2016, Vol. 37
文章信息
- 吴昊澄, 徐校平, 吴晨, 鲁琴宝, 丁哲渊, 林君芬 .
- Wu Haocheng, Xu Xiaoping, Wu Chen, Lu Qinbao, Ding Zheyuan, Lin Junfen .
- 浙江省2011-2015年发热伴血小板减少综合征发病空间预测
- Spatial analysis and prediction of severe fever with thrombocytopenia syndrome in Zhejiang province, 2011-2015
- 中华流行病学杂志, 2016, 37(11): 1485-1490
- Chinese journal of Epidemiology, 2016, 37(11): 1485-1490
- http://dx.doi.org/10.3760/cma.j.issn.0254-6450.2016.11.011
-
文章历史
收稿日期: 2016-04-07
发热伴血小板减少综合征（SFTS）是我国首次报道的一种新发出血热[1]。浙江省自2011年首次发现SFTS病例以来，报告发病的区域不断扩大[2]；但由于该病并非法定报告传染病，存在地区报告偏倚，且作为一种新发传染病，临床医师缺乏认识，易误诊和漏诊[3-4]；而多项研究也发现，健康人群中可能存在隐性感染或轻症病例[5-7]，因此目前的报告发病情况不能真实反映实际的流行。为此本文拟采用空间统计方法分析浙江省SFTS的流行特征，并进行病例发生范围和强度以及聚集性疫情发生概率的预测。
资料与方法1.资料来源：SFTS报告发病个案数据来源于“中国疾病预防控制信息系统”，资料收集时间段为2011-2015年，个案按“现住址”和“发病日期”导出，统计地区为浙江省。
2.研究方法：
（1）空间自相关分析[8-10]：包括全局空间自相关分析和局部空间自相关分析。目前空间流行病学常用统计量有Moran’s I、Gearys’C和G统计量。其中，Moran’s I可用于进行全局或局部空间自相关分析，其值介于-1和+1，取值为正，数据呈正相关，越接近+1，表示观察变量的正空间相关性越强，聚集性越高，反之亦然；取值接近0，则数据越可能是随机分布。其次，G统计量用于进行局部空间自相关分析，识别具有统计显著性的高值（热点）和低值（冷点）的空间聚类，如果单位区域的GiZScore高且P≤0.05，则表示有一个高值的空间聚类；如果GiZScore低并为负数且P≤0.05，则表示有一个低值的空间聚类，值越高，聚类程度越大，如果GiZScore接近0，则表示不存在明显的空间聚类。
（2）Kriging插值分析[8, 11-12]：该法是以区域变量理论为前提，以半方差变异函数为工具，以插值地图为表现形式，研究那些在空间分布既有随机性又有结构性的现象，通过有限的样本点数据对地图平面上的所有点位置的值进行估计，采用这些估计值可以制作疾病地图，其中Kriging插值分析是空间插值分析中常用方法之一，Kriging插值在数学上被证明是最优、线性、无偏估计技术。最优是指估计的方差最小，无偏是指平均预测误差的数学期望等于0，线性是指估计值是样本的线性组合。Kriging通过计算半方差进而根据邻近样本值估计未测点值，拟合的半方差函数模型通常包括线性模型、指数模型、球状模型、高斯模型和圆形模型等，模型中，偏基台值（R1）与基台值（R0+R1）的比值反映了空间相关性的强弱，值越大则空间相关性越强；块金值（R0）与基台值（R0+R1）的比值则反映随机因素引起样本变异作用的大小，值越大说明空间变异更多的是随机效应；变程则反映了空间相关性的范围。
Kriging插值分析中，有多种半方差函数模型可以选择[8, 11]，常用的模型有球状模型、指数模型、高斯模型、圆形模型等，半方差函数模型及参数设置是否合理，一般通过以下指标进行综合比较：预测误差均值（mean）和标化预测误差均值（mean standardized）越接近0越好，预测误差均方根（root-mean-square）和平均标准误（average standard error）越小且越接近越好，标化预测误差均方根（root-mean-square standardized）越接近1越好。
