基于贝叶斯变点模型的COVID-19发病与死亡序列趋势

作者：贺娜娜; 赵航; 孙金芳; 余小金^*

来源：中华疾病控制杂志, 2022, 26(12): 1402-1444.

DOI：10.16462/j.cnki.zhjbkz.2022.12.007

• COVID-19
• 贝叶斯变点分析
• 间断时间序列
• 分段线性回归

目的 基于COVID-19发病和死亡序列趋势分析，探讨评价传染病发病或死亡变化趋势的方法，为同类流行病学研究数据的分析提供可能的分析策略。方法 提取中国31个省(自治区、直辖市)2020年1月23日至2020年3月18日的COVID-19累计确诊病例和累计死亡病例数据，基于贝叶斯变点分析模型确定时间序列变点，并应用间断时间序列(interrupted time series, ITS)构建分段线性回归(segmented linear regression, SLR)模型，评价序列变化趋势与干预措施、政策的一致性。结果 武汉市累计确诊病例和累计死亡病例数据各有3次变点，湖北省(除武汉市)和除湖北省以外的30个省(自治区、直辖市)的确诊病例数、死亡病例数各有4次变点。武汉市累计确诊病例数3次变点后改变量分别为1 493.885(P<0.001)、2 444.913(P<0.001)、-4 061.038(P<0.001);累计死亡病例数第2次、第3次变点后改变量分别为-66.917(P<0.001)、-19.845(P=0.034)。湖北省(除武汉市)累计确诊病例数第3次变点出现增幅降低且差异有统计学意义，改变量为-845.244(P<0.001);累计死亡病例数增幅降低出现在第3次、第4次变点，斜率改变量分别为-10.062(P<0.001)、-12.245(P<0.001)。除湖北省以外的30个省(自治区、直辖市)累计确诊病例数第2次变点后开始出现增幅降低，改变量分别为-281.494(P<0.001)、-295.080(P<0.001)、-145.054(P<0.001);累计死亡病例数差异有统计学意义的增幅降低出现在第3次、第4次变点，斜率改变量分别为-3.199(P<0.001)、-1.706(P<0.001)。结论 结合贝叶斯变点分析和ITS分析可充分考虑时间序列趋势变化的不确定性，为传染病疫情分析和防控措施评价提供依据。

• 单位
  公共卫生学院; 东南大学