簡介SaTScan 中文說明書面向公共衛(wèi)生、流行病學(xué)與空間統(tǒng)計(jì)方向的研究人員和學(xué)生解決英文文檔閱讀門檻高、軟件上手困難的問題。SaTScan 是一款自由軟件通過空間、時(shí)間及時(shí)空掃描統(tǒng)計(jì)用于地理疾病監(jiān)測、疾病集群檢測與統(tǒng)計(jì)顯著性評估也可應(yīng)用于考古、生態(tài)、犯罪學(xué)等領(lǐng)域的聚集性分析。說明書系統(tǒng)梳理了離散與連續(xù)掃描數(shù)據(jù)的處理方式涵蓋泊松模型、伯努利模型、時(shí)空置換模型、多項(xiàng)式與序模型、指數(shù)模型及空間變化時(shí)間趨勢模型并說明如何調(diào)整背景人口、納入?yún)f(xié)變量與處理數(shù)據(jù)缺失。資源包為1個doc文檔約485KB內(nèi)容緊湊便于檢索與打印。目前已有2805人學(xué)習(xí)下載讀者可借此快速理解軟件原理、模型選擇依據(jù)與參數(shù)含義為疾病早期發(fā)現(xiàn)和異常聚集預(yù)警提供方法支撐。1. 空間流行病學(xué)里的“顯微鏡”SaTScan 中文說明書能幫你解決什么如果你手頭有一份縣級或鄉(xiāng)鎮(zhèn)級的疾病發(fā)病數(shù)據(jù)領(lǐng)導(dǎo)問你“這幾個高發(fā)區(qū)域到底是不是巧合”你大概率需要 SaTScan。它做的事情很具體用空間掃描統(tǒng)計(jì)、時(shí)間掃描統(tǒng)計(jì)或時(shí)空掃描統(tǒng)計(jì)判斷疾病在空間、時(shí)間或時(shí)空維度上是否存在統(tǒng)計(jì)學(xué)顯著的聚集。換句話說它把“看起來多”變成“顯著地多”。這份中文說明書的價(jià)值在于它把原本散落在英文幫助文檔、示例數(shù)據(jù)集和統(tǒng)計(jì)論文里的操作邏輯整理成了能照著走的流程。適合公共衛(wèi)生監(jiān)測人員、流行病學(xué)研究者、生態(tài)與犯罪學(xué)等跨領(lǐng)域分析者以及需要復(fù)現(xiàn)空間聚集分析的學(xué)生。你不需要先成為統(tǒng)計(jì)學(xué)家但需要知道自己的數(shù)據(jù)長什么樣、該選哪個概率模型。2. 概率模型怎么選從數(shù)據(jù)類型反推掃描統(tǒng)計(jì)模型SaTScan 的模型選擇不是拍腦袋而是由你的數(shù)據(jù)形態(tài)決定的。說明書里把離散掃描和連續(xù)掃描分開講又把離散掃描細(xì)分成泊松、伯努利、時(shí)空置換、多項(xiàng)式、序、指數(shù)、正態(tài)等模型。選錯模型結(jié)果不是“不準(zhǔn)”而是根本不可解釋。2.1 離散掃描與連續(xù)掃描的分界線離散掃描統(tǒng)計(jì)假設(shè)觀測位置是固定的、非隨機(jī)的。比如你手里有各縣的病例數(shù)和人口數(shù)縣的地理位置就是固定的格點(diǎn)你關(guān)心的是病例數(shù)在格點(diǎn)上的分布是否隨機(jī)。連續(xù)掃描統(tǒng)計(jì)則假設(shè)觀測位置本身是隨機(jī)的可能出現(xiàn)在研究區(qū)域內(nèi)的任何地方。比如你在一個方形森林樣地里記錄鳥巢坐標(biāo)鳥巢可能出現(xiàn)在任何位置你關(guān)心的是這些點(diǎn)是否獨(dú)立隨機(jī)分布。判斷標(biāo)準(zhǔn)很簡單如果你的數(shù)據(jù)已經(jīng)聚合到行政區(qū)劃、普查區(qū)、郵編區(qū)用離散掃描如果你有的是個體級別的精確坐標(biāo)且研究區(qū)域是一個連續(xù)的地理范圍用連續(xù)掃描。說明書里提到的連續(xù)泊松模型就是為后者準(zhǔn)備的。