《使用真实世界和大数据进行登革热预测和监测的数据驱动方法：系统综述-厦门医学论文发表》期刊简介
使用真实世界和大数据进行登革热预测和监测的数据驱动方法：系统综述-厦门医学论文发表
艾曼纽·西尔维斯特 ，克拉丽丝?约阿希姆，艾尔莎·塞西莉亚-约瑟夫，纪尧姆?布兹列，鲍里斯·坎皮略-吉梅内斯，马克?库贾，安德烈·卡比耶
出版日期： 2022年01月07日
抽象
背景
传统上，登革热监测基于向中央卫生机构报告病例。但是，事例与其通知之间的延迟可能会限制系统的响应能力。已经开发了机器学习方法，以减少报告延迟并基于非传统和非临床数据源预测爆发。本系统综述的目的是确定使用真实世界数据，大数据和/或机器学习方法来监测和预测登革热相关结果的研究。
方法/主要调查结果
我们在2000年1月1日至2020年8月31日期间在PubMed，Scopus，Web of Science和灰色文献中进行了搜索。该综述（ID：CRD42020172472）侧重于数据驱动的研究。未纳入评价、随机对照试验和描述性研究。在纳入的119项研究中，67%在2016年至2020年间发表，39%使用至少一种新颖的数据流。纳入研究的目的是预测登革热相关结局（55%），评估登革热监测数据来源的有效性（23%），或两者兼而有之（22%）。大多数研究（60%）使用机器学习方法。对登革热预测的研究比较了不同的预测模型，或在模型中的多个协变量中确定了重要的预测因子。最重要的预测因素是降雨（43%），温度（41%）和湿度（25%）。性能最高的两个模型是神经网络和决策树（52%），其次是支持向量机（17%）。我们不能排除研究中的选择偏差，因为我们有两个主要局限性：我们没有包括预印本，也无法获得其他国际专家的意见。
结论/意义
将真实世界的数据和大数据与机器学习方法相结合是改善登革热预测和监测的一种有前途的方法。今后的研究应侧重于如何更好地整合所有可用的数据来源和方法，以改善利益攸关方的应对和登革热管理。
作者简介
登革热是世界上最重要的虫媒病毒感染之一，其公共卫生、社会和经济负担正在增加。虽然大多数登革热病例无症状或轻微，但严重疾病形式可导致死亡。因此，登革热的早期诊断和监测对于降低死亡率至关重要。然而，大多数流行地区仍然依赖于传统的监测方法，尽管基于真实世界数据，大数据和机器学习算法的新型数据源和数据驱动方法的可用性越来越高。在这项系统综述中，我们确定并分析了使用这些新方法进行登革热监测和/或预测的研究。我们发现，新的数据流，如互联网搜索引擎和社交媒体平台，以及机器学习方法可以成功地用于改善登革热管理，但在现实生活中仍然被严重忽视。这些方法应与传统方法相结合，以帮助利益攸关方更好地为每次疫情做好准备，并提高早期响应能力。
数字
Table 5Table 6图1图2表 1Table 2Table 3Table 4Table 5Table 6图1图2表 1
引文：Sylvestre E，Joachim C，Cécilia-Joseph E，Bouzillé G，Campillo-Gimenez B，Cuggia M等人（2022）使用现实世界和大数据进行登革热预测和监测的数据驱动方法：系统综述。PLoS Negl Trop Dis 16（1）：e0010056。https://doi.org/10.1371/journal.pntd.0010056
编辑 器：Victor S. Santos，阿拉戈斯联邦大学 - 阿拉皮拉卡校区，巴西
收到：四月 30， 2021;接受：十二月 6， 2021;发表：一月 7， 2022
版权所有：? 2022 Sylvestre et al.这是一篇根据知识共享署名许可协议条款分发的开放获取文章，该许可证允许在任何媒体上不受限制地使用，分发和复制，前提是注明原始作者和来源。
数据可用性：所有相关数据均在稿件及其支持信息文件中。
资金：作者没有为这项工作获得任何具体资金。-厦门医学论文发表
相互竞争的利益：作者宣布不存在相互竞争的利益。
介绍
登革热病毒（DENV）是一种由埃及伊蚊或白纹伊蚊雌性蚊子传播给人类的虫媒病毒[1]。近几十年来，由于人口增长、城市化、旅行增加和病媒控制不足，登革热（由DENV引起的疾病）的发病率在世界各地迅速增加[2]。世界卫生组织（WHO）认为登革热是热带和亚热带地区的主要全球公共卫生挑战[4]。今天，登革热是世界上最重要的病媒传播疾病之一，最近对其患病率的研究估计，有39亿人面临传播风险，每年有3.9亿人感染，9600万有症状病例[1，5]。虽然大多数感染是无症状的，或者以持续长达10天的强烈流感样症状为特征[6]，但严重形式的登革出血热/登革热休克综合征也可能发生[7]并可能导致死亡。通过早期诊断和适当的临床治疗，可以大大降低登革热引起的死亡率[3，7]。
大多数登革热流行地区（主要是东南亚、美洲和太平洋地区）依赖于传统的监测，基于医院综合征报告和向中央卫生机构确认的一部分病例[3，8]。该方法非常准确，但由于缺乏响应性而受到阻碍，病例与通知之间有大量延迟[8]，这可能会限制卫生系统采取适当措施以避免严重后果的能力/速度。此外，由于汇总和手动验证数据需要时间，这种传统的监控系统成本高昂[9]。这些限制促使研究人员研究其他解决方案。许多研究已经描述了替代方法，例如移动，数字和基于互联网的系统，以有效地从社区众包数据[3]。然而，这些方法尚未转化为标准的登革热管理实践。然而，它们与登革热管理的所有方面相关，例如监测，临床管理和登革热暴发预测[3，8]。多年来，科学家们开发了统计和机器学习模型，以减少报告延迟并几乎实时地监测新病例，还可以准确地使用非传统和非临床数据源（例如互联网搜索引擎和社交媒体平台）来预测传染病爆发[10-13]，包括登革热。许多研究提出了基于大数据和机器学习模型的新策略，以改善登革热疫情管理。然而，最近的系统评价仅研究了基于互联网的监测系统在新出现的热带病管理中的相关性和有用性[8，14]，并没有特别关注登革热管理。此外，最近关于登革热的系统评价分析了监测[15]，疫苗疗效[16]，流行病学趋势[17，18]，总体疾病负担[19-21]和临床预后模型[22]，但他们没有讨论这些改善登革热管理的新方法。
因此，本系统评价的首要目的是确定和描述所有用于监测和预测/预测登革热相关结果的真实世界和基于大数据的方法，无论地区和/或人群如何。第二个目的是分析这些研究的几个特征，例如数据来源及其来源，不同的结局类型（例如流行病学和临床结局），选择的统计方法，以及它们基于人群和位置的表现和变异性。
方法
本系统评价是根据"系统评价和荟萃分析的首选报告项目"（PRISMA）指南[23]进行的。四位评价员（ES、CJ、AC 和 MC）制定了系统评价方案。文献检索于2020年9月进行。该研究方案已在PROSPERO系统评价登记处注册（ID：CRD42020172472）。
资格
该综述侧重于使用真实世界数据，大数据和/或机器学习方法来监测，预测和/或预测登革热爆发或登革热相关结果（临床或流行病学）的研究。纳入了来自任何国家（以及流行地区以外的地区）的研究，没有任何语言过滤器。可以对过去或未来的数据进行分析。
纳入标准
基于世卫组织标准定义的登革热诊断 [7] 在研究时有效
对人类的研究，无论年龄，性别和疾病严重程度如何
使用真实世界数据（包括大数据）（即未在实验条件下收集的数据）[24]进行研究和/或预测登革热疫情的研究。
排除标准
没有原始数据的研究，如评论、社论、指南和观点文章
随机对照试验、病例系列和病例报告
无需任何建模的描述性流行病学研究
对其他虫媒病毒类型（例如基孔肯雅热、寨卡病毒病）的研究
专门针对蚊子的研究（没有任何人类数据）和体外研究
仅使用地理信息系统研究发病率
搜索方法
信息来源和搜索策略。
文献检索于2000年1月1日至2020年8月31日在MEDLINE（PubMed），Scopus和Web of Science中进行，以确定潜在的合格研究。MeSH术语和关键字用于执行查询。首先，MeSH术语"登革热"与其他几个MeSH术语（例如数据挖掘，大数据，预测，社交媒体）结合使用，使用布尔运算符AND。然后，对所有数据库使用更具体的关键字组合：i）登革热和[监控或监视]和[大数据或数据挖掘或Instagram或Facebook或Twitter或推文或谷歌或百度或谷歌趋势或社交媒体或社交网络或互联网]，ii）登革热和[预测或预测或建模或建模]和[大数据或数据挖掘或Instagram或Facebook或Twitter或推文或谷歌或百度]或谷歌趋势或社交媒体或社交网络或互联网]，iii）登革热和[大数据或数据挖掘或Instagram或Facebook或Twitter或推文或谷歌或百度或谷歌趋势或社交媒体或社交网络或互联网]。
相关文章也在灰色文献中进行了搜索，包括关于HAL（Hyper Articles en Lignes）[25]的法语研究，这是一个开放的档案，作者可以在这里存放来自所有学术领域的学术文件，论文。fr [26]，这是法国所有正在进行的和辩护的博士论文的法语开放数据库，以及世卫组织登革热通报。
最后，对保留的研究和主要的登革热流行病学综述文章的参考文献进行了筛选，以确定先前检索策略忽略的研究。
遴选过程。
两位独立作者（ES和CJ）筛选了标题和摘要，为该评价选择了相关研究。他们阅读所有似乎符合资格标准的研究的全文，或者摘要不够明确，无法做出决定。如果出现分歧，第三位审稿人帮助达成共识（AC）。
质量评估、数据收集、提取和分析。
