疾病监测, 2012, 27(10): 834-838
DOI: 10.3784/j.issn.1003-9961.2012.10.022
Progress in research of communicable disease risk evaluation system
XU Zhen-guo1, CHEN Shuang-yan1, GAO Zi-hou2, YIN Jia-xiang2, DONG Xing-qi2
Dali College, Dali 671000, Yunnan, China
Abstract
As the development of society, timely evaluation of communicable disease risk has become the key issue in communicable disease prevention and control. Establishing appropriate communicable disease risk evaluation system and finding effective evaluation approach will facilitate the prevention and control of communicable diseases.
Keywords:    communicable disease   risk evaluation   research   evaluation index  

传染病风险评估体系研究进展
许振国1, 陈双艳1, 高子厚2, 尹家祥2, 董兴齐2
1. 大理学院, 云南 大理 671000;
2. 云南省地方病防治所
摘要
随着社会发展,如何做好传染病防控工作,及时进行传染病风险评估成为当今传染病防控工作中研究的热点。构建完善的传染病风险评估体系,探寻有效的传染病风险评估方法,将有助于传染病防控工作的顺利开展。
关键词:    传染病   风险评估   研究   评估指标  
内容大纲
1 传染病风险评估指标体系
1.1 评估指标的要求及来源
1.2 评估指标确定方法
2 传染病风险评估方法
2.1 定性评估与定量评估
2.2 时间、空间、时空评估模型
2.2.1 时间评估模型
2.2.2 空间评估模型
2.2.3 时空评估模型
3 时空评估模型
4 传染病风险评估应用
4.1 时间序列模型
4.2 回归模型
4.3 灰色模型
4.4 多水平模型(Multilevel models)
4.5 贝叶斯概率模型
4.6 马尔科夫链模型
4.7 模糊数学理论
4.8 小波模型
4.9 基于"3S"技术的时空分析
5 讨论
　　风险分析理论起源于20世纪50年代的美国,是研究风险发生规律和风险控制技术的一门新型管理科学,指风险管理主体通过风险识别、风险评估、风险决策管理等方式,对风险实施有效控制和妥善处理损失的过程[1]。近年来,风险分析除在经济管理学方面应用外，在环境生态学、食品安全、检验检疫等诸多领域也得到广泛应用。随着信息与计算机科学技术的发展，基于现代信息技术的风险分析在传染病防制方面也越来越多的得以应用，有效地推进了传染病防制工作的开展。本文就目前传染病风险评估的理论体系、应用情况进行综述。
1 传染病风险评估指标体系
　　 Kay[2]提出信号检测理论用来确定风险评估指标。根据传染病种类的不同，其风险评估的指标(信号)亦不相同。而建立并确定传染病风险评估指标体系，对传染病防控工作意义重大。
1.1  评估指标的要求及来源
　　影响传染病的因素众多，如何在众多因素中选取风险评估指标需要注意以下几个问题：(1)评估指标的可操作性；(2)评估指标的灵敏性；(3)评估指标的高效性；(4)评估指标获得的及时性；(5)评估指标的可拓展性等。
目前在传染病常规监测工作过程中的风险评估指标可以分为三大类：一是细菌学及血清学检测指标。二是流行病学监测指标，目前监测指标主要从传染病流行病学三个环节，即传染源、传播媒介，传播途径三方面进行确定，同时随着生态学、气象学、地理学及计算机科学的不断发展与融合，传染病相关影响因素越来越多的被纳入为流行病学风险评估指标。许丽波等[3]综合考虑病原学、流行病学等因素对口岸传染病风险评估指标体系进行研究，确定了风险识别的过程框架和口岸传染病传人、传播和扩散的风险评估指标体系,体系包括1个目标层(传染病输入、传播及扩散的风险R)、5个准则层(R1病原学特性、R2流行病学特性、R3自然因素、R4社会因素、R5预防和控制能力)及若干指标层。三是分子生物学检测指标。其中以流行病学监测指标、细菌学及血清学监测指标最为常用。
