Analysis on relationship between severe fever with thrombocytopenia syndrome and meteorological factors in Jiaodong area, Shandong, 2013−2022
-
摘要:目的
探究气象因素对山东省胶东地区发热伴血小板减少综合征（SFTS）发病的影响，为SFTS科学防控提供参考。
方法采用Quasi-Possion回归分析青岛、烟台、威海地区SFTS的发病与气象因素的关系，选择差异具有统计学意义的气象因素纳入分布滞后非线性模型（DLNM），构建各城市气象因素与SFTS发病的非线性暴露–反应关系，相对危险度（RR）及95% 置信区间（CI）为衡量指标。 同时，将估计参数纳入多元Meta模型，得到气象因素对SFTS发病的综合效应。
结果胶东地区SFTS发病存在明显的季节性和周期性，多数在6—9月发病；周平均温度高于13.65 ℃时，SFTS发病人数增多（RR=11.34，95%CI：8.37～15.70）；周平均相对湿度高于66.83%时，SFTS发病人数增多（RR=1.19，95%CI：1.02～1.39）；周平均气压高于1 011.37 hPa时，SFTS发病人数降低（RR=0.56，95%CI：0.36～0.84）；周平均风速高于3.27 m/s时，SFTS发病人数降低（RR=0.66，95%CI：0.58～0.75）；温度与SFTS存在非线性的累积和滞后效应，低温（−0.88 ℃和3.92 ℃）降低发病风险，高温（22.00 ℃和26.35 ℃）增加发病风险。
结论温度、相对湿度、气压、风速可能是胶东地区SFTS发病的影响因素，温度对SFTS发病存在非线性的滞后效应。
-
关键词:
- 发热伴血小板减少综合征 /
- 气象因素 /
- 影响因素 /
- 分布滞后非线性模型 /
- 多元Meta模型
Abstract:ObjectiveTo study the influence of meteorological factors on the incidence of severe fever with thrombocytopenia syndrome (SFTS) in Jiaodong area, Shandong province, and provide reference for the effective prevention and control of SFTS.
MethodsQuasi-Possion regression was used to analyze the relationship between the incidence of SFTS and meteorological factors in Qingdao, Yantai and Weihai, and meteorological factors with significant difference were selected to be included in the distributed lag non-linear models (DLNM), and a nonlinear exposure-response relationship between meteorological factors and the incidence of SFTS was established for Qingdao, Yantai and Weihai, respectively. The relative risk (RR) and 95% confidence interval (CI) were used as indicators. Meanwhile, the estimated parameters were incorporated into the multivariate meta-model to obtain the comprehensive effects of meteorological factors on SFTS.
ResultsObvious seasonality and cyclicity of SFTS incidence in Jiaodong were observed. Most of the cases occurred from June to September. When the weekly average temperature was higher than 13.65 ℃, the incidence of SFTS increased (RR=11.34, 95%CI: 8.37–15.70). When the weekly average relative humidity was higher than 66.83%, the incidence of SFTS increased (RR=1.19, 95%CI: 1.02–1.39). When the average air pressure was above 1011.37hPa, the incidence of SFTS decreased (RR=0.56, 95%CI: 0.36–0.84). When the average weekly wind speed was above 3.27 m/s, the incidence of SFTS decreased (RR=0.66, 95%CI: 0.58–0.75). There were nonlinear cumulative and lag effects of temperature on the incidence of SFTS: low temperature (−0.88 ℃ and 3.92 ℃) reduced the risk for SFTS, and high temperature (22.00 ℃ and 26.35 ℃) increased the risk for SFTS.
ConclusionIn Jiaodong, temperature, relative humidity, air pressure and wind speed were possible factors influencing the incidence of SFTS, and temperature had non-linear lag effect on the incidence of SFTS.