两位审稿人（ES和CJ）从所选文章中提取数据，包括第一作者和最后一位作者，出版年份，研究期，目标，研究人群，方法，模型性能和评估，研究地点（S1文本）。
由于没有机器学习模型和真实世界数据研究的报告指南，每个审稿人都使用以前关于这些主题的审稿文章[27– 29]（S1表）中描述的质量评估标准独立地进行了质量评估。使用以下框架准备了所有合格研究的叙述性综述：i）数据源和结果，ii）统计和机器学习方法，iii）评估指标，以及iv）研究结果。
从提取的文章中进行的所有描述性分析均使用R版本3.6.3 [30]进行。
结果
在确定的2064项研究中，有119篇文章被纳入本系统评价（图1）[31–148]。虽然搜索时间窗口是从2000年1月1日开始的，但第一批纳入的研究发表于2008年，67%的合格文章发表于2016年至2020年之间（图2）。研究人群主要来自东南亚（37%）和南美洲（22%）。在收录的119篇论文中，77篇（65%）为文章，42篇（35%）为会议论文。在Web of Science"研究领域"和Scopus"主题领域"分类的基础上，所选文章的主题被汇总为八个类别和三个主题：i）信息技术与科学（占所有文章的52%），ii）医学（24%）和iii）健康信息学，公共卫生与生物学（24%）（表1）).会议论文主要被归类为"信息技术与科学"类别（39/42; 93%），而文章则更均匀地分布在"医学"（28/77; 36%），"健康信息学，公共卫生与生物学"（26/77; 34%）和"信息技术与科学"（23/77; 30%）主题（S2表）。所有选定研究及其特征的完整列表位于S3 表中。
thumbnail 下载：
个人电脑幻灯片
巴新放大图片
断续器原始图像
图 1.PRISMA流程图描述了系统评价的筛选过程。
https://doi.org/10.1371/journal.pntd.0010056.g001
thumbnail 下载：
个人电脑幻灯片
巴新放大图片
断续器原始图像
图 2.2000年1月1日至2020年8月31日期间发表的关于登革热预测和/或监测的出版物数量。
https://doi.org/10.1371/journal.pntd.0010056.g002-厦门医学论文发表
thumbnail 下载：
个人电脑幻灯片
巴新放大图片
断续器原始图像
表 1.所选研究的类型、研究人群和主题。
https://doi.org/10.1371/journal.pntd.0010056.t001
数据源
除一项[68]外，所有纳入的研究仅使用回顾性数据。大多数文章都有多个异构数据源。最传统的数据来源是：政府机构（n = 72，46%）和医疗机构（例如医院/实验室）（n = 30，19%）。从这些来源检索到的数据包括流行病学数据、气象部门的气候和环境数据以及临床和生物数据。一些研究还使用了来自世界卫生组织或已发表研究数据库的开放获取数据（S3表）。
在纳入的研究中，47/119（39%）使用至少一种新颖的数据流，如互联网搜索引擎和社交网络[14]。这些研究中的大多数（n = 41，87%）是在2015年之后发表的。谷歌是最常用的互联网搜索引擎（n = 19项研究），Twitter是最常用的社交网络（n = 18）。许多基于新数据流的研究都是研究文章（n = 33，70%），但无论研究类型（会议论文或文章）的主题都因数据而异。具体来说，基于谷歌数据的研究被同质地分为三个主题。相反，利用社交网络作为数据源的研究均匀分布在会议论文（n = 9）和文章（n = 10）之间，但其中只有少数被归类为医学主题（表2）。
thumbnail 下载：
个人电脑幻灯片
巴新放大图片
断续器原始图像
表 2.登革热监测和预测的数据源取决于主题。
https://doi.org/10.1371/journal.pntd.0010056.t002
大多数研究使用结构化数据，但41项（34%）的研究具有非结构化数据源，例如基于互联网搜索的查询或Twitter（表2）。在使用非结构化数据的41项研究中，28项（68%）没有为这些数据源开发自己的预处理方法，而只是使用了与他们的研究相关的关键字。然而，当研究使用基于自然语言处理（NLP）的方法时，他们有一个基于NLP最新建议的完整预处理框架。
总体而言，使用非常规数据的研究较少依赖临床数据。相反，使用人类数据的研究主要依赖于传统来源，如天气和环境数据。此外，基因组和载体数据与其他来源结合使用时被严重低估，因为本系统评价仅纳入了五项使用至少其中一种来源的研究。表 2中详细介绍了数据源。
统计方法
纳入研究的主要目的是预测登革热相关结局（n = 65，55%），以评估登革热监测（n = 29，24%）或两者（n = 25，21%）的数据来源的有效性。最常选择的结局（用于预测和监测）是登革热发病率（n = 58，49%），基于症状的登革热诊断（n = 20，17%）和登革热爆发（n = 18，15%）（S4表）。
只有一项研究[48]使用基于NLP的方法进行登革热预测或监测，但作为预处理步骤来提取和格式化数据以进行建模。
模型选择与研究目标（登革热监测数据源的预测/预测或有效性）相关。总体而言，大多数研究比较了不同模型和统计方法的性能。无论研究目的如何，最常用的模型是基于回归的模型（25%），其次是决策树模型（18%）和人工神经网络（15%）。大多数关于登革热监测的研究都使用相关性分析来确定相关变量和/或数据来源。相关方法（Pearson correlation或Spearman correlation）对于评估Twitter和互联网搜索引擎等新数据流的有效性特别有用。大多数包含机器学习算法的研究都使用监督学习方法（69%）。表3详细介绍了模型的特性。
thumbnail 下载：
个人电脑幻灯片
巴新放大图片
断续器原始图像
表 3.所选研究中使用的统计方法和模型取决于研究目的。*
https://doi.org/10.1371/journal.pntd.0010056.t003-厦门医学论文发表
为了评估和评估所选统计方法和/或模型的性能，71项研究（60%）使用机器学习方法，并将其数据划分为训练集和测试集。与模型一样，评估指标的选择与研究目标密切相关。所有文章都至少使用了一个指标，其中大多数都使用了多个指标。总体而言，最常见的指标是基于混淆矩阵（53%），其中准确性是最常用的指标，其次是召回率或敏感度。37%的研究使用了基于相关性的指标，特别是相关系数（Pearson或Spearman，取决于数据源）。大多数使用相关指标的研究的目的是评估登革热监测的数据源（n = 37，44项具有相关指标的研究中有84%）。基于错误的指标也被常用（n = 35，占所有研究的29%）。很少有研究使用其他指标（n = 22，占所有研究的18%），只有9项研究（8%）没有使用至少一个属于上述类别的指标。（表4）。
thumbnail 下载：
PPTPowerPoint slide
PNGlarger image
TIFForiginal image
Table 4. Evaluation metrics used in the selected articles depending on their aim(s).*
https://doi.org/10.1371/journal.pntd.0010056.t004
Study results
在54项关于监视的研究中，37项（68%）评估了新的数据流，如互联网搜索引擎和社交媒体，特别是谷歌（n = 16，30%）和Twitter（n = 16，30%）。评估的最常见的传统数据源是气候、环境和地理数据（n = 13/54;24%）（S5表）。所有研究都发现，数据来源与登革热相关结局之间存在统计学意义。
预测研究的目的（n = 90）可以分为两个主要组：i）比较不同的模型以预测与登革热相关的结果，以及ii）在模型中的几个协变量中找到重要的预测因子。纳入的22项研究（24%）试图对这两个目标做出回应。
最重要的预测因素是降雨（22个模型，51项研究的43%），温度（21个模型，51项研究的41%）和湿度（13个模型，51项研究的25%）。这些预测因子也是预测登革热发病率或登革热爆发的研究中最常见的。相反，在登革热诊断预测研究中，最常见的预测因子是发烧（4个模型，6项研究的66%），关节痛/肌痛（3个模型，6项研究的50%），血小板计数（2个模型，6项研究的33%）和白细胞计数（2个模型，6项研究的33%）（表5）。
thumbnail 下载：
个人电脑幻灯片
巴新放大图片
断续器原始图像
表 5.三种最常研究结果的最重要预测因子。
https://doi.org/10.1371/journal.pntd.0010056.t005
总体而言，在比较不同模型的研究中，神经网络和决策树在13项研究中表现最佳，并且是最佳模型（54项研究中的52%），其次是支持向量机（9/54项研究，17%）。在预测登革热发病率的研究中，基于回归的模型显示出最高的表现（5/24项研究，21%）（表6）。根据结果，模型和预测变量的完整列表在S5 表中提供。
thumbnail 下载：
个人电脑幻灯片
巴新放大图片
断续器原始图像
表 6.对三个最常研究的结果具有最佳性能的模型。
https://doi.org/10.1371/journal.pntd.0010056.t006
讨论
