如此一来，对时间数列分析的质量将会更提升。5.模式预测我们以1999年至2004年定点医师肠病毒平均通报数之资料，将用它来评估已被建立之较佳预测模式，自模式中推估2005年第1周至52周之预测值，将可与实际观测值作比较分析。6.肠病毒流行趋势与气象因素之关系由于本研究认为以小区域型态(县市)来分析气温对于肠病毒疫情之影响，较有意义，故本研究不以全台湾平均数列作为分析对象。以台湾地区台北市及台中市作为探讨，将台北市及台中市地区气象监测站之监测资料整理输出每周平均温度作为该定点医师该周之温度资料。每周平均气温与肠病毒平均通报病例数之关系将以时序图来检视温度与通报病例数之关系。n分析结果1.台湾地区肠病毒之流行趋势以台湾地区而言，从时序图中(图六)看肠病毒流行趋势，历年肠病毒通报数目均自三月份下旬左右开始上升，于五月至六月中达到高峰，而后即缓慢降低。将台湾地区分成北、中、南、东地区，将台湾各地区历年定点医师肠病毒平均病例数之最高峰标示出来。以台湾北区而言，从时序图中(图七)看历年肠病毒流行趋势，1999年至2001年高峰期发生在每年之21至23周，2002年至2004年肠病毒发生之高峰期则在19及 20周，高峰发生期有明显提前之顷向，且2004年的肠病毒发生趋势则有双高峰的情形，与历年不同。2005年发生的高峰期则比历年来的晚。相对之下，台湾中区及台湾南区而言，从时序图中(图八、图九)看历年肠病毒流行趋势，1999年至2001年高峰期均发生在每年之20周至24周，2002年至2004年肠病毒发生之高逢期则在17周至20周。高峰发生期也有明显提前之顷向，同时2004年的肠病毒发生趋势则有双高峰的情形。(一)建立台湾地区肠病毒之疾病预测模式1.季节性整合自我相关移动平均模式(SeasonalAuto-RegressiveIntegratedMovingAverage)以台湾地区而言，从(图六)可看出，原始定点医师肠病毒病例平均通报数之资料呈现不平稳之时间数列由，于肠病毒通报资料每年皆以52周之周期循环，仅2000年有53周，为了考虑以季节性因素调整，固将2000年第53周之当周资料去除。从(图六)可看出，台湾地区肠病毒之流行趋势，1999年和2000年肠病毒发生之高峰期在每年第21周，2001年至2005年肠病毒发生之高峰期则在第22周、19周、18周、20周及24周。根据(图六)，台湾地区每周每一诊所定点医师肠病毒平均通报病例数，我们可以发现，台湾地区定点医师通报肠病毒个案数之高峰出现时间，是一个看似「周期性时间数列」。将原始数列作ACF分析，由(图十一)可以看到每一年皆以52周之周期循环，很明显的得知数列为一季节性型态所，以我们考虑以季节性指标之调整，将取52周之差分转换。因此，我们以SCA统计软体选取一较佳之模式，模式为：(1-B)(1-B52)Zt=(1-θ1B-θ2B2-θ5B5)(1-θ52B52)at其中Zt代表定点医师肠病毒平均病例数，at代表残差项。2.模式估计与检定及模式侦测针对定点医师所通报之肠病毒资料，建立肠病毒之模式分析，我们针对1999年至2004年六年之资料作一预测模式，利用条件概似法可以求得参数之最佳估计值，列于(表九)。由(表九)可发现参数均具显著性；并藉由此模式进行残差分析，由(图十二)显示残差值之ACF值均小于两倍标准差，表示各期的残差彼此独立，且残差之ACF图接近于白噪音状态(whitenoise)，图上各点位置均落在直线附近，符合残差为独立且为常态分配之假设。3.离群值侦测(OutlierDetection)根据定点医师肠病毒平均病例数所建立之季节性模式，可侦测出该数列有两个离群值，列于(表十)。我们利用侦测出离群值之信息来调整原始数列，再利用条件概似法求出另一组参数估计值，列于(表十一)。4.模式预测根据前述之季节性模式，以2005年第1周作为预测之起始点，连续预测52周，同时将预测值与实际值作比较分析，结果列于(表十二)与(图a)。(二)建立台湾地区北区肠病毒之疾病预测模式1.季节性整合自我相关移动平均模式(SeasonalAuto-RegressiveIntegratedMovingAverage)根据(图七)，台湾地区北区每周每一诊所定点医师肠病毒平均通报病例数，我们可以发现，台湾地区定点医师通报肠病毒个案数之高峰出现时间，是一个「周期性时间数列」。将北区肠病毒原始数列作ACF分析由，(图十三)可以看到每一年皆以52周之周期循环，明显的得知数列为一季节性型态，所以我们考虑以季节性指标之调整，取52周之差分转换。因此，选取一较佳之模式，模式为：其中Zt代表北区定点医师肠病毒平均病例数。2.模式估计与检定及模式侦测针对北区定点医师所通报之肠病毒资料，建立北区肠病毒之模式分析，我们针对1999年至2004年六年之资料作一预测模式，利用条件概似法可以求得参数之最佳估计值，列于(表十三)。由(表十三)可发现参数均具显著性；并藉由此模式进行残差分析，由(图十四)显示残差之ACF图接近于白噪音状态，符合残差为独立且为常态分配之假设。3.离群值侦测(OutlierDetection)根据北区定点医师肠病毒平均病例数所建立之季节性模式，可侦测出该数列有九个离群值，列于(表十四)。我们利用侦测出离群值之信息来调整原始数列，再利用条件概似法求出另一组参数估计值，列于(表十五)。4.模式预测根据前述之季节性模式，以2005年第1周作为预测之起始点，连续预测52周，同时将预测值与实际值作比较分析，结果列于(表十六)与(图b)。(三)建立台湾地区中区肠病毒之疾病预测模式1.