一、山东省2002年肾综合征出血热死亡病例分析（论文文献综述）
张蓉,张宁,凌锋,刘营,郭颂,施旭光,任江萍,孙继民[1]（2021）在《浙江省2005-2020年肾综合征出血热流行趋势分析》文中研究指明目的了解浙江省2005-2020年肾综合征出血热（HFRS）流行特征和时空分布特征, 为其精准防控提供科学依据。方法从中国疾病预防控制传染病报告信息管理系统获取疫情数据, 通过描述性研究了解浙江省HFRS的三间分布特征;采用ArcGIS 10.2软件进行全局自相关和局部自相关分析;采用SaTScan 9.4.4软件进行时空聚集区扫描分析, ArcGIS 10.2软件完成疾病时空分布的可视化。结果浙江省2005-2020年共报告7 724例HFRS病例, 其中死亡25例。每年有2个发病高峰, 分别在5-6月（春末夏初）和11月至次年1月（冬季）。累计病例在前三位的地市分别是宁波市24.27%（1 875/7 724）、台州市21.25%（1 642/7 724）和绍兴市14.54%（1 123/7 724）。男女性别比为2.73∶1（5 656∶2 068）。病例主要以中老年为主, 41～70岁的病例占60.95%。职业主要是农民, 占69.89%（5 398/7 724）。大多数年份HFRS的空间分布存在相关性, 回顾性时空扫描结果显示, 探测到3个聚集区:一类聚集区集中在浙江省东部和中部地区的21个县（市、区）, 其中宁波市、绍兴市和金华市各有4个县（市、区）、台州市8个县（市、区）和丽水市1个县（RR=13.69, LLR=5 522.60, P<0.001）;二类聚集区集中在浙江省西部地区丽水市的龙泉市和庆元县（RR=31.20, LLR=1 232.46, P<0.001）;三类聚集区集中在浙江省北部地区湖州市的长兴县和安吉县（RR=3.42, LLR=23.93, P<0.001）。结论 2005-2020年浙江省HFRS病例以中老年、男性和农民为主, 在春末夏初和冬季的东部地区疫情高发, 建议重点地区在流行季节来临前针对重点人群采取精准防控措施。
王玲,刘芳盈,姜晓林,曹海霞,孙涛,张玲,张云霄,崔峰,王志强[2]（2021）在《2006—2019年淄博市肾综合征出血热流行特征分析》文中研究表明目的探讨淄博市肾综合征出血热（hemorrhagic fever with renal syndrome,HFRS）流行特征,为防控工作提供科学依据。方法收集全市出血热疫情和宿主动物监测资料,用描述性流行病学方法进行统计分析。结果 2006—2019年全市报告肾综合征出血热1 157例,死亡10例,平均发病率为1.83/10万,病死率0.86%。沂源县、淄川区和博山区报告病例数占全市72.77%,60岁以上年龄组构成比22.64%。每年有春季和秋冬季两个发病高峰。全市平均鼠密度为2.84%,居民区和野外分别以褐家鼠和黑线姬鼠为优势鼠种。褐家鼠和黑线姬鼠带毒率分别为6.00%和4.17%,差异无统计学意义（χ2=0.947,P=0.331）。褐家鼠携带的病毒为汉城型汉坦病毒（seoul virus,SEOV）,黑线姬鼠携带的病毒为汉滩型汉坦病毒（hantaan virus,HTNV）。结论淄博市HFRS发病呈现波动式下降趋势,发病年龄有老龄化倾向。鼠密度和鼠带病毒率仍高于周边地市,疫情形势依然严峻,应持续在高发区县加强疫情和宿主动物监测,在重点地区开展出血热疫苗接种和健康教育。
叶国华[3]（2021）在《基于长短期记忆网络模型对辽宁省肾综合征出血热月发病数的时间序列研究》文中研究说明目的:阐明2004年1月至2017年12月辽宁省肾综合征出血热（Hemorrhagic Fever with Renal Syndrome,HFRS）的流行特征和变化规律;筛选和肾综合征出血热发病相关的气象因素并分析两者的滞后效应;比较长短期记忆神经网络模型（Long Short-Term Memory,LSTM）和自回归求和移动平均模型（Auto-Regression Integrated Moving Average,ARIMA）在拟合及预测肾综合征出血热发病数据上的准确性。方法:收集2004年1月至2017年12月间辽宁省HFRS月发病数资料和全省月平均气温、月平均气压、月平均相对湿度、月平均最高气温、月平均水汽压等气象数据资料;分析辽宁省HFRS的流行趋势和变化规律以及描述气象因素的特征;利用预白化交叉相关方法筛选与HFRS发病数据存在相关性的气象因素并分析两者之间的滞后效应;利用HFRS发病数数据,分别建立ARIMA乘积季节模型和LSTM神经网络模型,并比较两者拟合和预测的精度;本研究使用R软件和EXCEL对资料进行统计分析。结果:1.辽宁省2004年至2017年间共报告HFRS病例22489例,每年各月均有发病报告,月平均报告病例数约为134例,总体来看,呈现稳中下降的趋势。2004年至2007年间,疫情明显回落,之后每年报告的病例数基本保持稳定。平均来看,每年9月份报告发病数最少,3月份和11月份报告发病数最多,发病高峰出现在每年的冬春季。2.利用预白化交叉相关方法,剔除缺失值过多和无相关性的气象因素后,筛选出来气象因素中月平均水汽压的滞后1个月、月平均相对湿度的滞后1个月和月平均最高温度与HFRS发病有相关性,相关性具有统计学意义。3.利用穷举法,选取其中AIC值最小（-29.31）的季节乘积ARIMA（2,1,0）×（0,1,1）12拟合预测模型,残差被诊断为白噪声序列,用所得的ARIMA模型进行预测,得到拟合精度（MAE 17.909,MAPE 18.168%,RMSE 26.601）和预测精度（MAE 40.787,MAPE 52.958%,RMSE 47.928）。4.LSTM神经网络模型在拟合（MAE 14.502,MAPE 16.965%,RMSE 21.242）和预测（MAE 15.929,MAPE 23.659%,RMSE 19.035）HFRS发病数的准确度上,均优于ARIMA模型。结论:1.2004-2017年,辽宁省HFRS疫情总体呈稳定下降趋势,2007年之后每年报告的病例数基本保持稳定;HFRS发病具有显着的季节性,发病高峰出现在每年的冬春季。2.气象因素中月平均水汽压的滞后1个月、月平均相对湿度的滞后1个月与HFRS发病呈负相关,月平均最高气温与HFRS发病呈正相关,且相关性具有统计学意义。3.LSTM神经网络模型在拟合和预测HFRS发病数的准确度上,均优于ARIMA模型。
