2017, Vol. 32扩展功能
文章信息
- 任书华, 梁娴, 杜长慧
- REN Shu-hua, LIANG Xian, DU Chang-hui
- 四川省成都市甲型H1N1流行性感冒时空分布特征分析
- Analysis of spatial-temporal distribution of influenza A (H1N1) pdm09 in Chengdu
- 疾病监测, 2017, 32(8): 641-645
- Disease Surveillance, 2017, 32(8): 641-645
- 10.3784/j.issn.1003-9961.2017.08.008
-
文章历史
- 收稿日期：2017-03-16
2009年甲型H1N1流感的全球大流行，警示现代化的航空口岸为传染病跨地域传播提供了快速通道，加速了传染病的全球化，清晰、明确地表明航空口岸在传染病防控中起关键作用[1-2]。虽然近年来不同领域研究者对甲型H1N1流感进行了大量研究，但针对航空口岸输入性甲型H1N1流感时空传播规律的研究在国内则少有报道。本研究通过对成都航空口岸输入性甲型H1N1流感的回顾性分析，较全面地分析了其时空传播规律，为未来新型传染病的暴发防控与分析研究提供科学依据、理论支持。
1 资料与方法 1.1 资料来源通过航空口岸输入的甲型H1N1流感病例资料来自成都市疾病预防控制中心和四川省出入境检验检疫局的流调报告。2009年5月9日至12月31日成都市甲型H1N1流感数据来自传染病报告信息管理系统，均为确诊病例，病例信息包括性别、年龄、职业、工作单位、现住址、发病日期、报告单位和报告卡录入时间等。剔除标识为“已删除”和“现住址不详”的报告卡，结果共收集1 321张有效报告卡。
病例的空间分布是基于传染病报告管理对“现住地址”的定义。现住地址指患者发病时的住址，若专程至外地就诊，应以病例的常住地为准；外出或至外地工作、出差、旅游等期间患病，应以工作地、寄宿或宾馆等地址为准。依据该定义，输入病例是指在成都市就诊隔离的现住地址不在成都市的病例，依据归属地的不同，输入病例又可细分为国外输入病例(现住址在国外)、省外输入病例(现住址不在四川省)和省内输入病例(现住址在四川省但不在成都市)。本地病例是指就诊、隔离和现住地址均在成都的病例。
1.2 数据处理与分析采用SAS 9.4软件对数据进行时空描述性分析；采用ArcGIS 10.2软件进行统计地图制作和空间自相关分析。
空间自相关分析采用全局空间自相关Moran′s I指数和局部空间自相关Local Moran′s I指数两个指标[3]。全局Moran′s I指数反映的是区域单元属性值在整体地理空间上的自相关性特征，其计算公式[4]：
| $I = \frac{{n\sum {_{i = 1}^n} \sum {_{i = 1}^n} {w_{ij}}({x_i} - \bar x)({x_j} - \bar x)}}{{\sum {_{i = 1}^n} \sum {_{i = 1}^n} {w_{ij}}\sum {_{i = 1}^n} {{({x_i} - \bar x)}^2}}}$ |
其中n是研究区域所有子区域的数量，xi和xj分别为区域i和j的变量属性值，x为整体研究区域变量属性值的均值，wij是研究区域i和j的空间临近关系。
局部空间自相关Local Moran′s I指数可以揭示区域化变量的局部异常聚集状况与局部不稳定性特征，其计算公式[5]：
| ${I_i} = \frac{{n({x_i} - \bar x)\sum _{j = 1}^n{w_{ij}}({x_j} - \bar x)}}{{\sum _{j = 1}^n{{({x_i} - \bar x)}^2}}}$ |
其中n、xi、xj和wij的定义与全局Moran′s I指数的相同。
2 结果 2.1 基本情况1 321例病例中，输入性病例90例(占6.81%)；在输入性病例中，国外输入性病例比例最高，占48.89%。本地病例1 231例(占93.19%)。
研究对象男性占55.66%，女性占44.34%；平均年龄(15.95±1.69) 岁，其中输入病例的年龄稍大，平均年龄(18.56±1.96) 岁，尤其是国外输入病例，其平均年龄为(20.50±1.77) 岁；本地病例的平均年龄较小，为(15.69±1.69) 岁；职业以学生为主，占74.69%，其中本地病例的学生比例最高，占75.95%，见表 1。
| 病例分类 | 性别(%) | 年龄 (岁) | 学生 (%) | |
| 男 | 女 | |||
| 输入病例 | 64.44 | 35.56 | 18.56±1.96 | 58.89 |
| 国外输入病例 | 54.55 | 45.45 | 20.50±1.77 | 62.96 |
| 省外输入病例 | 66.67 | 33.33 | 17.60±1.79 | 40.00 |
| 省内输入病例 | 54.84 | 45.16 | 16.00±2.33 | 58.06 |
| 本地病例 | 55.08 | 44.92 | 15.69±1.69 | 75.95 |
| 合计 | 55.66 | 44.34 | 15.95±1.69 | 74.69 |
7月之前以输入病例为主，之后本地病例数开始超过输入病例数，8月末后本地病例数远远超过输入病例数。
成都市首例(也是全国首例)甲型H1N1流感病例出现在5月9日，到6月底输入性病例达到峰值8例，该峰值的出现是因为来自美国的旅游团内发生了甲型H1N1流感聚集性疫情，之后的病例数均未超过8例，12月22日之后再未出现过输入性病例。