-
发热伴血小板减少综合征（severe fever with thrombocytopenia syndrome，SFTS）是2009年发现的一种新型的病毒性出血热。由布尼亚病毒目白纤病毒科班达病毒属的大别班达病毒感染引起，蜱叮咬是其主要传播方式［1–3］。2010－2018年，中国共报告实验室确诊病例7 721例，至2021年累计报告确诊病例数增长至13 006例［4–6］。SFTS传播地区分布广泛，在山东、河南、安徽等省份均有病例出现，病例集中于山地和丘陵地区［7］。山东省作为SFTS发病的重点省份之一，发病水平一直位居全国前列。胶东地区为山东省主要发病地区，2011－2021年烟台市和威海市累计报告病例占全国累计报告病例总数的12.69%［5］。既往研究表明SFTS发病受温度等气象因素影响［7–9］，但其中的非线性关系和滞后效应少有关注或研究精细度不足［4，8，10］。分布滞后非线性模型（distributed lag non-linear models，DLNM）是由分布滞后模型（distributed lag models，DLM）发展而来，常用于探究环境因素和疾病结局的暴露–反应关系及滞后效应［10–11］。本研究基于DLNM研究胶东地区SFTS发病与气象因素间的相关关系及滞后效应，为SFTS科学防控提供依据。
1. 资料与方法
1.1 资料来源
通过中国疾病预防控制信息系统收集2013年1月1日至2022年12月31日我国山东省青岛、烟台和威海地区SFTS确诊病例数据。于美国国家气候资料中心（NCDC，ftp.ncdc.noaa.gov/pub/data/noaa/isd-lite）收集气象数据，包括气温、气压、降水、风速、相对湿度。将病例及气象数据按周统计，构建周病例及周气象因素数据库。
1.2 统计学分析
对收集的病例数据和气温、气压等因素数据进行描述性分析，同时进行Spearman相关性分析，选择纳入模型的影响因素。采用广义线性模型（generalized linear model，GLM）对两者关系进行建模，SFTS发病和气象因素间关系，获得影响因素。建模时选择Quasi-Possion回归模型［12］。
通过GLM模型确定SFTS发病的影响因素，进一步分析其暴露–反应关系以及滞后效应。每个城市采取DLNM模型进行第一阶段建模，拟合采用广义相加模型（generalized additive model，GAM）。其基本模型如下：
log[E(Yt)]=α＋cb(Xt,1)＋ns(weather,df)＋ns(time,df×year) 其中，Yt为第t周的SFTS病例数，α为截距，cb（Xt，l）为气象因素的交叉基矩阵，l为最大滞后周数，设置为10，ns（weather，df）为其他气象因素的自然三次样条函数，其自由度为3。time则是用于控制长期趋势，其自由度为3/年。以上自由度和滞后周数根据以往研究和赤池信息准则来选择［13］。
对于每个特定城市的GAM，气象因素的交叉基项被简化为更简单的一维系数集和相应的暴露维度和滞后维度的协方差矩阵［14］。第二阶段建模本研究采用多元Meta模型对这些数据进行汇总，获得每个气象因素总体累计暴露–反应关系及特定值的滞后效应。暴露以各因素的中位数为参考值，计算相对危险度（relative risk，RR）和95% 置信区间（confidence interval，CI)。采用多元Cochran's Q检验（预先指定α=0.05）和 I2统计量评估异质性［15］。根据 I2统计量选择随机效应模型或固定效应模型，I2统计量＞50%时表明存在明显异质性，此时应选择随机效应模型。使用R 4.2.1软件“dlnm”、“mvmeta”等程序包建模。
2. 结果
2.1 基本情况
2013－2022年胶东地区累计报告SFTS 患者3 994例，占山东省病例总数的48.14%。其中，青岛市553例，烟台市2 260例，威海市1 181例。SFTS发病呈现明显的季节性，报告病例集中于6－9月。3市气温、相对湿度、降水、气压等气象因素变化呈现明显季节性（图1）。其中，每周平均温度最高为30.19 ℃，最低为−7.16 ℃；每周平均相对湿度最高为97.87%，最低为35.55%；每周累计降雨最高为427 mm，最低为0 mm；每周平均气压最高为1 030.53 hPa，最低为989.63 hPa；每周平均风速最高为10.04 m/s，最低为0.98 m/s；SFTS每周发病例数最高为36例，最低为0例（表1）。
![]()