王蔚茹,肖冻,赵梦娇,耿兴义[4]（2020）在《济南市近15年流行性出血热发病热点及流行特征分析》文中指出目的明确济南市流行性出血热发病热点地区,掌握流行特征。方法利用济南市2005-2019年流行性出血热疫情资料,采用Arc Gis 10.2进行街道/乡镇层级的热点扫描,并进行可视化展现;采用描述流行病学方法分析流行特征。结果 2005-2019年济南市累计报告流行性出血热病例705例,年均发病率为0.71/10万;死亡16人,病死率2.27%。病例以40岁～到70岁～年龄组为主,占病例总数的66.95%;职业以农民为主（75.89%）;热点乡镇、街道主要分布在商河县的禽类养殖区,章丘区、长清区和市中区的部分山区,以及槐荫区和历下区的部分旧村和CBD建设区。结论济南市流行性出血热处于低流行状态,病死率较高;季节性明显;40岁以上农民是主要发病人群;热点以乡镇为主,也有随拆建向部分城区扩散的趋势,在高发地区及周边应采取持久的综合防制措施。
陈俊江,国天赐,宋姝璇,邵中军,刘昆[5]（2020）在《中国肾综合征出血热流行特征及时空分析模型进展》文中研究说明肾综合征出血热（HFRS）是一种由汉坦病毒引起的以发热、出血、充血、低血压休克及肾脏损害为主要临床特征的鼠传自然疫源性疾病,人主要通过接触鼠的排泄物、分泌物等方式感染HFRS。HFRS流行特征具有显着的人群差异、地理异质和季节消长特点,这些典型特征与宿主动物栖息环境和人类活动等因素密不可分。全球每年HFRS报告发病人数约15万～20万,我国病例数占全球的70%～90%,是遭受HFRS危害最严重的国家。本文详细综述了我国HFRS流行特征、传播影响因素以及相关生态学研究的模型与方法进展,以期了解我国HFRS的三间分布特征及传播的潜在影响因素,有助于开展HFRS疾病调查监测和预防控制工作。
宋宁娟[6]（2020）在《肾综合征出血热患者进展为重型、危重型的早期危险因素分析及其风险预测模型的构建》文中认为目的:掌握HFRS轻型、中型、重型、危重型不同临床分型患者在就诊时临床特征表现和急性期实验室指标检测值水平;基于就诊时临床及急性期实验室客观性检测指标,探讨HFRS重型、危重型发生的危险因素,构建HFRS重型、危重型风险预测模型,在病程早期识别两型发生的概率,降低其发生率和病死率。方法:收集2016年1月至2018年12月就诊于南昌市第九人民医院经临床诊断为HFRS患者的就诊时病历记录和急性期实验室检查结果。应用SPSS23.0对数据进行整理和统计学分析;利用GraphPad Prism 5对结果进行可视化展示。定量变量采用两独立样本t检验、方差分析和非参数H检验进行组间均值和总体差异性比较。分类变量使用Pearson卡方检验和Fisher精确检验进行分析。采用Spearman秩相关对临床、实验室客观性变量与临床分型进行相关性分析。各变量间的多重共线性用容差和方差膨胀系数（Variance inflation factor,VIF）衡量。应用多因素二元Logistic回归模型进行多变量分析并建立预测方程。用接受者操作特征曲线（relative operating characteristic,ROC）分析相关变量对重型、危重型的预测价值,并通过测量曲线下面积（AUC）评价有显着性差异的相关变量指导早期诊断及鉴别病情危重程度的能力。结果:1.纳入的254例HFRS患者中,轻型43例,中型126例,重型50例,危重型35例,且26例死亡病例全部来自于危重型组,危重型病死率为74%;男性176例（69.29%）,职业中农民100例（62.50%）。各组患者的就诊时血压、肾区叩痛、球结膜水肿之间有显着性差异（P<0.001）。2.急性期实验室结果分析显示:WBC、PLT、PCT、Urea、UA、AST和APTT在不同型别中差异均有显着性（P<0.001）。重型、危重型的WBC、Urea水平更高,APTT更长;而轻型患者PLT、PCT水平比重、危重型患者更高;除AST外,其他11项实验室参数水平在重型和危重型之间的差异均无统计学意义。3.Spearman秩相关结果显示:Urea、AST、WBC、APTT和UA等水平与临床分型呈正相关（P<0.001）,而PCT、PLT、就诊时血压与临床分型呈负相关（r分别为-0.298、-0.282、-0.247、-0.218）。4.将“轻型+中型”整合为“轻型”（169例）,将“重型+危重型”列为“重型”（85例）。结果显示患者年龄在两组间有显着性差异（P<0.001）;重型患者在就诊时更倾向于出现头痛、腰痛、肾区叩痛和醉酒貌等症状（P<0.05）;就诊时HFRS患者若出现上颚出血、球结膜出血水肿、颜面部水肿更容易发展为重型。5.急性期实验室结果表明“重型”组患者的WBC、PCT、Urea、UA、AT和APTT水平均显着高于“轻型”组（P<0.001）;而PLT水平随着病情程度加重逐渐降低（P<0.001）。6.