3.统计学分析：使用ArcGIS 10.0软件进行空间分析和地图绘制；计算全局Moran’s I探索SFTS的全局自相关性，用局部Moran’s I和G统计量探索空间热点区域；用趋势面分析了解大尺度范围内的发病趋势；用析取Kriging（disjunctive Kriging）进行发病数预测，用指标Kriging（indicator Kriging）预测聚集性疫情出现的概率。检验水准取0.05。
结果1.流行概况：2011-2015年浙江省共报告SFTS 194例确诊病例，其中各年份分别报告9、25、31、57和72例，病例数呈逐年上升趋势；报告发病的地区也在扩大，从2011年的4个县，到目前共有21个县（23.33%）发现病例，另外有69个县暂无病例发现（图 1）；SFTS发病具有明显的季节性特征，其中4-8月为病例的高发季节，占全年总病例数的85.05%；报告病例以≥50岁人群为主，占病例总数的86.08%，＜20岁共3例（1.55%）；以女性病例居多，男女病例为1：1.425；职业分类以农民（57.73%）、家务及待业（29.90%）为主。
|
| 图 1 2011-2015年浙江省SFTS发病地区分布 |
2.空间自相关分析：全局自相关分析显示不具有显著性（Moran’s I=0.043 6，Z=1.34，P=0.18）。局部自相关Moran’s I分析显示（图 2），仅天台县为高发聚集区（Z=2.45，P=0.014），其余区域无统计学意义；而热点分析显示，SFTS的发病主要热点区域为岱山县（GiZ=5.23，P＜0.001）、定海区（GiZ=3.53，P＜0.001）和嵊泗县（GiZ=6.30，P＜0.001）；其次为天台县（GiZ=1.73，P=0.084）和三门县（GiZ=1.93，P=0.053），其P值略高于检验水准；说明SFTS发病具有地区聚集性，上述5县（区）为疾病高发聚集区。热点分析G统计量显示的高发聚集性区域较局部自相关Moran’s I统计量显示的区域更为广泛。
|
| 注：上图发病聚集区图例分别为差异无统计学意义、高-高、高-低、低-高、低-低 图 2 2011-2015年浙江省SFTS发病局部自相关分析 |
3. Kriging插值分析：
（1）数据正态性检验：对原始数据进行正态性检验，数据峰度为44.88，偏度为6.53，数据不符合正态分布（W=0.23，P＜0.001），对数据进行对数转换后，偏度仍＞0，转换后数据仍不符合正态性分布（W=0.43，P＜0.001）。
（2）全局趋势面分析：分析显示，SFTS发病自东北向西南方向上呈下降趋势，而在西北-东南方向上趋势不明显（图 3）。
|
| 图 3 2011-2015年浙江省SFTS发病趋势面分析 |
（3）发病预测模型筛选：因数据非正态，选择析取Kriging插值分析[8]，选择常用的圆形半方差函数、球状半方差函数、指数半方差函数和高斯半方差函数进行交叉验证，其中圆形模型和指数模型精度相对较高，预测误差均值和标化预测误差均值相对较低，标化预测误差均方根更接近1，圆形模型和指数模型差异不大。因趋势面分析中显示发病在东北-西南方向上有递减趋势，故而进行趋势消除，其中二阶趋势消除模型精度最高（标化预测误差均值：一阶为-0.080 4，二阶为0.000 1，三阶为-0.007 9），进一步对比各类模型二阶趋势消除后的诊断指标，选择标化预测误差均值最小的圆形模型。模型块金值为0.142 8，偏基台值为0.507 8，变程为150 229.1，偏基台值与基台值的比例为78.05%，说明数据空间相关性较强（表 1、2）。
（4）发病预测：通过对预测图和实际发病地图的对比，预测发病区域更广泛，主要的高发区为岱山县、定海区、临海市、安吉县，此外在尚无病例报告的温州、嘉兴、衢州和丽水市的部分县（区）则可能存在散发病例。从图 4可见误差较大的一般为地图边缘地区。
|
| 图 4 2011-2015年浙江省SFTS发病预测例数及误差 |
