其他分享
首页 > 其他分享> > 从天津百货大楼 5 病例“迷局”见新冠病毒传播路径

从天津百货大楼 5 病例“迷局”见新冠病毒传播路径

作者:互联网

image

天津某百货大楼内部相继出现 5 例新冠肺炎确诊病例,从起初的 3 个病例来看,似乎找不到任何流行病学上的关联性。在这种背景之下,作为技术人员可以通过什么技术来找寻病例之间的联系呢?

摘要

最初,nCoV 新冠病毒的扩散过程是由一个人(节点)向各其他人(节点)扩散的树状结构,但随着病毒的变异和人员交叉感染、“百家宴”、“联欢会”、“春运”等人员聚集,疫情扩散为网状结构。可以使用图数据库来存储相关人员、地理位置、感染时间等数据,本文将使用图数据库 Nebula Graph 作为工具,带大家一起探讨疫情的传播路径,并找到相关的疑似病例。

天津案例简述

下面用 Usr1、Usr2、Usr3、Usr4、Usr5 来代指这 5 例病例,看一下他们的行为轨迹:

Usr1 信息:

下面我们来建立一个传播路径的模型。

nCoV 新冠病的数据分析

以我们现有的资料显示,本次 nCoV 的传播路径为人传人(图 Demo1),即一个点通过特定访问路径连接到一个点。单个节点看来传播路径为一个树形结构(图 Demo2)——确诊病人 A 感染 B,B 再感染 C,C 再感染 D…。根据现在疫情传播情况,存在多个确诊病人,所以整个传播链路呈网状结构(图 Demo3)。而无论是树形结构还是网状结构都很适合用图(网络)这种数据结构来存储、查询和分析。

image

图模型

在建模之前我们需要清楚人和人之间的关系载体是什么?根据现有的病例信息,我们知道 A 和 B 会的接触场景最常见的是:同一个时间段逗留在某个相同的空间。这也是本次疫情筛选需隔离人群的重要指标:是否和确诊 / 疑似病例在酒店、火车、超市有过密切接触。

image

可见最小模型中有两类节点 Person 和 Space ,关系为 stay 。最小模型有了,那么我们需要 Person 和 Space 的什么信息呢?

Person 类型节点的属性:

Space 类型节点的属性:

image

我们构建完 Person 和 Space 的模型之后,再构建人和位置之间的关系:

在 stay 关系上,记录有逗留的起始时间终止时间。这样就可以帮助我们判断两个人是否有过时间和空间上的交集。

天津案例的建模

构建完最小模型之后,我们来分析一下天津病例中的信息,将模型应用在这个案例中。并通过图数据库 Nebula Graph 构建病例间关系、找寻病例1 的发病原因——病例1 怎么被传染的,及病例1 确诊后我们需要观察/隔离哪些人

整个模型的示意如下:

image

数据录入

Usr1:

Usr2:

Usr3:

Usr4:

Usr5:

将它导入到 NebulaGraph 中, 建立人和空间之间的关系。这里以 Usr1 的轨迹为例,其余几份病例类似。

-- 插入 Usr1
INSERT VERTEX person(ID, HealthStatus, SickTime) VALUES 1:(2020020201, ‘Sick’, '2020-01-24'); 
-- 插入 位置 “天津百货大厦 A 区”
INSERT VERTEX place(name) VALUES 101:("天津百货大厦 A 区")
-- Usr1 到 “天津百货大厦 A 区”
INSERT EDGE stay (start_time, end_time) VALUES 1 -> 101: ('2020-01-23 12:00:00', '2020-01-23 18:00:00')
-- 插入 位置 “天津市和平区 A 小区”
INSERT VERTEX place(name) VALUES 102:("天津市和平区 A 小区")
-- Usr1 回家
INSERT EDGE stay (start_time, end_time) VALUES 1 -> 102: ('2020-01-23 18:00:00', '2020-01-24 8:00:00')

病例数据分析

数据导入后,让我们一步步揭开病例1 被感染之谜:

1. 查询 Usr1 在 1 月 23 日 15 点至 23 点之间去过哪里

$PlaceUsr1Goto = GO FROM 1 OVER stay WHERE stay.start_time > '2020-01-23 15:00:00' AND 
stay.start_time < '2020-01-23 23:00:00'
YIELD stay._dst AS placeid