多因素二元Logistic回归显示:客观性变量患者年龄、性别、就诊时舒张压、心率、WBC、PT和UA可作为提示HFRS患者可能进展为重型及危重型的独立危险因素;通过训练集构建的预测方程（Logistic（P|y=重型）=-8.284+1.235*年龄+0.025*年龄+0.032*就诊时心率+0.044*WBC+0.201*PT+0.002*UA-0.04*就诊时舒张压）其ROC曲线下面积AUC为0.821（0.758,0.844）,模型应用于验证集预测重型、危重型发生的准确率为78.8%,ROC曲线下面积AUC为0.812（0.704,0.921）,表明模型预测效果较好。结论:客观性变量:患者年龄、性别、就诊时舒张压、心率、WBC、PT和UA可作为影响HFRS患者进展为重型、危重型的独立危险因素,并构建预测方程:Logistic（P|y=重型）=-8.284+1.235*年龄+0.025*年龄+0.032*就诊时心率+0.044*WBC+0.201*PT+0.002*UA-0.04*就诊时舒张压;该预测模型能较好评估HFRS患者的病情严重程度,对病程早期识别预警重型、危重型的发生具有重要指导意义。
朱伶俐[7]（2020）在《肾综合征出血热流行的空间分异及风险预测研究》文中提出肾综合征出血热（Hemorrhagic Fever with Renal Syndrome,HFRS）是严重威胁中国居民健康安全的一类自然疫源性传染病。探究中国典型HFRS疫区的疫情流行特征及其影响要素,并预测其传播风险区,可为当地相关部门制定防控措施、部署防控资源、降低疫情传播风险提供重要的指导建议。本论文以对比研究为切入点,在研究区上选取了中国三个典型HFRS疫区即山东省、陕西省和湖南省,采用空间自相关、热点分析等空间统计方法分析HFRS疫情时空分布特征,并利用地理界限分析方法获取山东省、陕西省和湖南省HFRS疫情地理区划,在此基础上,分析各地理区划的气象要素、景观要素、社会经济要素特征,并利用地理探测器探究山东省、陕西省和湖南省HFRS疫情主要影响要素,最后利用广义相加模型预测各省HFRS疫情的潜在风险区。主要结果和结论如下:（1）山东省、陕西省和湖南省HFRS疫情均呈现不同程度的波动且均具有明显的季节性特征;与此同时,三省HFRS疫情均呈现显着的空间聚集性,其中,山东省HFRS疫情主要聚集在鲁中山地丘陵高发病区和胶东平原丘陵高发病区,陕西省HFRS疫情则主要聚集在关中平原高发病区,而湖南省HFRS疫情主要聚集在湘中丘陵高发病区、湘南山地丘陵高发病区。因此,建议各省重点关注各自HFRS疫情高发病区,尤其是在疫情高发期间。（2）山东省、陕西省和湖南省HFRS疫情流行与自然环境和社会经济条件密切相关。山东省HFRS疫情空间分异与降水量、地貌类型等自然环境要素以及建设用地等社会经济要素紧密相关,陕西省则主要受到地形地貌、黏土等自然环境要素以及建设用地面积占比、人口密度等社会经济要素的影响,而湖南省主要与降水量、地形地貌等自然环境要素以及土地利用、GDP等社会经济要素关系密切。此外,降水量、地貌类型与建设用地共同影响着山东省、陕西省和湖南省HFRS疫情的空间分异,但其作用和影响方式存在差异。建议当地有关部门制定防控措施、部署防控资源时需结合当地的气候和景观特征以及社会经济条件。（3）山东省HFRS疫情潜在风险区主要分布在气候条件适宜（温度在12.6～14.8℃之间,降水量大于600 mm）、植被条件适中（0.56<NDVI<0.65,NDVI>0.75）、海拔高度较小（DEM<50 m,DEM>340 m）的中部和东部地区;陕西省的潜在风险区则主要分布在平原地带（平原面积占比大于18%）、气候条件适宜（降水量在660～1100 mm之间）、植被条件适中（0.72<NDVI<0.81,NDVI>0.85）、城镇化水平较高（建设用地面积占比在10%～45%）、黏土含量较少（黏土百分比小于23%）的中部地区,而湖南省的潜在风险区主要分布在气候条件适宜（温度在15.1～18.0℃之间,降水量大于1500 mm）、植被条件适中（NDVI>0.77）、城镇化水平较高（建设用地面积占比在1%～18%之间,人口密度在300～7500人/KM2之间）的中部和东南部地区。本研究模拟和预测的HFRS疫情潜在风险区可为相关部门在未来需要重点防控的HFRS疫情高风险区划定与管理方面提供科学决策参考。
曹丽娜[8]（2020）在《中国不同气候带肾综合征出血热的影响因素及预测模型研究》文中认为研究背景肾综合征出血热（Haemorrhagic fever with renal syndrome,HFRS）又称流行性出血热,是一种由不同种类的汉坦病毒传播给人类引起的动物源性人兽共患病。病毒对人类的主要传播途径是通过吸入或者接触受病毒污染的啮齿动物排泄物（尿液、粪便或唾液）。中国是世界上肾综合征出血热病例最多的国家,70%左右的肾综合征出血热病例是由汉坦病毒（HTNV）和汉城病毒（SEOV）引起的,部分病例发展为中、重度病例并引发严重后遗症甚至死亡。全球HFRS病死率为1%-1 5%。自上世纪八十年代以来,我国肾综合征出血热的发病呈现较为明显的季节性分布变化,由秋冬季暴发为主的姬鼠型转变为春季和秋冬季为主的双峰型混合疫区,这种变迁与病毒的基因型、优势宿主动物的种类、自然地理环境、人类生产活动和行为方式有密切关系。然而,随着我国肾综合征出血热疫区范围的扩大和疫区类型的变迁,我们仍需要不断掌握HFRS的人群流行特征、时空分布特征和趋势。HFRS的发生受多方面因素的影响:环境因素、啮齿类动物、人类与动物宿主之间的相互作用和汉坦病毒的动力学因素等。其中,气象因素可通过生态系统影响啮齿动物的生存、繁殖、分布和种群变化,间接影响HFRS的流行。在全球变暖的背景之下,媒介生物和宿主生物的适生区域有可能随之扩大,且气候变暖可能会有利于动物繁殖和活动期延长。人类的活动也受天气条件和季节变化的影响,从而改变人类与媒介生物和动物宿主之间的接触机会。另外,城市化建设背后的大规模树木砍伐、土地征用、修路建桥等会直接影响到宿主动物的数量和分布,可能会造成局部媒介生物和宿主动物密度增大,引起疾病的暴发。