2.2 泊松、伯努利與時(shí)空置換模型的適用場景泊松模型適合“病例數(shù) 背景人口”的數(shù)據(jù)結(jié)構(gòu)。比如某縣某年某年齡組的發(fā)病人數(shù)和對應(yīng)人口數(shù)。零假設(shè)下每個區(qū)域的預(yù)期病例數(shù)與該區(qū)域人口成正比。說明書里的新墨西哥腦腫瘤數(shù)據(jù)集就是典型病例文件記錄各縣各年齡組各性別的病例數(shù)人口文件記錄對應(yīng)的人口數(shù)坐標(biāo)文件記錄各縣的直角坐標(biāo)。伯努利模型適合 0/1 數(shù)據(jù)也就是每個觀測要么是病例要么是對照。比如兒童白血病研究中病例是確診兒童對照是隨機(jī)選取的出生登記兒童。說明書里的亨伯賽德數(shù)據(jù)集就是純空間伯努利模型病例文件和對照文件分開坐標(biāo)文件記錄每個位置標(biāo)識的坐標(biāo)。時(shí)空置換模型只需要病例數(shù)據(jù)不需要對照或背景人口。它通過置換病例的時(shí)空位置來評估聚集顯著性。說明書里的紐約市發(fā)熱急診數(shù)據(jù)集就是時(shí)空置換模型記錄郵編、病例數(shù)、日期坐標(biāo)文件記錄郵編對應(yīng)的經(jīng)緯度。這個模型會自動調(diào)整純空間和純時(shí)間聚集所以沒有純時(shí)間或純空間版本。2.3 多項(xiàng)式、序、指數(shù)與正態(tài)模型的特殊要求多項(xiàng)式模型用于分類數(shù)據(jù)每個病例屬于多個類別之一。比如腦膜炎病例按五個不同克隆物分類掃描統(tǒng)計(jì)同時(shí)尋找任何類別或類別組合的聚集。序模型用于有序分類數(shù)據(jù)比如乳腺癌早期、中期、晚期。如果只有兩個類別序模型等價(jià)于伯努利模型。序模型可以搜索高值聚集、低值聚集或同時(shí)搜索兩者。指數(shù)模型用于生存時(shí)間數(shù)據(jù)。每個病例有一個連續(xù)變量診斷到死亡或刪失的時(shí)間和一個 0/1 刪失指示變量。說明書特別提醒時(shí)空指數(shù)模型里有兩個時(shí)間變量一個是診斷時(shí)間掃描窗口掃描的維度另一個是生存時(shí)間病例的屬性不參與掃描。正態(tài)模型用于連續(xù)數(shù)據(jù)比如出生體重。如果每個區(qū)域的觀測值是基于不同樣本量的均值需要用加權(quán)正態(tài)模型權(quán)重可以是樣本量或方差的倒數(shù)。提示模型選擇錯誤是新手最常見的翻車點(diǎn)。拿到數(shù)據(jù)先問自己三個問題位置是固定的還是隨機(jī)的有沒有背景人口結(jié)果是計(jì)數(shù)、0/1、分類、有序、生存時(shí)間還是連續(xù)值答案會直接鎖定模型。3. 數(shù)據(jù)文件準(zhǔn)備cas、pop、geo、ctl 四類文件的格式與生成SaTScan 的數(shù)據(jù)輸入靠幾個純文本文件病例文件.cas、人口文件.pop、坐標(biāo)文件.geo、對照文件.ctl。說明書里給出了每個示例數(shù)據(jù)集的格式但實(shí)際項(xiàng)目中你往往需要自己從 Excel 或數(shù)據(jù)庫導(dǎo)出。這一章把格式規(guī)則拆開并給出可復(fù)用的 Python 轉(zhuǎn)換腳本。3.1 病例文件與人口文件的列順序病例文件的格式取決于模型。以離散泊松模型為例說明書里的 nm.cas 格式是縣 病例數(shù)1 年齡組 性別。注意這里的病例數(shù)如果是 1表示該行代表一個病例如果是聚合數(shù)據(jù)則寫實(shí)際病例數(shù)。人口文件 nm.pop 格式是縣 年 人口 年齡組 性別。年份、年齡組、性別這些變量必須與病例文件中的變量一一對應(yīng)。