这项系统评价表明，在过去20年中，数据驱动的登革热监测和预测方法已经变得非常流行，特别是在亚洲，72%的纳入研究进行了研究。在亚洲或美洲以外进行的研究很少，这是可以预料的，因为这是两个最大的登革热流行地区，实际登革热负担的70%在亚洲[149–151]。非洲国家的研究明显缺乏，尽管非洲大陆也是登革热流行地区。
最常见的数据源是传统上用于登革热相关研究的传统数据，例如病例数，气候，环境和临床数据。然而，这篇综述也凸显了科学界对登革热监测和预测的新型大数据流日益增长的兴趣[14，33，39–41，43，49，51–53，56，60，65，66，69 –71，75–77，79–81，84，85，91，92，98，100，102，105，110–112，114，115，126，127，130，135–138]。事实上，社交媒体和互联网搜索引擎已经在全球范围内广泛可用，因此它们代表了纳入研究中最受欢迎的新数据流。对这些来源的轻松访问有助于评估它们对传染病监测和预测的影响[152–154]。对于被忽视的热带病，如登革热、寨卡病毒病和基孔肯雅热，尤其如此，因为它们近年来反复发生，发病率大幅增加[155，156]。此外，利用这些新颖的数据流可以改善传统的登革热监测系统，因为它们可以及早发现疫情，从而可以减少登革热实际爆发和官方病例通知之间的延迟[157，158]。就登革热控制而言，早期反应尤其重要，因为它会影响疫情的严重程度。
我们的分析还发现一些数据源未得到充分利用。在119项纳入的研究[35，42，50，57，75，131]中，只有6项研究利用了基因组数据和基于载体的数据，尽管病媒监测在登革热中的重要性。此外，使用基因组数据的研究仅基于人类基因组数据，尽管科学家可以轻松访问病毒基因组测序数据，例如通过欧洲病毒档案 -GLOBAL（EVAg）[159]。EVAg旨在为科学家，政府机构和学术机构提供对病毒和病毒测序数据（包括登革热）的访问。纳入的研究都没有利用该档案提供的数据。缺乏病媒数据令人惊讶，因为这种类型的信息在登革热监测研究中至关重要[ 160，161]。然而，我们无法评估发表偏倚，特别是在未充分利用的数据源的情况下。由于所有纳入的关于数据源相关性的研究都发现该来源与登革热相关结局之间存在显着关联，因此我们不能排除某些数据源未得到充分利用，而是与登革热管理无关。然而，未充分利用的数据源的性质可能表明，数据源与登革热研究的目标之间存在二分法：研究要么侧重于病媒监测/预测技术，要么侧重于人类监测/预测技术，但很少同时关注两者。这种二分法在人类监测和预测研究中也观察到。具体而言，健康科学家似乎主要依赖传统数据，而信息技术研究人员则更关注非传统数据（尤其是社交网络）。因此，使用医院数据进行登革热预测的研究很少利用其他数据源，如气候数据。相反，基于非传统数据源的研究除了登革热病例数的官方数字外，很少使用人类数据。这可能是因为出于法律和道德原因，研究人员，特别是医学界以外的研究人员通常很难获得临床数据。此外，大量入选论文是信息技术与科学会议的会议论文，而不是医学会议。这可能反映了专注于预测和/或信息学的研究团队与专注于传染病监测和管理的医生和/或政府机构之间缺乏互动。然而，该研究领域将大大受益于结合其互补的方法/专业知识。然而，这些文章中基于真实世界数据最常研究的结果是登革热发病率，登革热爆发和登革热诊断，因为它们需要评估与传统数据源相比新数据流的可靠性。由于大多数研究可以证明这些来源和方法可以完成传统的监测和预测方法，利益相关者应该更加了解这些替代方法和新颖的数据流，并与这些高度专业化的团队联系，以优化疫情动态跟踪，并提高数据完整性和预测模型的准确性。
大多数纳入的研究都依赖于机器学习方法，特别是监督学习模型，来评估传统和新颖的数据流。这些模型对于传统数据源的分析也很有用，并允许科学家用NLP方法利用非结构化数据[40，43，48，49，51–53，56，60，65，66，69–71，73，76，77，79–81，84，85，92，98，100，102，105，110–112，114，115，126，127，130，134–139].在大多数研究中，无监督学习模型不是首选方法，可能是因为这些研究希望确定登革热监测和预测的相关数据源和/或指标。事实上，无监督学习倾向于用于识别具有相似特征的聚类[162，163]。使用这些方法的研究希望根据患者的临床概况预测登革热诊断，或评估Twitter等新数据源的有效性。此外，登革热研究的这种方法是相当新的：除了2011年的一篇会议论文外，所有使用无监督学习模型的研究都是在2016年之后发表的。同样，大多数依赖于NLP方法的研究都是最近发表的，特别是在2017年之后（42项使用NLP方法的研究中有35项）。这两项观察表明，无监督学习和NLP可能会在登革热研究中变得更加突出。值得注意的是，尽管使用了真实世界的数据，但这些统计方法仅用于分析回顾性数据（但对于一项研究），使得它们在实际条件下的相关性难以评估。
评估指标在现实世界的数据研究中至关重要，因为它们有助于确定收集的数据是否适合该目的（此处为登革热监测和预测），并评估数据质量和偏倚[164]。尽管大多数纳入的预测研究都使用了至少一个黄金标准指标进行信息检索，例如精度（或阳性预测值）和召回率（或灵敏度）[165]，但有几篇文章仅使用基于误差的指标，例如均方根误差和平均绝对误差。评估指标的选择显然与研究目标有关，但即使是可以计算信息检索指标的研究也不一定使用它们。同样，这些方法论选择可能是由喜欢"传统"建模评估指标的健康科学家与专注于信息检索指标的信息技术科学家之间的差异来解释的。
这项研究还强调，尽管预测登革热结果的方法多种多样，但无论研究时期或国家如何，某些因素始终是相关的，例如基于天气的预测因子，人工神经网络和决策树模型。然而，尚未就通用模型和数据来源达成共识，由于登革热传播的复杂性，可能难以达成共识。
尽管采用了系统的方法，但该评价有两个主要弱点。首先，我们只搜索已发表的文章，而不寻找预印本。其次，除了参与本次审查的专家外，由于2020年的传染病背景（COVID-19和许多地区的登革热疫情），我们无法获得其他国际专家的意见。因此，我们可能错过了该评价的相关研究。最后，真实世界数据的定义可能因利益相关者的观点而异。我们不得不为审查过程选择一个单一的定义，但确实存在其他定义。因此，我们不能排除研究中的选择偏差。
总体而言，该综述表明，将新的现实世界和大数据源与机器学习方法相结合是改善登革热预测和爆发监测的有希望的方法。这些新方法尤其重要，因为它们可以帮助政府机构和专家更好地为每次卷土重来做好准备，并更好地管理疫情。它们的目的不是取代现有系统，而是补充现有系统，特别是减少疫情和报告之间的延误。未来的研究应侧重于更好地整合所有可用的数据来源和方法，以改善利益攸关方的应对措施并更好地了解登革热疫情。
支持信息
PRISMA清单。
显示 1/9： pntd.0010056.s001.docx
跳到无花果共享导航
PRISMA 2020清单部分和主题项目#清单项目位置其中项目已报告标题标题1将报告确定为系统综述。1抽象抽象2请参阅PRISMA 2020摘要清单。介绍理由3在现有知识的背景下描述审查的理由。5,6目标4明确说明评价所针对的目标或问题。6方法资格5指定该评价的纳入和排除标准，以及如何对综述的研究进行分组。7信息来源6指定所有数据库、注册簿、网站、组织、参考文献列表和其他来源，以检索或咨询以确定研究。指定上次搜索或查阅每个来源的日期。8搜索策略7提供所有数据库、注册簿和网站的完整搜索策略，包括使用的任何过滤器和限制。8遴选过程8指定用于确定研究是否符合审评纳入标准的方法，包括每位评价员筛选了多少名评价员记录和检索到的每个报告，它们是否独立工作，以及如果适用，流程中使用的自动化工具的详细信息。8,9数据采集过程9指定用于从报表中收集数据的方法，包括从每个报表中收集数据的审阅者数量、它们是否有效独立，从研究调查人员获取或确认数据的任何过程，以及（如果适用）中使用的自动化工具的详细信息过程。9数据项10a列出并定义要为其获取数据的所有结果。指定是否与每个结果域中的每个结果域兼容的所有结果寻求研究（例如，对于所有措施，时间点，分析），如果没有，则用于决定收集哪些结果的方法。9，S1 文本10b列出并定义寻求数据的所有其他变量（例如，参与者和干预特征、资金来源）。描述任何对任何缺失或不明确信息所做的假设。9，S1 文本研究偏倚风险评估11指定用于评估纳入研究中偏倚风险的方法，包括所用工具的详细信息、评估每个工具的评价员数量研究它们是否独立工作，如果适用，则研究过程中使用的自动化工具的详细信息。9、S2工作台效果措施12为每个结局指定用于结果综合或表示的效果指标（例如风险比、均数差）。9合成方法131描述用于确定哪些研究符合每种综合条件的过程（例如，将研究干预特征和与计划对每项综合的小组进行比较（项目5））。9、S2工作台13b描述准备数据以进行演示或综合所需的任何方法，例如处理缺少的汇总统计数据或数据转换。913c描述用于制表或直观地显示单个研究和综合结果的任何方法。913天描述用于合成结果的任何方法，并为选择提供基本原理。如果进行了荟萃分析，请描述模型、识别统计异质性的存在和程度的方法，以及使用的软件包。那13e描述用于探索研究结果中异质性的可能原因的任何方法（例如亚组分析，meta回归）。那13f描述为评估合成结果的稳健性而进行的任何敏感性分析。那报告偏差评估14描述用于评估由于综合中缺失结果（由报告偏倚引起）而导致的偏倚风险的任何方法。那确定性评估15描述用于评估结果证据体系的确定性（或置信度）的任何方法。那结果