1.2 评估指标确定方法
　　评估指标的确定方法主要有文献研究、半结构化访谈/焦点小组访谈、个人深入访谈、权重法、德尔菲 (Delphi)法与专家会议法。其中最为常用的方法是利用德尔菲法征求专家意见确定风险评估指标。卢亮平等 结合文献调研、专家会议法、德尔菲法三种方法确定了人兽共患病暴发流行预警指标体系及肾综合征出血热(HFRS)流行的预警指标体系。
2 传染病风险评估方法
　　传染病风险评估方法主要通过在建立数学统计模型的基础上发现监测数据的“异常信号”，以便做出正确的评估。传染病风险评估方法的种类繁多，目前国内对传染病风险评估方法分类主要有两大类[6]：一种是根据性质进行划分将其分为定性评估和定量评估，另一种是根据所构建的评估模型的资料类型的不同分为时间预警模型、空间预警模型及时空预警模型。此外还有按范围和层次分为宏观评估和微观评估；按时间长短分为长期评估、中期评估、短期评估、近期评估。
2.1 定性评估与定量评估
　　定性评估是通过对当地传染病的发生、发展规律及其有关因素的分析，判断该病的流行趋势和强度。但对于评估方法的归类并不统一。林玫等[7]、陈慧中等[8]认为定性评估包括流行控制图法、比数图法、专家预测法、德尔菲法、逐步判别分析、模糊聚类预测法、贝叶斯概率判断法及尤度法及利用“Z-D”现象进行传染病预测预警的方法；定量评估方法包括回归预测法、灰色预测模型、时间序列平滑法、趋势外推法、马尔科夫法链预测方法、博克斯-詹金斯模型及多因素模型中的小波模型。而尹志英和方春福[9]将马尔科夫链以及地理信息系统和遥感技术等归为定性评估，而将综合预测方法单独列为一类。
2.2 时间、空间、时空评估模型
　　[6]  根据描述分析资料的不同，可将疾病评估方法分为时间、空间、时空评估模型。
2.2.1 时间评估模型
　　包括基于控制图的预警模型、时间序列模型、线性回归模型、基于隐马尔科夫链模型等。其主要根据对过去一段时间某种疾病的监测，确定该疾病时间分布的特点，来预测未来该疾病发病情况一种方法。
2.2.2 空间评估模型
　　利用病例的空间地理学基本信息，及时识别疾病发病的异常情况。常见的方法有广义线性混合模型、小区域回归分析检验法、空间扫描统计等。
2.2.3 时空评估模型
　　包括异常模式探测方法(What’s Strange About Recent Events，WSARE)、人口的异常检测和评估(Population-Wide Anomaly Detection And Assessment， PANDA)、时空扫描统计(Space-Time Scan Statistic)等。通过利用病例的发病时间、持续时间长短以及发病的地理信息，分析疾病的聚集性。
3 传染病风险评估评价体系
　　通过对所确定的传染病风险评估指标、方法进行有效地评价，可以验证指标及方法的可行性。Buehler 等[10]认为对传染病风险评估评价体系应包括以下几个内容：及时性、有效性、灵活性、可接受性。可以用统计学方法对所建模型进行检验，如拟合优度检验、ROC曲线检验法等。
4 传染病风险评估应用
　　传染病风险评估应用指通过对传染病及其危险因素进行评估，得出相应疾病发生的风险指数及等级，为政府决策部门提供依据。我国的传染病风险评估工作起步较晚，2003年传染性非典型肺炎暴发流行后，疾病风险评估工作逐渐成为疾病控制工作的热点。通过长期的实践工作逐渐将数学方法引入到疾病预防控制工作中。现就几种风险评估方法的应用情况加以举例说明。
4.1 时间序列模型
　　时间序列是指将某种现象某一个统计指标在不同时间上的各个数值，按时间先后顺序排列而形成的序列。时间序列分析(Time series analysis)是一种动态数据处理的统计方法。该方法基于随机过程理论和数理统计学方法，研究随机数据序列所遵从的统计规律，以用于解决实际问题，目前在国内外应用最为广泛。Korthals等[11]拟合季节性自回归移动平均(SARIMA)模型,以时间序列揭示了肺结核发病的季节趋势。Martinez和Silva [12]采用季节性回归移动平均模型对巴西圣保罗市普雷托地区登革热发病情况进行了预测。Paul和Held[13]提出多元非线性随机效应时间序列模型在传染性疾病预测中的应用，并以法国双球菌脑膜炎病例和德国流感病例进行了模型验证。Wongkoon 等[14]采用自回归求和滑动平均模型法(ARIMA)建立了登革热预警模型，并进行验证。Onozuka和Hashizume[15]采用时间序列分析的方法对日本手足口病病例发病影响因素进行研究，认为高温和潮湿是影响手足口病发病的重要因素。此外，作为时间序列分析方法的控制图法在国内使用也比较多。