图 1 2013－2022年胶东地区发热伴血小板减少综合征与气象因素的时序分布Figure 1. Time-series distribution of severe fever with thrombocytopenia syndrome and meteorological factors in Jiaodong, 2013−2022表 1 2013－2022年胶东地区周发热伴血小板减少综合征病例数及气象因素基本情况Table 1. Descriptive statistics of weekly severe fever with thrombocytopenia syndrome cases and meteorological factors in Jiaodong, 2013−2022变量 平均值 最小值 P25 P50 P75 最大值 周平均温度（℃） 13.14 −7.16 3.92 13.65 22.00 30.19 周平均相对湿度（%） 67.47 35.55 59.55 66.83 75.72 97.87 周累计降雨（mm） 14.86 0.00 0.33 3.08 15.74 427.00 周平均气压（hPa） 1010.79 989.63 1003.22 1011.37 1018.15 1030.53 周平均风速（m/s） 3.61 0.98 2.41 3.27 4.57 10.04 周发热伴血小板减少综合征病例数（例） 3.00 0.00 0.00 0.00 3.00 36.00 注：P25为第25百分位数，P50为第50百分位数，P75为第75百分位数 2.2 SFTS与气象因素的Spearman相关性分析
SFTS发病和气象因素的相关性分析结果显示，SFTS每周发病例数与周平均温度、周平均相对湿度、周累计降雨、周平均气压和周平均风速间均存在显著性关联（P＜0.05）。其中，周平均温度（r=0.67）、周平均相对湿度（r=0.39）、周累计降雨（r=0.34）与SFTS发病呈正相关，周平均气压（r=−0.57）、周平均风速（r=−0.15）与其呈负相关。故将周平均温度、周平均相对湿度、周累计降雨、周平均气压和周平均风速纳入Quasi-Possion模型（表2）。
表 2 2013－2022年胶东地区发热伴血小板减少综合征发病与气象因素的Spearman相关分析Table 2. Spearman correlation analysis on severe fever with thrombocytopenia syndrome and meteorological factors in Jiaodong, 2013−2022变量 周平均
温度周平均
相对湿度周累计
降雨周平均
气压周平均
风速周平均温度 周平均相对湿度 0.54a 周累计降雨 0.47a 0.59a 周平均气压 −0.86a −0.50a −0.51a 周平均风速 −0.22a −0.03 0.04 0.03 周发热伴血小板
减少综合征病例数0.67a 0.39a 0.34a −0.57a −0.15a 注：a. P<0.05 2.3 Quasi-Possion回归分析
对各个气象因素以中位数进行分组，进行Quasi-Possion回归分析。结果显示，周平均温度高于13.65 ℃时，SFTS发病数增多（RR=11.34，95%CI：8.37～15.70）；周平均相对湿度高于66.83%时，SFTS发病数增多（RR=1.19，95%CI：1.02～1.39）；周平均气压高于1 011.37 hPa时，SFTS发病数降低（RR=0.56，95%CI：0.36～0.84）；周平均风速高于3.27 m/s时，SFTS发病数降低（RR=0.66，95%CI：0.58～0.75）。共线性诊断显示各因素间不存在多重共线性（表3）。
表 3 2013－2022年胶东地区发热伴血小板减少综合征与气象因素的Quasi-Possion回归分析Table 3. Quasi-Possion regression analysis on severe fever with thrombocytopenia syndrome and meteorological factors气象因素 β值 s¯x P值 RR值(95%CI) 周平均温度 2.43 0.16 ＜0.05 11.34(8.37～15.70) 周平均相对湿度 0.18 0.07 ＜0.05 1.19(1.02～1.39) 周平均气压 −0.59 0.22 ＜0.05 0.56(0.36～0.84) 周平均风速 −0.42 0.07 ＜0.05 0.66(0.58～0.75) 注：β. 回归系数 2.4 DLNM及多元Meta分析
依据Quasi-Possion回归分析结果，选择周平均温度、周平均相对湿度、周平均气压、周平均风速4个气象因素作为研究变量。同时，考虑其他气象因素的影响，当其中1个气象因素作为研究变量时，其他气象因素则作为混杂因素纳入模型进行控制。考虑到周平均温度和周平均气压具有高度相关性（r=−0.86），两者不同时纳入模型中。
