SARS流行病模型及其對未來走勢的預(yù)測

1/1SARS流行病模型及其對未來走勢的預(yù)測SARS流行病模型及其對未來走勢的預(yù)測摘要SARS是21世紀(jì)第一個在世界范圍內(nèi)傳播的疾病，它的爆發(fā)和蔓延給我國的經(jīng)濟(jì)發(fā)展和人民生活帶來了巨大影響，因此定量地研究傳染病的傳播規(guī)律具有十分重要的意義。

本文在一系列合理假設(shè)的基礎(chǔ)上，通過對問題的詳細(xì)分析，首先對于附件（1）中的模型給予客觀公正的評價。

該模型簡單明了，具有一定的合理性和實(shí)用性，但是又存在很多的缺陷，具有一定的片面性，對影響SARS疫情傳播的因素考慮的不夠全面。

在此基礎(chǔ)上，我們提出了SIR模型，該模型將某一地區(qū)的人們看作一個動力系統(tǒng)，再將其劃分為易感染者、患病者和移出者，通過建立微分方程組來加以解決。

在此模型中，我們考慮了個體的免疫率、死亡率以及被感染者的康復(fù)率等因素。

為了驗(yàn)證模型、算法的正確性和有效性，通過計算機(jī)模擬，對北京、內(nèi)蒙古、廣東、河北、山西各地的SARS疫情進(jìn)行擬和，并給出了我們的預(yù)測數(shù)據(jù)，結(jié)果表明我們的模型與實(shí)際情況相當(dāng)?shù)奈呛稀?/p>

另外，我們還分別針對得病后入院時間以及隔離強(qiáng)度的不同，對SARS疫情傳播所造成的影響做出估計，其結(jié)果表明：

SARS病人1.5天后入院與2天后入院相比，SARS發(fā)病總?cè)藬?shù)可能會減少1500人，SARS疫情得到控制的時間可能會提前1個月；而得病1.5天后入院與2.5天后入院相比，SARS發(fā)病總?cè)藬?shù)可能會減少2400人，SARS疫情得到控制的時間可能會提前1個半月；隔離措施強(qiáng)度60%與50%相比，SARS發(fā)病總?cè)藬?shù)可能會減少700人，SARS疫情得到控制的時間可能會提前半個月；隔離措施強(qiáng)度60%與隔離措施強(qiáng)度40%相比，SARS發(fā)病總?cè)藬?shù)可能會減少1100人，SARS疫情得到控制的時間可能會提前1個月。

一、問題的重述一、問題的重述SARS（SevereAcuteRespiratorySyndrome，嚴(yán)重急性呼吸道綜合癥,俗稱：

非典型性肺炎）是21世紀(jì)第一個在世界范圍內(nèi)傳播的傳染病。

SARS的爆發(fā)和蔓延給我國的經(jīng)濟(jì)發(fā)展和人民生活帶來了很大影響，我們從中得到了許多重要的經(jīng)驗(yàn)和教訓(xùn)，認(rèn)識到定量地研究傳染病的傳播規(guī)律，為預(yù)測和控制傳染病蔓延創(chuàng)造條件的重要性。

請對SARS的傳播建立數(shù)學(xué)模型，具體要求如下：

（1）對附件1所提供的一個早期的模型，評價其合理性和實(shí)用性。

（2）建立你們自己的模型，說明為什么優(yōu)于附件1中的模型；特別要說明怎樣才能建立一個真正能夠預(yù)測以及能為預(yù)防和控制提供可靠、足夠的信息的模型，這樣做的困難在哪里？對于衛(wèi)生部門所采取的措施做出評論，如：

提前或延后5天采取嚴(yán)格的隔離措施，對疫情傳播所造成的影響做出估計。

（3）給當(dāng)?shù)貓罂瘜懸黄ㄋ锥涛?，說明建立傳染病數(shù)學(xué)模型的重要性。

二、已有模型的分析對于附件1中的模型，我們可以很直觀地看出，此模型簡單明了，沒有涉及到太多的變量和參數(shù)，讀者很容易理解。

模型不但包括了每個病人可以傳染他人的期限L，而且還考慮了不同階段、不同環(huán)境下傳染概率的變化，并對香港和廣東的疫情進(jìn)行計算和分析，其結(jié)果論證了該模型具有一定的合理性。

