扩展功能
文章信息
- 岳玉娟, 任东升, 刘起勇
- YUE Yu-juan, REN Dong-sheng, LIU Qi-yong
- 2005-2013年中国大陆登革热疫情时空分布
- Spatial-temporal distribution of dengue fever in the mainland of China, 2005-2013
- 疾病监测, 2015, 30(7): 555-560
- Disease Surveillance, 2015, 30(7): 555-560
- 10.3784/j.issn.1003-9961.2015.07.008
-
文章历史
- 收稿日期:2014-12-11
登革热是登革病毒经蚊媒传播引起的急性虫媒传染病。临床表现为高热、头痛、肌肉疼痛、骨关节剧烈酸痛、皮疹、出血倾向、淋巴结肿大、白细胞计数减少、血小板减少等。是东南亚地区儿童死亡的主要原因之一[1]。登革热发生流行时,轻型患者和隐性感染者占大多数,可能成为重要的传染源并引发疫情暴发[2]。自1779年出现登革热以来,该病主要流行于东南亚、太平洋岛屿和加勒比海地区[3]。1978年广东省佛山市发生新中国成立以来的首次登革热疫情,自此以后的30多年,登革热在广东和海南等地流行,4种血清型病毒均有出现,迄今我国发生登革热暴发或流行以及本地感染病例的地区有广东、广西、海南、云南、浙江、福建、台湾、澳门、香港等[4, 5]。19782008年间,共报告登革热病例655 324例,死亡610例[5]。本研究对20052013年中国大陆登革热疫情展开分析,掌握中国大陆登革热疫情时空分布特征,以便有的放矢,明确今后的防控工作重点。
1 材料与方法 1.1 资料来源20052013年中国31个省、直辖市和自治区(未包括台湾省、香港和澳门特别行政区)的登革热疫情数据,来源于“中国疾病预防控制信息系统” 中“传染病报告信息管理系统”的登革热临床诊断和实验室诊断的病历卡数据。相应地区人口资料来自于国家统计局。
1.2 方法 1.2.1 构建地理信息数据库建立包括地理编码、经度和纬度等信息的登革热病例地理信息数据库,建立各省、直辖市和自治区的人口信息数据库,包括各地区地理编码、年份及对应人口数。
1.2.2 空间自相关分析空间自相关(spatial autocorrelation)分析,以全局指数探测整个研究区内的空间聚集模式,以局部指标评估每一空间单元与临近单元同一属性的相关程度,检验每个空间单元相对于整体其空间自相关是否足够显著,从而判断研究单元在空间“高-高”、“高-低”、“低-高”和“低-低”的分布[6]。
全局型空间自相关(Global indication of spatial autocorrelation,GISA)系数全局Moran's I指数反映的是空间邻接或空间邻近区域单元属性值的相似程度。全局Moran's I的取值范围介于-1~1。全局Moran's I越接近于1,表示空间单元之间关系越密切,性质越相似,整体呈现聚集性分布(高值聚集或低值聚集);全局Moran's I越接近于-1,表示整体呈现离散型分布,样本之间差异越大或分布越不集中;全局Moran's I为0,表示整体随机性分布[7]。全局空间相关空间权重矩阵采用反距离加权法,表示空间单元之间距离越近,相关性越高。全局Moran's I可以通过标准化统计量Z进行空间自相关的统计学检验,检验水准为α=0.05。全局Moran's I的计算公式如下[8]:
其中,n为样本数;yi和yj分别为i 和 j点的属性值;y为所有点的均值;Wij为衡量空间事物之间关系的权重矩阵。
局部型自相关分析(local indication of spatial autocorrelation,LISA)用于反映一个区域与邻近区域的相关程度。Moran散点图用来研究局部的空间不稳定性。Moran散点图分4个象限,分别对应于区域单元与其邻近单元之间4种类型的局部空间联系形式,能够进一步区分区域单元和邻近单元之间属于高值和高值、低值和低值、高值和低值、低值和高值中的具体空间联系形式[9]。局部Moran's I是衡量观测单元属性与其周边单元属性相近或差异程度的指标,在Z检验的基础上(P≤0.05)绘制LISA积聚图[7]。局部Moran's I的计算公式如下[8]:
其中,n为样本数;yi和yj分别为i 和 j点的属性值;y为所有点的均值;Wij为衡量空间事物之间关系的权重矩阵。
1.2.3 时空聚集性分析SaTScan时空扫描软件是以空间动态窗口扫描统计为基础,通过计算不同圆心、不同半径下动态窗口区域内与动态窗口区域外空间单元属性的似然比(Log Likelihood Ratio,LLR)进行统计学判断。LLR值越大且差异具有统计学意义,则表示该动态窗口下所含区域为聚集区域的概率越大[10, 11]。本研究采用回顾性空间分析方法,采用Possion模型展开分析,分别以登革热病例数为病例数据,以常住人口数为人口数据,以各省质心坐标为空间分析数据进行分析。检验水准为α=0.05。
1.3 统计学分析应用ArcGIS 10.0软件构建地理信息数据库,GeoDa 1.2.0软件对各年度登革热疫情开展空间自相关分析,SaTScan 9.3软件进行时空聚集性分析。