当今社会经济发展伴随的流动人口不断增多、物流的发达和城市人口密度的增加,也会导致传染病暴发流行风险上升。气候变化与不同地理景观及生态系统相互作用,导致在各个气候带内温度等分布的异质性,对HFRS的影响也有所不同。尽管目前已经有大量的研究量化分析了气象因素与HFRS的关联,但是这些研究大都是基于某个城市/省份的部分地区,且少有气象因素对HFRS交互作用的研究。所以本研究在纳入社会因素、地理因素和生态因素的同时,系统探讨了我国各气候带气象因素对HFRS的影响,以及气象因素对HFRS的交互作用和边际效应。随着人们健康需求的日益提高,疾病预测作为疾病防控的重要手段也得到重视和发展。传染病的影响因素众多,相互之间关系复杂,模型预测的准确性是疾病预测极其重要的一个方面。随着信息技术的发展和大数据时代的到来,机器学习作为新兴的分析方法得到了迅速发展和广泛应用,如何利用大数据对传染病疫情进行预测预警已成为疾病防控领域的研究热点。为了探索机器学习在肾综合征出血热预测的实用性,为HFRS的预测提供新思路,本研究以我国各气候带HFRS病例为研究对象,通过构建随机森林回归预测模型,并与传统的预测模型进行比较,对各气候带的拟合和预测效果评价。研究目的1.应用空间流行病学分析方法,分析2006-2016年全国HFRS病例的流行特征和时空分布动态变化。2.纳入气象因素、社会因素和地理环境等相关指标,对我国各气候带HFRS流行的影响因素进行探讨。3.构建针对不同气候带的HFRS预测模型,为精准预测HFRS的流行提供可行工具。研究方法收集整理我国2006-2016年的肾综合征出血热的疫情监测数据、2005-2016年全国气象监测站点的气象数据、2006-2016年全国植被覆盖和海拔栅格数据,与中国地级市行政区划数字地图建立空间关联,建立肾综合征出血热流行的地理信息数据库,综合应用空间流行病学分析方法对全国HFRS的时空分布进行研究,应用广义估计方程对不同气候带HFRS的影响因素进行分析,利用随机森林回归模型对HFRS的发病进行预测研究。研究所采用的软件包括ArcGIS 10.2、SaTScan 9.1、Stata 16.0、R 3.4.3。研究结果1.我国2006-2016年累计报告HFRS共121,494例,年平均发病率0.89/10万。全国HFRS发病率总体略有下降趋势,年平均发病率从2006年的1.16/10万降至2016年的0.64/10万,但2012-2013年出现较为明显的短期升高。2.人群分布特征为:HFRS病例以男性为主,男女病例报告性别比为3:1;从职业分布看,病例以农民为主;发病年龄主要集中在20-40、41-60岁之间,分别占发病病例数的33.08%和46.04%。死亡病例年龄集中在41-60岁之间,占死亡病例的53.83%。3.对2006-2016年期间全国HFRS累计病例报告数分省份进行HFRS病例发病至确诊时间间隔分析,结（?）国范围内HFRS病例发病至确诊的平均时间为7.6天。黑龙江省、吉林省、河北省（?）陕西省的HFRS病例发病至确诊时间间隔最短,平均为5天,辽宁省和山东省该时间间隔平均为6天,浙江省、江西省和湖北省为8天,广东省为10天,其他省份该平均（?）间间隔为9天。4.全国HFRS的病例分布具有空间相关性,即HPRS疾病分布具有空间聚集性特征。对2006年1月至2016年12月肾综合性出血热发病数的地市级水平进行逐月时空扫描,结果显示共有13个聚集区。尽管不同年份HFRS发病热点区域有所不同,但热点区域主要分布于东北三省、山东省、陕西省、浙江省、江西省和湖北省。5.HFRS发病具有明显的季节性特征,其季节性特征在我国不同地区存在着一定的差异。中温带地区秋季高峰明显,暖温带地区秋冬季和春季均有高峰,亚热带地区呈现冬季和春季高峰。就发病趋势而言,2006-2009年期间,中温带地区HFRS发病人数高于暖温带和亚热带,自2009年起,暖温带发病数上升明显且超过中温带,至2013年上升至最高峰后急剧下降呈稳定趋势。中温带地区发病数从2006年至2016年呈缓慢下降趋势。6.调整降水量、相对湿度、季节性和长期趋势的影响,得到中国不同气候带的月平均气温与HFRS发病的最大相关系数。中温带地区的气温在滞后1个月（r=-0.032）时对HFRS发病数影响最大,暖温带地区和亚热带地区气温的最佳滞后期分别为滞后2个月（r=-0.057）、3个月（r=0.018）。7.中温带地区的平均温度和降水量之间存在1个月滞后交互作用。在暖温带地区,平均温度和相对湿度之间存在2个月滞后的交互作用。8.中温带地区气温、相对湿度、海拔、人均耕地面积、GDP与HFRS发病之间的关联有统计学意义,其中气温、相对湿度、海拔、GDP是保护因素,人均耕地面积是危险因素。暖温带地区气温、相对湿度、海拔与HFRS发病有统计学意义,其中气温、海拔是保护因素,相对湿度是危险因素。亚热带地区对HFRS发病具有统计学意义的影响因素是降水、海拔和GDP,其中降水是危险因素,海拔、GDP是保护因素。9.分别利用植被覆盖指数与气象指标（温度、湿度和降水量）所构建的随机森林回归预测模型在各气候带内的预测效果近似;各气候带之间拟合效果表现为从北方到南方拟合效果越来越好,且随机森林模型的RMSE均小于广义估计方程。随机森林回归模型对于中温带地区发病率的估计偏高,对暖温带和亚热带地区的估计值比较接近于真实值。广义估计方程回归模型对中温带、暖温带和亚热带地区的HFRS发病率的预测值普遍低于真实值。结论1.2006-2016年期间我国肾综合征出血热的发病总体呈下降的趋势。病例以男性为主,发病高峰年龄段为20-60岁之间,患者职业以农民为主。空间分析显示,HFRS病例的空间分布具有显着的相关性且高发省份存在时空聚集区。2.