為了便于分析，其假定參數(shù)L為20天，此時該模型能較準(zhǔn)確地反映出香港疫情的變化趨勢。

用此模型對廣東疫情進(jìn)行測算時也較準(zhǔn)確地反映了疫情上升期間的趨勢，但在隨后的下降過程中反映的數(shù)據(jù)卻與實(shí)際情況有一定出入，這可能與后期廣東對SARS疫情的預(yù)防或控制狀況有一定的關(guān)系，需要更進(jìn)一步的分析。

經(jīng)過對廣東及香港兩地的疫情的計算和分析，他們又利用該模型來計算和預(yù)測北京地區(qū)的病例情況，發(fā)現(xiàn)其預(yù)測結(jié)果與實(shí)際情況大致相同，且基本上能夠反映疫情的走勢。

從文中的實(shí)際數(shù)據(jù)和模擬結(jié)果的對比情況來看，該模型比較合理地反映了上述三處的SARS疫情，并對后期的實(shí)際操作及預(yù)防起到了一定的作用。

但是我們看到，該模型還是存在著某些不足。

比如期限L被固定在20天，這就有了一定的局限性，因?yàn)殡S著社會的重視程度及醫(yī)療水平的不斷提高，還有其它諸多因素的影響，期限L將會縮短，而不是一個恒定不變的值；另外該模型考慮的影響SARS流行病的因素較少，從而導(dǎo)致其未能反映出一些必要的數(shù)據(jù)，比如病人的康復(fù)數(shù)及康復(fù)率等等。

因此在此基礎(chǔ)上，經(jīng)過合理的假設(shè)和必要的分析，我們提出了如下的SIR模型：

三、SIR模型的建立及求解大多數(shù)流行病如天花、肝炎、麻疹等治愈后有很強(qiáng)的免疫力，它們已退出傳染系統(tǒng)。

嚴(yán)重的急性呼吸道綜合癥SARS就是21世紀(jì)出現(xiàn)的第一個既嚴(yán)重且又易于傳播的疾病。

但是它又不同于其他傳染病，它引起了社會的極大恐慌，并造成社會運(yùn)作方式發(fā)生相應(yīng)的變化，因此其本質(zhì)已經(jīng)超出了一般傳染病的發(fā)展規(guī)律。

但在政府、各單位以及每個公民的共同努力下，如傳染者與其他人接觸率的減少、改進(jìn)醫(yī)院的控制措施、患者接觸的檢疫以及公眾自動減少的接觸等有效措施的實(shí)行，必然使非典疫情的發(fā)展?jié)M足更一般意義的規(guī)律。

因此，我們結(jié)合SARS流行病的特點(diǎn)，建立SARS流行病動力學(xué)的SIR模型[2]。

我們將人群分為易感染者（Susceptible）、患病者（Infectious）、移出者（Removed）。

所謂易感染者是那些健康且與病人接觸過就容易感染疾病的人，他們中的一部分可能轉(zhuǎn)化為患病者；患病者是那些能夠?qū)⒓膊魅窘o易感染者的人，在一定期限內(nèi)（感染階段），他們?nèi)詫儆诨疾≌?；移出者則包括已治愈的患病者和死亡者[3]，我們可以通過圖1來表示他們之間的轉(zhuǎn)化關(guān)系：

圖1.SIR模型中各群體間的相互轉(zhuǎn)換圖1.SIR模型中各群體間的相互轉(zhuǎn)換各類t時刻的人數(shù)分別用tS、tI、tR表示，且t時刻因病死亡人數(shù)也屬于移出者一類。