2 结果 2.1 基本情况病例的地区分布按照现住址统计,20052013年中国大陆报告的登革热总病例数为8107例,年均发病率为0.0682/10万;广东省和云南省的年均发病率明显高于其余省。广东省具有最高年均发病率,为0.5690/10万,见图 1。中国大陆登革热主要是输入病例,本地病例比例不大。20052013年云南、广西、广东、海南、福建和浙江省(自治区)有本地病例发生,图 1中的其余省均为输入性病例。
2.2 登革热空间自相关分析20052013年登革热发病分布的Moran 散点图以及聚集性分析见图 2。20052013年中国大陆地区登革热疫情呈明显聚集性分布。2005、2007和2010-2012年全局型空间自相关系数Moran's I均具有统计学意义。局部自相关分析结果表明,2005、2007和2010-2011 年广东省处于“高-高”区域;2005、2007和2010年,福建省处于“高-高”区域;2011年和2012年,海南省处于“高-高”区域;2006、2008、2009和2013年中国大陆所有地区均未呈现“高-高”区域。
2.3 登革热时空聚集性分析时空扫描聚类分析表明,一级聚类区域位于除2005年和2011年外的广东省,2008年和2013年的广西、海南、贵州和云南省(自治区),2007年的福建省,2009年的浙江省,而2005年和2011年中国大陆没有出现一级聚类区域(表 1,因聚类分级信息较多,表中只列出了一级聚类区域信息)。属于一级聚类区的这些省份,在其余年份(20052013年)分属于二级聚类区,除此之外,还有一些未曾是一级聚类区的省份属于二级聚类区,如2005年的湖南、江西、江苏等,具体请参照图 3各年的时空聚类分析。
年份 | 省份 | 一级聚类区 | ||
对数似然比 | 相对危险度 | P值 | ||
2006 | 广东 | 2493.725 399 | 295.11 | <0.05 |
2007 | 广东 | 724.241 753 | 32.25 | <0.05 |
福建 | 139.403 461 | 9.07 | <0.05 | |
2008 | 广西、 海南、 贵州、 广东、 云南 | 172.536 100 | 11.18 | <0.05 |
2009 | 浙江 | 448.820 999 | 40.98 | <0.05 |
2010 | 广东 | 209.123 012 | 14.94 | <0.05 |
2012 | 广东 | 883.241 209 | 38.86 | <0.05 |
2013 | 广西、 海南、 贵州、 广东、 云南 | 6708.338 177 | 72.46 | <0.05 |
本研究采用Moran' I 空间自相关分析和时空扫描聚类分析方法,对20052013年全国31个省、直辖市和自治区登革热疫情进行回溯性研究。空间自相关分析和时空扫描聚类分析均表明广东省登革热发病高度活跃,说明该地区登革热的防控形势不容乐观。其地理环境、自然生态系统环境、气候特征以及社会因素的变化(外来人口多,人口流动大等),可对登革热在该地区的传播流行产生一定的影响。广东是中国南部临近香港和澳门的一个省份,经济发展迅速,贸易活跃,境内外人口流动大。广东省是典型的亚热带季风气候,具有湿热的夏季,温暖的冬季。而湿热气候,有利于登革热疾病的传播载体蚊虫的孳生与生长。登革热疫情流行与气温、降雨量等气候因子密切相关,因此广东省气候有利于登革热的流行与传播[12, 13, 14, 15, 16]。20052013年登革热疫情时空分布分析表明,除沿海省份广东、海南和福建形成空间聚类外,云南、四川、湖南、江西等中西部部分省份形成了登革热的时空聚类,因此应该对上述地区的登革热防控加以重视,加强主动监测,广泛开展宣传及健康教育和控蚊灭蚊工作。
基于全局Moran's I和LISA指标进行空间自相关分析时,并未考虑时间的影响,而在实际工作当中,时间性和空间性均是观测对象的基本属性,二者缺一不可,因此仅利用空间自相关分析判断聚集性特征时,结果缺乏时效性[17]。与传统的流行病学描述方法相比,时空扫描聚类分析方法由于事先并未对时空聚集性的大小、位置和规模做任何先验假定,可以避免研究者对传染病高发区域的主观判断和选择偏倚[18, 19]。联合应用空间自相关分析和时空扫描分析可以实现从静态到动态的转换,充分融合时空技术,从而提高准确性和实用性[20]。地理信息系统(geographic information system,GIS)、全球定位系统(global positioning system,GPS)和遥感(Remote Sensing,RS),简称为3S技术,应用于传染病监测与防控,有助于快速掌握发病区域分布,分析疾病疫情以及预测疾病疫情分布,以便及时调整防控策略,提高效率,节省人力物力资源,减少传统防控中基于报告病例数量和发病率而开展分析的局限性,为将来制定更富针对性的防控措施和确定重点防控区域提供参考和依据。
目前,空间分析仍有许多问题有待探讨,最小空间尺度的选择是学者普遍关注的问题之一。本研究的空间尺度是以省为单位,没有考虑市、区、镇,具体空间尺度要参照研究目的和研究数据。如何尽量排除由于疾病漏报、重报和误报等对研究结果的干扰,也是研究者普遍关注的问题之一[21]。登革热病例上报过程中,就存在跨省就医患者信息登记在所就医省或患者发病在外省却登记在原籍的情况,如何有效快速的解决这类问题对研究结果的影响非常重要。