伯努利模型的病例文件和對照文件分開。nhumberside.cas 格式是位置編號 病例數(shù)nhumberside.ctl 格式是位置標(biāo)識 對照數(shù)。坐標(biāo)文件 nhumberside.geo 格式是位置標(biāo)識 x y。時(shí)空置換模型的 nycfever.cas 格式是郵編 病例數(shù)1 日期坐標(biāo)文件格式是郵編 緯度 經(jīng)度。注意這里沒有人口文件因?yàn)槟Ｐ筒恍枰尘叭丝凇?.2 坐標(biāo)文件的坐標(biāo)系與精度坐標(biāo)文件支持直角坐標(biāo)和經(jīng)緯度。說明書里的新墨西哥數(shù)據(jù)集用直角坐標(biāo)紐約發(fā)熱數(shù)據(jù)集用經(jīng)緯度。經(jīng)緯度坐標(biāo)要注意SaTScan 內(nèi)部會把經(jīng)緯度轉(zhuǎn)換為球面距離所以不要自己先投影成平面坐標(biāo)再輸入除非你明確知道自己在做什么。直角坐標(biāo)則要求 x 和 y 的單位一致比如都是米或都是千米。坐標(biāo)精度方面說明書里的示例數(shù)據(jù)精確到縣、郵編或具體地點(diǎn)。實(shí)際項(xiàng)目中如果你用的是個體坐標(biāo)注意不要引入隱私泄露風(fēng)險(xiǎn)。常見做法是聚合到普查區(qū)或郵編區(qū)或者對坐標(biāo)加隨機(jī)偏移。3.3 用 Python 把 Excel 轉(zhuǎn)成 SaTScan 輸入文件下面這個腳本把一份包含縣、年、年齡組、性別、病例數(shù)、人口數(shù)的 Excel 表拆成 nm.cas、nm.pop、nm.geo 三個文件。假設(shè) Excel 里有county、year、age_group、sex、cases、population、x、y這些列。import pandas as pd # 讀取原始數(shù)據(jù) df pd.read_excel(raw_data.xlsx) # 病例文件縣、病例數(shù)、年齡組、性別 cas df[[county, cases, age_group, sex]].copy() cas.columns [county, cases, age_group, sex] cas.to_csv(nm.cas, sep , indexFalse, headerFalse) # 人口文件縣、年、人口、年齡組、性別 pop df[[county, year, population, age_group, sex]].copy() pop.columns [county, year, population, age_group, sex] pop.to_csv(nm.pop, sep , indexFalse, headerFalse) # 坐標(biāo)文件縣、x、y每個縣只保留一行 geo df[[county, x, y]].drop_duplicates(subset[county]) geo.columns [county, x, y] geo.to_csv(nm.geo, sep , indexFalse, headerFalse) print(文件已生成nm.cas, nm.pop, nm.geo)邏輯說明病例文件保留每個縣、每個年齡組、每個性別的病例數(shù)人口文件保留對應(yīng)的人口數(shù)坐標(biāo)文件按縣去重因?yàn)槊總€縣只有一個地理坐標(biāo)。參數(shù)方面sep 表示用空格分隔headerFalse表示不寫列名這是 SaTScan 要求的純文本格式。如果你的數(shù)據(jù)里病例數(shù)是聚合的cases列直接寫總數(shù)如果是個體數(shù)據(jù)每行寫 1。注意SaTScan 對空格和制表符敏感。如果生成的文件用逗號分隔導(dǎo)入時(shí)會報(bào)錯。