若用t表示t時刻人口總規(guī)模，則有：

tNtRtEtS假設(shè)每個個體都具有因感染SARS而死去的相同的死亡率；單位時間內(nèi)每個患者傳染的人數(shù)為kIS（非線性傳染率），其中k為大于0的常數(shù)；一個易受感染者在與病人進(jìn)行有效接觸后立即被感染且被感染后的康復(fù)率；患者病愈后具有一定的免疫能力，其免疫率為h。

我們再假設(shè)只考慮因SARS死亡、康復(fù)的人，而不考慮人的自然出生與自然死亡人數(shù)（因數(shù)據(jù)不全，且影響?。?，則NtRtEtS（常數(shù)）由此我們得出帶有免疫率的SARS流行病的數(shù)學(xué)模型為：

tRtItStNRhIdtdRIhIkISdtdINBrRSIkISdtdS)()()()()(（1）其中NB為出生率，它是總?cè)丝跀?shù)N的函數(shù)，初值0S=0S＞0，00II＞0，00R，Tt,0，T為流行病的流行時間。

若假定出生率等于死亡率，即RISN保持不變，記為0N，則0NNB，從（1）式中消去S可得：

RIdtdRIhRINkIdtdI)()()(02（2）相對于附件（1）中的模型，我們的模型較全面地考慮了影響SARS的因素，包括復(fù)發(fā)率、感染率、免疫率等。

為了進(jìn)一步驗(yàn)證模型的合理性和有效性，我們根據(jù)世界衛(wèi)生組織、中國衛(wèi)生部以及香港衛(wèi)生署等公布的疫情數(shù)據(jù)（包括確診數(shù)、死亡數(shù)和出院人數(shù)），通過計算機(jī)，利用MatLab語言[5]（程序詳見附錄一），對北京、內(nèi)蒙古、廣東、河北、山西各地的SARS疫情進(jìn)行擬和，并給出了我們的預(yù)測數(shù)據(jù)（詳見附錄二、三）。

擬和結(jié)果表明我們的模型與實(shí)際情況相當(dāng)?shù)奈呛?，以下是各地區(qū)的疫情變化曲線圖：

4月20日至7月1日北京SARS累計感染人數(shù)曲線圖4月20日至7月1日內(nèi)蒙古SARS累計出院人數(shù)曲線圖4月25日至7月14日廣東SARS累計出院人數(shù)曲線圖4月25日至7月14日廣東SARS累計感染人數(shù)曲線圖4月21日至7月1日河北SARS累計確診人數(shù)曲線圖4月21日至7月1日山西SARS累計死亡人數(shù)曲線圖為了建立一個真正能夠預(yù)測以及能為預(yù)防和控制提供可靠、足夠信息的模型，我們收集了SARS發(fā)病較嚴(yán)重的部分地區(qū)的資料，其難點(diǎn)是：

(1)數(shù)據(jù)收集相當(dāng)困難，而且我們根本無法保證其可靠性;(2)為了使模型的參數(shù)盡量符合實(shí)際，我們從多方面加以考慮，但其困難在于程序的調(diào)試比較麻煩,而且我們無法保證模擬時數(shù)據(jù)的選擇是否合理。

四、評價與分析政府的措施我們選擇得病后入院時間變化的模擬分析和隔離措施強(qiáng)度兩個參數(shù)疫情傳播所造成的影響做出估計。

1、得病后入院時間變化的模擬分析在SIE模型其他參數(shù)不變的情況下，我們針對得病后入院時間的不同，在得病后入院時間為1.5天、2.0天與2.5天情況下，對模型進(jìn)行模擬，得到三種不同的曲線，圖形如下：

得病后入院時間不同的SARS發(fā)病總?cè)藬?shù)曲線圖對上述的三條曲線進(jìn)行分析，可獲得：

SARS病人1.5天后入院與2天后入院相比，SARS發(fā)病總?cè)藬?shù)可能會減少1500人，SARS疫情得到控制的時間可能會提前1個月；而SARS病人1.5天后入院與2.5天后入院相比，SARS發(fā)病總?cè)藬?shù)可能會減少2400人，SARS疫情得到控制的時間可能會提前1個半月。