季节性整合自我相关移动平均模式(SeasonalAuto-RegressiveIntegratedMovingAverage)根据(图八)，台湾地区中区每周每一诊所定点医师肠病毒平均通报病例数，我们可以发现，台湾地区定点医师通报肠病毒个案数之高峰出现时间，是一个「周期性时间数列」。将中区肠病毒原始数列作ACF分析由，(图十五)可以看到每一年皆以52周之周期循环，明显的得知数列为一季节性型态，所以我们考虑以季节性指标之调整，取52周之差分转换。因此，选取一较佳之模式，模式为：其中Zt代表中区定点医师肠病毒平均病例数。2.模式估计与检定及模式侦测针对中区定点医师所通报之肠病毒资料，建立中区肠病毒之模式分析，我们针对1999年至2004年六年之资料作一预测模式，利用条件概似法可以求得参数之最佳估计值，列于(表十七)。由(表十七)可发现参数均具显著性；并藉由此模式进行残差分析，由(图十六)显示残差之ACF图接近于白噪音状态，符合残差为独立且为常态分配之假设。3.离群值侦测(OutlierDetection)根据中区定点医师肠病毒平均病例数所建立之季节性模式，可侦测出该数列有十一个离群值，列于(表十八)。我们利用侦测出离群值之信息来调整原始数列，再利用条件概似法求出另一组参数估计值，列于(表十九)。4.模式预测根据前述之季节性模式，以2005年第1周作为预测之起始点，连续预测52周，同时将预测值与实际值作比较分析，结果列于(表二十)与(图c)。(四)建立台湾地区南区肠病毒之疾病预测模式1.季节性整合自我相关移动平均模式(SeasonalAuto-RegressiveIntegratedMovingAverage)根据(图九)，台湾地区南区每周每一诊所定点医师肠病毒平均通报病例数，我们可以发现，台湾地区定点医师通报肠病毒个案数之高峰出现时间，是一个「周期性时间数列」。将南区肠病毒原始数列作ACF分析由，(图十七)可以看到每一年皆以52周之周期循环，明显的得知数列为一季节性型态，所以我们考虑以季节性指标之调整，取52周之差分转换。因此，选取一较佳之模式，模式为：其中Zt代表南区定点医师肠病毒平均病例数。2.模式估计与检定及模式侦测针对南区定点医师所通报之肠病毒资料，建立南区肠病毒之模式分析，我们针对1999年至2004年六年之资料作一预测模式，利用条件概似法可以求得参数之最佳估计值，列于(表二十一)。由(表二十一)可发现参数均具显著性；并藉由此模式进行残差分析由，(图十八)显示残差之ACF图接近于白噪音状态，符合残差为独立且为常态分配之假设。3.离群值侦测(OutlierDetection)根据南区定点医师肠病毒平均病例数所建立之季节性模式，可侦测出该数列有七个离群值，列于(表二十二)。我们利用侦测出离群值之信息来调整原始数列，再利用条件概似法求出另一组参数估计值，列于(表二十三)。4.模式预测根据前述之季节性模式，以2005年第1周作为预测之起始点，连续预测52周，同时将预测值与实际值作比较分析，结果列于(表二十四)与(图d)。(五)台湾地区台北市及台中市肠病毒流行趋势与气象变项之关系以台湾地区台北市与台中市为讨论对象，将台北市及台中市地区气象监测站之监测资料整理输出每周平均温度作为该定点医师该周之温度资料。并将台北市与台中市分层绘制时序图检视温度与通报病例数之关系。由图(十九、图二十可)以看出台北市及台中市之肠病毒通报病例数和气温回升有关系。从图上得知，当温度渐渐上升时，肠病毒通报病例数也逐渐爬升；但是当温度达到最热时，肠病毒发生却没有持续上升所，以肠病毒发生趋势不完全和温度的变化有相当程度的正比关系。(六)肠病毒分析之讨论台湾地区每年的肠病毒疫情多自始于三、四月，至五、六月达到高峰，我们可以从图中看此季节之变化。另外可，看到1999年至2001年这三年肠病毒之发生较2002年至2004年来得严重，原因探讨因应卫生单位倡导勤洗手及自我卫生习惯，皆有可能是降低肠病毒流行趋势降低之原因。在资料分析方面，为了使模型分析更完善及因应未来防范措施，首先对于资料之质量须有相当的控管，以便于发生问题之所在；以肠病毒流行趋势来看，期间有因应政府政策及全国SARS问题，高峰期有明显下降；资料不平稳或是高峰期不一致也是我们必须探讨的。由于肠病毒发生流行趋势在于夏季，再加上台湾地区每年之年节发生之周数位置不一致，考虑到定点医师没有通报之情形，因此年节之特殊因子不适合考虑至模型中。将台湾地区分为北、中、南、东地区，由图中可知北、中、南三个地区的流行趋势较为一致，且中部地区肠病毒发生之高峰期有较北区及南区早发生之趋势。若要探讨气温与肠病毒发生之间的关系，必须考虑转换函数模式(TransferFunctionModel)由，于转换函数模式较不适合于广范地区故，将以台北市及台中市为例，来探讨温度与通报病例数之关系。由图可知台北市及台中市之肠病毒平均通报数与平均温度没有相当的正比关系，因此以转换函数模式来分析资料较不理想。第二节美国CDC“EarlyAberrationReportingHistoricalLimits方法是运用最基本之统计概念观(测值与平均数之差异是否超过2倍标准差)进行监测。将当周通报值与过去各年间同一周之通报值作比较，在此客观的假设这几年间影响疾病因子的各项环境条件相似。为了增加参考值之稳定，再加上前后各一期之通报数，以过去五年同期间之历史资料进行平均数及标准差之计算。做为计算离异值之基础。此方法之计算模式如下：X0：当期四周之观测值μ:过去五年或(至少三年同)期及其前、后期四周发生案件之个数之历史资料之平均数σx:过去五年或(至少三年同)期及其前、后期四周发生案件之个数之历史资料之标准差如此式成立则发出预警讯号。