4.2 回归模型
　　回归分析(regression analysis)是研究一个变量关于另一个(些)变量的具体依赖关系的计算方法和理论。从一组样本数据出发，确定变量之间的数学关系式对这些关系式的可信程度进行各种统计检验，并从影响某一特定变量的诸多变量中找出哪些变量的影响显著，哪些不显著。利用所求的关系式，根据一个或几个变量的取值来预测或控制另一个特定变量的取值，并给出这种预测或控制的精确程度。
　　Bi等[16]对HFRS发病率与总降水量、淮河水位、黑线姬鼠密度、作物生产及洪水淹没农田及职业因素等进行了相关分析和多元线性回归分析，并建立回归模型。发现降水量同HFRS呈负相关，同农作物生产情况呈正相关。Lau 等[17]对美属萨摩亚岛钩端螺旋体病影响因素进行调查分析，发现除既往发现的影响因素外，生活在低海拔地区以及住宅周围猪栏数量同其发病情况也有高度的关联。
4.3 灰色模型
　　灰色系统理论是基于数学理论的系统工程学科,其主要内容包括以灰色代数系统，灰色方程、灰色矩阵为基础的理论体系，以灰色序列生成为基础的方法体系，以灰色关联空间为依托的分析体系，以灰色模型(GM)为核心的模型体系，以系统分析、评估、建模、预测、决策、控制、优化为主体的技术体系。
　　概率统计、模糊数学与灰色系统理论是三种最常用的不确定系统研究方法。灰色系统理论具有能够利用“少数据”建模寻求现实规律的良好特性，可以克服数据不足或系统周期短的矛盾。目前，灰色系统理论得到了极为广泛的应用。
　　胡伟红[18]用灰色模型对长沙市法定甲乙类传染病发病率预测的结果显示：2006 - 2010年长沙市血源及性传播传染病、呼吸道传染病发病呈上升趋势，肠道传染病、虫媒及自然疫源性疾病呈逐年下降趋势，符合该地传染病流行规律，预测精度良好。郭立春等[19]利用1984 - 2004年沈阳市HFRS发病率资料建立GM(1,1)预测模型和GM(1,1,sinω)预测模型，并进行拟合预测及效果比较，得出结论GM(1,1,sinω)模型克服了传统灰色模型GM(1,1)的局限性，对于波动性较大且具有周期性的资料具有很好的实用价值。
4.4 多水平模型(Multilevel models)
　　20世纪80年代中后期，英美等国教育统计学家开始探讨分析层次结构数据(hierarchically structured data)的统计方法，并相继提出不同的模型理论和算法。因Multilevel Analysis可以解决传统研究设计中个体水平与群体水平同时作为影响因素对疾病风险的影响，为此其在医学领域的应用愈加广泛[20]。
Jia等[21]采用多层次回归模型对血吸虫病患儿残疾等级进展与年龄之间关系进行了评估，发现随年龄增加，残疾等级不断加重。Ladeia-Andrade等[22]采用多水平分析方法对巴西亚马逊河岸边居民疟疾免疫力及相关因素进行分析，得出长期持续暴露在中低疟区，可以产生一定的免疫力。Backer等[23]采用多水平分析模型对控制猪流感的5个途径进行比较分析，得出安全有效预防猪流感的途径是及时接种疫苗。Wernck等[24] 对巴西特雷西纳市居民利什曼原虫感染因素进行多层次分析，发现经济水平低下、植被覆盖率高以及流行期之前(期间)犬类感染情况与居民感染率高度相关。
4.5 贝叶斯概率模型
　　贝叶斯模型是基于总体信息、样本信息和先验信息进行统计推断而进行的一种预测。Jewell等[25]以H5N1禽流感疫情为例通过组合可反转马尔科夫链与蒙特卡洛算法并结合贝叶斯网络推理模型构建了以及时有效地疾病预测模型。Black和Craig[26]、Dendukuri和Joseph[27] 建立贝叶斯模型对疾病整体发病率进行估计，并在类圆线虫感染方面加以应用。
4.6 马尔科夫链模型
　　马尔科夫链模型[28]是以俄国数学家A.A.Mapkov命名的一种动态随机数学模型，它通过分析随机变量现时的运动情况来预测这些变量未来的运动情况。目前马尔科夫链在自然科学、工程技术、社会科学、经济研究等领域都有着广泛的应用。Oxlade等[29]采用马尔科夫链模型建立肺结核传播模式，对荷兰结核病发病趋势的预测非常准确。
4.7 模糊数学理论