2、隔離強(qiáng)度不同的模擬分析在SIE模型其他參數(shù)不變的情況下，我們針對隔離強(qiáng)度的不同，對隔離強(qiáng)度分別為40%、50%、和60%的情況進(jìn)行模擬，得到三種不同的曲線，如下圖所示：

隔離措施強(qiáng)度不同SARS發(fā)病總?cè)藬?shù)的變化曲線對以上三條曲線進(jìn)行分析，可獲得：

隔離措施強(qiáng)度60%與隔離措施強(qiáng)度50%相比，SARS發(fā)病總?cè)藬?shù)可能會減少700人，SARS疫情得到控制的時間可能會提前半個月；隔離措施強(qiáng)度60%與隔離措施強(qiáng)度40%相比，SARS發(fā)病總?cè)藬?shù)可能會減少1100人，SARS疫情得到控制的時間可能會提前1個月。

五、模型分析與評價我們在建立模型時沒有將病例加以細(xì)分，因?yàn)楦鶕?jù)實(shí)際情況，病例可分為顯性病例和隱性病例（即潛伏患者），我們只是將其視為患病者。

表面上看我們似乎考慮的不夠全面，而實(shí)際上我們是根據(jù)易感染者的感染比率來確定患病人數(shù)的，這就說明對于任何的顯性患者或是隱性患者，其感染率是通過易感染者的自身免疫力來確定的，跟患者數(shù)目沒有直接關(guān)系。

根據(jù)全國非典科技攻關(guān)組公布的七大科研進(jìn)展可知，已出院的非典患者都不具有傳染性，密切接觸者無隱性感染可能，潛伏期患者傳染可能性很小，而SARS則是一種潛伏期較短的傳染病。

當(dāng)然，我們不否認(rèn)所建立的模型并不是十分完美的，因?yàn)檫€有很多因素都可能對預(yù)測結(jié)果造成影響，諸如SARS潛伏期天數(shù)，患者被發(fā)現(xiàn)前的時間長短，住院后治愈時間的長短，隔離措施的強(qiáng)度，還有個人每天接觸的人數(shù)等等。

另外，我們并不能保證避免地區(qū)外的病例輸入，而這一因素對預(yù)測結(jié)果也有很大的影響。

若有可能，可以通過建立系統(tǒng)動力學(xué)模型對其進(jìn)行預(yù)測。

六、建立傳染病數(shù)學(xué)模型，勢在必行山雨欲來風(fēng)滿樓，中國古代傳說中就有能夠根據(jù)某些跡象預(yù)測災(zāi)難發(fā)生的圣賢之輩，但現(xiàn)實(shí)中我們不能再用迷信的方法來欺騙自己，尤其是在劃時代的今天，我們要用科學(xué)的理論來預(yù)防任何災(zāi)難的發(fā)生。

如今，SARS是21世紀(jì)第一個在世界范圍內(nèi)傳播的傳染病，它的爆發(fā)和蔓延給我國的經(jīng)濟(jì)發(fā)展和人民生活帶來了很大影響，我們從中得到了許多重要的經(jīng)驗(yàn)和教訓(xùn)，如果SARS能夠被預(yù)測的話，中國就不會陷入動蕩不安的社會狀況，就不會有數(shù)百個生靈離開人間，就不會有那么多不幸的事情發(fā)生所以，痛定思痛之后，我們有必要建立數(shù)學(xué)模型來解決這些難題。

建立傳染病數(shù)學(xué)模型的優(yōu)點(diǎn)在于它具有科學(xué)的理論依據(jù)，根據(jù)已有的相關(guān)信息定量地研究傳染病的傳播規(guī)律，用抽象的數(shù)學(xué)方法能夠計算出不同條件下的各種可能性結(jié)果，進(jìn)而采取有效措施來預(yù)防災(zāi)害的發(fā)生。