（5）聚集性概率预测模型筛选：选用指标Kriging进行预测，由于分析采用的为5年的合计数据，同时目前疫情仍以散发病例为主，本研究拟以年均不少于1例病例为聚集性疫情易发生的标准，因此阈值设定为超过4例，仍选择常用的圆形半方差函数、球状半方差函数、指数半方差函数和高斯半方差函数进行交叉验证，其中，指数模型预测误差均值和标化预测误差均值最小，标化预测误差均方根最接近1，因此选用指数模型（表 3）。
（6）聚集性概率预测：通过指标Kriging预测发现，安吉、岱山、宁海、天台和三门县及临海市发生聚集性病例的概率相对更高，其次为义乌市及其周边区域，其余区域发生概率相对较低；地图边缘区域预测误差相对较大（图 5）。
|
| 图 5 2011-2015年浙江省SFTS聚集性发病预测概率及误差 |
与既往研究结果类似[13-14]，浙江省自2011年以来，SFTS病例总体以≥50岁农村人群为主，女性略多于男性，高发季节主要为春夏季，与蜱活动时间一致，疫情发生的流行病学特点未发生明显改变。因此，将5年的合计发病数据纳入统一分析相对恰当。
大多数疾病受地理环境、社会经济条件、生活习惯、气候条件的影响，在空间分布上表现出一定的规律性[11]。有研究显示SFTS的发病与气候、行为等因素有密切关系[15-16]，提示SFTS发病可能存在空间分布关联。进一步通过空间自相关分析和半变异函数的结果，SFTS发病在局部空间上具有自相关性，同时，由于偏基台值与基台值的比例为78.05%，变程约在150 km范围，说明由空间自相关引起的变异占总变异的78.05%，数据空间相关性较强。另外，近年病原学研究也发现[17-18]，浙江省SFTS病毒S基因具有高度同源性，与其他省分离病毒具有一定差异，形成相对独立的一个分支。因此，可认为浙江省SFTS发病数据在空间分布上具有相关性，适合进行插值分析。
近年来，越来越多的研究发现，人群中存在SFTS的隐性感染者和轻症病例[5, 17, 19]，实际病例发生水平应高于目前的报告水平，从本文的发病预测图可见，浙江省SFTS预测发病比实际发病的区域更为广泛，其中尚无病例报告的青田县、莲都区、景宁县、缙云县、泰顺县、平阳县、苍南县、永嘉县、平湖市、磐安县等地可能有散在病例发生，其中部分预测区域与Sun等[20]的血清阳性率调查结果吻合，也在一定程度上验证了预测的准确性；此外，插值分析是对所有点的预测形成连续的表面，突破了行政区划的界限，更符合疾病的实际分布情况。由于SFTS存在直接接触传播的案例和暴发疫情[3, 14]，聚集性疫情的发生也是疾病防控的重点关注之一，通过预测显示，既往报告病例数较多的岱山、天台、安吉县及其周边地区发生聚集性疫情的可能性更高，提示应予以重点监测。
本研究存在不足。其一，与相关研究类似[11, 21]，两种预测的误差均表现出“边缘效应偏倚”，即边缘地区误差较大的现象，提示对误差较大的边缘地区预测结果应保持慎重态度，同样提示在今后的研究中，如适当引入周边省份的数据，将有助于提高预测的精度。其二，对聚集性疫情定义的标准较为宽泛，会一定程度上导致预测的特异度下降，预测区域不够精确的问题，此外本文仅研究了空间特性，而没有引入疾病发生的时间特性，这也需要在今后的研究过程中加以考虑，以提高预测精准度。
利益冲突: 无| [1] | Yu XJ, Liang MF, Zhang SY, et al. Fever with thrombocytopenia associated with a novel bunyavirus in China[J]. N Engl J Med , 2011, 364(16) : 1523–1532. DOI:10.1056/NEJMoa1010095 |
| [2] | Sun JM, Chai CL, Lv HK, et al. Epidemiological characteristics of severe fever with thrombocytopenia syndrome in Zhejiang Province, China[J]. Int J Infect Dis , 2014, 25 : 180–185. DOI:10.1016/j.ijid.2014.02.022 |
| [3] |
顾时平, 吴雪, 周斌, 等.
