扫描统计及其在流行病学中的应用研究

【摘  要】随着科学技术的快速发展，越来越多的高科技不断的应用在我们日常生活中，在提高我们生活水平的同时，也能够更好的促进科技水平的发展。作为空间统计学的重要方法，扫描统计能够广泛的应用于空间、时间等范围内的活动探测，通过追踪数据异常变化，并且检验这些变化产生的原因，能够准确的判断是否属于随机变异。通过在医学中的应用，能够更好的针对流行病学进行研究，通过在检测区域内进行探测，能够更好的发现该区域存在异常的聚集性以及聚集性具体位置和风险危害程度。通过检测聚集性是否具有统计学意义，能够更好的强化疾病与地域性之间的关系，进一步为疾病的预防与控制打下良好的基础。

【关键词】扫描统计;流行病学;研究应用

引言：

在地方病以及慢性病的流行病学研究中，目前主要是进行描述性分析，即对时间、空间、人群三间分布分别进行描述，寻找疾病的分布特征及其相关因素，为病因和危险因素分析提供线索。但一般缺乏统计推断，获得的发病差异可能仅仅是由随机变异造成的，如果进行简单的两两比较，可能产生多重比较问题，增加假阳性概率。为克服类似问题，统计学家提出了一些新的方法，扫描统计量（ScanStatistic）便是其中一种。

1 扫描统计离散型poisson模型

1.1扫描统计模型的基本原理

由于扫描统计能够针对发病、死亡、生存等方面的问题进行详细的预测，所以能够更好的针对流行病出现的概率问题进行判断，并且能够在空间范围内对疾病分散的密集程度进行探测。所以根据不同的数据类型能够将扫描统计模型氛围很多种，离散型poisson模型由于能够有效的针对监测点位的发病数量、极限人口、地理坐标等信息进行有效的整合，并且适用于各种类型的扫描统计，所以本文主要研究离散型poisson模型。如果假设疾病在空间范围内分布呈现出较高的随机性，利用扫描统计模型在扫描的过程中，扫描窗口外部的疾病会比扫描窗口内部的疾病发病率高。所以在这样的情况下扫描统计模型必须进行实时移动，从而更好的针对疾病的发病效率进行全面的分析。

通过在研究区域内部建立圆形或者椭圆形的活动空间，能够更好的研究疾病的发病规律。当扫描空间的窗口大小和移动位置发生动态变化的过程中，能够更好的避免人为干预的可能性，这样才能够有效的保证空间扫描区域和圆心位置具有代表性。当窗口圆心在地图上进行移动的过程中，可以将该地区的人口数量进行实时统计，并且自由设定发病人数与总人口之间的比例变动。在每次变动的过程中，能够更加有效的计算窗口内外区域发病率存在的差异性，并且根据数值进行有效的检验。在这一过程中，通过扫描统计的窗口与最大对数比值进行统计，能够快速的发现存在流行病聚集区域，而且也能够说明这一结果不受到随机变异的影响。在最后，通过选择发病率较高的窗口区域建立模型，能够保证该地区流行病的相对危险度并且具有无统计学意义，从而确定该统计的模型。如果在进行扫描统计的过程中，将扫描时间的长度增加，那么扫描统计模型的窗口就会变为圆柱形，其中圆柱形的底部代表着空间的大小，圆柱形的高度对应着时间的长度。所以，利用扫描统计的方式能够更好的保证将两个时空维度在统一模型中完整体现从而检测流行病是否存在时空聚集的特点。

1.2注意事项

（1）关于空间位置数据离散型Poisson模型扫描统计的坐标数据以笛卡尔坐标系统为参考，用栅格或各观测单元的质心定义各观测点的坐标数据，因此这类坐标数据是离散不连续的;且观测位置固定在栅格或观测单元的质心，空间位置随机性不强。若将栅格无限细分，则离散型Poisson扫描统计将趋向于连续型Poisson扫描统计。

（2）关于椭圆窗口扫描统计只适用于二维笛卡尔坐标系统定义的坐标数据，不用于经维网定义的坐标系统（latitude-longitudecoordinat esystem）。若是经纬数据时，需用投影将坐标数据从球面转换为平面的笛卡尔坐标后方可进行椭圆扫描统计。此外，椭圆形扫描窗口仅用于纯空间扫描统计分析，时间扫描统计不可用。

（3）关于次级聚集性应用扫描统计时，除了探测到最有可能的聚集性，也可探测到数据集中次级聚集性，并且根据LLR大小对它们进行排序。有时某些次级聚集性与最可能的聚集性几乎有同样大的LLR，因为对一个较大或中等大小的聚集性，稍微增大或缩小它的边界并不会使LLR改变很大。这种次级聚集性并不能提供多少信息，但它们的存在意味着扫描统计的分析结果通常只能指出聚集性的大概边界，无法确定确切边界。若一些次级聚集性，其边界跟最有可能的聚集性没有重合，这样的聚集性是比较有意义的。借此，可以获得研究区域内所有有统计学意义，且不相互重叠的聚集性。但是，次级聚集性检测只适用离散型空间扫描统计，连续型Poisson模型扫描统计或纯时间扫描统计没有次级聚集性。