北方高发省份的HFRS病例发病至确诊时间间隔较短,而南方省份的HFRS病例发病至确诊时间间隔普遍比北方省份长,该时间间隔与确诊病例的数量呈正相关。3.不同气候带的发病趋势变化存在明显差异。2006-2009年期间,中温带地区HFRS发病人数高于暖温带和亚热带,自2009年起,暖温带发病数上升明显且超过中温带成为发病数最多的气候带。4.从我国北部地区到南方,三个气候带气温的最佳滞后期分别为1个月、2个月和3个月。最佳滞后时间的确定可以为HFRS发生的早期预警提供线索。5.中温带地区温度与降水对HFRS存在交互作用,气候寒冷、降水量增大可能增加中温带地区HFRS的发病风险。暖温带地区温度与相对湿度对HFRS的影响存在交互作用,高温高湿的环境可能增加暖温带地区HFRS的发病风险。6.中温带和亚热带GDP高的地区HFRS发病风险较低;中温带、暖温带和亚热带均发现海拔低的地区HFRS发病风险较高;中温带地区人均耕地面积大可能增高HFRS的发病风险。农村仍然是HFRS的高发地区。7.随机森林模型在各气候带HFRS预测准确性上均优于广义估计方程。植被覆盖指数可替代气象指标（温度、湿度和降水量）用于HFRS的预测。意义和创新1.本研究的设计、分析比较及模型构建皆基于中国不同气候带,设计系统、理念新颖。2.本研究发现,从我国北部地区到南方,中温带、暖温带、亚热带地区气温的最佳滞后期分别为1个月、2个月和3个月。中温带地区的气温和降水存在交互作用,暖温带地区气温和相对湿度存在交互作用,此结果目前未见报道。3.本研究分别利用植被覆盖指数和主要气象指标（气温、湿度和降水量）构建肾综合征出血热的预测模型,结果显示,利用植被覆盖指数所构建的预测模型与利用上述气象指标所构建的预测模型在各气候带内拟合效果近似;各气候带之间拟合效果表现为从北方到南方拟合效果越来越好的现象,此结果目前未见报道。
胡祝敏[9]（2020）在《基于面板数据模型的肾综合征出血热同动物宿主疫情、气象因素关系的研究》文中研究指明目的:运用面板数据模型探讨气象因素以及宿主疫情对肾综合征出血热（Hemorrhagic fever with renal syndrome,HFRS）发病率的影响,并探究面板数据模型在传染病监测数据分析中的适用范围以及应用价值。研究方法:2008年1月-2016年12月全国各省的肾综合征出血热月别发病率数据来源于中国公共卫生科学数据中心。2008年1月-2016年12月全国各省的月别气象数据来源于中国气象数据网。通过知网、万方、读秀等网站查找省级、市级地区的月别发病率以及宿主疫情数据。运用全局空间自相关（GISA）和局域型空间自相关（LISA）对HFRS发病率进行空间自相关性分析。采用混合模型、固定效应模型、随机效应模型这3种传统的面板模型对月别发病率与月别气象数据以及宿主疫情数据进行模拟,利用固定效应F检验与Hausman检验对模型进行选择。使用ArcGIS10.1建立地理信息库,在GeoDa 095-i软件中进行相关数据的空间自相关分析,应用STATA 14.0实现面板数据模型的建立。结果:1、空间自相关分析:在2008-2016年中,2008年、2009年、2014年和2016年各省的年发病率存在空间聚集性分布,且全局自相关系数具有统计学意义（P<0.05）。局部自相关系数显示中国东北三省为疫情高发省份,陕西省从2011年后均处于“高-低”区域。2、面板数据分析:（1）中国大陆各省份发病率的面板模型,结果提示滞后一个月的月平均大气压、月平均气温、月平均蒸气压、月平均相对湿度、月日照总时数对HFRS月别发病率有一定影响（P<0.01）。在解释变量中加入鼠密度和鼠带毒率后,结果提示家鼠带毒率与HFRS月别发病率呈正相关（r=0.016,P<0.01）。将中国大陆地区31个省份按气候的分布分为4个区域。在亚热带季风气候区中,结果提示气象因素中的月平均气温、月平均蒸气压、月平均风速、月平均相对湿度、月总日照时数对HFRS月别发病率有一定影响（P<0.01）。在温带季风气候区中,结果显示气象因素中的月平均气温、月平均蒸气压对HFRS月别发病率有一定影响（P<0.01）。在温带大陆性气候区中,结果提示气象因素中的月平均气温、月平均蒸气压、月平均相对湿度对HFRS月别发病率存在一定影响（P<0.01）。在高原山地气候区中,结果提示气象因素中的月平均大气压,月平均蒸气压、月降水量、月平均风速、月平均相对湿度与HFRS月别发病率存在相关性（P<0.01）。（2）辽宁省沈阳市、葫芦岛市、丹东市、营口市的HFRS发病率的面板数据分析,结果提示HFRS月发病率与同期的月平均蒸气压存在相关性（P<0.01）;山东省青岛市、潍坊市和淄博市的HFRS发病率的面板数据分析,结果表明月别发病率与同期的月平均大气压、月平均气温、月平均蒸气压存在相关性（P<0.01）;湖南省长沙市、郴州市的面板数据分析,结果提示月别发病率与同期平均气温、月平均蒸气压存在相关性（P<0.01）。结论:基于面板数据模型探讨肾综合征出血热同动物宿主疫情、气象因素的关系,面板数据模型更加全面的考虑时间和个体的效应,充分利用各地区的信息,并更加准确对数据预测分析,面板模型在传染病监测数据分析中具有较好的实用性以及应用价值。