浙江省一起发热伴血小板减少综合征聚集性疫情调查[J]. 中华流行病学杂志 , 2015, 36(4) : 364–367.
Gu SP, Wu X, Zhou B, et al. Epidemiological investigation on an outbreak of severe fever with thrombocytopenia syndrome in northwest Zhejiang province[J]. Chin J Epidemiol , 2015, 36(4) : 364–367. DOI:10.3760/cma.j.issn.0254-6450.2015.04.015 |
| [4] |
马婷, 孙继民, 龚震宇, 等.
2014年浙江省发热伴血小板减少综合征流行特征分析[J]. 中国人兽共患病学报 , 2015, 31(11) : 1023–1026.
Ma T, Sun JM, Gong ZY, et al. Epidemiologic analysis on severe fever with thrombocytopenia syndrome in Zhejiang Province, 2014[J]. Chin J Zoonoses , 2015, 31(11) : 1023–1026. DOI:10.3969/j.issn.1002-2694.2015.11.007 |
| [5] |
易波, 高丽, 孔志芳, 等.
宁波发热伴血小板减少综合征流行病学监测结果分析[J]. 浙江预防医学 , 2015, 27(2) : 127–130.
Yi B, Gao L, Kong ZF, et al. The results of the epidemiological surveillance of severe fever with thrombocytopenia syndrome in Ningbo City[J]. Zhejiang Prev Med , 2015, 27(2) : 127–130. |
| [6] |
张文帅, 曾晓燕, 周明浩, 等.
江苏省发热伴血小板减少综合征布尼亚病毒血清流行病学调查[J]. 疾病监测 , 2011, 26(9) : 676–678.
Zhang WS, Zeng XY, Zhou MH, et al. Seroepidemiology of severe fever with thrombocytopenia syndrome bunyavirus in Jiangsu province[J]. Dis Surveill , 2011, 26(9) : 676–678. DOI:10.3784/j.issn.1003-9961.2011.09.003 |
| [7] |
刘力, 官旭华, 邢学森, 等.
2010年湖北省发热伴血小板减少综合征的流行病学分析[J]. 中华流行病学杂志 , 2012, 33(2) : 168–172.
Liu L, Guan XH, Xing XS, et al. Epidemiologic analysis on severe fever with thrombocytopenia syndrome in Hubei province, 2010[J]. Chin J Epidemiol , 2012, 33(2) : 168–172. DOI:10.3760/cma.j.issn.0254-6450.2012.02.009 |
| [8] |
周晓农.空间流行病学[M]. 北京: 科学出版社, 2009.
Zhou XN.Spatial epidemiology[M].Beijing: Science Press, 2009. |
| [9] |
郑芸鹤, 刘新凤, 任晓卫, 等.
2013年甘肃省甲型病毒性肝炎发病的空间聚集性分析[J]. 疾病监测 , 2015, 30(8) : 624–628.
Zheng YH, Liu XF, Ren XW, et al. Spatial distribution of hepatitis A in Gansu, 2013[J]. Dis Surveill , 2015, 30(8) : 624–628. DOI:10.3784/j.issn.1003-9961.2015.08.005 |
| [10] |
蒋征刚, 谢雨豪, 顾华, 等.
中国大陆地区2011年伤寒、副伤寒疫情GIS空间分析[J]. 中国公共卫生 , 2015, 31(11) : 1437–1439.
Jiang ZG, Xie YH, Gu H, et al. Spatial distribution of typhoid and paratyphoid fever in mainland China, 2011:a GIS analysis[J]. Chin J Public Health , 2015, 31(11) : 1437–1439. DOI:10.11847/zgggws2015-31-11-21 |
| [11] |
颜仕鹏.湖南省钩体病流行态势及空间分析[D].长沙:中南大学, 2010.