　　美国加利福尼亚大学控制论专家L.A.Zadeh于1965年首先提出模糊数学[30],是把客观世界中的模糊现象作为研究对象，以模糊集合为理论基础，从中找出数量规律，然后用精确的数学方法来处理的一门新的数学分支[31]。Molchanov 等[32]基于模糊数学理论提出癌症风险评估的方法。Grossi[33]提出模糊理论在个体风险上与概率论相比更容易向病人传达确定的信息。da Costa和Kaymak[34]通过利用模糊理论决策与传统决策理论相比较发现传统决策理论的性能可以通过模糊决策理论改善。
4.8 小波模型
　　小波分析是在Fourier分析基础上发展起来的对函数(信号)的一种新的分析工具，同时它又是一种新的数值分析方法。Cazelles等[35]提出小波模型更适合发病的时间及影响因素瞬时变化的传染病的研究。Johansson等[36]通过采用小波分析方法对波多黎各、墨西哥、泰国多年的气候变化、厄尔尼若现象、天气与登革热发病率进行纵向比较分析，发现其与登革热发病率无明显联系，但提示其可能是传播动力学中的一个因素。
4.9 基于“3S”技术的时空分析
　　随着地理信息系统(GIS)、遥感系统(RS)、卫星定位系统(GPS)同空间分析技术的发展，以及相关技术在传染病风险评估领域应用的不断深入，提供了基于地理对象的可视化风险评估方法[37]，对公共卫生应急管理的决策辅助功能日益突出。目前在传染性疾病、慢性非传染性疾病的预防控制、环境流行病学、伤害流行病学以及卫生资源研究与服务等方面得以广泛应用。
　　方立群等[38]对我国41个HFRS监测点1995-1998年的发病率与归一化植被指数(NDVI)相关性进行分析，并建立中国HFRS危险区域分布图。陈朝等[39]以普通克里格方法对当涂县血吸虫人群感染率的空间分布进行预测，并制作出疫情分类预测图。Diuk-Wasser等[40]对美国东部丹敏硬蜱伯氏螺旋体感染情况进行调查，并就其同人类莱姆病的发病率进行空间分析并制作了风险地图。
5 讨论
　　随着各学科的不断融合，数学分析理论与方法结合现代计算机科学技术不断应用到疾病预防控制工作中。我国基于时间序列模型建立首个传染病预警系统，为基层传染病防控工作提供有效的手段。提高了基层工作者对传染病聚集性疫情发现与处理的及时性。但因传染病种类众多，如何做好每种传染病的风险评估工作，还需要进行深入的研究与探讨。

参考文献
[1] Fan DJ, Chen WK. Risk Management Theory & Tools[M]. Tianjin: Tianjin University Press,2010.(in Chinese) 范道津,陈伟珂.风险管理理论与工具[M].天津:天津大学出版社,2010.
[2] Kay SM. Fundamental of statistical signal processing: Detection Theory[M]. NewYork: Prentice Hall,1993.
[3] Xu LB, Liu F, Sun LP, et al. Research on risk assessment index system of infectious diseases at port[J]. Chinese Frontier Health Quarantine,2011,34(3):197-199.(in Chinese) 许丽波,刘丰,孙丽萍,等.口岸传染病风险评估指标体系建立的研究[J].中国国境卫生检疫杂志,2011,34(3):197-199.
[4] Lu LP, Ma F, Wang L, et al. Study On an early-warning index system of zoonoses outbreak[J]. Chinese Journal of Zoonoses,2010,26(7):676-679.(in Chinese) 卢亮平,马芬,王丽,等.人兽共患传染病暴发流行预警指标体系的研究[J].中国人兽共患病学报,2010,26(7):676-679.
[5] Lu LP, Wang L, Ma F, et al. A study on indicator system for early-warning on hemorrhagic fever with renal syndrome epidemic[J]. Chinese Journal of Preventive Medicine,2011, 45(3):235-238.(in Chinese) 卢亮平,王丽,马芬,等.肾综合征出血热流行预警指标体系研究[J].中华预防医学杂志,2011,45(3):235-238.