2. 查询这段时间 Usr1 是否接触过任何(已发病的)病例

GO FROM $PlaceUsr1Goto OVER stay REVERSELY WHERE $$.person.HealthStatus == 'Sick' 
   AND $$.person.SickTime <= "2020-01-23"

很奇怪,在 Usr1 发病的时候(2020-01-24),他接触的人群里面并没有发热患者。那会不会是这些人又接触过其他的患者呢(从而成为携带者),让我们继续分析。

3. 查询这些人又接触过谁

$PersonUsr1Meet = GO FROM $PlaceUsr1Goto OVER stay REVERSELY YIELD stay._dst AS id
$PlaceThosePersonGoto = GO FROM $PersonUsr1meet.id OVER stay YIELD stay.start_time AS start
    stay.end_time AS end
GO FROM $PlaceThosePersonGoto.id FROM stay REVERSELY 
    WHERE $$.person.HealthStatus == 'Sick'
    AND $$.person.SickTime <= "2020-01-23"  -- 在此之前已经发病
    stay.start_time > $PlaceTHosePersonGoto.start 
    AND stay.end_time < $PlaceThosePersonGoto.end  -- 并且有过接触

我们发现,虽然 Usr1 在 1 月 23 日 12 点到 1 月 24 日 8 点之间接触的人(Usr2, Usr5)都还没有发热,但是 Usr5 却在之前接触过发热病人 Usr4。至此,我们找到了这条传播链路:

Usr4 在 1 月 21 日发病。发病后,他仍前往天津南开区某火锅店(1 月 23 日 11 点- 20 点)。在这里,他接触到(当时健康的)Usr5(1 月 23 日 11 点-15 点)。在接触过程中使得 Usr5 成为一个携带者。之后 Usr5 前往天津百货大厦 A、B、C 区( 1 月 23 日 16 - 23 点),在这段时间内,他将病毒传染给在 A 区上班的 Usr1(1 月 23 日 12 点 - 18 点)。最终 Usr1 在 1 月 24 日发病。

4. 之后排查需要隔离哪些人

Usr1 确诊之后,我们需要查看她在哪些时候到过哪些地方。而对应这个时间段相同地点内,又有哪些人同她接触。 我们判断这些亲密接触者,需要重点隔离和观察。

GO FROM 1 OVER stay YIELD stay.start_time AS usr1_start, 
stay.end_time AS usr1_end, stay._dst AS placeid
| GO FROM $placeid OVER stay REVERSELY WHERE 
stay.start_time > usr1_start AND stay.start_time < usr1_end
YIELD $$.person.ID

可以发现 Usr1 和 Usr2 在天津市和平区 A 小区有过交集,这使得 Usr2 需要被重点观察。

传播路径可视化展示

上面这段分析过程,也可以使用图形化界面的方式来交互分析,这样更加直观。

image

当然,如果有非常大批量的关注点(例如上千万离开湖北的潜在人员和他们的二次三次传播轨迹),通过批量程序查询的方式会更加高效。

小结

由于春节返乡和一些不可描述的影响,导致冠状病毒的大面积扩散。从报道和社交媒体上可以看到,各个社区、村庄、企业都采用了相当严格的隔离措施,要求个人每日汇报行踪和健康状态,并密切跟踪从疫区来的人员。这样十几亿人的隔离和追踪需要极大的人力物力和动员能力,充分体现了“集中力量办大事”的制度优越性。

但另外一方面,这样的自我申报和层层统计,非常依赖个人的自觉,也依赖于汇报体系的响应速度。特别是当生死攸关(或者一刀切的歧视政策)的时候,个人反而有很强的动机隐瞒过去的行为和病史,导致未能得到及时的隔离和救治,也极大的影响了需要专业分工合作的现代经济生产活动。

另外一方面,随着大数据技术的发展和智能设备的普及,使得安防、运营商、交通、医疗部门的数据体系已经建立的较为全面。

在天津这个案例中,只选取了少数几个病例和场所作为示意,我们相信如果能够结合前述数据体系,并通过采用新的大数据和人工智能技术,能够极大提高定位和隔离疑似患者的速度,大大减少各种“有效人传人”和“超级毒王”的发生,减少一线医疗和社区工作人员的压力。也能降低全社会的全面隔离时间,尽快恢复经济活动。

image

image

参考资料

标签:00,23,迷局,病毒传播,stay,start,新冠,time,Usr1
来源: https://www.cnblogs.com/nebulagraph/p/12272031.html