PRISMA 2020清单部分和主题项目#清单项目位置其中项目已报告研究选择16描述检索和选择过程的结果，从检索中发现的记录数到检索中包含的研究数审查，最好使用流程图。916b引用可能看起来符合纳入标准但被排除的研究，并解释它们被排除的原因。9、图1研究特性17引用每项纳入的研究并介绍其特征。9、10 S4桌子在研究18介绍每项纳入研究的偏倚风险评估。15,16结果个体研究19对于所有结果，对于每项研究，包括：（a）每组的汇总统计数据（如适用）和（b）效应估计值及其精度（例如置信度/可信区间），理想情况下使用结构化表或图。S3 表，S6 表格结果合成20对于每篇综述，简要总结贡献研究中偏倚的特征和风险。13-1720b呈现所有统计合成的结果。如果进行了荟萃分析，则每个汇总估计值及其精度（例如置信区间）和统计异质性的度量。如果比较组，请描述效果的方向。那20c介绍研究结果中异质性可能原因的所有调查结果。那20天为评估合成结果的稳健性而进行的所有灵敏度分析的当前结果。那报告偏差21对评估的每个综合由于缺失结果（由报告偏倚引起）而导致的偏倚风险进行评估。那确定性证据22在所评估的每个结局的证据体系中提出对确定性（或置信度）的评估。那讨论讨论23在其他证据的背景下提供对结果的一般解释。18-2323b讨论评价中所含证据的任何局限性。2223c讨论所使用的审核流程的任何限制。2223天讨论结果对实践，政策和未来研究的影响。22-23其他信息注册和协议24为审核提供注册信息，包括注册名称和注册号，或声明审核未注册。6、S2 文本24b指示可以访问审阅协议的位置，或声明未准备协议。6、S2 文本24c描述并解释对注册时或协议中提供的信息的任何修订。S2 文本支持25描述审查的财务或非财务支持来源，以及资助者或发起人在审查中的作用。那竞争利益26声明评论作者的任何竞争利益。那可用性数据、代码和其他材料27报告以下哪些是公开可用的，以及在哪里可以找到它们：模板数据收集表单;从包含的数据中提取研究;用于所有分析的数据;分析代码;评论中使用的任何其他材料。那从：Page MJ， McKenzie JE， Bossuyt PM， Boutron I， Hoffmann TC， Mulrow CD， et al.PRISMA 2020声明：报告系统综述的更新指南。英国医学杂志 2021;372：n71.doi：10.1136/bmj.n71有关更多信息，请访问：http://www.prisma-statement.org/
1 / 9
下载
无花果共享
S1 清单。PRISMA清单。
https://doi.org/10.1371/journal.pntd.0010056.s001-厦门医学论文发表
（文档）
S2 清单。PRISMA for Abstracts Checklist.
https://doi.org/10.1371/journal.pntd.0010056.s002
（文档）
S1 文本。数据提取表。
https://doi.org/10.1371/journal.pntd.0010056.s003
（文档）
S2 文本。普罗斯佩罗协议。
https://doi.org/10.1371/journal.pntd.0010056.s004
（英文）
S1 表。质量评估标准。
https://doi.org/10.1371/journal.pntd.0010056.s005
（文档）
S2 表。与纳入研究相关的主题。
https://doi.org/10.1371/journal.pntd.0010056.s006
（文档）
S3 表。纳入系统评价的研究特征。
https://doi.org/10.1371/journal.pntd.0010056.s007
（文档）
S4 表。研究了登革热监测和预测的结果。
https://doi.org/10.1371/journal.pntd.0010056.s008
（文档）
S5 表。详细的研究结果和结果。
https://doi.org/10.1371/journal.pntd.0010056.s009-厦门医学论文发表
（XLSX）
引用
1.Bhatt S， Gething PW， Brady OJ， Messina JP， Farlow AW， Moyes CL， et al.登革热的全球分布和负担。自然界。2013;496: 504–507.下午：23563266
查看文章PubMed/NCBI谷歌学术搜索
2.Waggoner JJ， Gresh L， Vargas MJ， Ballesteros G， Tellez Y， Soda KJ， et al.尼加拉瓜寨卡病毒、基孔肯雅病毒和登革热病毒感染患者的病毒血症和临床表现。Clin Infect Dis Off Publ Infect Dis Soc Am. 2016;63： 1584–1590.pmid：27578819
查看文章PubMed/NCBI谷歌学术搜索
3.Katzelnick LC，Coloma J，Harris E. Dengue：知识差距，未满足的需求和研究重点。柳叶刀感染 2017;17： e88–e100.pmid：28185868
查看文章PubMed/NCBI谷歌学术搜索
4.世界卫生组织。2012-2020年全球登革热预防和控制战略。瑞士日内瓦：世界卫生组织;2012. http://apps.who.int/iris/bitstream/10665/75303/1/9789241504034_eng.pdf
5.Brady OJ， Gething PW， Bhatt S， Messina JP， Brownstein JS， Hoen AG， et al.通过循证共识完善登革热病毒传播的全球空间限制。PLoS Negl Trop Dis. 2012;6： e1760.pmid：22880140
查看文章PubMed/NCBI谷歌学术搜索
6.陈明， 约翰逊 马登革热病毒的潜伏期。普洛斯一号。2012;7： e50972.下午：23226436
查看文章PubMed/NCBI谷歌学术搜索
7.世界卫生组织。登革热诊断、治疗、预防和控制指南。热带病研究和培训特别规划，编辑。日内瓦：世界卫生组织;2009.
8.Milinovich GJ，Williams GM，Clements ACA，Hu W.基于互联网的监测系统，用于监测新出现的传染病。柳叶刀感染 2014;14： 160–168.pmid：24290841
查看文章PubMed/NCBI谷歌学术搜索
9.麦道夫LC，菲斯曼DN，卡斯豪特T。监测登革热活动的新方法。PLoS Negl Trop Dis. 2011;5： e1215.下午：21647309
查看文章PubMed/NCBI谷歌学术搜索
10.Samaras L，Sicilia M-A，García-Barriocanal E.使用搜索引擎数据预测流行病：欧洲最大国家麻疹的比较研究。BMC公共卫生。2021;21: 100.pmid：33472589
查看文章PubMed/NCBI谷歌学术搜索
11.Lu FS，Hattab MW，Clemente CL，Biggerstaff M，Santillana M.利用基于互联网的数据和网络方法改进了美国的州级流感临近预测。纳特公社。2019;10: 147.pmid：30635558
查看文章PubMed/NCBI谷歌学术搜索
12.Carneiro HA，Mylonakis E. Google趋势：一种基于网络的工具，用于实时监测疾病暴发。Clin Infect Dis Off Publ Infect Dis Soc Am. 2009;49： 1557–1564.pmid：19845471
查看文章PubMed/NCBI谷歌学术搜索
13.威尔逊K，布朗斯坦JS。使用互联网及早发现疾病暴发。CMAJ Can Med Assoc J. 2009;180： 829–831.下午：19364791
查看文章PubMed/NCBI谷歌学术搜索
14.Gianfredi V， Bragazzi NL， Nucci D， Martini M， Rosselli R， Minelli L， et al. 利用大数据治疗传染性热带和亚热带疾病：来自文献系统综述的影响。前线公共卫生。2018;6.pmid：29619364
查看文章PubMed/NCBI谷歌学术搜索
15.Runge-Ranzinger S，McCall PJ，Kroeger A，Horstick O. 登革热病监测：更新的系统文献综述。Trop Med Int Health TM IH.2014;19: 1116–1160.pmid：24889501
查看文章PubMed/NCBI谷歌学术搜索
16.da Silveira LTC，Tura B，Santos M.登革热疫苗疗效的系统综述。BMC感染 2019;19： 750.pmid：31455279
查看文章PubMed/NCBI谷歌学术搜索
17.Gutierrez-Barbosa H， Medina-Moreno S， Zapata JC， Chua JV.哥伦比亚的登革热感染：高流行国家的流行病学趋势。Trop Med感染 Dis. 2020;5.