此法将分别观察全国与地区别之疾病变化。CumulativeSums(CUSUM)为质量管制用来测量产品之不良率常用之方法，以当期通报值与过去各年同期之通报值做比较，观察疾病个案是否有异常增加之现象，在假设其他影响疾病之环境因子相似之条件下，进行监测。此方法之应用观念乃将某段观测期间各观测点与平均值之离异值加总计算，超过某设定之阀值(threshold即)发出警讯。此方法对资料之一致性具有相当高之侦测敏感度。用做长期监测时，以最近3~5年间同期之历史资料做为计算基准，可监测当期观测值与过去同期比较，疾病个案是否有异常增加之现象。用做短期监测时，则以当期观测值与前六周之观测值做比较，可做为侦测近期疾病是否有异常增加之现象，在疾病开始流行之前期，提出警讯，供防疫人员参考。此方法之计算模式如下：+(Xt−))xtXt:当期之观测值:长期预测：同期五年历史资料之平均数。短期预测：前六周观测值之平均数（亦可试其他时间参数）σxt:长期预测：同期五年历史资料之标准差。短期预测：前六周观测值之标准差St当:期之CUSUM值St-1:前期之CUSUM值K：为可容忍之离异值由(图二十一~二十四)中”星号”、”正方形”、”菱形”分别代表以CUSUM、HistoricalLimits、CUSUM+HistoricalLimits方法侦测到之异常值，发现肠病毒之疫情在今年下半年相较于过去几年是较为偏高的，尤其南部今年之通报个案较以往多。若将CUSUM应用于侦测近期疾病通报数是否有异常增加之现象，以当期通报值与前六周之通报值做比较，可得到如(图二十五)之结果，防疫人员可应用此技巧侦测疾病开始流行之时间。第三节时间数列结合CUSUM方法应用于疾病预测观察肠病毒之疾病流行特性，发现其每年流行之起始点均有不同，1999~2005分别发生在第9、12、12、10、12、10及14周图(二十六，资料来源：疾病管制局监测组)。在以时间序列或CUSUM及Historicallimits作为监测工具时会发生因流行之起始周期不同，使得期预测曲线位移而造成预测不正确之情形，在解读警示点时应特别注意其发生是否因流行期提早或延后所造成。为改进此情形，我们使用已经建立好的时间数列模型跑，出下一年度之疾病预测流行曲线，利用CUSUM短期监测方法找出下年度预估之疾病流行期。如此，结合时间数列与CUSUM方法及可预先得知下年度疾病之流行期与其流行规模。在实际进行肠病毒之监测时我们也可利用CUSUM之方法找出真正之疾病流行起始点(表二十五)，如果发现实际流行周次较预测周次早或(晚)，再将时间数列之起始周次对到真正发生之周次；再运用时间数列预测疾病之流行曲线，如此，即可较正确进行侦测工作(图二十七)。第四章类流感：材料与方法一、资料的取得：本研究分别向下列单位申请资料，兹简述如下：(一)疾病管制局：自疾病管制局申请取得定点医师通报数据库中之台湾地区23县市类流行性感冒(Influenza-LikeIllness，以下简称「类流感」(ILI))资料，取得资料时段为自1999年(民国88年)第一周，至2005年(民国94年)之第26周，其资料型态为周资料。(二)中央气象局由：疾病管制局提供中央气象局自公元1999年1月1日至2005年6月30日各气象站测得之平均、最高、最低气温与累积降雨量。二、资料之整理与分析资料档之建立：本研究将自疾病管制局与中央气象局申请取得之资料，按周资料的格式(weeklydataformat)整理成台湾地区23县市之资料，并依据此资料档，汇整成台湾地区类流行性感冒(Influenza-LikeIllness)疾病预测模式之分析总档，以供进一步分析。三、绘制23县市类流感通报数趋势图：根据本研究建立之台湾地区类流行性感冒(Influenza-LikeIllness,ILI)疾病预测模式分析总档，绘制台湾地区23县市类流感通报数趋势图，供建模分析之初步分析。(图二十八~五十一)四、建模分析：针对类流感(ILI)疫情趋势分析，本研究分成两部分进行，兹简单叙述如下：(一)针对全台湾总平均数列之分析(AnalysisofWeightedGrandMeanILISeriesinTaiwan)1.台湾总平均数列之计算方式如下：Foreachweek(from1999w1~2005w26):Meani,t:MeanReportCasesofi-thcityorcountyforweekt,whichWi:weightedby#ofSentinelPhysiciansofi-thcityofcounty,2.建模方法主要使用时间数列分析方法(TimeSeriesAnalysis)中之季节性整自我回归移动平均模式(SeasonalAutoregressiveIntegratedMovingAverageModel，简称SARIMAModel)建模，并且配合介入模式 (InterventionModel)，同时评估重大政策发布或是重大事件发生对此时间数列之影响。本研究在建模上所考虑进来的重大政策发布与重大事件发生，包括：(a)全面实施65岁以上老人免费施打流行性感冒疫苗之政策自2002年(民国91年)10月1日起(2002年第40周起)，台湾地区年满65岁以上之老人可，以免费接受流行性感冒疫苗之施打。