赵子平
- 作品数：4 被引量：13H指数：2
- 供职机构：南京医科大学公共卫生学院更多>>
- 发文基金：国家自然科学基金中国高等教育学会医学教育专业委员会医学教育研究立项课题中国博士后科学基金更多>>
- 相关领域：医药卫生更多>>
- 新型冠状病毒肺炎患者重症转归风险预测被引量：1
- 2020年
- 目的建立新型冠状病毒肺炎(COVID-19)患者转归为重症的预测模型,为早期、动态地监测患者转归提供更加全面、准确、及时的指标。方法基于患者的入院检测指标和轻、重症分型,以及检测指标的动态改变(即入院后两次检测指标测量值差)等输入变量,使用XGBoost方法建立预测模型,评估患者在入院之后转归为重症的风险。然后将入选的患者从入院随访至出院,观察其病情转归情况,对模型预测结果进行验证。结果在100例COVID-19患者的训练集中,筛选出具有较高评分的预测变量并建立模型,计算出预测变量取值的高风险范围:血氧饱和度<94%、外周血白细胞计数>8.0×10^9个、SBP变化<-2.5 mmHg(1 mmHg=0.133 kPa)、心率>90次/min、有多发小斑片影、年龄>30岁、心率变化<12.5次/min。训练集的模型预测结果的敏感率为61.7%,漏诊率为38.3%;使用模型对测试集进行预测的敏感性为75.0%,漏诊率为25.0%。结论与传统的预测判断方法(即采用入院时第一次检测的指标和重症入选条件进行评估患者是否为轻、重症)相比,模型的预测考虑到了COVID-19患者的基线生理指标与病情变化指标,因此能够全面、准确地预测患者重症转归的风险,减少重症患者的漏诊率。
- 彭志行陈旭峰胡钦勇胡家才赵子平张明智邓思婷徐俏俏夏彦恺李勇
- 基于深度学习的猩红热流行趋势预测模型研究被引量：8
- 2022年
- 目的:探究季节性差分自回归滑动平均(seasonal autoregressive integrated moving average,SARIMA)模型和长短时记忆神经网络(long-short term memory neural network,LSTM)模型在江苏省猩红热发病趋势预测中的应用,为疫情防控工作提供理论依据。方法:以江苏省2005—2017年猩红热的逐月发病数据与气象数据作为训练数据,拟合SARIMA模型和LSTM模型,以江苏省2018—2019猩红热的逐月发病数据与气象数据作为测试集,检验模型的预测精度。结果:江苏省猩红热流行具有明显的季节性特征,每年4—6月和11月—次年1月为高发时间段。最优SARIMA模型为SARIMA(3,1,2)(1,1,1)_(12),最优LSTM的结构为以过去3个月的发病数据结合气象公因子作为模型输入,当前周期发病数为对应的期望输出,建立4层LSTM,每层包含32个长短时记忆神经元,以及1层全连接层。两种模型测试集的平均绝对误差百分比分别为35.97%、16.94%;均方根误差分别为227.85、152.46。提示LSTM神经网络的拟合效果和前瞻性预测精度优于SARIMA模型。结论:LSTM模型对江苏省猩红热发病趋势拟合和预测效果较好,可以用于流行趋势研判和风险评估,为优化和调整猩红热监测、防控策略和措施提供依据。
- 赵子平许可许可吴莹时影影沈文琪彭志行刘文东鲍倡俊
- 关键词：SARIMA模型猩红热
- 2020年江苏省新型冠状病毒感染的肺炎时空分析被引量：2
- 2021年
- 目的:分析江苏省新型冠状病毒感染的肺炎疫情时空聚集性,为进一步做好疫情防控提供依据。方法:绘制发病流行曲线、点标记图描述时空演变。采用最邻近指数(nearest neighbor indicator,NNI)估计本土病例全局聚集性;以县(区)为单位,采用Kulldorff扫描统计量探测时空聚集区。使用Excel 2010、SaTScan 9.6.1、ArcGIS 10.2进行分析。结果:江苏省2020年1—12月共报告684例确诊病例,其中本土631例,境外输入53例。本土病例波及全省79.44%的县(区),存在空间聚集性(NNI=0.27,P <0.01)。时空扫描显示一级聚集区位于苏北4个设区市交界处,包括21个县区,时间为1月26日—2月1日(LLR=74.92,RR=5.06,P <0.01);3个二级聚集区涉及27个县区,其中二级聚集区2时间为2月上旬。输入病例涉及11个设区市28个县(区),其中南京23例、连云港9例。结论:江苏省疫情特征表现为"南北聚集,中部分散"。苏南长三角核心城市和苏北交通枢纽地区应不断优化防控策略,以早期发现并控制潜在的暴发。
- 时影影沈文琪嵇红赵子平吴莹刘文东
- 冬季学生宿舍室内PM_(2.5)浓度及通风的影响被引量：2
- 2016年
- 为探讨开关窗通风对宿舍室内PM_(2.5)浓度的影响。于2015年11—12月选取某高校31个有代表性的学生宿舍,使用颗粒物检测仪进行PM_(2.5)浓度的检测。观察关窗密闭、开窗通风和通风后密闭对宿舍室内PM_(2.5)浓度的影响。结果显示通风前密闭状态下PM_(2.5)平均浓度为176.28μg/m^3,通风状态下为183.72μg/m^3,通风后密闭状态下为176.28μg/m^3,室外为187.00μg/m^3。通风状态和通风前后密闭状态的宿舍室内PM_(2.5)浓度差异有统计学意义(P<0.05);无论通风与否,室内外PM_(2.5)浓度具有高度相关性(rs>0.854 8,P<0.000 1)。提示室外PM_(2.5)直接影响宿舍室内PM_(2.5)的浓度,关窗并不能有效降低室内PM_(2.5)的浓度,开窗后密闭可降低通风后室内PM_(2.5)的浓度。
- 赵子平黄艳倩李治王誉烨张逸刘璐张静姝陈敏健
- 关键词：空气细颗粒物