查看文章谷歌学术搜索
18.Ramos-Casta?eda J， Barreto Dos Santos F， Martínez-Vega R， Galv?o de Araujo JM， Joint G， Sarti E. Dengue in Latin America： Systematic Review of Molecular Epidemiological Trends.PLoS Negl Trop Dis. 2017;11： e0005224.下午：28068335
查看文章PubMed/NCBI谷歌学术搜索
19.Ahmed AM， Mohammed AT， Vu TT， Khattab M， Doheim MF， Ashraf Mohamed A， et al.欧洲登革热感染的患病率和负担：系统评价和荟萃分析。梅德·维罗尔牧师。2020;30： e2093.pmid：31833169
查看文章PubMed/NCBI谷歌学术搜索
20.Simo FBN， Bigna JJ， Kenmoe S， Ndangang MS， Temfack E， Moundipa PF， et al.非洲居民登革热病毒感染：流行率研究的系统评价和荟萃分析。科学代表 2019;9： 13626.pmid：31541167
查看文章PubMed/NCBI谷歌学术搜索
21.Cafferata ML， Bardach A， Rey-Ares L， Alcaraz A， Cormick G， Gibbons L， et al. 拉丁美洲和加勒比地区的登革热流行病学和疾病负担：文献系统综述和荟萃分析。值运行状况 Reg 问题。2013;2: 347–356.pmid：29702769
查看文章PubMed/NCBI谷歌学术搜索
22.道福 T， 孔庆林， 维当庆， 王福 T， 乐思 H， 乐玉 T， 等.重症登革热的临床预后模型：系统评价方案。惠康开放研究 2019;4： 12.pmid：31448337
查看文章PubMed/NCBI谷歌学术搜索
23.Moher D， Liberati A， Tetzlaff J， Altman DG， for the PRISMA Group.系统评价和荟萃分析的首选报告项目：PRISMA声明。英国医学杂志.2009;339： b2535–b2535.下午：19622551
查看文章PubMed/NCBI谷歌学术搜索
24.Sherman RE, Anderson SA, Dal Pan GJ, Gray GW, Gross T, Hunter NL, et al. Real-World Evidence—What Is It and What Can It Tell Us?N Engl J Med. 2016;375： 2293–2297.pmid：27959688
查看文章PubMed/NCBI谷歌学术搜索
25.Baruch P. 法国的开放获取发展：HAL开放档案系统。学习出版 2007;20： 267–282.-厦门医学论文发表
查看文章谷歌学术搜索
26.书目署。泰塞斯。高等书目机构;[引用2021年4月1日]。http://www.theses.fr
27.Aswi A，Cramb SM，Moraga P，Mengersen K.贝叶斯空间和时空方法建模登革热：系统综述。表皮雌酚感染。2019;147.pmid：30369335
查看文章PubMed/NCBI谷歌学术搜索
28.Moons KGM， Altman DG， Reitsma JB， Ioannidis JPA， Macaskill P， Steyerberg EW， et al. 透明报告用于个体预后或诊断的多变量预测模型（TRIPOD）：解释和阐述。Ann Intern Med. 2015;162： W1–W73.pmid：25560730
查看文章PubMed/NCBI谷歌学术搜索
29.王伟， Kiik M， Peek N， Curcin V， Marshall IJ， Rudd AG， et al.使用结构化数据预测中风结果的机器学习模型的系统综述。普洛斯一号。2020;15： e0234722.pmid：32530947
查看文章PubMed/NCBI谷歌学术搜索
30.R核心团队（2020年）。R：一种用于统计计算的语言和环境。R 统计计算基金会，奥地利维也纳。http://www.r-project.org/index.html
31.波尔维昂·曼谷登革热的时间序列季节性模式和相关天气变量（2003-2017）。BMC感染 2020;20：208.pmid：32164548
查看文章PubMed/NCBI谷歌学术搜索
32.[10] 徐娟， 徐坤， 李志， 孟峰， 涂天， 徐磊， 等.基于深度学习方法的中国20个城市登革热病例预测.Int J Environ Res Public Health.2020;17.pmid：31936708
查看文章PubMed/NCBI谷歌学术搜索
33.Rangarajan P，Mody SK，Marathe M.使用Google趋势，电子健康记录和时间序列数据的稀疏表示来预测登革热和流感发病率。PLoS Comput Biol. 2019;15： e1007518.pmid：31751346
查看文章PubMed/NCBI谷歌学术搜索
34.Anno S， Hara T， Kai H， Lee M-A， Chang Y， Oyoshi K， et al.与台湾气候因素相关的时空登革热热点，包括基于机器学习的疫情预测。地理空间健康。2019;14.pmid：31724367
查看文章PubMed/NCBI谷歌学术搜索
35.罗梅罗D，奥利韦罗J，皇家R，格雷罗JC。应用模糊逻辑评估南美洲登革热的生物地理风险。寄生载体。2019;12: 428.pmid：31488198
查看文章PubMed/NCBI谷歌学术搜索
36.Mello-Román JD，Mello-Román JC，Gómez-Guerrero S，García-Torres M.登革热医学诊断的预测模型：巴拉圭的案例研究。Comput Math Methods Med. 2019;2019： 7307803.pmid：31485259
查看文章PubMed/NCBI谷歌学术搜索
37.Stolerman LM， Maia PD， Kutz JN.预测巴西登革热：气候条件评估。普洛斯一号。2019;14： e0220106.pmid：31393908
查看文章PubMed/NCBI谷歌学术搜索
38.Macedo Hair G，Fonseca Nobre F，Brasil P.使用无监督机器学习方法表征登革热患者的临床模式。BMC感染 2019;19：649。pmid：31331271
查看文章PubMed/NCBI谷歌学术搜索
39.Husnayain A，Fuad A，Lazuardi L.谷歌登革热趋势与印度尼西亚国家监测报告之间的相关性。全球健康行动. 2019;12： 1552652.pmid：31154985
查看文章PubMed/NCBI谷歌学术搜索
40.Souza RCSNP， Assun??o RM， Oliveira DM， Neill DB， Meira W.我在哪里得了登革热？使用社交网络数据检测感染风险的空间聚类。吐痰时空表皮二酚。2019;29: 163–175.pmid：31128626
查看文章PubMed/NCBI谷歌学术搜索
41.拉马多纳 AL， 托赞 Y， 拉祖尔迪 L， 罗克洛夫 J.发病率数据和来自社交媒体的移动代理相结合，预测了印度尼西亚日惹登革热的城市内传播。PLoS Negl Trop Dis. 2019;13： e0007298.pmid：30986218
查看文章PubMed/NCBI谷歌学术搜索
42.Davi C， Pastor A， Oliveira T， Neto FB de L， Braga-Neto U， Bigham AW， et al. 使用人类基因组数据和机器学习的严重登革热预后。IEEE Trans Biomed Eng. 2019;66： 2861–2868.下午：30716030
查看文章PubMed/NCBI谷歌学术搜索
43.郭鹏， 张瑶， 陈勇， 肖军， 何军， 张勇， 等.使用气候和社交媒体监测数据的中国广州登革热集合预测模型。科学总环境。2019;647: 752–762.pmid：30092532
查看文章PubMed/NCBI谷歌学术搜索
44.Koh Y-M， Spindler R， Sandgren M， 蒋 J.提高新加坡登革热发病率预报准确性的模型比较算法及总降水信息的辅助作用.Int J Environ Health Res. 2018;28： 535–552.pmid：30016117
查看文章PubMed/NCBI谷歌学术搜索
45.Carvajal TM，Viacrusis KM，Hernandez LFT，Ho HT，Amalin DM，Watanabe K.机器学习方法使用气象因素揭示了菲律宾马尼拉大都市登革热发病的时间模式。BMC感染 2018;18： 183.pmid：29665781
查看文章PubMed/NCBI谷歌学术搜索
46.Baquero OS，Santana LMR，Chiaravalloti-Neto F. Dengue预测圣保罗市具有广义加性模型，人工神经网络和季节性自回归综合移动平均模型。普洛斯一号。2018;13： e0195065.pmid：29608586
查看文章PubMed/NCBI谷歌学术搜索
47.陈毅， 楚慧， 陈MIC， 库克AR.基于LASSO的模型在地方性传染病实时预测中的实用性：跨国比较。J 生物医学通知。2018;81: 16–30.下午：29496631
查看文章PubMed/NCBI谷歌学术搜索
48.Villanes A， Griffiths E， Rappa M， Healey CG.印度的登革热监测使用公共媒体中的文本挖掘。Am J Trop Med Hyg.2018;98: 181–191.下午：29141718
查看文章PubMed/NCBI谷歌学术搜索
49.郭鹏， 刘涛， 张强， 王磊， 肖军， 张强， 等.使用机器学习开发登革热预测模型：中国的案例研究。PLoS Negl Trop Dis. 2017;11： e0005973.下午：29036169
查看文章PubMed/NCBI谷歌学术搜索
50.Chatterjee S， Dey N， Shi F， Ashour AS， Fong SJ， Sen S. 使用基因表达数据在登革热分类中修饰袋状特征联合混合神经分类器的临床应用。Med Biol Eng Comput.2018;56: 709–720.邮编：28891000
查看文章PubMed/NCBI谷歌学术搜索-厦门医学论文发表
51.郭鹏， 王磊， 张勇， 罗刚， 张毅， 邓超， 等.在中国，互联网搜索查询可以用于登革热监测吗？Int J Infect Dis IJID off Publ Int Soc Infect Dis. 2017;63： 74–76.pmid：28797591
查看文章PubMed/NCBI谷歌学术搜索
52.Yang S， Kou SC， Lu F， Brownstein JS， Brooke N， Santillana M. 使用互联网搜索追踪登革热的进展。PLoS Comput Biol. 2017;13： e1005607.下午：28727821
查看文章PubMed/NCBI谷歌学术搜索