(b)严重急性上呼吸道征候群(SevereAcuteRespiratorySyndrome，简称SARS)疫情之影响自2003年(民国92年)3月14日起(2003年第11周起)，卫生署疾病管制局证实了台湾第一起境外移入SARS个案，2003年(民国92年)4月23日(2003年第16周)发生台北市和平医院封院事件，至2003年(民国92年)6月17日台湾地区自世界卫生组织旅游警示区(TravelAdvisory)名单移除日止(2003年第26周止)，为本研究之SARS疫情时段。而2003年(民国92年)6月17日(2003年第26周)以后至今，为本研究所定义之后SARS时期(Post-SARSperiod)。(二)针对气温对于类流感疫情影响之研究针对气温对于类流感疫情影响之研究，本研究认为以小区域型态(县市)来分析气温对于类流感疫情之影响较，有意义故，本研究不以全台湾平均数列作为分析对象，乃是先以台北市为例，进行气温对于类流感疫情影响之研究。其建模方法为使用转换模型函数模型(TransferFunctionModel)，其主要目的是要探讨当温度变化时，对类流感疫情疫情之影响。本分析包括两个时间数列：(a)1999年第一周至2005年第26周，台北市平均一位定点医师每周通报类流感个案数数列；(b)1999年第一周至2005年第26周，台北市周均温数列。其趋势图请参考「图五十二台北市周均温与类流感平均通报数图第五章类流感分析结果与讨论n时间数列分析方法一、资料之前置处理(datapre-processing)(一)奇异点之调整根据图「二十八台湾地区平均一位定点医师通报类流感个案数趋势图(1999w1~2005w26)」与图「三十台北市平均一位定点医师通报类流感个案数趋势图(1999w1~2005w26)」，我们发现有一些周出现「遽降」(suddenfall)之现象，代表该周与前后周之数值差异颇大，可能有所谓「非系统性误差」(non-systematicerrors)出现，本研究称此为「奇异点」(singularpoints)。我们取奇异点前一周与后一周之平均值，插补(impute该)奇异点之值。(二)农历春节周之调整由于在农历春节周，各定点医师上班或是开业时间不一故，也将农历春节周之值，比照「(一)奇异点之调整」，利用农历春节周前一周与后一周之平均值，来插补(impute农)历春节周之值。(三)高峰周期之调整根据图「二十八台湾地区平均一位定点医师通报类流感个案数趋势图(1999w1~2005w26)」与「图三十台北市平均一位定点医师通报类流感个案数趋势图(1999w1~2005w26)」，我们可以发现，台湾地区定点医师通报类流感个案数之高峰出现时间，是一个「看似具周期性，实际上周期并不固定」之「类似周期性时间数列」。二、针对全台湾总平均数列之分析(AnalysisofGrandMeanSeriesin使用时间数列建立模型，是一连串模型选择(modelselection)的过程，希望藉由建立正确的模型可以达到降低残差项之自我相关系数(AutocorrelationFunction,ACF)的效果，若残差项之自我相关系数(ACF)与0之间没有统计上显著的差异，即表示所，建立之时间数列模型已充分解释总误差所，剩下之残差与0之间，没有统计上显著的差异，此时，所建立之模型即为一个理想的时间数列模型。若残差项之自我相关系数(ACF)与0之间没有统计上显著的差异，此结果即代表这是一个拟合(fit)良好之模型。可是，若是在长期资料分析上，或多个资料点的分析上，若是极少数的点其ACF超出与0之95%信赖区间之外因，为个数极少，此结果仍为一个可接受(acceptable)的模型。针对全台湾总平均数列之分析(AnalysisofGrandMeanSeriesinTaiwan)，目前暂定最适模式(tentativebestmodeling)如下：t(一)变量说明：t：平均一位定点医师通报类流感个案数列，包含全台湾地区、北区、中区、南区与东区等，5个时间数列(1999w1~2005w26)2.X1t：全面实施65岁以上老人免费施打流行性感冒疫苗之政策之实施，为一个虚拟变量(dummyvariable)：X1t=0，t＜2001年第42周1，t≧2001年第42周(这里取2001年10月2日政策宣布后一周)3.X2t：严重急性上呼吸道征候群(SARS)疫情之影响，为一个虚拟变数(dummyvariable)：X2t=0，t＜2003年第16周1，t≧2003年第16周(这里取2003年4月23日和平封院前一周)4.at：残差项经过离群值的调整后，其系数估计如下表所示：1152V0W0----Note:(2)(内)的数值为t-value。－：(3)V0：全面实施65岁以上老人免费(4)W0：严重急性上呼吸道征候群(SARS)疫情之影响。(二)系数估计结果之诠释：1.由图「二十八台湾地区平均一位定点医师通报类流感个案数趋势图(1999w1~2005w26)」观察可知，台湾地区平均一位定点医师通报类流感个案数呈现下降之趋势，本研究推论其受到两个因素的影响：(1)老人免费施打流感疫苗政策，以及(2严)重急性上呼吸道征候群(SARS)疫情之影响。以下利用本模型之分析结果，分别探究此二因素对类流感通报个案数之影响。2.数列经由离群值调整(outlieradjustment)后之结果显示其残差之各阶自我相关系数与0之间无统计上之显著差异：其残差自我相关图(ACF，如图五十三(a)~(e所)示)，结果显示数列残差之自我相关系数几乎皆落在其95%信赖区间之内(少数点除外)，表示各阶之自我相关系数与0之间并无统计上显著之差异。此结果代表这是一个拟合(fit)良好之模型。3.