跳到主要內容

臺灣博碩士論文加值系統

(44.211.26.178) 您好!臺灣時間:2024/06/16 01:44
字體大小: 字級放大   字級縮小   預設字形  
回查詢結果 :::

詳目顯示

我願授權國圖
: 
twitterline
研究生:黃彥嘉
研究生(外文):Yen-Chia Huang
論文名稱:氣溫對於急診類流感就診人次之影響-時間序列分析
論文名稱(外文):Impact of Temperature on Emergency Visits due to Influenza-Like Illness – Time Series Analysis
指導教授:方啟泰方啟泰引用關係
指導教授(外文):Chi-Tai Fang
口試委員:陳秀熙施惟量
口試日期:2018-01-16
學位類別:碩士
校院名稱:國立臺灣大學
系所名稱:流行病學與預防醫學研究所
學門:醫藥衛生學門
學類:公共衛生學類
論文種類:學術論文
論文出版年:2018
畢業學年度:106
語文別:中文
論文頁數:28
中文關鍵詞:類流感時間序列分析氣溫放假交通
相關次數:
  • 被引用被引用:1
  • 點閱點閱:354
  • 評分評分:
  • 下載下載:0
  • 收藏至我的研究室書目清單書目收藏:1
背景及目的:
2016年1月24日,帝王寒流來襲,台北溫度降到4度。當月底,流感疫情即開始升溫,在二月春節假期爆發達到高峰。流感爆發加上春節連假,各大醫院發生了急診室壅塞不堪負荷的情況。為改善對未來流感疫情的預測能力,我們發展時間序列統計模式,探討氣溫、放假天數、及交通流量是否為急診類流感就診率的顯著預測因子。

方法:
本研究資料來源為疾病管制署傳染病統計資料、中央氣象局氣溫紀錄、國道高速公路局交通流量統計資料、以及歷年行事曆。利用傳染病統計資料查詢系統資料庫取得2007年第1周至2016年第52周之每周急診類流感就診率 (每周類流感就醫人次除以每周急診就醫總人次),連結氣象資料、各年行事曆、與交通流量統計,進行時間序列分析。時間序列統計模型1的因變項為台北區急診類流感就診率,自變項為每週最低溫及每週國定假日天數。時間序列統計模型2的因變項為全國急診類流感就診率,自變項為全國每周百萬車公里。

結果:
台北區急診類流感就診率之ARMA(1,1)模型 (模型1a),移動平均參數估計為0.11688 (p-value=0.0169),自迴歸係數為0.91729 (p-value<.0001)。加入輸入變量低溫和放假天數的台北區急診類流感就診率之ARMA(1,1)模型 (模型1b),移動平均參數估計為 -0.13852 (p-value=0.0051),自迴歸係數為0.90485 (p-value<.0001),低溫係數為-0.04536 (p-value=0.0387,延遲1),放假天數係數為0.52171 (p-value<.0001, 延遲0)。模型1b較模型1a好,模型1a D^2=25.72,模型1b D^2=18.85,顯然模型1b和實際值的差異較小。
另外,全國百萬車公里的每周最大值為全國每周急診類流感就診率的輸入變量的ARMA(2,2)模型2,移動平均參數估計MA1,1為 0.73192 (p-value <.0001),移動平均參數估計MA1,2為 -0.19545 (p-value = 0.0011),自迴歸係數AR1,1為1.66721 (p-value<.0001),自迴歸係數AR1,2為-0.70858 (p-value<.0001),全國百萬車公里係數為0.07306 (p-value <.0001,延遲0)。

結論:
本研究發現前一週最低氣溫、當週放假天數、及當週交通流量為急診類流感就診率的顯著預測因子。將這些資訊納入統計預測模型,可以改善未來對流感疫情的預測能力,以協助各大醫院急診或門診流感藥物配置和醫護人力調度。
Background and purpose:
At the end of January 2016, influenza outbreaks in Taiwan, reaching a peak in February during the Chinese Festival, and so led to the emergency room at hospitals have been completely packed. On 24 January 2016, the temperature was dropping to 4-Celsius degree in Taipei. We use the line chart to find out the correlation between the outbreak of flu, index of weather traffic and the numbers of holidays. Using time series to build the model and predict the future of the proportion of influenza in the emergency department within eight weeks. The prediction could help each hospital emergency room or outpatient clinic in demand of drugs and human resource.

Methods:
The source of the study is the Taiwan National Infectious Disease Statistics System data of Center for Disease Control, observation data query system of Central Weather Bureau (CWB), Taiwan Area National Freeway Bureau and year calendar from 2007 to 2016. Database obtained from the CDC''s Taiwan National Infectious Disease Statistics System data in the first week of 2007 to the fifty-two week of 2016 Taipei City weekly proportion of Influenza-like illness (ILI) and add the data from CWB and calendar days to build the time series model. Using the developed model to predict the proportion of influenza-like illness in Taipei City from the first week of 2017 to the eighth week of 2017 and compare it with the actual value. The proportion is the number of ILI divided the total number of people visited the emergency department. Using time series to analyze the data from Taiwan Area National Freeway Bureau and weekly proportion of Influenza-like illness in Taiwan to prove that the critical mass may cause the outbreak of flu. Compare the prediction of the model which doesn''t add input variables (temperature and holidays) with the model add input variables (temperature and holidays).

