症状监测（syndromic surveillance）是指针对各种“诊断前”与疾病发生有关信息的收集、分析和解释。其工作原理为多数疾病的患者在“出现症状”到“得到诊断”之间有一定的时间差，即多数疾病在前驱期首先会出现一些非特异性症状（发热、腹泻等），将这些非特异性症状作为监测内容，监测其数量的异常变动，作为提前发现某些传染病的暴发或流行的早期信号^[1]。另外，这些非特异性症状有可能导致患者在就诊前，先期产生其他行为，如自行购买非处方药、健康咨询、缺课、缺勤等^{[1, 2, 3, 4, 5, 6]}。传统的监测模式，是收集患者在医院就诊并得到诊断之后的信息，而症状监测收集的是上述非特异性症状及其他行为信息，监测的起点从“诊断”提前至“诊断前”，从而提高监测灵敏度，为公共卫生反应赢得时间。本文依此原理，以2014年9月福建省建瓯市东峰镇登革热暴发，收集东峰镇卫生院门诊日志中发热人数或和人次数以及清开灵注射液、利巴韦林注射液等药物的使用量，探讨症状监测在此次疫情早期发现中的作用。

1.数据资料：自建瓯市东峰镇卫生院收集2013、2014年8-11月电子版的门诊日志以及2014年同期清开灵注射液10 ml（支）、利巴韦林注射液0.1 g（支）、利巴韦林片0.1 g（片）、激素[包括注射用甲泼尼松龙琥珀酸钠40 mg（支）、地塞米松注射液5 mg（支）、地塞米松注射液2 mg（支）]每日使用量。门诊日志包含发病日期、诊断日期及病例姓名、性别、年龄、职业、住址、字段名、责任医师字段。

2.纳入标准及相关定义：使用Excel软件从门诊日志中提取诊断名为发热病例。发热人次数生成发热人数（删除复诊，只保留初诊）。公共卫生反应赢得时间（t）＝常规发现暴发时间-症状监测发现暴发时间^[1]。传统发现暴发时间是指实际上发现暴发的时间，本次登革热疫情时间为9月19日。症状监测发现暴发时间是指只要发热人次数、退热药使用其中之一出现异常即判定为异常事件的时间。发热人次数异常事件判定标准是连续7 d（登革热的一个平均潜伏期）当日的发热人次数超过上一年度同期及前后2 d（共5 d）均数±2.58倍的标准差（x±2.58s），且2014年度的数据≥10。退热药使用判定同发热人次数。

3.统计学分析：使用Epi Info 7统计软件。统计每日发热人数、发热人次数。分析发热人数、发热人次数与使用药物相关性。其中以清开灵注射液10 ml（支）、利巴韦林注射液0.1 g（支）、利巴韦林0.1 g（片）、激素（支）为因变量，发热人数、发热人次数为自变量进行线性回归分析。

1.病例特征：2014年8-11月东峰镇卫生院门诊日志中发热人次数为2 437人次，发热人数为1 102例。与2013年同期（113人次、90人）相比分别上升19.6、10.2倍。其中男性499例（45.3%），女性603例（54.7%）。年龄构成呈现一个不典型的“M”形，5～10岁年龄组127人（11.5%）构成最多（图 1）。1 102例平均就诊次数为2次（M值），最多者就诊8次（表 1）。

图 1 2014年8－11月东峰镇卫生院门诊日志中1 102例发热就诊病例的年龄和性别构成

图选项

表 1 1 102例发热病例就诊次数分布

表选项

2.公共卫生反应赢得时间（t）：2014年9月19日东峰镇报告登革热疫情。分析东峰镇卫生院药房2014年8-11月清开灵销售数据与门诊日志中发热就诊人次数等数据，显示自8月17日当日出现发热人次数超过上一年度同期及前后2 d（共5 d）的数量（x±2.58s）且连续出现7 d，2014年度的数据≥10（图 2）。发热人次数异常事件时间、退热药使用异常事件时间、症状监测发现暴发时间均在8月23日，表明比常规监测发现的时间（9月19日）提前近1个月。

图 2 2014年8－11月东峰镇卫生院药房淸开灵销售量与门诊日志就诊发热人次数的关系

图选项

3.发热人数、发热人次数与药物相关性的线性回归方程分析：发热人数、发热人次数与清开灵注射液10 ml（支）、利巴韦林注射液0.1 g（支）药物相关系数（r）为0.85～0.97。调整的确定系数（R_a²）为0.72～0.92（表 2）。表明发热人次数与药物的r值均大于发热人数与药物的r值。

表 2 2014年8－11月东峰镇卫生院药房售药（因变量）与门诊日志发热人数（自变量）相关性回归方程分析

表选项

症状监测是流行病学防治中的常用手段。如发现异常变动，可提前发现某些传染病暴发或流行的早期信号，如1999年美国纽约市发生数千例西尼罗病毒感染病例，为此该市于2000年建立了针对蚊虫的全城监测及针对鸟群的哨点监测，以指示西尼罗病毒感染流行^[7]。目前症状监测主要应用于恐怖袭击、自然灾害及大型集会期间^{[8, 9, 10, 11, 12, 13]}。

本次发热病例是源自门诊日志中临床医生诊断写有“发热”、“发热待查”、“不明原因发热”等字段的就诊者，而非通过用药来推断其是否发热。在疫情后期虽有些病例应用退热药物，但此时医生的诊断却写为上呼吸道感染等。这也可以解释为什么此次疫情的10月期间用药量与发热人次数并非密切相关。采用单一数据源监测难以反映疫情实况，而有效的监测有赖于多数据源的相互补充。如本文采用门诊日志病例发热症状与药房退热药物使用量两数据源相结合。采用门诊日志中发热症状数据源的缺点是医生填写缺漏严重，不能真正反映实际强度，灵敏性较差；优点是按“发热”字段收集可形成标准化数据。而利用药房退热药用量数据源的缺点是由于退热药品种多，且各医院及医生用药习惯不同，也可能多种退热药同时使用；但医生对发热病例一般均会使用发热药，因此从药物使用量可很好反映发热就诊人数，可能优于发热症状数据源。

症状监测的主要目的是发现异常事件，并采用现场调查予以确定。也就是判定为异常事件到症状监测发现具体疾病的暴发需要一定时间，其长短主要取决于现场调查能力，可以是在同一天，如本文中两者相等。如果现场调查中发现发热者多数出现皮疹、头痛症状及白细胞和血小板降低，且当地适宜伊蚊生长和蚊媒监测密度高，可以高度怀疑登革热或者基孔肯雅热。“发热＋皮疹”症状，对登革热暴发预警更有意义。所以症状监测在监测“发热”的同时，建议还需要监测“腹泻”、“脑炎或脑膜炎”、“皮疹”等症状。

本文存在不足。首先是未收集当地村医门诊日志的发热人数和退热用药信息。我国农村病例多数首诊应在村医，结合此数据会更早、更敏感发现异常。其次确定异常时间的方法过于简单，仅通过2年门诊日志退热药用量来判定，还应收集更长时间发热就诊人数和退热药使用药情况，利用相应的时间或空间统计模型确定预警线和行动线^{[14, 15, 16]}。此外对发热病例分年龄性别时未计算相对数，可能低估了中青年组人群（多数打工在外）的发病率。