两因素(65岁以上老人免费施打流感疫苗与SARS疫情影响)之系数估计：(1)对全台湾而言：(a)老人免费施打流感疫苗政策之系数估计为－3.0058，代表65岁以上老人全面免费施打流感疫苗政策有显著的降低类流感通报人数之效果(达统计显著性，t-value=－2.24)。(b)严重急性上呼吸道征候群(SARS)疫情影响之系数估计为- 5.6604，代表在SARS疫情影响之后，台湾地区类流感通报人数显著下降(达统计显著性，t-value=－4.14)。(2)对北台湾而言：(a)65岁以上老人流感疫苗政策有降低ILI通报个案数之效果(系数估计为－1.5374)，惟其未达统计显著性(t-value=-0.84)。(b)严重急性上呼吸道征候群(SARS)疫情影响之系数估计为-6.3320，且达统计显著性(t-value=－3.45)。其下降效果居四区之冠，代表SARS疫情对北台湾几个县市居民关于「感冒或有类流感发生需注意自我卫生」之警告效果最高。(3)对中台湾而言：(a)65岁以上老人流感疫苗政策有降低ILI通报个案数之效果(系数估计为－5.8309，居四区之冠)，且达统计显著性(t-value=-2.21)。(b)严重急性上呼吸道征候群(SARS)疫情影响之系数估计为-3.1014，惟其未达统计显著性(t-value=－1.17)(4)对于南台湾及东台湾而言，65岁以上老人流感疫苗政策以及SARS疫情影响虽，有降低ILI通报个案数之效果(其系数估计皆为负值)，惟其未达统计显著性。全台湾及北、中、南、东区预测值与实际值的合并呈现，分别列示于图五十五、五十六、五十七、五十八、五十九。(三)讨论：1.台湾地区免费施打流行性感冒疫苗政策之演进(1)1997年(民国86年)：台湾地区开始引进小批量流感疫苗。由于数量有限，首批免费注射对象规定为：前一年曾因心脏血管疾病、慢性阻塞肺病、糖尿病而住院的六十五岁以上老人。(2)1998年(民国87年)：开始办理「六十五岁以上高危险群老人流感疫苗接种先驱计划」。以公务预算支应流行性感冒疫苗费用。(3)1999年民(国88年)6月23日：公布实施「传染病防治法」，将流行性感冒纳入「第三类传染病」，规定发现流行性感冒病例必须于一周内报告。(4)1999年(民国88年)：由于经费有限，在经卫生署预防接种谘询小组讨论结果，须选定优先接种之对象，在1999年(民国88年)继续在有限经费之运用下，扩大接种对象为(一)罹患慢性心肺疾病或糖尿病的六十五岁以上老年人经医师评估适合接种者(二)目前住在安养院或长期照顾机构的民众与工作人员(三)居家护理个案。当时预估有29万人受惠(接种率约15.5%)(注:1999年台湾地区65岁以上老人人口数为1,865,472人，占总人口数约8.44%。)(5)2000年(民国89年)：扩大接种对象至「流感高危险群」：居住于安养机构、养护机构、长期照护机构、荣民之家、荣民医院公务预算床荣患、居家护理个案及实际照护上述个案之工作人员。(6)2001年(民国90年)10月2日起(2001年第41周起)：免费施打流感疫苗政策扩及台湾地区年满65岁以上之老人。(7)2004年(民国93年)11月1日：行政院经建会第1191次会议，审议通过疾病管制局「规划流感疫苗自制计划」及「人用疫苗开发自制计划」，预估在4~5年内完成建厂，并投入生产。综合以上台湾地区流行性感冒疫苗施打政策之演进虽，然，1999年免费流感疫苗首次扩大接种对象，接种人数约29万人，可是，该年度之65岁以上老人人数约180万人，接种率约15.5%，仍有许多65岁以上老人未接种流感疫苗。自2001年10月2日全面施行「65岁以上老人全面免费接种流感疫苗政策」后，65岁以上老人流感疫苗接种率约50%(如下图所示)，显示老人免费施打流感疫苗政策能有效降低台湾地区类流感(ILI)之通报人数。22.9老人人口数采购疫苗量65岁以上接种数65岁以上接种率2.严重急性上呼吸道征候群(SARS)疫情对类流感通报数之影响严重急性上呼吸道征候群(SARS)疫情对全台湾及北台湾类流感通报人数呈现统计显著的影响，对中台湾则是呈现接近统计显著的影响(borderlinesignificance)，代表SARS的疫情带给台湾人民对于就医行为、个人卫生习惯以及医院对于院内感染管控一个重新彻底的检讨与改变。本研究推论，在SARS疫情之后，国人卫生习惯明显有了转变，包括注意个人卫生，加强洗手，及至注意自身身体状况，尤其是体温，出现发烧时不上班不上课以免因为和别人近距离的接触而造成传染等观念。这些观念逐渐地被建立，以至于类流感的疫情同时获得了改善，导致类流感通报个案数呈现显著下降之趋势。三、气温对于类流感疫情影响之研究---以台北市为例针对气温对于类流感疫情影响之研究---以台北市为例之分析，目前暂定最适模式(tentativebestmodeling)如下：(一)变量说明：1.TPCTMt：台北市平均一位定点医师第t周通报之类流感个案数2.TPCTTt：台北市第t周之周均温4.V0：代表同周温度效应之系数5.V1：代表上一周(t-1周)温度效应之系数6.V2：代表上二周(t-2周)温度效应之系数7.V3：代表上三周(t-3周)温度效应之系数8.V4：代表上四周(t-4周)温度效应之系数9.Nt：残差项(二)在经过离群值调整后，其系数估计如下表所示：估计值标准误t-值CV0V1V2V3V4152(三)系数估计结果之诠释：1.由「图三十台北市平均一位定点医师通报类流感个案数趋势图 (1999w1~2005w26)」及图「五十二台北市周均温与类流感平均通报数图(1999w1~2005w26)」观察可知，台北市之类流感通报个案数与气温之间的关系呈现出截然不同之趋势：温度愈高，类流感通报个案数愈少；温度愈低，类流感通报个案数愈高。