建議用sep 或sep\t并在文本編輯器里確認(rèn)列對齊。4. 避坑與排查參數(shù)文件、時(shí)間精度和模型誤用的血淚經(jīng)驗(yàn)這一章記錄的是實(shí)際跑 SaTScan 時(shí)最容易翻車的幾個點(diǎn)。說明書里不會把這些寫成“常見問題”但每個做過空間聚集分析的人大概都踩過。4.1 參數(shù)文件選錯導(dǎo)致結(jié)果完全不可解釋現(xiàn)象打開保存的會話后選了一個參數(shù)文件跑出來的聚集區(qū)域和預(yù)期完全不符。原因參數(shù)文件里綁定了模型類型、時(shí)間精度、掃描窗口大小等關(guān)鍵設(shè)置。如果你用泊松模型的參數(shù)文件去跑伯努利數(shù)據(jù)軟件可能不報(bào)錯但結(jié)果沒有意義。解決每次新建分析時(shí)從“新建會話”開始逐步選擇模型、導(dǎo)入數(shù)據(jù)、設(shè)置參數(shù)不要直接套用別人的參數(shù)文件。如果要用現(xiàn)成的先檢查參數(shù)文件里的模型類型和你的數(shù)據(jù)是否匹配。4.2 時(shí)間精度設(shè)置不當(dāng)導(dǎo)致掃描窗口錯位現(xiàn)象時(shí)空分析中聚集的時(shí)間范圍看起來不對或者軟件提示時(shí)間單位錯誤。原因SaTScan 要求指定時(shí)間精度比如年、月、日。說明書里的新墨西哥數(shù)據(jù)集用“年”作為病例時(shí)間精度紐約發(fā)熱數(shù)據(jù)集用“天”。如果你把日度數(shù)據(jù)設(shè)成年精度軟件會把同一天的數(shù)據(jù)合并掃描窗口也會按年滑動。解決導(dǎo)入數(shù)據(jù)后在時(shí)間精度設(shè)置里選擇與數(shù)據(jù)實(shí)際粒度一致的單位。如果不確定先看病例文件里的日期列格式是1973還是2001/11/01。4.3 坐標(biāo)文件與病例文件的位置標(biāo)識不匹配現(xiàn)象軟件提示“位置標(biāo)識在坐標(biāo)文件中找不到”或類似錯誤。原因病例文件里的位置標(biāo)識如縣名、郵編和坐標(biāo)文件里的標(biāo)識不一致可能是大小寫、空格、編碼問題。解決用腳本檢查兩個文件的標(biāo)識集合是否完全一致。下面這段代碼可以快速比對。import pandas as pd cas pd.read_csv(nm.cas, sep , headerNone, names[county, cases, age, sex]) geo pd.read_csv(nm.geo, sep , headerNone, names[county, x, y]) cas_ids set(cas[county].astype(str).str.strip()) geo_ids set(geo[county].astype(str).str.strip()) print(病例文件有但坐標(biāo)文件沒有, cas_ids - geo_ids) print(坐標(biāo)文件有但病例文件沒有, geo_ids - cas_ids)邏輯說明str.strip()去掉首尾空格astype(str)統(tǒng)一轉(zhuǎn)成字符串再比較。如果輸出非空就需要手動修正標(biāo)識。4.4 時(shí)空置換模型用于多年數(shù)據(jù)導(dǎo)致 P 值有偏現(xiàn)象用時(shí)空置換模型分析跨越好幾年的數(shù)據(jù)結(jié)果出現(xiàn)大量顯著聚集但仔細(xì)看是人口增長導(dǎo)致的。原因說明書里明確警告時(shí)空置換模型只使用病例數(shù)據(jù)如果研究期間不同地區(qū)的人口增長速率不同病例數(shù)的增加可能僅僅是因?yàn)槿丝谠黾佣皇羌膊★L(fēng)險(xiǎn)增加。