53.Marques-Toledo C de A， Degener CM， Vinhal L， Coelho G， Meira W， Code?o CT， et al.网络对登革热的预测：推文是在国家和城市层面估计和预测登革热的有用工具。PLoS Negl Trop Dis. 2017;11： e0005729.pmid：28719659
查看文章PubMed/NCBI谷歌学术搜索
54.Premaratne MK，Perera SSN，Malavige GN，Jayasinghe S.严重登革热进化中免疫参数的数学建模。Comput Math Methods Med. 2017;2017： 2187390.pmid：28293273
查看文章PubMed/NCBI谷歌学术搜索
55.Jayasundara SDP，Perera SSN，Malavige GN，Jayasinghe S.数学建模和系统科学方法，以描述细胞因子在严重登革热进化中的作用。BMC系统生物学. 2017;11： 34.pmid：28284213
查看文章PubMed/NCBI谷歌学术搜索
56.[10] 李志， 刘涛， 朱刚， 林华， 张勇， 何娟， 等. 登革热百度搜索指数数据可以提高对当地登革热疫情的预测： 以广州为例.PLoS Negl Trop Dis. 2017;11： e0005354.pmid：28263988
查看文章PubMed/NCBI谷歌学术搜索
57.Kesorn K， Ongruk P， Chompoosri J， Phumee A， Thavara U， Tawatsin A， et al. 使用支持载体机和埃及伊蚊感染率在类似气候和地理区域预测登革出血热 （DHF） 的发病率。普洛斯一号。2015;10： e0125049.pmid：25961289
查看文章PubMed/NCBI谷歌学术搜索
58.Dayama P，Sampath K.登革热疾病爆发检测。螺柱健康技术通知。2014;205: 1105–1109.下午：25160360
查看文章PubMed/NCBI谷歌学术搜索
59.Sampath K，Dayama P.预测登革热监测和控制的操作警报水平。螺柱健康技术通知。2014;205: 1100–1104.pmid：25160359
查看文章PubMed/NCBI谷歌学术搜索
60.Gluskin RT， Johansson MA， Santillana M， Brownstein JS.基于互联网的登革热查询数据评估：谷歌登革热趋势。PLoS Negl Trop Dis. 2014;8： e2713.pmid：24587465
查看文章PubMed/NCBI谷歌学术搜索
61.Flamand C， Fritzell C， Prince C， Abboud P， Ardillon V， Carvalho L， et al.法属圭亚那登革热流行严重程度的流行病学评估。普洛斯一号。2017;12： e0172267.pmid：28196111
查看文章PubMed/NCBI谷歌学术搜索
62.Torres C， Barguil S， Melgarejo M， Olarte A. 基于多分辨率分析的哥伦比亚登革热流行模糊模型鉴定.Artif Intell Med. 2014;60： 41–51.下午：24388398
查看文章PubMed/NCBI谷歌学术搜索
63.Buczak AL， Koshute PT， Babin SM， Feighner BH， Lewis SH.一种利用本地和遥感数据对登革热疫情进行数据驱动的流行病学预测方法。BMC Med Inform Decis Mak.2012;12: 124.pmid：23126401
查看文章PubMed/NCBI谷歌学术搜索
64.Hoen AG， Keller M， Verma AD， Buckeridge DL， Brownstein JS.用于监测登革热的基于事件的电子监测，拉丁美洲。出现感染性疾病 2012;18： 1147–1150.pmid：22709430
查看文章PubMed/NCBI谷歌学术搜索
65.Althouse BM， Ng YY， Cummings DAT. 使用搜索查询监测预测登革热发病率。PLoS Negl Trop Dis. 2011;5： e1258.pmid：21829744
查看文章PubMed/NCBI谷歌学术搜索
66.Chan EH， Sahai V， Conrad C， Brownstein JS.使用网络搜索查询数据监测登革热流行：被忽视的热带病监测的新模式。PLoS Negl Trop Dis. 2011;5： e1206.pmid：21647308
查看文章PubMed/NCBI谷歌学术搜索
67.Faisal T，Taib MN，Ibrahim F.登革热患者风险分类的神经网络诊断系统。医学系统学报 2012;36： 661–676.下午：20703665
查看文章PubMed/NCBI谷歌学术搜索
68.易卜拉欣F，费萨尔T，萨利姆MIM，泰布MN。使用生物电阻抗分析和人工神经网络对登革热患者的风险进行非侵入性诊断。Med Biol Eng Comput.2010;48: 1141–1148.pmid：20683676
查看文章PubMed/NCBI谷歌学术搜索
69.Syamsuddin M，Fakhruddin M，Sahetapy-Engel JTM，Soewono E.印度尼西亚万隆谷歌趋势和登革热发病率的因果分析与数字数据建模的联系：纵向观察研究。医学互联网杂志 2020;22： e17633.pmid：32706682
查看文章PubMed/NCBI谷歌学术搜索
70.Romero-Alvarez D， Parikh N， Osthus D， Martinez K， Generous N， Del Valle S， et al. Google Health Trends的表现反映了巴西各州的登革热发病率。BMC感染 2020;20： 252.pmid：32228508
查看文章PubMed/NCBI谷歌学术搜索
71.刘东， 郭姗， 邹明， 陈超， 邓峰， 谢振， 等.基于华南地区百度搜索指数数据和气候数据的登革热预测模型。普洛斯一号。2019;14： e0226841.pmid：31887118
查看文章PubMed/NCBI谷歌学术搜索
72.穆萨党卫军， 赵姗姗， 金哲， 何德.研究中国台湾高雄和台南市2014-2015年大规模登革热流行的数学模型。Math Biosci Eng MBE.2019;16: 3841–3863.pmid：31499639
查看文章PubMed/NCBI谷歌学术搜索
73.墨西拿JP， Brady OJ， Golding N， Kraemer MUG， Wint GRW， Ray SE， et al.当前和未来的全球分布和人口面临登革热风险。纳特微生物学。2019;4: 1508–1515.下午：31182801
查看文章PubMed/NCBI谷歌学术搜索
74.Titus Muurlink O， Stephenson P， Islam MZ， Taylor-Robinson AW.孟加拉国登革热疫情的长期预测因素：数据挖掘方法。感染 Dis 模型。2018;3: 322–330.pmid：30839927
查看文章PubMed/NCBI谷歌学术搜索
75.加利福尼亚州马奎斯-托莱多，本达蒂MM，Code?o CT，Teixeira MM.登革热在非流行温带地区传播和传播的概率：早期警报，预防和控制的概念模型和决策风险水平。寄生载体。2019;12: 38.pmid：30651125
查看文章PubMed/NCBI谷歌学术搜索
76.Verma M， Kishore K， Kumar M， Sondh AR， Aggarwal G， Kathirvel S. Google Search Trends Predict Disease Outbreaks： An Analysis from India.Healthc Inform Res. 2018;24： 300–308.pmid：30443418
查看文章PubMed/NCBI谷歌学术搜索
77.Ho HT， Carvajal TM， Bautista JR， Capistrano JDR， Viacrusis KM， Hernandez LFT， et al. 使用 Google Trends 检查登革热病的时空发病率和行为模式：菲律宾马尼拉大都会的案例研究。Trop Med 感染 Dis. 2018;3.pmid：30423898
查看文章PubMed/NCBI谷歌学术搜索
78.Phakhounthong K， Chaovalit P， Jittamala P， Blacksell SD， Carter MJ， Turner P， et al.基于临床特征和实验室指标预测儿童入院时登革热的严重程度：分类树分析的应用。BMC Pediatr.2018;18: 109.下午：29534694
查看文章PubMed/NCBI谷歌学术搜索
79.Strauss RA，Castro JS，Reintjes R，Torres JR.谷歌登革热趋势：流行病行为的指标。委内瑞拉案。Int J Med Inf. 2017;104： 26–30.pmid：28599813
查看文章PubMed/NCBI谷歌学术搜索
80.Nsoesie EO， Flor L， Hawkins J， Maharana A， Skotnes T， Marinho F， et al. 社交媒体作为疾病监测的哨兵：社会人口统计学状态与它有什么关系？PLoS Curr.2016;8.pmid：28123858
查看文章PubMed/NCBI谷歌学术搜索-厦门医学论文发表
81.[10] 刘坤， 王涛， 杨振， 黄霞， 米利诺维奇，卢勇， 等. 利用百度搜索指数预测中国登革热疫情.科学代表 2016;6： 38040.pmid：27905501
查看文章PubMed/NCBI谷歌学术搜索
82.Ximenes R， Amaku M， Lopez LF， Coutinho FAB， Burattini MN， Greenhalgh D， et al.参加2016年巴西里约热内卢夏季奥运会的无免疫力外国游客的登革热风险。BMC感染 2016;16：186。pmid：27129407
查看文章PubMed/NCBI谷歌学术搜索
83.Mohamad Mohsin MF， Abu Bakar A， Hamdan AR. 基于危险理论的爆发检测模型.应用软计算。2014;24: 612–622.pmid：32362801
查看文章PubMed/NCBI谷歌学术搜索
84.Puengpreeda A，Yhusumrarn S，Sirikulvadhana S.泰国登革出血热疫情的每周预测模型。Eng J-Thail.2020;24: 71–87.
查看文章谷歌学术搜索
85.Amin S， Uddin MI， Hassan S， Khan A， Nasser N， Alharbi A， et al. 具有TF-IDF嵌入技术的递归神经网络，用于登革热病推文中的检测和分类。Ieee Access.2020;8: 131522–131533.
查看文章谷歌学术搜索
86.Manogaran G，Lopez D，Chilamkurti N. In-Mapper组合器基于MapReduce算法处理大气候数据。Future Gener Comput Syst- Int J Escience.2018;86: 433–445.
查看文章谷歌学术搜索
87.Agarwal N， Koti SR， Saran S， Kumar AS.使用印度新德里天气参数预测地理空间域登革热疫情的数据挖掘技术。Curr Sci. 2018;114： 2281–2291.
