异构数据驱动的输入型传染病主动监控方法研究

Active surveillance is the most effective method for infectious diseases prevention and control. The spread of infectious disease can be fundamentally suppressed by sending medical personnel to conduct a comprehensive searching of the individuals in the monitoring area. However, active surveillance strategy will be difficult to implement, when the monitoring area is large and medical resources (e.g. drugs and medical staff) are limited, especially in some remote and barren areas. Furthermore, the implementation of active surveillance strategy will face greater difficulties and challenges when imported cases are the main type of infection in the region. Because it is more difficult to prevent and control infected cases imported from abroad to local areas through complex migration process. Therefore, the medical sector urgently needs an effective active surveillance resource allocation strategy to rationally plan how to allocate limited medical supplies to potential high-risk monitoring areas, so as to maximize the overall benefits of limited resources. In view of this, this project intends to integrate heterogeneous data to model human migration process and predict potential transmission risk. Meanwhile, it combines reinforcement learning strategy to formulate the global optimal resource allocation strategy, which provides strong technical support for the prevention and control of imported infectious diseases in practical application. The implementation of this project will deepen the research and application of heterogeneous data mining technology in the field of disease prevention and control.

主动监控是最有效的传染病预防和控制方法。通过派遣医护人员对监控区域内的个体进行全面排查可从根本上抑制疾病传播。然而，当所需监控区域较大而且医疗资源（如：药品和医护人员）有限时主动监控策略将很难实施，特别是在一些偏远、贫瘠的地区。此外，当该地区的感染病例以输入型为主时，主动监控策略的实施将面临更大的困难和挑战，因为，通过复杂的迁移过程从外地输入到本地的感染病例更加难以预防和控制。因此，医疗部门迫切的需要一种行之有效的主动监控资源分配策略，以合理的规划如何将有限的医疗物资分配到潜在的高风险监控地区，从而最大化有限资源的总体收益。针对上述问题，本项目拟融合异构数据建模人类的迁移过程从而预测潜在的传播风险，同时，结合强化学习策略制定全局最优的资源分配策略，在实际应用中为输入型传染病的预防和控制提供有力的技术支持。本项目的实施将深化拓展异构数据挖掘技术在疾病防控领域的研究及应用。

输入型传染病的主要传播驱动力是人类的迁移行为，其主要动机和决策过程受多重因素影响，如：经济、环境、天气、交通等。找到各类因素与迁移行为之间的内在联系，则可以建模传染病的传播过程，从而预测潜在的传播风险。在大数据时代，异构数据挖掘理论和技术日趋成熟，为传播风险的预测提供了新的机遇。以于以上分析，本项目建模了主导输入型传染病传播趋势的人类迁移模式，并找到隐含在这种迁移模式背后的驱动因素；同时，制定了全局最优的物资分配策略，在最大化有限资源利用率的同时兼顾模型在未来监控过程中的预测能力。在疫情暴发期间，基于本项目提出的传染病建模方法，准确的预测了吉林省现存确诊病例人数的峰值出现时间；此外，基于本项目提出的传染病控制策略，发现了疾病暴发初期的最佳干预方法。. 项目执行过程中课题组累计发表学术论文19篇，其中，CCF A类论文5篇，中科院1区论文4篇，CCF B类/中科院2区论文4篇，发表于人工智能、机器学习和数据挖掘国际著名期刊和会议，包括：NIPS，AAAI，SIGIR，IJCAI，WWW，TNNLS，TKDD，ESWA，KBS等。项目负责人获吉林省自然科学“一等奖”1项，获授权国家发明专利2项，获国家计算机软件著作权5项。课题组1名博士生获国家奖学金，1名博士生获吉林省普通高等学校省级优秀大学生，1名硕士生获吉林大学优秀研究生荣誉称号。以上成果可为传染病的预防和控制提供直接的理论和技术支撑，有利于推进智慧医疗领域的快速发展。