然而，傳染病數(shù)學(xué)模型的建立并不是一件輕松容易的事情，它需要對疫情傳播所造成的影響做出估計，需要研究人員具備嚴(yán)謹(jǐn)?shù)臄?shù)學(xué)理念，通過計算機(jī)編程來預(yù)測和控制傳染病蔓延，并對各種結(jié)果進(jìn)行誤差分析，使傳染病產(chǎn)生的危害降到最低限度。

我們有信心，有能力建立一個最佳的傳染病數(shù)學(xué)模型來解決我們身邊的任何一類疾病傳播問題。

雖然我們的認(rèn)識是有限的，但我們的不斷創(chuàng)新能力是無限的，我們渴望幸福生活的拼搏精神是永遠(yuǎn)不會磨滅的。

參考文獻(xiàn)：

[1]R.M.AndersonandR.M.May,Populationbiologyofinfectious:PartI,Nature280,361-367(1797)[2]吳子牛、楊清紅等自控制起效后非典滯留患者數(shù)目變化規(guī)律的預(yù)測2002年5月23[3]/issue4/fertures/disease[4]黃運(yùn)新一種非線形傳染病模型的定性分析數(shù)理醫(yī)藥學(xué)雜志1999年第12卷第一期第7頁1999年出版[5]薛定宇、陳陽泉基于MATLAB/Simulink的系統(tǒng)仿真技術(shù)與應(yīng)用北京清華大學(xué)出版社2004、4[6]阻止SARS疫病在農(nóng)村傳播的建議，中國科學(xué)院研究生院管理學(xué)院SARS管理與控制研究小組《研究簡報》第3期附錄一：

Matlab程序fd.dydq.dydq2為自編的matlab識別的m文件，依照這三個m文件內(nèi)的%說明文件輸入數(shù)據(jù)，然后在matlab工作區(qū)間運(yùn)行dydq2即可。

下面為這三個m文件：

fd:function[output1,output2,output3]=fd(t,x,flag,theta)ifnargin4|isempty(theta),%theta=[110.1111],theta=[110.111],endifstrcmp(flag,’’)%output1=[-theta(1)*x(1)*x(3);...%theta(1)*x(1)*x(3)-theta(2)*x(2);...%theta(2)*x(2)-theta(3)*x(3)-theta(4)*x(3);...%theta(3)*x(3);...%theta(4)*x(3)];output1=[theta(1)*(x(1)).*(N0-x(1)-x(2))-(theta(3)+theta(4))*x(1);...theta(2)*x(1)-(theta(3)+theta(2))*x(2);0;0];%output1=[-theta(1)*x(1)*x(3);...%theta(2)*(theta(1)*x(1)*x(3)-x(2)*(theta(3)-theta(4)*x(2)))/(theta(3)-2*theta(4)*x(2));...%x(2)*(theta(3)-theta(4)*x(2))-theta(5)*x(3);...%theta(5)*x(3)];elseifstrcmp(flag,’init’),output1=[0,59];output2=[69999007000000-23-6999900230];output3=odeset;end%/(1+theta(2)*7000000+sqrt(1+2*theta(2)*7000000))dydq:functionE=dydq(theta)formatlong;x=[];%輸入數(shù)據(jù)長度B=[]；%對應(yīng)地區(qū)死亡人數(shù)C=[]；%對應(yīng)地區(qū)出院人數(shù)A=[]；%對應(yīng)地區(qū)累計個案y=A-B-C;s0=theta(4);n0=theta(5);[t,s]=ode45(‘fd’,[0:93],[s0n0230],[],theta);%fun=inline(‘s(:,3)’,’theta’,[]);%quad8(fun,0,73)%fun=inline(‘‘,’theta’,’x’);%theta=lsqcurvefit(fun,[111],x,y)E=sum((y-s(:,3)).+(B+C-s(:,4)).)%+(C-s(:,5)).)%(y-s(:,3)).%(B-s(:,4)).+(C-s(:,5)).+(A-s(:,3)%plot(t,s(:,3),t,y,’o’)%figure%plot(t,s(:,1),t,s(:,2),t,s(:,3),t,s(:,4),t,s(:,5))%[X,FVAL,EDITFLAG]=fminsearch(‘HK’,[0.00C=[]；%對應(yīng)地區(qū)出院人數(shù)A=[]；%對應(yīng)地區(qū)累計個案y=A-B-C;%mm=max(s(:,3))[t,s]=ode45(‘fd’,[0:100],[theta(4)theta(5)230],options,theta);a=theta(1)*(theta(4)+theta(5)+23)a1=1/theta(2)a2=1/theta(3)a3=a*a2%fori=1:80%ss(i)=s(i,3)/mm;%end%ss;%T=0:79;%plot(T,ss)%figureplot(t,s(:,3))holdonT=0:93;plot(T,y,’o’)xlabel(‘時間’);ylabel(‘染病人數(shù)’);title(‘對應(yīng)地區(qū)：