成都本地病例的流行曲线总体上呈现扩散暴发模式，8月31日之前属于扩散期，从8月31日开始至国庆假日前属于第1个暴发期，国庆之后至11月上旬属于第2个暴发期，11月中旬至12月中旬属于第3个暴发期；第1个暴发期峰值较高，第2个暴发期峰值最高，且病例数也较多；第3个暴发期输入疫情的后期，峰的形状较平，峰值也较低，病例数也较少。见图 1。
|
| 图 1 2009年5月9日-12月31日成都市甲型H1N1流感日新增病例数变化曲线 Figure 1 Daily incidence curve of influenza A (H1N1) pdm09, May 9-December 31, 2009 |
| |
国外输入病例主要来自美国、新加坡、澳大利亚、英国等，见图 2；省外输入病例主要来自中国香港、广东省、上海市等，见图 3；省内输入病例主要来自眉山市、德阳市、绵阳市等，见图 4。
|
| 图 2 2009年5月9日-12月31日成都市国外输入性甲型H1N1流感病例的空间分布 Figure 2 Spatial distribution of influenza A (H1N1) pdm09 cases from foreign countries in Chengdu, May 9-December 31, 2009 |
| |
|
| 图 3 2009年5月9日-12月31日成都市国内输入性甲型H1N1流感病例的空间分布 Figure 3 Spatial distribution of influenza A (H1N1) pdm09 cases from other provinces in Chengdu, May 9-December 31, 2009 |
| |
|
| 图 4 2009年5月9日-12月31日成都市省内输入性甲型H1N1流感病例的空间分布 Figure 4 Spatial distribution of influenza A (H1N1) pdm09 cases from other areas of Sichuan in Chengdu, May 9-December 31, 2009 |
| |
甲型H1N1流感累计发病数在126~222例之间(占总发病数的42.35%)的均位于主城区，分别是青羊区(222)、高新区(175) 和武侯区(162)；在40~125例之间的(占47.12%)共有6个区，其中3个区位于主城区，分别是金牛区(125)、成华区(112) 和锦江区(101)，另3个区位于中层城区，分别是温江区(113)、龙泉驿区(90)、双流县(81)。由上可知，主城6区(青羊、高新区、武侯区、金牛区、成华区、锦江区)发病较高，其累计发病数占总发病数的68.86%。除郫县、新都外，成都市中层城区的区(县)累计发病数也较高。外层城区的累计发病数普遍较低，见图 5。
|
| 图 5 2009年5月9日-12月31日成都市各区、县累计发病数分布 Figure 5 Spatial distribution of cumulative cases of influenza A(H1N1) pdm09 in Chengdu, May 9-December 31, 2009 |
| |
对成都市20个区、市、县的甲型H1N1流感发病数进行探索性分析，结果Moran′s I指数(0.410) 差异有统计学意义(Z=4.546，P=0.001)。为进一步分析成都市甲型H1N1流感热点区(聚集区)和冷点区(散发区)。本研究在全局自相关分析的基础上采用了局部自相关分析，结果如表 2和图 6。
| 区(县) | Local Moran′s I | z值 | P值 | 聚集类型 |
| 青羊区 | 1.195 | 5.057 | ＜0.001 | H-H |
| 锦江区 | 0.773 | 3.022 | 0.003 | H-H |
| 成华区 | 0.495 | 2.220 | 0.026 | H-H |
| 金牛区 | 0.658 | 2.879 | 0.004 | H-H |
| 高新区 | 0.842 | 3.628 | ＜0.001 | H-H |
| 武侯区 | 0.530 | 2.880 | 0.004 | H-H |
| 新都区 | -0.650 | -2.189 | 0.029 | L-H |
| 大邑县 | 0.655 | 1.060 | 0.289 | - |
| 邛崃市 | 0.632 | 1.025 | 0.305 | - |
| 蒲江县 | 0.642 | 0.716 | 0.474 | - |
| 都江堰市 | 0.835 | 0.916 | 0.360 | - |
| 彭州市 | 0.835 | 0.916 | 0.360 | - |
| 新津县 | -0.925 | -1.647 | 0.100 | - |
| 崇州市 | 0.689 | 0.765 | 0.445 | - |
| 温江区 | 0.632 | 1.537 | 0.124 | - |
| 双流县 | 0.210 | 0.771 | 0.441 | - |
| 郫县 | -0.471 | -1.086 | 0.278 | - |
| 龙泉驿区 | 0.305 | 1.052 | 0.293 | - |
| 金堂县 | 0.389 | 0.456 | 0.649 | - |
| 青白江区 | 0.067 | 0.269 | 0.788 | - |
| 注：聚类类型:H-H表示高-高区，L-H表示低-高区，-表示无统计学意义 | ||||
|
| 图 6 2009年5月9日-12月31日成都市甲型H1N1流感发病数局部空间自相关分析 Figure 6 Results of partial spatial autocorrelation analysis on incidence of influenza A (H1N1) in Chengdu, May 9-December 31, 2009 |