本研究目的在于探索登革热在中国大陆的时空地域聚集性特征,是根据病例现住地址统计,没有区分本地病例和输入性病例。根据国内外文献和实地考察,得出云南、广西、广东、海南、福建和浙江沿海6省(自治区)发生了本地病例,其余省(直辖市、自治区)几乎都是输入性病例。事实上,下载的登革热病历卡数据对于是否本地病例记录不详细,给划分本地病例和输入病例造成了困难。本研究某种程度上呈现了近年来登革热的时空聚集特征,具有一定的参考价值和意义。
[1] | Fan JC, Liu QY. Research progress on the effect of climate change on dengue vector[J]. Chinese Journal of Epidemiology,2013,34(7):745-749. (in Chinese) 樊景春,刘起勇.气候变化对登革热传播媒介影响研究进展[J]. 中华流行病学杂志,2013,34(7):745-749. |
[2] | Yi B, Xu R, Lao XY, et al. Epidemiological features and vector monitoring of dengue fever from 2005 to 2012 in Ningbo, China[J]. Chinese Journal of Vector Biology and Control,2014,25(3):267-269. (in Chinese) 易波,徐荣,劳旭影,等.宁波市2005-2012年登革热流行情况及其传播媒介调查[J]. 中国媒介生物学及控制杂志,2014,25(3):267-269. |
[3] | Hay SI, Graham AJ, Rogers DJ. Global mapping of infectious diseases: methods, examples and emerging applications[M]. Oxford: Elsevier,2007:82-211. |
[4] | Du JW, Pan XH. Prevalent status and features of dengue fever in China[J]. Chinese Journal of Epidemiology,2010, 31(12):1429-1433. (in Chinese) 杜建伟,潘先海.中国登革热流行概况与流行特征[J]. 中华流行病学杂志,2010,31(12):1429-1433. |
[5] | Wu JY, Lun ZR, James AA, et al. Dengue fever in mainland China[J]. Am J Trop Med Hyg,2010,83(3):664-671. |
[6] | Tsai PJ, Lin ML, Chu CM, et al. Spatial autocorrelation analysis of health care hotspots in Taiwan in 2006[J]. BMC Public Health,2009,9:464. |
[7] | Zhao F, Wang LX, Cheng SM, et al. Analysis on the spatial clustering of tuberculosis based on provincial level in China from 2008 to 2010[J]. Chinese Journal of Epidemiology,2013,34(2):168-172. (in Chinese) 赵飞,王黎霞,成诗明,等.中国2008-2010年结核病空间分布特征分析[J].中华流行病学杂志,2013,34(2):168-172. |
[8] | Wang JF. Spatial analysis[M]. Beijing: Science Press,2006. (in Chinese) 王劲峰. 空间分析[M]. 北京: 科学出版社,2006. |
[9] | Ma YJ, Xu JG. A study on the spatial-temporal development of regional economic disparities in Henan province based in ESDA[J]. Soft Science,2006,20(5):51-54. (in Chinese) 麻永建,徐建刚.基于ESDA的河南省区域经济差异的时空演变研究[J]. 软科学,2006,20(5):51-54. |
[10] | Song C, Kulldorff M. Power evaluation of disease clustering tests[J]. Int J Health Geogr,2003,2(1):9. |
[11] | Stelling J, Yih WK, Galas M, et al. Automated use of WHONET and SaTScan to detect outbreaks of Shigella spp. using antimicrobial resistance phenotypes[J]. Epidemiol Infect,2009,138(6):873-883. |