Yan SP. Epidemic situation and spatial analysis of leptospirosis in Hunan province[D]. Changsha:Central South University, 2010. |
| [12] |
李朝晖.空间流行病学在山丘型血吸虫病防治研究中的应用[D].大理:大理学院, 2010.
Li CH. The application of spatial epidemiology on schistosomiasis prevention in hill and mountain region[D]. Dali:Dali University, 2010. http://cdmd.cnki.com.cn/article/cdmd-10679-1011187175.htm |
| [13] |
李昱, 周航, 牟笛, 等.
中国2011-2014年发热伴血小板减少综合征流行特征分析[J]. 中华流行病学杂志 , 2015, 36(6) : 598–602.
Li Y, Zhou H, Mu D, et al. Epidemiological analysis on severe fever with thrombocytopenia syndrome under the national surveillance data from 2011 to 2014, China[J]. Chin J Epidemiol , 2015, 36(6) : 598–602. DOI:10.3760/cma.j.issn.0254-6450.2015.06.013 |
| [14] |
何军, 王建军.
发热伴血小板减少综合征研究进展[J]. 安徽预防医学杂志 , 2016, 22(1) : 31–34.
He J, Wang JJ. Advances on researches of severe fever with thrombocytopenia syndrome[J]. Anhui J Prev Med , 2016, 22(1) : 31–34. |
| [15] |
翟羽佳, 李傅冬, 尚晓鹏, 等.
气象因素与发热伴血小板减少综合征关联研究[J]. 浙江预防医学 , 2016, 28(2) : 117–120.
Zhai YJ, Li FD, Shang XP, et al. A study on the association between meteorological factors and severe fever with thrombocytopenia syndrome[J]. Zhejiang Prev Med , 2016, 28(2) : 117–120. |
| [16] |
尤爱国, 杨建华, 唐晓燕, 等.
新布尼亚病毒感染致发热伴血小板减少综合征的危险因素分析[J]. 中国人兽共患病学报 , 2015, 31(8) : 704–708.
You AG, Yang JH, Tang XY, et al. Risk factors of severe fever with thrombocytopenia syndrome (SFTS) infected by SFTSV[J]. Chin J Zoonoses , 2015, 31(8) : 704–708. DOI:10.3969/cjz.j.issn.1002-2694.2015.08.004 |
| [17] | Zhang L, Ye L, Ojcius DM, et al. Characterization of severe fever with thrombocytopenia syndrome in rural regions of Zhejiang, China[J]. PLoS One , 2014, 9(10) : e111127. DOI:10.1371/journal.pone.0111127 |
| [18] |
邬辉, 王建跃, 仝振东, 等.
浙江省舟山市2011-2013年发热伴血小板减少综合征流行特征分析[J]. 中华流行病学杂志 , 2014, 35(12) : 1371–1374.
Wu H, Wang JY, Tong ZD, et al. Epidemiological characteristics of severe fever with thrombocytopenia syndrome in Zhoushan, Zhejiang, 2011-2013[J]. Chin J Epidemiol , 2014, 35(12) : 1371–1374. DOI:10.3760/cma.j.issn.0254-6450.2014.12.012 |
| [19] | Ye L, Shang XP, Wang ZF, et al. A case of severe fever with thrombocytopenia syndrome caused by a novel bunyavirus in Zhejiang, China[J]. Int J Infect Dis , 2015, 33 : 199–201. DOI:10.1016/j.ijid.2015.02.003 |
| [20] | Sun JM, Zhang YJ, Gong ZY, et al. Seroprevalence of severe fever with thrombocytopenia syndrome virus in southeastern China and analysis of risk factors[J]. Epidemiol Infect , 2015, 143(4) : 851–856. DOI:10.1017/S0850268814001319 |
| [21] |
李森.空间统计方法在喀什地区人源型黑热病分布中的应用[D].北京:中国疾病预防控制中心, 2006.
Li S. Application of spatial statistics on distribution of anthroponotic visceral leishmaniasis in Kashgar Oasis of Xinjiang[D]. Beijing:Chinese Center for Disease Control and Prevention, 2006. |