以温度中位数（13.65 ℃）作为参照值进行累积效应和特定温度滞后效应研究。胶东地区3市周平均温度与SFTS发病的总体累积效应曲线呈倒“U”形。周平均温度小于20.40 ℃时，RR值随温度升高而增加，周平均温度为20.40 ℃时达到RR峰值（RR=2.08，95%CI：1.37～2.80）；周平均温度大于20.40 ℃时RR值缓慢减少（图2）。
![]()
图 2 2013－2022年胶东地区发热伴血小板减少综合征发病数与周平均温度的累积效应图Figure 2. Cumulative effect plot of severe fever with thrombocytopenia syndrome case count and weekly mean temperature in Jiaodong, 2013−2022选择周平均温度的P5（−0.88 ℃）、P25（3.92 ℃）、P75（22.00 ℃）及P95（26.35 ℃）为特定温度，分析其与SFTS发病间的滞后效应。温度为−0.88 ℃和3.92 ℃的低温状态时，气温对SFTS发病的滞后效应分布曲线表现为明显上升趋势。温度为22.00 ℃和26.35 ℃的高温状态时，气温对SFTS发病的滞后效应分布曲线表现为明显下降趋势。高温为26.35 ℃时，滞后0周时RR值（RR=1.59，95%CI：1.01～2.48）最高，SFTS发病风险最大，滞后0～1周和7～10周有统计学意义，滞后0～1周有明显的危险效应。高温为22.00 ℃时，滞后0周时RR值（RR=1.73，95%CI：1.23～2.43）最高，SFTS发病风险最大，滞后0～5周具有明显的危险效应。低温为−0.88 ℃和3.92 ℃时，滞后0周时SFTS发病风险最低，RR值分别为 0.37（95%CI：0.26～0.54）和 0.53（95%CI： 0.48～0.59），低温在滞后0～6周时具有明显的保护效应。其他气象因素的累积效应和滞后效应变化无统计学意义（图3）。
![]()
图 3 2013－2022年胶东地区特定温度与发热伴血小板减少综合征滞后效应分布图Figure 3. Distribution of lag effect of specific temperature and severe fever with thrombocytopenia syndrome in Jiaodong, 2013−20223. 讨论
SFTS是一种蜱传自然疫源性传染病，山东省SFTS主要传播媒介为长角血蜱［16–17］。自2009年首次发现疾病以来，每年发病人数和波及的地域范围不断增加［16，18］。本研究显示2013－2022年，山东省48.14%的SFTS确诊病例集中在胶东地区3市（青岛、烟台、威海）。与既往研究相似，韩璐怿等［19］研究发现山东省SFTS发病主要集中于胶东地区、济南、泰安等地。该病在胶东地区呈现明显的周期性和季节性，病例多集中每年的6－9月。每年的病例数总体呈增加趋势，2020年SFTS确诊病例则明显下降，这可能与胶东地区人口流动性下降有关。Li等［20］的研究结果发现，由于受到防控措施影响，人群流动受到限制，自然疫源性疾病发病率下降。
既往研究显示，气象因素（温度、相对湿度、气压、风速等）会通过影响传播途径及人群，继而影响SFTS的发病 [19，21–23］。气象因素可能会对蜱发育、繁衍及活动范围产生影响，从而影响SFTS的发生［22］。王旭等［21］对威海市温度与SFTS发病的关系研究发现温度超过14 ℃时发病率上升，这与本研究结果相似。蜱作为冷血节肢生物，其生长发育对温度、湿度有一定的要求。当到达适宜温度、湿度范围时，蜱发育和繁殖能力增强，而长期存于干燥低温的环境，会降低蜱寿命，减少蜱接触人群的概率［24–25］。本研究结果显示，周平均相对湿度较高（＞66.83%）的情况下SFTS发病风险明显增高，这与Wu等［26］研究相似。但是，过高的相对湿度会降低SFTS通过媒介生物叮咬传播的机会，这可能与植被表面形成露珠有关，露珠的存在会影响蜱虫在植被上活动［17，24］。同时，风速会影响空气湿度，降低蜱生存时间，从而影响疾病发生［17，26］。而蜱往往生活在气压较低的山地、丘陵地区，这使生活在低气压环境的人群更容易患SFTS［27］。此外，气象因素变化对人群的行为、抵抗力也会产生影响：温度湿度升高时，人类的外出活动频率会有所增加，同时衣着覆盖人类体表面积下降。这些行为会导致人类接触外界蜱、被蜱叮咬的机会增加［28］。较低气压和风速则可能会使人体的氧分压降低，导致人体对疾病的抵抗力降低，从而增加人群对SFTS的易感性。而这些因素导致登山爱好者、农业从事者等群体比其他人群更容易罹患SFTS［29–32］。胶东地区地处沿海，内有丘陵，与山东省其他内陆地区相比，温度、湿度等气象因素均存在较大差异，这也导致了胶东地区SFTS发病人数高于其他地区［19，23］。