解決如果研究期間超過一年盡量用泊松模型并提供逐年人口數(shù)據(jù)。如果必須用時(shí)空置換模型把研究期間限制在一年以內(nèi)或者在結(jié)果解釋時(shí)格外謹(jǐn)慎。4.5 正態(tài)模型未加權(quán)導(dǎo)致小樣本區(qū)域被過度放大現(xiàn)象用正態(tài)模型分析各區(qū)域的平均出生體重小樣本區(qū)域出現(xiàn)極端值導(dǎo)致假聚集。原因標(biāo)準(zhǔn)正態(tài)模型假設(shè)每個觀測的方差相同但小樣本區(qū)域的均值方差更大。說明書里建議用加權(quán)正態(tài)模型權(quán)重設(shè)為樣本量或方差倒數(shù)。解決在輸入文件里增加一列權(quán)重權(quán)重與樣本量成正比。如果所有觀測權(quán)重相同加權(quán)模型退化為標(biāo)準(zhǔn)模型。5. 從跑通示例到產(chǎn)出可解釋結(jié)果一個完整的驗(yàn)證習(xí)慣跑通說明書里的示例數(shù)據(jù)集只是第一步。真正要交付的是可解釋、可復(fù)現(xiàn)的分析結(jié)果。我一般會按下面的順序走一遍確保每一步都有據(jù)可查。5.1 用示例數(shù)據(jù)驗(yàn)證軟件安裝與參數(shù)理解安裝完 SaTScan 后先打開軟件點(diǎn)擊“打開保存的會話”選擇說明書里提到的參數(shù)文件比如納米帶寶對應(yīng)的泊松模型參數(shù)文件。跑完后看輸出窗口里的聚集列表、對數(shù)似然比、P 值。如果這些數(shù)字和說明書里的示例結(jié)果一致說明軟件安裝和參數(shù)理解沒問題。如果結(jié)果不一致檢查數(shù)據(jù)文件是否被修改過或者參數(shù)文件里的路徑是否指向了錯誤的數(shù)據(jù)文件。5.2 用敏感性分析確認(rèn)聚集不是參數(shù)偶然確定主分析參數(shù)后做幾組敏感性分析。比如把最大掃描窗口從 50% 人口改成 30% 或 10%看聚集區(qū)域是否穩(wěn)定。如果聚集區(qū)域隨窗口大小劇烈變化說明結(jié)果不穩(wěn)健。另一個敏感性分析是換模型泊松模型和時(shí)空置換模型都跑一遍看哪些聚集在兩個模型下都顯著。說明書里提到時(shí)空置換模型會自動調(diào)整純空間和純時(shí)間聚集所以它可以作為泊松模型的補(bǔ)充驗(yàn)證。5.3 輸出結(jié)果的解讀與報(bào)告寫法SaTScan 的輸出包括聚集區(qū)域的位置標(biāo)識、半徑、病例數(shù)、預(yù)期病例數(shù)、相對風(fēng)險(xiǎn)、對數(shù)似然比和 P 值。報(bào)告時(shí)不要只寫“發(fā)現(xiàn)了顯著聚集”要寫清楚在哪個時(shí)間范圍內(nèi)、哪個地理區(qū)域、聚集了多少病例、預(yù)期多少、相對風(fēng)險(xiǎn)多少、P 值多少。如果用了多個模型說明哪個模型是主分析哪個是敏感性分析。如果聚集區(qū)域跨越多個行政區(qū)用地圖可視化會更直觀但注意不要泄露個體隱私。5.4 我每次跑 SaTScan 都會強(qiáng)制走一遍的檢查清單從那以后我每次跑 SaTScan 都強(qiáng)制走一遍這個清單第一確認(rèn)病例文件、人口文件、坐標(biāo)文件的位置標(biāo)識完全一致第二確認(rèn)時(shí)間精度與數(shù)據(jù)粒度匹配第三確認(rèn)模型類型與數(shù)據(jù)類型匹配第四跑一遍示例數(shù)據(jù)驗(yàn)證軟件狀態(tài)第五做至少兩組敏感性分析第六輸出結(jié)果里同時(shí)保留對數(shù)似然比和 P 值不只看 P 值。這套習(xí)慣幫我省掉了至少三次返工。希望幫到你。本文還有配套的精品資源點(diǎn)擊獲取