故本研究利用转换函数模型(TransferFunctionModel)进一步探究气温与类流感通报个案数之关系。2.类流感通报个案数数列与气温数列之转换函数模型(TransferFunctionModel)经由离群值调整(outlieradjustment)后之结果显示其残差之各阶自我相关系数与0之间无统计上之显著差异：其残差自我相关图(ACF，如图五十四所示)，结果显示数列之自我相关系数几乎皆落在其95%信赖区间之内(除了少数点以外)，表示各阶之自我相关系数与0之间并无统计上显著之差异。此结果代表这是一个拟合(fit)良好之模型。其模型预测值与实际值合并列示于图六十。3.系数估计之结果显示上一周周均温(V1)与上一周通报个案数对类流感通报个案数有显著性之影响(t-value分别为-2.04与14.26)。其系数分别为-0.3247与0.6845，显示：(1)上一周周均温愈低，当周类流感通报个案数呈现愈多的趋势；(2)上一周通报人数愈多，当周类流感通报个案数亦呈现愈多的趋势。(四)讨论：系数估计之结果显示上一周周均温(V1)与上一周通报个案数对类流感通报个案数有显著性之影响，本研究推论，若台北市出现低温且通报个案数增加的情形，可能会引起类流感通报人数之「板机效应」(triggereffect)。意即：类流感疫情数一旦引发之后，即使偶有温度回升之现象，也无助于类流感疫情之控制，此即所谓之「板机效应」(triggereffect)。方法如前章所述，由图六十一资(料来源：疾管局监测组可)看出2004~2005年在类流感之流行期与往年通报资料比较并无较多之情形，故以HistoricalLimits及CUSUM方法监测，并无警讯发生图(六十二)。但以区域分析来看，中区在2005年农历年后有较高之流行状况。第六章讨论与建议本研究在时间数列分析使用季节性模式来作为肠病毒与类流感之最佳模式，我们同时发现平均温度和通报类流感病例数较有明显的关系。针对以后的研究议题可以更深入的探讨资料的质量，并探讨因卫生单位倡导实施体温测量、自我检康管理之政策、类流感预防接种等政策对时间数列模式之影响；另外，我们探讨气温与肠病毒及类流感之间的关系，未来有关其他气象因素如溼度、空气污染等相关影响，皆值得我们探讨与肠病毒及类流感之关系。季节性整合移动平均模式现阶段仅提供参考，对于未来为求较佳之预测能力，须对资料质量加以控管及模型之调整至最佳状态。在以HistoricalLimits及CUSUM方法进行监测时要注意疾病每年之流行趋势，如果像类流感每年之流行期差不多都在相同时段，应用效果较佳；但如果像肠病毒每年之流行期不定，在解读警示点时就要多加留意。利用时间数列配合CUSUM方法调整流行起始点后进行监测不失为一可行之方法确，实成效等疾管局实际上线应用后再修正评估。而原始资料之正确性与是否具代表性，为一切建立预测模型是否稳定与准确之依据，我们以健保数据库之门诊就医资料与定医通报资料进行比对，结果发现定医通报资料虽在疾病整体之流行趋势与健保资料大致吻合但在疾病开始流行点及高峰点则都有延迟之情形，这可能与定医之选择在全省各区之分布未能充分反映全国之分布情形而造成，建议未来在定点医师之选取可参考法国SentinellesNetwork之方法改，进定医之选取方式与资料质量之提升。以健保数据库之检视现行定点医师监视通报系统之作业流程与采样方法，以期得到质量更佳之通报资料。讨论：1.有关奇异点发生的原因及非系统性误差发生的因素：例如过年那一周的资料因诊所休息，固失真。又如某些点超乎寻常的高，向CDC询问原因，发现是资料通报或登录错误所致。2.离群值及奇异点采用插补方法的理由如下：例如过年那一周的资料失真，为建立适当模型，很自然采用前后一周的平均值做差补。3.表十二、十六、二十预测值与实际值仍有不小的差距，主要原因在于所用的时间序列模式仍在ARIMA的范畴内，而实际资料可能需用非线性时间序列模式来解释更恰当，此做法将在第二年的工作中探讨。4.离群值有可能是流行的前兆，但单由模型估计及预测并无法辨别是疾病流行或真为统计上的离群值，通常需做进一步的流行病学调查始可知真相。参考文献(1)TeutschSM,ChurchillRE,eds.PrinciplesandPracticeofPublSurveillance.NewYork,NY:OxfordUniversityPress;2000.preparednessandresponseEarlyAberrationReportingSystem(EARGroup.Frameworkforevaluatingpublichealthsurveillancesystemsfodetectionofoutbreaks:recommendationsfromtheCDCRecommRep.2004May7;53thepresencesofoutl(6)Chen,C.andLiu,L.-M.1993.JointEEffectsinTimeSeripp284-297.seasonaladjustmentofeconomictimeseries.Appliedtimeseriesanalysisofeconomicdata.Washington,D.C.:USBureauoftheCensus,(8)Liu,L.