王新月[10]（2019）在《灌云县肾综合征出血热流行现状及危险因素研究》文中研究说明目的:近几年来灌云县肾综合征出血热（HFRS）疫情一直维持在较高的水平,发病数位居连云港市首位,高度散发态势明显。本研究通过对2013-2017年HFRS患者流行特征分析、2015-2017年灌云县HFRS宿主动物情况和健康人群血清学抗体水平分析以及2015-2017年HFRS危险因素分析进一步掌握HFRS在疫区流行规律及其影响因素,为今后HFRS的预防和控制政策制定提供参考依据。方法:收集灌云县2013-2017年HFRS发病情况报表、大疫情网报告HFRS病例数据以及宿主动物监测资料,采用描述性统计方法对灌云县HFRS的流行特征进行分析,并在小伊乡、南岗乡、同兴镇开展动物宿主调查,选取2015年4月-2017年11月《中国疾病预防控制信息系统》报告的确诊病例,按照1:2个体匹配的配对的病例对照研究方法进行发病危险因素调查,采用SPSS18.0对HFRS发病危险因素进行单因素和多因素条件Logistic回归分析。结果:1、HFRS流行特征灌云县2013-2017年共有确诊病例244例,其中死亡9例。年均发病率为4.68/10万、死亡率为0.17/10万、病死率为3.69%。总体发病率先上升后下降,2015年最低。在2013-2017年期间,全县19个乡镇均有HFRS病例报告,报告发病总数排在前6的乡镇分别是:小伊乡（27例）、南岗乡（24例）、伊山镇（22例）、龙苴镇（21例）、东王集乡（18例）、杨集镇（18例）,共报告病例数130例,占全县累计报告的发病总数53.28%（130/240）。病例主要分布在灌云县西部,东部的病例相对比较分散。2013-2017年,灌云县每年HFRS流行季节为秋冬季（10月-次年1月）。秋冬流行峰报告的病例数（190例）占总的病例数的77.87%,春夏季节的病例数比较平稳,居于0-10例之间,流行趋势不明显。209例HFRS患者年龄在30-69岁之间,占总病例数的85.66%,其中60-69岁年龄组最高,占总发病数的30.33%。发病数最少的为≥80岁年龄组和10-19岁年龄组。男性患者186例,女性患者58例,男女性别比3.21:1。男、女发病率分别为6.79/10万和2.34/10万,男性高于女性。农民发病人数最多,为221例,占总发病人数的90.57%,其次是家务和待业,占3.28%。2、宿主情况小家鼠、黄胸鼠、黑线姬鼠为灌云县主要鼠种。平均鼠密度野外3.75%（72/1920）高于居民区2.62%（50/1905）,两者有统计学差异（χ2=3.922,P=0.048）。鼠带毒率为3.13%,带毒率最高的为黑线姬鼠,其次为黄胸鼠。秋季鼠带毒率4.10%（10/244）高于春季鼠带毒率2.24%（6/268）,两者无统计学差异（χ2=1.459,P=0.227）。3、健康人群血清抗体监测健康人群血清抗体检测结果显示,阳性率为3.44%。4、影响因素分析单因素条件logistic回归分析显示:居住房屋内进行灭鼠防鼠工作、从不在沟田边坐卧休息为HFRS的保护因素。常住人口数少、住房中有空置的房间、住房周围种植作物、住房毗邻水塘或河溪、居住房屋有鼠洞、居住房屋中有鼠活动、工作场所有鼠或鼠排泄物、居住地有饲养家畜、居住地有饲养家禽、从不或偶尔加热剩饭剩菜后再食用、经常在沟田边坐卧休息、皮肤有破损、被猫或狗咬伤或抓伤、有接触鼠类或鼠排泄物均为HFRS的危险因素。多因素条件logistic回归分析显示:住房毗邻水塘或河溪、工作场所有鼠或鼠排泄物、居住地有饲养家畜、从不或偶尔加热剩饭剩菜后再食用、在沟田边坐卧休息、接触鼠类或鼠类排泄物均为肾综合征出血热的发病危险因素。结论:灌云县鼠密度和鼠带毒率均较高,且农民、中青年人群是灌云县HFRS防控的重点对象,在以后的防控工作中,重点加强鼠密度、鼠带毒率以及人间疫情的监测,应加大灭鼠防鼠力度,开展重点地区、重点人群出血热疫苗接种,加大宣传教育力度,使人们了解疾病相关知识及如何防护,改变不良的饮食习惯、生活习惯、生产习惯,降低出血热发病率。
二、山东省2002年肾综合征出血热死亡病例分析（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、山东省2002年肾综合征出血热死亡病例分析（论文提纲范文）
（2）2006—2019年淄博市肾综合征出血热流行特征分析（论文提纲范文）
| 1 资料与方法 |
| 1.1 人间疫情监测 |
| 1.2 宿主动物监测 |
| 1.3实验室检测方法 |
| 1.4 统计学分析 |
| 2 结果 |
| 2.1 疫情概况 |
| 2.2 流行特征 |
| 2.2.1 地区分布 |
| 2.2.2 时间分布 |
| 2.2.3 病例人群分布 |
| 2.2.4 聚集性疫情 |
| 2.3 宿主动物监测 |
| 2.3.1 鼠密度和鼠种构成 |
| 2.3.2 鼠带毒率 |
| 2.3.3 序列测定及同源性分析 |
| 3 讨论 |
（3）基于长短期记忆网络模型对辽宁省肾综合征出血热月发病数的时间序列研究（论文提纲范文）
| 摘要 |
| Abstract |
| 英文缩略语 |
| 1 前言 |
| 2 材料与方法 |
| 2.1 资料来源 |
| 2.2 统计学方法 |
| 2.2.1 描述流行病学统计分析 |
| 2.2.2 气象因素和肾综合征出血热的相关性分析 |
| 2.2.3 ARIMA模型的拟合 |
| 2.2.3.1 序列预处理 |
| 2.2.3.2 模型识别及参数估计和检验 |
| 2.2.3.3 模型的诊断检验及模型预测 |
| 2.2.4 LSTM神经网络模型的拟合 |
| 2.2.5 模型之间精度比较 |
| 3 结果 |
| 3.1 肾综合征出血热的流行特征和气象因素描述 |
| 3.2 气象因素和肾综合征出血热的相关性研究 |
| 3.3 基于ARIMA模型对辽宁省HFRS发病数据拟合结果 |
| 3.4 基于LSTM模型对HFRS发病数据拟合结果 |
| 3.5 模型之间精度比较 |
| 4 讨论 |
| 5 结论 |
| 本论文创新性的自我评价 |
| 参考文献 |
| 综述 中国大陆地区肾综合征出血热的流行特征及时间序列研究概述 |
| 参考文献 |
| 社会实践 |
| 攻读学位期间取得的研究成果 |
| 致谢 |
| 个人简历 |
（4）济南市近15年流行性出血热发病热点及流行特征分析（论文提纲范文）
| 1 资料和方法 |