對應(yīng)時間’);%輸入對應(yīng)數(shù)據(jù)figureplot(t,s(:,4))holdonT=0:93;plot(T,B+C,’o’)xlabel(‘時間’);ylabel(‘移除人數(shù)’);title(‘對應(yīng)地區(qū)：

對應(yīng)時間’);%輸入對應(yīng)數(shù)據(jù)figure%plot(t,s(:,5))%holdon%T=0:93;%plot(T,C,’o’)%xlabel(‘時間’);%ylabel(‘出院人數(shù)’);%title(‘對應(yīng)地區(qū)：

對應(yīng)時間’);%輸入對應(yīng)數(shù)據(jù)%figureplot(t,(s(:,3)+s(:,4)))%+s(:,5))holdonT=0:93;plot(T,(y+B+C),’o’)xlabel(‘時間’);ylabel(‘累計人數(shù)’);title(‘對應(yīng)地區(qū)：

對應(yīng)時間’);%輸入對應(yīng)數(shù)據(jù)figureplot(t,s(:,1))xlabel(‘時間’);ylabel(‘易感人數(shù)’);title(‘對應(yīng)地區(qū)：

對應(yīng)時間’);%輸入對應(yīng)數(shù)據(jù)figureplot(t,s(:,2))xlabel(‘時間’);ylabel(‘潛伏人數(shù)’);title(‘對應(yīng)地區(qū)：

對應(yīng)時間’);%輸入對應(yīng)數(shù)據(jù)%figure%plot(t/93,s(:,3)/(theta(4)+theta(5)+23))%holdon%plot(t/93,s(:,4)/(theta(4)+theta(5)+23))%holdon%plot(t/93,s(:,1)/(theta(4)+theta(5)+23))%holdon%plot(t/93,s(:,2)/(theta(4)+theta(5)+23))%legend(‘實(shí)際染病人數(shù)’);%text(65,s(65,3),’\leftarrow擬合人數(shù)為s(65,3)’);%text(65,s(65,3),’\leftarrow實(shí)際人數(shù)309’);附錄二：