-M.andD.M.Hanssens.1982.Identificationofmultipfunctionmodels.ComairpollutionondailyhospitaladmissionsforrespiratorydiseaseinLonpp.63-70.Fedson,DavidS;Miller,MarkA.2004.InfHospitalEmergencyRoomAdmissionsforChronicObstructive(13)StroupDF,WilliamsonGD,HerndonJL,KaronJ.Detectionofaberratheoccurrenceofnotifiablediseasessurveillancedata.StatMed.1989;8:323-presentationofnotifiablediseasereportdata.MMWRMorbMortalWklyRep.(15)CentersforDiseaseContropresentationofnotifiablediseasedata—UnitedStates1990.MMWRMorbMortal(16)HutwagnerLC,laboratory-basedsurveillancedataforprevention:analgorithmfordetectingSalmonellaoutbreaks.EmergIn(18)Surveillanceofinfluenza-likediseasesthroughanationalcomputerpractitionersinpublichealthsurveillance:whichGPspersevere?IntJEpidemiol.Hadidi,JamesD.Nordin,andRichardDanila.SyndromicSurveillanceforInfluenzalikeOctober2004.表一肠病毒定医通报数与健保资料比较表表二肠病毒定医通报数与健保资料比较表—北区表三：肠病毒定医通报数与健保资料比较表—中区表四：肠病毒定医通报数与健保资料比较表—南区表五：类流感定医通报数与健保资料比较表表六：类流感定医通报数与健保资料比较表—北区表七：類流感定醫通報數與健保資料比較表—中區表八：类流感定医通报数与健保资料比较表—南区表九模式之估计结果TOTALGMRANDOMORIGINAL估计值标准误T值 R-SQUARE 表十离群值表十一离群值调整后模式之估计结果DIFFERENCINGRANDOM估计值标准误T值 RESIDUALSTANDARDERROR(WITHOUTOUTLIERADJUS RESIDUALSTANDARDERROR(WITHOUTLIERADJUSTM 表十二2005年第1周至2005年第26周预测值与实际值之比较时间预测值观测值标准误表十三北区肠病毒模式之估计结果VARIABLENORTHGMRANDOMORIGIDIFFERENCING(1-B1)(1-B52)估计值标准误T值 R-SQUARE 表十四离群值表十五离群值调整后模式之估计结果DIFFERENCINGRANDOM估计值标准误T值 RESIDUALSTANDARDERROR(WITHOUTOUTLIERADJUSTMENT)..RESIDUALSTANDARDERROR(WITHOUTLIE表十六北区定点医师肠病毒平均病例数2005年第1周至2005年第26周预测值与实际值之比较时间预测值观测值标准误表十七中区肠病毒模式之估计结果MIDDLEGMRANDOMORIGINAL(1-B1)(1-B52)估计值标准误T值 R-SQUARE 表十八离群值表十九离群值调整后模式之估计结果DIFFERENCINGMIDDLEGMRANDOM估计值标准误T值 RESIDUALSTANDARDERROR(WITHOUTOUTLIERADJUSTMENT)..RESIDUALSTANDARDERROR(WITHOUTLIE表二十中区定点医师肠病毒平均病例数2005年第1周至2005年第26周预测值与实际值之比较时间预测值观测值标准误表二十一南区肠病毒模式之估计结果TYPEOFVARIABLERANDOMORIGINALDIFFERENCING(1-B52)(1-B1)估计值标准误T值 R-SQUARE 表二十二离群值表二十三表二十三DIFFERENCING(1-B52DIFFERENCING(1-B52)(1-B1)RANDOMORIGINAL估计值标准误T值 RESIDUALSTANDARDERROR(WITHOUTOUTLIERADJUSTMENT)..RESIDUALSTANDARDERROR(WITHOUTLIE表二十四南区定点医师肠病毒平均病例数2005年第1周至2005年第26周预测值与实际值之比较时间预测值观测值标准误表二十五使用CUSUM监测肠病毒流行之起始周次实际值预测值YEARWeek平均通报人次cmeancstdcusumflagYEARWeek平均通报人次cmeancstdcusumflag2005011.533.2340.9914002005011.75730.54680.095611.66112005021.162.74450.9872002005021.79550.73530.50822.096812005031.062.26090.9206002005031.75220.95250.6440.800612005041.161.83880.7525002005041.7121.1330.6982002005051.051.52830.5119002005051.58271.32670.6644002005060