[12] | Wang CG, Jiang BF, Fan JC, et al. A study of the dengue epidemic and meteorological factors in Guangzhou, China, by using a zero-inflated poisson regression model[J]. Asia Pac J Public Health,2014,26(1):48-57. |
[13] | Fan J, Lin H, Wang C, et al. Identifying the high-risk areas and associated meteorological factors of dengue transmission in Guangdong province, China from 2005 to 2011[J]. Epidemiol Infect,2014,142(3):634-643. |
[14] | Liu CX, Liu QY, Lin HL, et al. Spatial analysis of dengue fever in Guangdong province, China, 2001-2006[J]. Asia Pac J Public Health,2014,26(1):58-66. |
[15] | Wang CG, Yang WZ, Fan JC, et al. Spatial and temporal patterns of dengue in Guangdong province of China[J]. Asia Pac J Public Health,2015,27(2):844-853. |
[16] | Sang S, Yin W, Bi P, et al. Predicting local dengue transmission in Guangzhou, China, through the influence of imported cases, mosquito density and climate variability[J]. PLoS One,2014,9(7):e102755. |
[17] | Wang PA, Luo WH, Bai YP. Comparative analysis of aggregation detection based on spatial autocorrelation and spatial-temporal scan statistics[J]. Human Geography,2012,27(2):119-127. (in Chinese) 王培安,罗卫华,白永平.基于空间自相关和时空扫描统计量的聚集比较分析[J].人文地理,2012,27(2):119-127. |
[18] | Goujon-Bellec S, Demoury C, Guyot-Goubin A, et al. Detection of clusters of a rare disease over a large territory: performance of cluster detection methods[J]. Int J Health Geogr,2011,10: 53. |
[19] | Liao YL, Wang JF, Yang WZ, et al. A study on detecting multi-dimensional clusters of infectious diseases[J]. Acta Geograhica Sinica,2012,67(4):435-443. 廖一兰,王劲峰,杨维中,等.传染病多维度聚集性探测方法[J].地理学报,2012,67(4):435-443. |
[20] | Guan P, Cao S, Huang DS, et al. Spatio-temporal distribution characteristics of syphilis in mainland China, 2005-2011[J]. Chinese Journal of Infection Control,2014,13(5):257-262. (in Chinese) 关鹏,曹爽,黄德生,等.2005-2011年中国大陆梅毒疫情时空分布[J]. 中国感染控制杂志,2014,13(5):257-262. |
[21] | Ma Y, Li XS, Zhang YL. Spatial scale selection of space-time statistic method analysis on the application in surveillance for infectious diseases[J]. Modern Preventive Medicine,2011,38(9):1601-1604. (in Chinese) 马越,李晓松,张彦利.扫描统计量在传染病监测应用中的空间尺度选择[J]. 现代预防医学,2011,38(9):1601-1604. |