查看文章谷歌学术搜索
88.马诺加兰 G， 洛佩兹 D.集群计算环境中基于高斯过程的大数据处理框架.Clust Comput- J Netw Softw Tools Appl. 2018;21： 189–204.
查看文章谷歌学术搜索
89.Jahangir I，Abdul-Basit，Hannan A，Javed S.通过使用改进的Apriori算法的数据挖掘预测登革热病。第四届ACM国际工程与科学计算会议论文集（icces'2018）。纽约： 计算机学会;2018.
90.Husin NA， Alharogi A， Mustapha N， Hamdan H， Husin UA.使用模糊和数据挖掘方法对登革热症状进行早期自我诊断。在： 尼法 F a.A，林CK，侯赛因A，编辑。第三届应用科学与技术国际会议论文集（icast'18）.梅尔维尔：阿米尔研究所;2018. 第020048页.
91.Anggraeni W， Pramudita G， Riksakomara E， Radityo PW， Samopa F， Pujiadi， et al. 用于健康数据预测的人工神经网络，案例研究：印度尼西亚玛琅摄政区的登革出血热病例数。2018年电气工程与计算机科学国际会议（icecos）。纽约：IEEE;2018. 第207–212页.
92.Dennison Livelo E，Cheng C.使用门控递归神经学习和交叉标签频率的智能登革热信息。2018 Ieee国际代理会议（ica）。纽约：IEEE;2018. 第2-7页.
93.Wiratmadja II，Salamah SY，Govindaraju R.医疗保健数据挖掘：预测登革热患者的住院时间。工程技术科学学报 2018;50： 110–126.
查看文章谷歌学术搜索
94.Arafiyah R，Hermin F.使用朴素贝叶斯方法进行登革出血热（DHF）预测的数据挖掘。第一届国际科学，技术，工程和数学教育会议（ice-Stem）。布里斯托尔： IOP Publishing Ltd;2018. 第012077页.
95.Abuhamad HIS， Abu Bakar A， Zainudin S， Sahani M， Ali ZM.马来西亚登革热疫情检测模型的特征选择算法。赛恩斯马来人。2017;46: 255–265.
查看文章谷歌学术搜索
96.Manivannan P， Devi PI.使用 K 均值聚类算法预测登革热。2017 IEEE控制、优化和信号处理智能技术国际会议（incos）。纽约：IEEE;2017.
97.Dharmawardana KGS， Lokuge JN， Dassanayake PSB， Sirisena ML， Fernando ML， Perera AS， et al. 使用移动网络大数据预测斯里兰卡登革热发病率预测模型。2017 IEEE工业和信息系统国际会议（iciis）。纽约：IEEE;2017. 第278–283页.
98.Espina K， Estuar MRJE.菲律宾登革热和伤寒综合征监测信息流行病学。In： CruzCunha MM， Varajao JEQ， Rijo R， Martinho R， Peppard J， SanCristobal JR， et al.， editors.Centeris 2017—企业信息系统国际会议 / Projman 2017—项目管理国际会议 / Hcist 2017—健康与社会护理信息系统与技术国际会议，Centeri.阿姆斯特丹：爱思唯尔科学公司;2017. 第554–561页.
99.Rahim NF， Taib SM， Abidin AIZ.使用数据挖掘预测登热致死率。应用科学学报 2017;9： 671–683.
查看文章谷歌学术搜索
100.Klein GH，Neto PG，Tezza R.大数据和社交媒体：作为管理工具的网络监控。索德 E Soc. 2017;26： 208–217.
查看文章谷歌学术搜索
101.Kerdprasop N，Kerdprasop K.基于远程感的登革热爆发建模与回归和分档分类。2016年第二届IEEE计算机与通信国际会议（iccc）。纽约：IEEE;2016. 第46–49页.
102.Anggraeni W，Aristiani L.使用Google趋势数据预测使用ARIMAX方法预测登革热病例数案例研究：印度尼西亚泗水。2016年信息与通信技术与系统国际会议（ICTS）论文集。纽约：IEEE;2016. 第114–118页.
103.Mathulamuthu SS，Asirvadam VS，Dass SC，Gill BS，Loshini T.使用基于气候数据的聚类回归预测登革热发病率。2016年第六届IEEE控制系统、计算与工程国际会议（iccsce）。纽约：IEEE;2016. 第245–250页.
104.拉哈马瓦提 D， 黄玉萍.使用C-support Vector Classification预测台湾登革热的流行情况。在：王伟杰，李PJ，Er MJ，Jeng JT，编辑。2016系统科学与工程国际会议（icsse）。纽约：IEEE;2016.
105.Missier P， Romanovsky A， Miu T， Pal A， Daniilakis M， Garcia A， et al. 使用 Twitter 内容分类和主题建模跟踪登革热疫情。在：Casteleyn S，Dolog P，Pautasso C，编辑。Web工程的当前趋势，Icwe 2016国际研讨会。Cham： Springer International Publishing Ag;2016. 第80–92页.
106.Abeyrathna MP a. R， Abeygunawrdane DA， Wijesundara R a. a. V， Mudalige VB， Bandara M， Perera S， et al. 使用人类流动性进行登革热传播预测。第二届国际 Mercon 2016 莫拉图瓦工程研究会议。纽约：IEEE;2016. 第156–161页.
107.Fathima AS，Manimeglai D.使用随机森林分类器分析登革热感染预后的重要因素。国际计算机学报 2015;6： 240–245.
查看文章谷歌学术搜索
108.Tazkia RAK， Narita V， Nugroho AS.基于GIS的登革热疫情预测预警系统.2015年信息技术科学国际会议（ICSITech）。纽约：IEEE;2015. 第121–125页.
109.吴勇， 李刚， 傅晓， 洪 T. 基于小波、支持向量机和遗传算法检测导致登革热爆发的气候因素。在：Ao SI，Gelman L，Hukins DWL，Hunter A，Korsunsky AM，编辑。2008年世界工程大会，第一卷至第二卷。香港：国际工程师协会;2008. 第303-+页.
110.Salam N， Deeba F， Qadir F， Al-Hijli F， Al-Otaibi YN.分析谷歌搜索趋势与印度登革热爆发之间的相关性。J Clin Diagn Res. 2019;13： LC13–LC15.
查看文章谷歌学术搜索
111.Chire Saire JE.使用社交网络构建智能指标以检测巴西的登革热流行。OrjuelaCanon AD，編輯。2019 Ieee哥伦比亚计算智能应用会议（colcaci）。纽约：IEEE;2019.
112.Swain S，Seeja KR.使用社交媒体数据分析德里的流行病爆发。在：Kaushik S，Gupta D，Kharb L，Chahal D，编辑。信息，通信和计算技术。新加坡： Springer-Verlag Singapore Pte Ltd;2017. 第25–34页.
113.Saravanan N， Gayathri V. 使用 J48 算法和基于蚁群的 Aj48 算法对登革热数据集进行分类。发明计算和信息学国际会议论文集（icici 2017）。纽约：IEEE;2017. 第1062–1067页.
114.卡洛斯·马，诺盖拉M，马查多RJ。使用大数据分析与社交网络分析登革热疫情。2017第四届系统与信息学国际会议（icsai）。纽约：IEEE;2017. 第1592–1597页.
115.叶霞，李姗，杨晓，秦春.利用社交媒体检测和分析中国传染病。Isprs Int J Geo-Inf.2016;5: 156.
查看文章谷歌学术搜索
116.李伟， 陈勇. 登革热疫情期间的危险因素识别和时空扩散路径.在：翁Q，甘巴P，Xian G，陈俊明，梁S，编辑。2016年第四届地球观测和遥感应用国际研讨会（EORSA）。纽约：IEEE;2016.
117.Srilekha G，Anupama B.使用机器学习用大数据预测登革热爆发。GEDRAG管风琴修订版2020;33。
查看文章谷歌学术搜索
118.Ganthimathi M，Thangamani M，Mallika C，Prasanna Balaji V.使用智能分类器预测登革热。Int J Emerge Trends Eng Res. 2020;8： 1338–1341.
查看文章谷歌学术搜索
119.Kumar NK，Sikamani KT.使用机器学习分类器预测慢性和传染病 - 一种系统的方法。Int J Intell Eng Syst. 2020;13： 11–20.
查看文章谷歌学术搜索
120.吉亚布 RB.登革热生存能力预测预测模型的开发：数据挖掘和决策支持系统的集成。Int J Innov Technol Explor Eng. 2019;8： 2199–2205.
查看文章谷歌学术搜索
121.Chovatiya M， Dhameliya A， Deokar J， Gonsalves J， Mathur A. 使用递归神经网络预测登革热。2019. 第926–929页.
查看文章谷歌学术搜索-厦门医学论文发表
122.Kerdprasop K， Kerdprasop N， Chansilp K， Chuaybamroong P.使用星载和海洋传感器对疫情监测系统中的登革热发病率进行建模。Lect Notes Comput Sci Subser Lect Notes Artif Intell Lect Notes Bioinforma.2019;11619 LNCS： 447–460.
123.Link H， Richter SN， Leung VJ， Brost RC， Phillips CA， Staid A. 登革热的统计模型。通信科学. 2019;996： 175–186.