[6] Wang XL, Wang QY, Luan RS, et al. The main mode on early warning for infectious disease [J]. Modern Preventive Medicine,2008,35(22):4339-4341.(in Chinese) 王小莉,王全意,栾荣生,等.传染病疫情早期预警的主要模型[J].现代预防医学,2008,35(22):4339-4341.
[7] Lin M, Li YH, Dong BQ. Current status of application of predicting and preparedness of communicable diseases in China[J]. China Tropical Medicine,2010, 10(3):308-309.(in Chinese) 林玫,李永红,董柏青.传染病预测预警方法在我国的应用现状[J].中国热带医学,2010,10(3):308-309.
[8] Chen HZ, Wang L, Bai S, et al. Study on early warning mode for infectious disease[J]. Pratcial Preventive Medicine,2008,15(6):1987-1989.(in Chinese) 陈慧中,王路,白杉,等.传染病预警模式的应用探讨[J].实用预防医学,2008,15(6):1987-1989.
[9] Yin ZY, Fang CF. Study on early warning methods for infectious disease [J].Chinese Journal of Health Statistics,2010, 27(2):218-220.(in Chinese) 尹志英,方春福.传染病预警预测方法探讨[J].中国卫生统计,2010,27(2):218-220.
[10] Buehler JW,Hopkins RS,Overhage JM, et al. Framework for evaluating public health surveillance systems for early detection of outbreaks: recommendations from the CDC Working Group[J]. MMWR Recomm Rep,2004,53(RR-5):1-11.
[11] Korthals AH, Kremer K, Erkens C, et al. Tuberculosis seasonality in the Netherlands differs between natives and non-natives: a role for vitamin D deficiency? [J]. Int J Tuberc Lung Dis,2012,16(5):639－644.
[12] Martinez EZ, Silva EA. Predicting the number of cases of dengue infection in Ribeiro Preto, So Paulo State, Brazil, using a SARIMA model[J]. Cad Saude Publica,2011, 27(9):1809-1818.
[13] Paul M, Held L. Predictive assessment of a non-linear random effects model for multivariate time series of infectious disease counts[J]. Stat Med,2011,30(10):1118-1136.
[14] Wongkoon S,Jaroensutasinee M, Jaroensutasinee K. Development of temporal modeling for prediction of dengue infection in northeastern Thailand[J]. Asian Pac J Trop Med,2012,5(3):249-252.
[15] Onozuka D, Hashizume M. The influence of temperature and humidity on the incidence of hand, foot, and mouth disease in Japan[J]. Sci Total Environ,2011,410-411:119-125.
[16] Bi P, Wu X, Zhang F, et al. Seasonal rainfall variability, the incidence of hemorrhagic fever with renal syndrome, and prediction of the disease in low-lying areas of China[J]. Am J Epidemiol,1998,148(3):276-281.
[17] Lau CL, Dobson AJ, Smythe LD, et al. Leptospirosis in American Samoa 2010: epidemiology, environmental drivers, and the management of emergence[J]. Am J Trop Med Hyg,2012,86(2):309-319.
[18] Hu WH. The simulation and forecast of Grey model to incidence of four diseases in changsha city[J]. Pratcial Preventive Medicine,2007,14(4):1097-1099.(in Chinese) 胡伟红.灰色模型对长沙市四类传染病发病率的模拟与预测[J].实用预防医学,2007,14(4):1097-1099.
[19] Guo LC, Wang HN, Wu W, et al. The search of forecasting morbidity of kidney syndrome hemorrhagic fever by GM(1,1,sinω) model[J]. China Tropical Medicine,2009,9(3):415-417.(in Chinese) 郭立春,王汉宁,吴伟,等.应用GM(1,1,sinω)模型预测肾综合征出血热发病率研究[J].中国热带医学,2009,9(3):415-417.
[20] Diez Roux AV, Aiello AE. Multilevel Analysis of Infectious Diseases[J]. J Infect Dis,2005,191 Suppl 1:S25-33.
[21] Jia TW, Zhou XN, Wang XH, et al. Assessment of the age-specific disability weight of chronic schistosomiasis japonica[J]. Bull World Health Organ,2007,85(6):458-465.
