[发明专利]一种基于网格化协变量因素的患病风险等级评估方法

权利要求书

1.一种基于网格化协变量因素的患病风险等级评估方法，其特征在于：

S1网格化处理：将研究区域进行网格划分，更有助于各网格患病风险的判别。网格化处理过程分为两个步骤：建立网格、数据网格化预处理；

S2构建模型：假设模型，提取研究区域的平均相对风险，提取各个网格中的空间结构化效应项、空间非结构随机效应项以及网格中对患病有影响的协变量因素项，确定模型。确定各参数的先验分布，为进行参数后验分布的计算与分析做准备；

S3计算模型参数的后验分布：得到可以分析的模型后，通过以下九个步骤进行模型参数的后验分布计算和分析。分别为：导入模型、检查模型、数据加载和编译、初始值设定、模型退火、患病风险变量监控、模型迭代、患病风险变量结果输出、收敛性判别；

S4网格空间患病风险等级划分。

2.根据权利要求1所述的一种基于网格化协变量因素的患病风险等级评估方法，其特征在于：网格化处理，包括两个步骤：建立网格、数据网格化预处理；

S1.1建立网格：就是将研究区域进行网格划分。对研究区域按地区，划分成不同的网格，将以上网格用编号依次顺序标记。

S1.2数据网格化预处理：划分网格后，根据网格各自的空间位置，将已有的疾病数据进行调整划分，把研究区域的疾病数据按网格收集整理。

3.根据权利要求1所述的基于网格化协变量因素的患病风险等级评估方法，其特征在于：提取参数构建模型，具体包括：

S2.1模型假设：针对研究疾病的特点，假设是服从某种分布的模型。

S2.2研究区域的平均相对风险：整个研究区域患病的平均相对风险

S2.3网格空间非结构随机效应项：与各个网格的空间位置无关，随机效应项可用于表示其它对患病风险有影响，但没有包含在假设的模型中的自变量的影响效应。通常其先验分布假定为是服从一个均值为0，方差为的正态分布。

S2.4网格空间结构化效应项：考虑空间邻近网格之间的相互关系，通常其先验分布假定为是一个条件自回归过程；

S2.5网格中对患病有影响的协变量因素项：考虑对网格患病风险有影响的相关的协变量包含到模型中。考虑对网格内患病风险有影响的人口流动量、人口经济水平、特殊人群比例、受教育程度以及医疗水平因素

S2.6确定以上参数的先验分布。

4.根据权利要求1所述的一种基于网格化协变量因素的患病风险等级评估方法，其特征在于：计算模型参数的后验分布，包括以下步骤：

S3.1导入并检查模型：将建立好的数学模型，用OpenBUGS的语言进行编写和导入，检查模型是否存在语法错误。

S3.2数据加载和编译：检查数据是否按正确语法导入。

S3.3初始值设定：对建立的模型中的相关参数进行后验分布的估计计算前，对各参数的初始值进行赋值。

S3.4模型退火：为了消除初始值对抽样的影响，抛去前面的部分抽样。

S3.5患病风险变量监控：选择需要观察统计的变量，并监控该变量名。

S3.6模型迭代：对模型进行迭代运算。

S3.7患病风险变量结果输出：模型迭代结束后，查看在模型迭代前指定需要的参数，获得参数的后验分布统计量。

S3.8收敛性判别：通过迭代轨迹图和迭代历史图，观察迭代轨迹和迭代历史是否趋于稳定，验证模型是否收敛。

5.根据权利要求1所述的基于网格化协变量因素的患病风险等级评估方法，其特征在于：网格空间患病风险等级划分。确定患病风险变量，对各个网格患病风险的均值，以适合风险值的精度进行分段划分。确定患病风险等级，得到不同网格的患病风险等级。