查看文章谷歌学术搜索
124.Arafiyah R，Hermin F，Kartika IR，Alimuddin A，Saraswati I.使用SVM，朴素贝叶片和随机森林对登革出血热（DHF）进行分类。2018.
125.Mishra S， Tripathy HK， Panda AR.一种改进的自适应属性选择技术，用于优化登革热预测。国际工程技术学报 2018;7： 480–486.
查看文章谷歌学术搜索
126.吴志华， 高淑贞， 阙美华.登革热疫情公开数据中的知识发现.2017.
127.Albinati J， Meira W Jr， Pappa GL， Teixeira M， Marques-Toledo C. 根据twuter数据增强登革热流行病学模型。2017. 第109–118页.
128.朱刚， 亨特，J， 蒋勇. 利用延迟排列熵改进了对登革热爆发的预测.2017. 第828–832页.
129.Zainudin Z，Shamsuddin SM.使用BigML对2010年至2015年马来西亚登革热数据的预测分析。Int J Adv Soft Comput its Appl. 2016;8： 18–30.
查看文章谷歌学术搜索
130.Milinovich GJ，Avril SMR，Clements ACA，Brownstein JS，Tong S，Hu W.使用互联网搜索查询进行传染病监测：筛查疾病的适用性。BMC 感染 Dis. 2014;14.下午：25551277
查看文章PubMed/NCBI谷歌学术搜索
131.Ongruk P， Siriyasatien P， Kesorn K.新关键因素的发现，增强登革热预报模型。Adv Mater Res. 2014;931–932： 1457–1461.
查看文章谷歌学术搜索
132.Balasundaram A， Bhuvaneswari PTV.基于决策树的数据挖掘算法对疫情风险的评估比较研究.2013. 第390–396页.
133.Wu Y， Lee G， Fu X， Soh H， Hung T. 登革热疫情中的采矿天气信息：基于小波、SVM和GA预测未来病例。
134.张勇， 茨城 M， 施瓦茨使用在线新闻进行疾病监测：热带国家的登革热和寨卡病毒。J 生物医学通知。2020;102.pmid：31911171
查看文章PubMed/NCBI谷歌学术搜索
135.Souza RCSNP.使用地理位置的社交媒体数据检测感染风险的空间集群。2018.
136.Coberly JS， Fink CR， Elbert Y， Yoon I-K， Velasco JM， Tomayao AD， et al. Tweeting Fever： Twitter 可以用来监测菲律宾登革热样疾病的发病率吗？约翰霍普金斯大学APL技术挖掘。2014;32: 12.
查看文章谷歌学术搜索
137.Gomide J， Veloso A， Meira Jr. W， Almeida V， Benevenuto F， Ferraz F， et al.基于Twitter时空位置计算模型的登革热监测。2011.
138.方志华， 岑建生， 陈CC， 周天成.流行病监测中的机器学习模型研究：使用搜索引擎的查询日志。2010. 第1438–1449页.
139.索萨 J， 梁振英， 库佐克雷 A.基于混合大数据源的创新大数据预测分析框架，具有疾病分析应用程序。Adv Intell Syst Comput.2020;1151 总维持成本： 669–680.
140.Yogapriya P，Geetha P.登革热病检测使用K均值，分层，kohonen-SOM聚类。Int J Innov Technol Explor Eng. 2019;8： 904–907.
查看文章谷歌学术搜索
141.Adias Sabara M， Somantri O， Nurcahyo H， Kurnia Achmadi N， Latifah U， Harsono.基于神经网络和遗传算法的登革热诊断分类.2019.
142.Jongmuenwai B，Lowanichchai S，Jabjone S.使用数据挖掘算法技术比较来预测泰国东北部的登革热数据。2019. 第532–535页.
143.Balasaravanan K，Prakash M.使用基于人工神经网络的分类技术检测登革热病。国际工程技术学报. 2018;7： 13–15.
查看文章谷歌学术搜索
144.阿科斯塔·托雷斯 J， 奥勒·梅内塞斯 L， 索科尔 N， 巴拉多·萨尔迪尼亚斯 R， 蒙特罗·迪亚斯 D， 巴拉多·桑松 R， 等.决策树技术应用于登革热诊断的临床方法。Rev Cuba Pediatr.2016;88: 441–453.
查看文章谷歌学术搜索
145.Soonthornphisaj N，Thitiprayoonwongse D.使用数据挖掘技术对登革热患者的知识发现。2016. 第371–375页.
146.Fathima SA，Hundewale N.用于虫媒病毒分类的机器学习技术的比较分析。2012. 第376–379页.
147.Fathima S，Hundewale N.分类技术的比较 - SVM和Naives Bayes预测虫媒病毒病 - 登革热。在： 陈斌， 陈娟， 陈 X， 陈毅， 赵玉， 崔娟， 等， 编辑.2011 IEEE生物信息学和生物医学研讨会国际会议。Los Alamitos： Ieee Computer Soc;2011. 第538–539页.
148.Long ZA，Abu Bakar A，Razak Hamdan A，Sahani M.多重归因于登革热爆发的频繁采矿。Lect Notes Comput Sci Subser Lect Notes Artif Intell Lect Notes Bioinforma.2010;6440 LNAI： 489–496.
149.Stanaway JD， Shepard DS， Undurraga EA， Halasa YA， Coffeng LE， Brady OJ， et al.全球登革热负担：2013年全球疾病负担研究的分析。柳叶刀感染 2016;16： 712–723.pmid：26874619
查看文章PubMed/NCBI谷歌学术搜索
150.Zeng Z， Zhan J， Chen L， Chen H， Cheng S. 1990年至2017年全球、区域和国家登革热负担：基于2017年全球疾病负担研究的系统分析。临床医学。2021;32: 100712.pmid：33681736
查看文章PubMed/NCBI谷歌学术搜索
151.世界卫生组织。关于病媒传播疾病的全球简报。日内瓦：世界卫生组织;2014. https://apps.who.int/iris/bitstream/handle/10665/111008/WHO_DCO_WHD_2014.1_eng.pdf
152.Brownstein JS， Freifeld CC， Madoff LC.数字疾病检测 — 利用 Web 进行公共卫生监测。N Engl J Med. 2009;360： 2153–2157.pmid：19423867
查看文章PubMed/NCBI谷歌学术搜索
153.Choi J， Cho Y， Shim E， Woo H. 基于网络的传染病监测系统和公共卫生视角：系统综述。BMC公共卫生。2016;16: 1238.下午：27931204
查看文章PubMed/NCBI谷歌学术搜索
154.Velasco E，Agheneza T，Denecke K，Kirchner G，Eckmanns T.全球公共卫生监测系统中的社交媒体和基于互联网的数据：系统综述。米尔班克 Q. 2014;92： 7–33.pmid：24597553
查看文章PubMed/NCBI谷歌学术搜索
155.Leta S， Beyene TJ， De Clercq EM， Amenu K， Kraemer MUG， Revie CW. 埃及伊蚊和白纹伊蚊传播的主要疾病的全球风险图谱。Int J 感染 Dis. 2018;67： 25–35.pmid：29196275
查看文章PubMed/NCBI谷歌学术搜索
156.Monaghan AJ， Sampson KM， Steinhoff DF， Ernst KC， Ebi KL， Jones B， et al.21世纪气候和人口变化对人类接触病毒载体蚊子埃及伊蚊的潜在影响。气候变化。2018;146: 487–500.pmid：29610543
查看文章PubMed/NCBI谷歌学术搜索-厦门医学论文发表
157.Reis BY， Kohane IS， Mandl KD.用于疾病暴发检测的流行病学网络模型。PLoS Med. 2007;4： e210.pmid：17593895
查看文章PubMed/NCBI谷歌学术搜索
158.Thacker SB，Qualters JR，Lee LM，疾病控制和预防中心。美国的公共卫生监测：演变和挑战。MMWR 增刊 2012;61： 3–9.
查看文章谷歌学术搜索
159.Romette JL， Prat CM， Gould EA， de Lamballerie X， Charrel R， Coutard B， et al.欧洲病毒档案走向全球：不断增长的研究资源。抗病毒研究 2018;158： 127–134.pmid：30059721
查看文章PubMed/NCBI谷歌学术搜索
160.Dos Reis IC， Gibson G， Ayllón T， de Medeiros Tavares A， de Araújo JMG， da Silva Monteiro E， et al.对巴西东北部一个流行城市地区田间捕获的伊蚊中的登革热、寨卡病毒和基孔肯雅热虫媒病毒的昆虫病毒学监测策略。Trop. 2019;197： 105061.pmid：31194961
查看文章PubMed/NCBI谷歌学术搜索
161.Jones R，Kulkarni MA，Davidson TMV，R-LR团队，Talbot B.美洲流行病学关注的虫媒病毒载体：寨卡病毒，登革热和基孔肯雅病毒载体昆虫学研究的范围审查。普洛斯一号。2020;15： e0220753.pmid：32027652
查看文章PubMed/NCBI谷歌学术搜索
162.Ajin VW，Kumar LD.大数据和聚类算法。2016集成导航系统研究进展国际会议（RAINS）。2016. 第1-5页.
163.Dave M，Gianey H.大数据分析的不同聚类算法：综述。2016年国际会议系统建模研究趋势进展（SMART）。2016. 第328–333页.
164.Pearl J. 因果关系：模型、推理和推理。剑桥大学出版社;2009.
165.Manning CD， Raghavan P， Schütze H. Introduction to Information Retrieval.2009;569.-厦门医学论文发表