| |
成都市“高-高(H－H)”区域主要集中在主城6区，即青羊区、锦江区、成华区、金牛区、高新区和武侯区，其对应的局部Moran′s I指数均大于0，呈现空间正相关，提示发病高，且与发病高的区域相邻。位于中层城区的新都区为“低-高(L－H)”区域，呈现空间负相关，即具有空间异质性，该区域发病低，但与发病高的区域相邻。其他区域的局部空间自相关差异无统计学意义。
3 讨论成都地区甲型H1N1流感时间分布呈现扩散暴发模式。疫情经历约3个月的社区扩散期后，进入“双峰三期”式的暴发期。出现第1个高峰的原因可能是9月上、中旬学生刚开学不久，大量易感人群聚集发病；第2个高峰出现的原因一方面国庆假期效应有关，另一方面与流感高发季节到来加速了甲型H1N1流感的流行。世界卫生组织4月24日开始公布全球甲流疫情流行情况，5月9日成都市出现中国大陆首例甲型H1N1流感病例，说明此次甲型H1N1流感传播速度快，意味着现代化的全球航空体系和全球化背景下日益频繁的人类活动缩短了传染源和易感人群的距离，为甲型H1N1流感跨地域传播提供了有利条件[6-8]。暴发期比首发病例入境时间晚了3个多月，表明政府采取的“外堵输入，内防扩散”的疫情防控措施是有效的，推迟了疫情高峰期的到来[9]。
大多数输入病例来自于经济发达的国家或地区，如国外输入病例多来自美国、新加坡、英国等；国内输入病例多来自香港和广东地区。省内输入病例也多来自经济相对好的地市，如眉山、绵阳和德阳市等。这与“经济越发达的区域，传播风险越高”的研究结论类似[10]。经济发达国家、地区间的经济贸易、旅游活动及其他方面的交往频繁，新发传染病很容易借助便捷的航空运输工具进行跨大洲、跨国家或地区的“跳跃式”的传播[11-12]。相关研究也表明，早期病例主要通过航空口岸由北美洲疫区输出到世界各地[13]。另一方面也与疫情的空间传播规律有关，甲型H1N1流感疫情由疫情严重的地区向疫情较轻或无疫情的地区传播。从全球来看，美国、英国、新加坡的疫情比中国严重，国内方面，东南沿海的疫情比内地的疫情严重。
成都地区甲型H1N1流感疫情空间分布的异质性较强。甲型H1N1流感病例在空间分布上差异较大，从中心城区至外层城区方向呈递减趋势，大多数病例集中在主城6区和中层城区的个别区、县，部分中层城区和所有外层城区的区、县病例数较低。主城6区具有空间聚集性，是高风险区域[5]。新都区是“低-高(L-H)”区域，说明相对于西南部的金牛区和成华区，该区病例较少，但面临高发区向低发区扩散的风险。其他区域未检出空间自相关性，提示相对于主城区其空间聚集性风险低。近距离接触是甲型H1N1流感的主要传播途径，青少年是其主要发病人群，主城6区人口稠密、学校密集、交通便利、人口流动强度大，为甲型H1N1流感的快速传播和聚集提供了良好基础，因此相对周边区、县，主城6区更易出现空间聚集性，利于甲型H1N1流感的暴发、流行[14]。因此在防控措施上应因地制宜。
本研究将空间统计学技术引入到流行病学领域，采用可视化方法直观地呈现研究区内病例空间分布的异质性[15-16]，从而为选择重点研究区域、重点防控区域、现场调查区域等提供依据，对传染病的防控具有重要意义。
作者贡献:
任书华 ORCID：0000-0002-8071-709X
任书华：数据的收集、整理、分析和论文的撰写
梁娴：课题的设计者和负责人
杜长慧：提供部分数据和资料
| [1] |
Neatherlin J, Cramer EH, Dubray C, et al. Influenza A(H1N1) pdm09 during air travel[J]. Travel Med Infect Dis, 2013, 11(2): 110-118. DOI:10.1016/j.tmaid.2013.02.004 |
| [2] |
Chang XS, Wang ZJ, He W, et al. Research of function and development on joint prevention and control system of airport[J]. Chinese Frontier Health Quarantine, 2013, 36(3): 203-205, 210. (in Chinese) 常晓松, 王志杰, 何纬, 等. 航空口岸输入性传染病"一点四支撑"联防联控技术体系的成效及发展研究[J]. 中国国境卫生检疫杂志, 2013, 36(3): 203-205, 210. |
| [3] |
Dong W, Yang K, Xu QL, et al. A predictive risk model for A(H7N9) Human infections based on spatial-temporal autocorrelation and risk factors:China, 2013-2014[J]. Int J Environ Res Public Health, 2015, 12(12): 15204-15221. DOI:10.3390/ijerph121214981 |
| [4] |
Hu BS, Gong JH, Zhou JP, et al. Spatial-temporal characteristics of epidemic spread in-out flow-Using SARS epidemic in Beijing as a case study[J]. Science China Earth Sciences, 2013, 43(9): 1499-1517. (in Chinese) 胡碧松, 龚建华, 周洁萍, 等. 疾病传播输入输出流的时空特征分析——以北京SARS流行为例[J]. 中国科学:地球科学, 2013, 43(9): 1499-1517. |