| 1.1 数据来源 |
| 1.2 分析方法 |
| 2 结果 |
| 2.1 HFRS发病死亡概况 |
| 2.2 流行病学特征 |
| 2.2.1 人群分布 |
| 2.2.2 地区分布 |
| 2.2.3 时间分布 |
| 2.3 热点分析 |
| 3 讨论 |
（6）肾综合征出血热患者进展为重型、危重型的早期危险因素分析及其风险预测模型的构建（论文提纲范文）
| 摘要 |
| abstract |
| 中英文缩略词表 |
| 第1章 前言 |
| 第2章 资料与方法 |
| 2.1 研究对象 |
| 2.2 病例选择 |
| 2.2.1 病例纳入标准 |
| 2.2.2 病例排除标准 |
| 2.3 病例资料收集 |
| 2.3.1 临床相关指标 |
| 2.3.2 实验室相关指标 |
| 2.4 HFRS患者各期临床表现和临床分型标准 |
| 2.4.1 HFRS患者各期临床表现 |
| 2.4.2 HFRS临床分型标准 |
| 2.5 病例临床分型分组情况 |
| 2.6 统计学分析 |
| 2.7 伦理审核 |
| 第3章 结果 |
| 3.1 不同临床分型HFRS患者就诊时人口统计学资料和临床特征分析 |
| 3.2 不同临床分型HFRS患者急性期实验室指标组间差异性分析 |
| 3.3 临床及实验室客观性变量与临床分型的Spearman相关性分析 |
| 3.4 “轻型”和“重型”HFRS患者就诊时的独立危险因素分析 |
| 3.5 “轻型”和“重型”HFRS患者急性期实验室指标检测结果分析 |
| 3.6 单因素和多因素二元Logistic回归分析 |
| 第4章 讨论 |
| 4.1 回顾HFRS流行趋势、评估患者病情严重程度的指标 |
| 4.2 HFRS患者就诊时临床指标与其疾病严重程度的的相关性 |
| 4.3 HFRS患者急性期实验室指标其疾病严重程度的相关性 |
| 4.4 HFRS重型、危重型发生风险模型的构建及评估 |
| 第5章 结论、不足与展望 |
| 5.1 结论 |
| 5.2 不足与展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间的研究成果 |
| 综述 |
| 参考文献 |
（7）肾综合征出血热流行的空间分异及风险预测研究（论文提纲范文）
| 中文摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 国内外研究现状 |
| 1.2.1 HFRS 流行病学特征研究 |
| 1.2.2 HFRS 疫情时空分布与地理区划研究现状 |
| 1.2.3 HFRS 疫情影响要素与风险预测研究现状 |
| 1.2.4 GIS、RS在HFRS疫情研究中的应用 |
| 1.2.5 已有研究中存在的不足 |
| 1.3 研究内容与研究意义 |
| 1.3.1 研究内容 |
| 1.3.2 研究意义 |
| 1.3.3 研究流程 |
| 1.4 论文结构 |
| 第二章 数据源与研究方法 |
| 2.1 研究区概况 |
| 2.1.1 研究区范围 |
| 2.1.2 研究区概况 |
| 2.2 数据来源与处理 |
| 2.2.1 HFRS疫情数据 |
| 2.2.2 自然环境要素数据 |
| 2.2.3 社会经济要素数据 |
| 2.3 研究方法 |
| 2.3.1 空间自相关 |
| 2.3.2 热点分析 |
| 2.3.3 地理界限分析 |
| 2.3.4 地理探测器 |
| 2.3.5 广义相加模型 |
| 2.4 小结 |
| 第三章 HFRS疫情时空分布特征与地理区划研究 |
| 3.1 疫情时空分布特征 |
| 3.1.1 时间分布特征 |
| 3.1.2 山东省疫情时空分布特征 |
| 3.1.3 陕西省疫情时空分布特征 |
| 3.1.4 湖南省疫情时空分布特征 |
| 3.2 疫情地理区划 |
| 3.2.1 山东省疫情地理区划 |
| 3.2.2 陕西省疫情地理区划 |
| 3.2.3 湖南省疫情地理区划 |
| 3.3 疫情流行特征对比分析 |
| 3.4 小结 |
| 第四章 HFRS疫情影响要素分析 |
| 4.1 疫情区划环境特征对比 |
| 4.1.1 山东省疫情区划环境特征 |
| 4.1.2 陕西省疫情区划环境特征 |
| 4.1.3 湖南省疫情区划环境特征 |
| 4.2 疫情主要影响要素 |
| 4.2.1 山东省疫情影响要素 |
| 4.2.2 陕西省疫情影响要素 |
| 4.2.3 湖南省疫情影响要素 |
| 4.3 疫情影响要素分析 |
| 4.4 疫情影响要素对比分析 |
| 4.5 小结 |
| 第五章 HFRS疫情风险分布探究 |
| 5.1 疫情风险预测模型构建 |
| 5.1.1 GAM模型 |
| 5.1.2 GAM拟合曲线 |
| 5.2 疫情风险区分布特征 |
| 5.3 小结 |
| 第六章 结论与展望 |
| 6.1 主要结论 |
| 6.2 研究特色与创新之处 |
| 6.3 不足与展望 |
| 参考文献 |
| 攻读学位期间承担的科研任务与主要成果 |
| 致谢 |
| 个人简历 |
（8）中国不同气候带肾综合征出血热的影响因素及预测模型研究（论文提纲范文）
| 中文摘要 英文摘要 缩略词与符号说明 第一部分: |
| 中国肾综合征出血热的流行特征研究 一、前言 二、材料与方法 三、结果 四、讨论 第二部分: |
| 不同气候带肾综合征出血热的影响因素研究 一、前言 二、材料与方法 三、结果 四、讨论 第三部分: |
| 基于随机森林回归模型对不同气候带肾综合征出血热的预测研究 一、前言 二、材料与方法 三、结果 四、讨论 结论 创新点与局限性 参考文献 致谢 攻读学位期间发表的学术论文 学位论文评阅及答辩情况表 |