北京地區(qū)SARS疫情表日期已確診病例累計現(xiàn)有疑似病例死亡累計治愈出院累計預(yù)測結(jié)果（累計病例）4月20日33940218332874月21日48261025434114月22日58866628465334月23日69378235556454月24日77486339647504月25日87795442738524月26日988109348769614月27日11141255567810894月28日11991275597811774月29日13471358668313224月30日14401408759014215月01日155314158210015265月02日163614689110916115月03日174114939611517225月04日1803153710011817765月05日1897151010312118765月06日1960152310713419345月07日2049151411014120225月08日2136148611215221115月09日2177142511416821545月10日2227139711617522055月11日2265141112018622515月12日2304137812920822905月13日2347133813424423335月14日2370130813925223595月15日2388131714025723785月16日2405126514127323965月17日2420125014530724115月18日2434125014733224235月19日2437124915034924305月20日2444122515439524385月21日2444122115644724395月22日2456120515852824515月23日2465117916058224635月24日2490113416366724805月25日2499110516770424925月26日2504106916874724995月27日2512100517282825075月28日251494117586625105月29日251780317692825155月30日2520760177100625175月31日2521747181108725196月01日2522739181112425216月02日2522734181115725236月03日2522724181118925236月04日2522718181126325256月05日2522716181132125256月06日2522713183140325286月07日2523668183144625286月08日2522550184154325286月09日2522451184165325306月10日2522351186174725306月11日2523257186182125306月12日2523155187187625306月13日252271187194425316月14日25224189199425316月15日25223189201525326月16日25213190205325326月17日25215190212025326月18日25214191215425326月19日25213191217125326月20日25213191218925326月21日25212191223125326月22日25212191225725326月23日2521219122772532附錄三廣東省非典疫情累計表附錄三廣東省非典疫情累計表====================日期確診死亡出院（預(yù)測）7.1151258145114956.30151258145114956.29151258145114956.28151258145014956.27151258145014956.26151258145014956.25151258145014956.24151158145014956.23151158145014956.22151158145014946.21151158145014946.20151158145014946.19151158145014946.18151158145014946.17151158145014946.16151158145014946.15151158145014946.14151158145014946.13151158145014946.12151158145014946.11151158145014946.10151158144914946.9151158144914946.8151157144914946.7151157144714946.6151157144714946.5151157144714946.4151157144714946.3151157144514946.2151157144514946.1151157144214945.31151157144114945.30151157143914945.29151157143814945.28151157143614945.27151257143414945.26151357143314945.25151357143214945.24151357142914955.2315135714281495日期確診死亡出院（預(yù)測）5.22151357142314965.21151356141914965.20151456141514945.19151456138814955.18151456136314955.17151456135514945.16151556135314935.15151356134214935.14151056132714925.13150956132214895.12150956131914875.11150656131414865.10150456130514835.9150256128814745.8148556127314655.7147855125614585.6146555125114445.5145354124514325.4144151123714265.3143251123314175.2142151120814085.1141251120613994.30140551120113914.29139951120113824.28139551119113744.27138251118513634.26137951117813554.2513745011731351內(nèi)蒙古非典疫情累計表====================日期確診死亡出院7.1282282546.30282282546.29282282546.28282282546.27282282546.26282282546.25282282546.24282282526.23282282526.22282282526.21282282526.20282282526.1928228252617282282526.162822825261428228245612282282456.11283292446.10283292316.9283292246.8283292166.7284292076.6284291966.5284291906.4284291806.3284291716.2284291666.1284281655.31284281565.30284281415.29284281315.28285281275.27285281105.2628628975.2528627805.2428626755.232862567日期確診死亡出院5.2228525615.2128525585.2028725565.1928625525.1828925415.1729025405.1628824365.1528824235.1428823235.1328823235.1228820215.1128818205.1028917185.928417165.826616135.725816135.625114105.523014105.42251465.31901465.21801355.11541124.30127924.29120804.28114704.2776604.2674604.257060河北省非典疫情累計表====================日期確診死亡出院（預(yù)測）7.1215122032646.30215122032626.29215122032626.28215122032616.27215122032616.26215122032606.25215122032606.24215122032596.23215122032586.22215122032586.21215122032576.20215122032566.19215122032556.18215122032546.17215122032546.16215122022546.15215122022536.14215122022536.13215122022536.12215122022516.11215122002496.10215121992496.9215121982486.8215121972486.7215121912476.6215121862476.5216121822466.4216121792446.3216121692436.2216121592416.1216121552395.31215121522395.30216121462375.29216121402365.28216111372365.27216111342355.26216111332315.25222111202295.24223111152265.2322811108224日期確診死亡出院（預(yù)測）5.2222711972205.2122111882165.2021711792155.1921411632115.1821010572075.1720210432025.1620210352015.152009322005.141948271985.131918221945.121778211925.111668131875.101578111815.91568111765.8147691635.713465