[22] Ladeia-Andrade S, Ferreira MU, de Carvalho ME, et al. Age-dependent acquisition of protective immunity to malaria in riverine populations of the amazon basin of brazil[J]. Am J Trop Med Hyg,2009,80(3):452-459.
[23] Backer JA, Hagenaars TJ, Roermund HJ, et al. Modelling the effectiveness and risks of vaccination strategies to control classical swine fever epidemics[J]. J R Soc Interface,2009,6(39):849-861.
[24] Wernck GL, Costa CH, Walker AM, et al. Multilevel modelling of the incidence of visceral leishmaniasis in Teresina, Brazil[J]. Epidemiol Infect,2007,135(2):195-201.
[25] Jewell CP, Kypraios T, Christley RM, et al. A novel approach to real-time risk prediction for emerging infectious diseases: a case study in Avian Influenza H5N1[J]. Prev Vet Med,2009,91(1):19-28.
[26] Black MA, Craig BA. Estimating disease prevalence in the absence of a gold standard[J]. Stat Med,2002,21(18):2653-2669.
[27] Dendukuri N, Joseph L. Bayesian approaches to modeling the conditional dependence between multiple diagnostic tests[J]. Biometrics,2001,57(1):158-167.
[28] Li BD. Mathematical Modeling Method[M]. Gansu: Gansu Education Press,2006.(in Chinese) 李伯德.数学建模方法[M].甘肃:甘肃教育出版社,2006.
[29] Oxlade O, Schwartzman K, Benedetti A, et al. Developing a tuberculosis transmission model that accounts for changes in population health[J]. Med Decis Making,2011,31(1):53-68.
[30] Jin L. Pratcial fuzzy mathematics[M]. Beijing: Scientific and Technical Documentation Press,1989.(in Chinese) 荩垆.实用模糊数学[M].北京:科学技术文献出版社,1989.
[31] Li AG. Fuzzy sets and applications[M]. Beijing: Metallurgical Industuy Press,2005.(in Chinese) 李安贵.模糊数学及其应用[M].第2版. 北京:冶金工业出版社,2005.
[32] Molchanov PA, Dudatiev AV, Podobna YY, et al. Fuzzy sets applications for cancer risk assessment[J]. Cent Eur J Public Health,2002,10(3):121-123.
[33] Grossi E. Medical concepts related to individual risk are better explained with "plausibility" rather than "probability"[J]. BMC Cardiovasc Disord,2005,5:31.
[34] da Costa Sousa JM, Kaymak U. Model predictive control using fuzzy decision functions[J]. IEEE Trans Syst Man Cybern B Cybern,2001,31(1):54-65.
[35] Cazelles B, Chavez M, Magny GC, et al. Time-dependent spectral analysis of epidemiological time-series with wavelets[J]. J R Soc Interface,2007,4(15):625-636.
[36] Johansson MA, Cummings DA, Glass GE. Multiyear climate variability and dengue-El Niño southern oscillation, weather, and dengue incidence in Puerto Rico, Mexico, and Thailand: a longitudinal data analysis[J]. PLoS Med,2009,6(11):e1000168.
[37] Beale L, Abellan JJ, Hodgson S, et al. Methodologie issues and approaches to spatial epidemiology[J]. Environ Health Perspect,2008,116(8):1105-1110.
[38] Fang LQ, Cao WC, Chen HX, et al. Study on the application of geographic information system in spatial distribution of hemorrhagic fever with renal syndrome in China[J].Chinese Journal of Epidemiology,2003,24(4):265-268.(in Chinese) 方立群,曹务春,陈化新,等.应用地理信息系统分析中国肾综合征出血热的空间分布[J].中华流行病学杂志,2003,24(4):265-268.
[39] Chen Z, Zhou XN, Yao ZQ, et al. Analysis of spatial relations of risk factors to infection rate of schistosomiasis in population[J]. Chinese Journal of Schistosomiasis Control,2005,17(5):324-327.(in Chinese) 陈朝,周晓农,姚振奇,等.血吸虫病人群感染危险因素空间关系分析[J].中国血吸虫病防治杂志,2005,17(5):324-327.
[40] Diuk-Wasser MA, Hoen AG, Cislo P, et al. Human risk of infection with Borrelia burgdorferi, the Lyme disease agent, in eastern United States[J]. Am J Trop Med Hyg,2012, 86(2):320-327.