（9）基于面板数据模型的肾综合征出血热同动物宿主疫情、气象因素关系的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 英文缩略语 |
| 1 前言 |
| 2 材料与方法 |
| 2.1 资料来源 |
| 2.2 统计分析方法 |
| 2.2.1 空间自相关分析 |
| 2.2.2 面板数据分析 |
| 2.3 统计分析软件 |
| 3 结果 |
| 3.1 2008年1月-2016年12月中国大陆地区各省HFRS发病率分析 |
| 3.1.1 中国大陆地区各省HFRS的基本特征 |
| 3.1.2 中国大陆地区各省空间自相关分析 |
| 3.1.3 中国大陆地区各省面板数据模型分析 |
| 3.2 2010年1月-2015年12月辽宁省沈阳市、葫芦岛市、营口市HFRS发病率分析 |
| 3.2.1 辽宁省沈阳市、葫芦岛市、丹东市、营口市HFRS的基本特征 |
| 3.2.2 辽宁省沈阳市、葫芦岛市、丹东市、营口市的面板数据分析 |
| 3.3 2012年1月-2015年12月山东省青岛市、潍坊市和淄博市HFRS发病率分析 |
| 3.3.1 山东省青岛市、潍坊市和淄博市HFRS的基本特征 |
| 3.3.2 山东省青岛市、潍坊市和淄博市的面板数据分析结果 |
| 3.4 2008年1月-2010年12月湖南省长沙市和郴州市HFRS发病率分析 |
| 3.4.1 湖南省长沙市和郴州市HFRS发病率的基本特征 |
| 3.4.2 湖南省长沙市和郴州市的面板数据分析结果 |
| 4 讨论 |
| 4.1 HFRS发病率特征 |
| 4.2 HFRS发病率的空间自相关性分析 |
| 4.3 面板数据模型分析 |
| 5 结论 |
| 本研究创新性的自我评价 |
| 参考文献 |
| 综述 |
| 参考文献 |
| 实践报告 |
| 攻读学位期间取得的研究成果 |
| 致谢 |
| 个人简历 |
（10）灌云县肾综合征出血热流行现状及危险因素研究（论文提纲范文）
| 中文摘要 |
| Abstract |
| 缩略词表 |
| 前言 |
| 第一章 灌云县2013-2017年HFRS流行特征 |
| 1 资料与方法 |
| 1.1 一般资料 |
| 1.2 研究方法 |
| 2 结果 |
| 2.1 灌云县2013-2017年肾综合征出血热流行概况 |
| 2.2 地区分布 |
| 2.3 时间分布 |
| 2.4 人群分布 |
| 2.4.1 年龄分布 |
| 2.4.2 性别分布 |
| 2.4.3 职业分布 |
| 3 讨论 |
| 第二章 灌云县2015-2017宿主动物情况分析 |
| 1.资料和方法 |
| 1.1 灌云县2015-2017年宿主动物监测 |
| 1.1.1 鼠密度的监测 |
| 1.1.2 鼠带毒率调查 |
| 1.2 灌云县2015年健康人群血清抗体监测 |
| 1.2.1 监测人群 |
| 1.2.2 采样(每组) |
| 1.2.3 血清抗体检测 |
| 1.3 相关指标计算公式 |
| 1.4 统计学分析 |
| 2.结果 |
| 2.1 灌云县2015-2017年宿主动物的监测结果 |
| 2.1.1 鼠种构成及鼠密度 |
| 2.1.2 鼠带毒率 |
| 2.2 灌云县2015年健康人群血清抗体监测 |
| 3 讨论 |
| 3.1 灌云县2015-2017年宿主动物的监测结果 |
| 3.2 灌云县2015年春秋季健康人群血清抗体监测 |
| 第三章 灌云县2015-2017年HFRS危险因素调查 |
| 1.资料和方法 |
| 1.1 研究对象 |
| 1.2 调查方法 |
| 1.3 研究方法 |
| 1.4 质量控制 |
| 2.结果 |
| 2.1 研究因素变量的基本情况 |
| 2.2 单因素条件logistic回归分析 |
| 2.3 多因素条件logistic回归分析 |
| 3 讨论 |
| 建议 |
| 本研究局限性 |
| 参考文献 |
| 附录 1 调查问卷 肾综合征出血热危险因素调查表 |
| 附录 2 血标本采样登记表 |
| 文献综述 |
| 参考文献 |
| 个人简介 |
| 致谢 |
四、山东省2002年肾综合征出血热死亡病例分析（论文参考文献）
- [1]浙江省2005-2020年肾综合征出血热流行趋势分析[J]. 张蓉,张宁,凌锋,刘营,郭颂,施旭光,任江萍,孙继民. 中华流行病学杂志, 2021(11)
- [2]2006—2019年淄博市肾综合征出血热流行特征分析[J]. 王玲,刘芳盈,姜晓林,曹海霞,孙涛,张玲,张云霄,崔峰,王志强. 现代预防医学, 2021(10)
- [3]基于长短期记忆网络模型对辽宁省肾综合征出血热月发病数的时间序列研究[D]. 叶国华. 中国医科大学, 2021(02)
- [4]济南市近15年流行性出血热发病热点及流行特征分析[J]. 王蔚茹,肖冻,赵梦娇,耿兴义. 现代预防医学, 2020(24)
- [5]中国肾综合征出血热流行特征及时空分析模型进展[J]. 陈俊江,国天赐,宋姝璇,邵中军,刘昆. 中华流行病学杂志, 2020(10)
- [6]肾综合征出血热患者进展为重型、危重型的早期危险因素分析及其风险预测模型的构建[D]. 宋宁娟. 南昌大学, 2020(08)
- [7]肾综合征出血热流行的空间分异及风险预测研究[D]. 朱伶俐. 福建师范大学, 2020(12)
- [8]中国不同气候带肾综合征出血热的影响因素及预测模型研究[D]. 曹丽娜. 山东大学, 2020(09)
- [9]基于面板数据模型的肾综合征出血热同动物宿主疫情、气象因素关系的研究[D]. 胡祝敏. 中国医科大学, 2020(01)
- [10]灌云县肾综合征出血热流行现状及危险因素研究[D]. 王新月. 东南大学, 2019(01)