.801.31210.3394002005061.56591.50.5438002005070.781.12740.2368002005071.51931.69430.0968002005080.761.00290.1715002005081.57871.65460.1132002005090.620.93620.1752002005091.61811.61850.0918002005100.590.86220.2034002005101.71221.59610.06510.782312005110.640.76730.1658002005111.82171.59620.06523.239212005120.630.69790.0923002005122.09721.6360.11173.789712005130.630.67010.0801002005132.32931.72450.21132.626312005140.780.64580.05931.319912005142.95671.85950.29583.297412005150.940.64940.06794.233512005153.38372.08920.49922.331112005161.000.70290.1332.017312005164.20352.38350.66032.27112005171.190.77140.16551.915512005175.22642.79870.89532.280812005181.630.86290.22012.969312005185.91953.36611.18451.726212005192.181.02950.35033.012212005196.01624.00321.37760.852212005203.021.28760.52692.989412005206.05724.61771.30190.1802005214.811.66060.8133.553812005215.46685.13441.1123002005226.242.30671.43032.500812005225.09645.48160.7082002005237.053.17911.96971.517912005234.72855.63040.4218002005247.214.15642.22240.678812005244.17875.54740.5475002005257.115.08692.1204002005253.81235.25730.7387002005266.535.9081.6789002005263.40174.890.8284002005275.726.49250.9051002005273.05864.44740.7885002005284.906.64360.5898002005282.91264.0460.7786002005294.206.42080.9294002005292.58683.68210.6954002005303.545.94551.2248002005302.73.32510.593002005313.445.33311.3728002005312.37523.07870.4595002005323.094.72141.2335002005322.3682.83920.3656002005332.844.14871.0028002005332.33412.66690.2813002005342.703.66850.7595002005342.21752.54610.2304002005352.903.30270.547002005352.22922.43030.1781002005363.043.08670.338002005362.31962.37070.1751002005373.123.00390.2553002005372.44422.30730.06831.004712005382.962.95070.1628002005382.79072.31880.08564.975412005393.672.92850.14814.005712005393.04812.38920.21322.974512005404.213.06680.32763.333412005403.47562.50820.33862.451212005414.743.31790.5172.482712005413.45172.71790.48181.095512005424.223.62430.72530.357802005423.40922.92170.49220.192802005433.683.81970.6949002005433.18073.10330.4216002005443.103.91230.6156002005443.1973.2260.272002005453.193.93570.5733002005453.31633.29370.1754002005463.003.85490.6475002005463.47783.33840.12810.088202005473.77013.33880.12862.436512005483.48893.39190.21860.173902005493.3073.40510.2223002005502.93773.42620.2018002005512.56343.3830.2752002005522.25573.25750.436200