| [5] |
Anselin L. Local indicators of spatial association-LISA[J]. Geogr Anal, 1995, 27(2): 93-115. |
| [6] |
Colizza V, Barrat A, Barthélemy M, et al. The role of the airline transportation network in the prediction and predictability of global epidemics[J]. Proc Natl Acad Sci USA, 2006, 103(7): 2015-2020. DOI:10.1073/pnas.0510525103 |
| [7] |
Baker MG, Thornley CN, Mills C, et al. Transmission of pandemic A/H1N12009 influenza on passenger aircraft:retrospective cohort study[J]. BMJ, 2010, 340: c2424. DOI:10.1136/bmj.c2424 |
| [8] |
Zhuang QY, Wang SC, Wu ML, et al. Epidemiological and risk analysis of the H7N9 subtype influenza outbreak in China at its early stage[J]. Chin Sci Bull, 2013, 58(26): 3183-3187. DOI:10.1007/s11434-013-5880-5 |
| [9] |
Zeng G, Zhang LJ. How does China response A/H1N1 influenza pandemic more effectively[J]. Chinese Journal of Epidemiology, 2009, 30(7): 653-655. (in Chinese) 曾光, 张丽杰. 中国如何更好地应对甲型H1N1流感大流行[J]. 中华流行病学杂志, 2009, 30(7): 653-655. |
| [10] |
Li X, Tian H, Lai D, et al. Validation of the gravity model in predicting the global spread of influenza[J]. Int J Environ Res Public Health, 2011, 8(8): 3134-3143. |
| [11] |
Young N, Pebody R, Smith G, et al. International flight-related transmission of pandemic influenza A(H1N1) pdm09:an historical cohort study of the first identified cases in the United Kingdom[J]. Influenza Other Respi Viruses, 2014, 8(1): 66-73. DOI:10.1111/irv.2013.8.issue-1 |
| [12] |
Khan K, Eckhardt R, Brownstein JS, et al. Entry and exit screening of airline travellers during the A(H1N1) 2009 pandemic:a retrospective evaluation[J]. Bull World Health Organ, 2013, 91(5): 368-376. DOI:10.2471/BLT.12.114777 |
| [13] |
Fraser C, Donnelly CA, Cauchemez S, et al. Pandemic potential of a strain of influenza A (H1N1):early findings[J]. Science, 2009, 324(5934): 1557-1561. DOI:10.1126/science.1176062 |
| [14] |
Xiao H, Tian HY, Zhao J, et al. Influenza A (H1N1) transmission by road traffic between cities and towns[J]. Chin Sci Bull, 2011, 56(24): 2613-2620. DOI:10.1007/s11434-011-4598-5 |
| [15] |
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. |
| [16] |
Qian HK, Cao ZD, Wang XL, et al. Study on the epidemiologic characteristics of influenza A (H1N1) 2009 based on spatial autocorrelation analysis in Beijing[J]. International Journal of Virology, 2011, 18(6): 183-187. (in Chinese) 钱海坤, 曹志冬, 王小莉, 等. 基于空间自相关分析的北京市甲型H1N1流感流行特征研究[J]. 国际病毒学杂志, 2011, 18(6): 183-187. |