（4）关于校正问题 扫描统计分析中主要涉及到以下几类校正：空间校正、时间趋势校正、协变量校正、RR 校正。扫描 统 计 可 对 性 别、年 龄 等 协 变 量 进 行 校正，其原理类似间接标准化法。扫描统计中，以下三种情况需要对协变量进行校正：①与研究疾病相关的协变量;②空间分布不均的协变量;③探测不能为协变量所解释的聚集性。例如，当研究某肿瘤在地区间的死亡率时，需要对年龄校正。原因是：其一，各地区人口的年龄构成不同，有些地区老年人口所占比例大;其二，老年人死于肿瘤的可能性较年轻人大;其三，当校正老年人口构成高的地区后，探测高危聚集区。目前，主要有三种方法可对协变量进行校正：①利用分析数据集中的协变量进行校正，该方法只对离散型Poisson 模型扫描统计和时空重排扫描统计有效，且协变量必须是无序多分类变量;②利用统计软件进行回归分析校正：如 SAS、SPSS、Stata 等软件，该法可对连续性协变量校正;③利用多重数据集进行校正。在时间扫描统计或时空扫描统计分析中，若数据具有升高时间趋势，则聚集性将在研究终止期附近;若数据具有降低时间趋势，则聚集性将在研究起始期附近。当想探测待消除时间趋势后，潜在的时间聚集性或时空聚集性时，对时间趋势的校正就十分必要。其校正方法有：①时间分层随机：确保每个时间间隔内具有相同的病例数;②对数线性趋势法：不适用于二项分布、等级模型、指数模型、正态模型、联合二项分布模型;③多重数据集法：常用于二项分布、等级模型、指数模型、正态模型、联合二项分布模型。Poisson 模型进行时空扫描统计分析，旨在探测在时间和空间上均接近的聚集性，因此，需要对单纯性空间聚集性进行校正。研究中，常用空间分层随机法进行校正。按位点序号进行分层随机，确保各位点处有相同的事件数。值得注意的是，分层随机不能同时对单纯性时间聚集性和单纯性空间聚集性进行校正。如果需要同时进行校正，则选择时空重排扫描统计分析。根据先验知识，通常可以确定某些位点或时点处具有超高或超低风险。当需要探测除这些已知聚集性外，还有哪些地区或时间具有聚集性时，则需要对这些超额或超低风险进行校正。简单的校正方法是使用校正文件，对危险人口数进行调整。超额风险的校正，仅适用于 Poisson 模型扫描统计。

2 扫描统计在流行病学中的应用与展望

目前的扫描统计相关的理论已经发展成熟，并且在疾病监测、聚集性他侧以及疾病早期预警中应用广泛。例如，通过建立扫描统计模型针纽约室内发生的病死鸟时间进行回顾性时空扫描分析，发现6月14日在Statenis-land存在病死鸟的时空性聚集特征，根据这一特征，能够有效的发现尼罗河病毒建立早期的预警系统，从而有效的减弱尼罗河病毒活跃性。扫描统计在流行病学中的应用不止于此，对于家庭疾病预防也有着良好的效果。比如，通过利用扫描统计模型来针对出现的儿童疟疾病例进行时空聚集性分析，一共检测出6个具有统计学意义的时空聚集性，并且最强的聚集性位于北部地区，这样的统计模型也说明了流行病传播具有区域性的特点。通过利用扫描统计模型针对女性患有乳腺癌的风险进行分析，利用时空聚集性的特征，针对女性的年龄进行协变量校正，从而进一步说明了乳腺癌高风险时空聚集性的特征。在进行扫描统计的过程之中，还可以结地理信息系统、空间自回归分析方法针对男性前列腺癌的空间分布格局以及产生流行病特征和因素等方面进行分析，能够更好的寻找到所有可能引发男性前列腺炎的因素，并且通过空间自回归分析来找到关键的影响因素，一是距离毒源较近，另一个因素是卧室面积较小。

3 结语

在今后扫描统计的发展过程中，还可以通过与地理信息系统相结合，能够更好的保证分析结果呈现在地图上，做到模型结果可视化。而且，扫描统计还能够在疾病监测、疾病聚集性探究、疾病早期预警等方面进行深入的挖掘，为人们抵御流行病做出重要的贡献。

參考文献

[1]郝瑜婉，薛靖波，徐俊芳，等.基于回顾性重排扫描统计量的血吸虫病重点流行区时空聚集性分析[J].中国寄生虫学与寄生虫病杂志，2017，35（1）：68-74.

[2]囤荣耀，相爱华，杨蕾，等.不同比例自适应性统计迭代重建在儿童副鼻窦CT扫描中的应用研究[J].实用医技杂志，2017，24（3）：245-247.