Results
The ARMA (1,1) model of the emergency diagnosis rate of the emergency in Taipei district (model 1), the moving average parameter is estimated to be 0.11688 (p-value= 0.0169), and the autoregression parameter is estimated to be 0.91729 (p-value <.0001). The ARMA (1,1) model of the emergency diagnosis rate of the emergency in Taipei district added the input variables temperature and holidays (model 2), the moving average parameter is estimated to be -0.13852 (p -value = 0.0051), the autoregressive coefficient parameter is estimated to be 0.90485 (p-value <.0001), coefficient of low temperature is -0.04536 (p-value = 0.0387, delay 1) and coefficient of holiday is 0.52171 (p-value <.0001, 0). The model 2 is better than them model 1, D^2 = 25.72 for model 1 and D^2= 18.85 for model 2. Obviously, the difference between model 2 and actual value is small.In addition, the ARMA (2,2) model of emergency diagnosis rate of the emergency in Taiwan added input variable the max of million vehicles kilometer, the moving average parameter MA1,1 is estimated to be 0.73192 (p -value<.0001), the moving average parameter MA1,2 is estimated to be
-0.19545 (p -value=0.0011), the autoregression parameter AR1,1 is estimated to be 1.66721 (p-value <.0001), the autoregression parameter AR1,2 is estimated to be
-0.70858 (p-value <.0001) and coefficient of the max of million vehicles kilometer is - 0.07306 (p-value <.0001, delay 0).

Conclusion:
This study found that the best model was the regression of ARMA(1,1) for the lag a week of the Taipei City weekly proportion of Influenza-like illness at the lowest temperature of the week.
摘要 1
Abstract 3
第一章 背景 8
第二章 研究假說 10
第三章 研究方法 11
第一節 統計模型 11
第二節 研究設計 12
第三節 資料收集 12
第四節 分析軟體 13
第四章 結果 14
第一節 假說一 14
第二節 假說二 15
第三節 預測模型和實際比較 15
第五章 討論 18
第一節 本研究主要發現 18
第二節 研究限制 18
第三節 本研究的優點 18
第四節 交通流量與流感 19
第五節 未來展望 19
參考文獻 20
附錄 SAS code 21
圖1-1 台北區急診類流感就診率和一周最低溫的趨勢圖 22
圖1-2 台北區和放假天數的趨勢圖 22
表1-1 台北區急診類流感就診率、一周最低溫和放假天數的Spearman相關係數 22
表1-2 模型1a Conditional Least Squares Estimation 23
表1-3 模型1b Conditional Least Squares Estimation 23
圖2-1全國每周急診類流感就診率折線圖 24
表2-1 模型2 Conditional Least Squares Estimation 24
表3-1 模型1a之預測結果 25
圖3-1模型1a之預測趨勢圖 25
表3-2模型1b之預測結果 26
圖3-2 模型1b之預測趨勢圖 26
圖3-3 假說一之預測結果與實際值比較 27
表3-3 模型2之預測結果 28
圖3-4 模型2之預測趨勢圖 28
圖3-5 假說二之預測結果與實際值比較 28
1.凃博浚,A型流感病毒蛋白質序列特徵之搜尋與其在時間軸上之變化分析,in 2013
2.鄭光佑,以幾丁聚醣搭載流感病毒DNA疫苗經鼻腔免疫對抗A型流感病毒感染之探討,in 2011
3.周剑芳,杨磊,蓝雨,李梓,赵翔,王敏,郭元吉,李德新,舒跃,1977年俄罗斯流感(H1N1)病原学概述,《病毒学报》 2009年S1期
4.衛組織應對甲流疫情評估報告出台,科學網,2011-03-29
5.衛生福利部疾管署網站,流感傳染病介紹,好發季節
6.Key Facts About Influenza (Flu). Available from: https://www.cdc.gov/flu/keyfacts.htm
7.衛生福利部疾管署網站,流感傳染病介紹,傳染方式
8.衛生福利部疾管署,台灣流感速訊,in 2016 年第 51 週(2016/12/18-2016/12/24)
9.衛生福利部疾管署,台灣流感速訊,in 2017 年第 4 週 (2017/1/22 - 1/28)
10.康燕,李晓宁,陆剑云,胡文穗,董智强,李铁钢,2010-2014年广州市气象因子与流感发病关联的时间序列研究,in 中国病毒病杂志 2016年7月第6卷第4期,p.2
11.XIAO Hong, TIAN Huai Yu, ZHAO Jian, ZHANG Xi Xing, LI Ya Pin, LIU Yi, LIU Ru Chun & CHEN Tian Mu,Influenza A (H1N1) transmission by road traffic between cities and towns,in Chinese Medicine Bulletin August 2011 Vol.56 No.24: 2613−2620
12.肖枝洪、郭明月,時間序列分析與SAS應用,武漢大學出版社
13.Match生活網,連假塞!國道路況改看「百萬車公里,in 2017/01/02
QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top