通过DLNM及多元Meta分析将胶东地区威海、烟台、青岛3市的SFTS发病与温度结果拟合，胶东地区温度与SFTS之间存在相关的非线性累积效应和滞后效应。与既往研究类似［32］，温度与SFTS的总累积效应RR值先渐渐升高，然后降低，曲线呈倒“U”形，RR值峰值温度20.40 ℃低于Sun等［33］研究峰值23 ℃，温度差异可能是研究地区地理位置不同导致。本研究还发现，高温是SFTS发病的危险因素，高温和低温有着不同滞后模式，高温对SFTS发病促进的持续时间短于低温的保护作用时间，这与Sun等［33］研究结果相似。此外，较低温度（3.92 ℃）时滞后7～10周的保护效应消失，一般认为，较低温度会使蜱虫生存率降低，死亡数量增加。但是，部分蜱虫在冬季低温的自然环境生活时会处于较为适宜环境，低温对蜱存活影响会有所降低，反而频繁的气温变化会对蜱虫的存活造成严重不利的影响［34］。
综上，本研究发现胶东地区温度、相对湿度、气压、风速等气象因素影响着SFTS的发病情况，温度对SFTS的发病存在滞后效应，提示高温季节结束后短时间内应继续做好个人防护措施，特别是户外活动较多的人群，如农民在秋季农忙季节应穿着长衣长裤，减少皮肤暴露机会，降低蜱叮咬风险。根据本研究结果，建议胶东地区疾病控制机构在进行SFTS监测时应考虑纳入气象因素，适时调整SFTS防控政策，建立多点多源监测预警平台，及时发布监测预警信息，做好健康提示。此外，本研究存在一定局限性，由于在构建模型时未纳入蜱密度等宿主媒介监测情况，未能直接评估蜱与SFTS发病的相关关系。近年来山东省加强了对重点地区蜱密度及带病毒情况监测工作，在未来的研究中将进一步深入分析，提高监测工作的科学性和准确性，并采取有效措施减少发病和死亡。
利益冲突 所有作者均声明不存在利益冲突
-
![]()
图 1 2013－2022年胶东地区发热伴血小板减少综合征与气象因素的时序分布
Figure 1. Time-series distribution of severe fever with thrombocytopenia syndrome and meteorological factors in Jiaodong, 2013−2022
![]()
图 2 2013－2022年胶东地区发热伴血小板减少综合征发病数与周平均温度的累积效应图
Figure 2. Cumulative effect plot of severe fever with thrombocytopenia syndrome case count and weekly mean temperature in Jiaodong, 2013−2022
![]()
图 3 2013－2022年胶东地区特定温度与发热伴血小板减少综合征滞后效应分布图
Figure 3. Distribution of lag effect of specific temperature and severe fever with thrombocytopenia syndrome in Jiaodong, 2013−2022
表 1 2013－2022年胶东地区周发热伴血小板减少综合征病例数及气象因素基本情况
Table 1 Descriptive statistics of weekly severe fever with thrombocytopenia syndrome cases and meteorological factors in Jiaodong, 2013−2022
变量 平均值 最小值 P25 P50 P75 最大值 周平均温度（℃） 13.14 −7.16 3.92 13.65 22.00 30.19 周平均相对湿度（%） 67.47 35.55 59.55 66.83 75.72 97.87 周累计降雨（mm） 14.86 0.00 0.33 3.08 15.74 427.00 周平均气压（hPa） 1010.79 989.63 1003.22 1011.37 1018.15 1030.53 周平均风速（m/s） 3.61 0.98 2.41 3.27 4.57 10.04 周发热伴血小板减少综合征病例数（例） 3.00 0.00 0.00 0.00 3.00 36.00 注：P25为第25百分位数，P50为第50百分位数，P75为第75百分位数 
下载: 导出CSV
表 2 2013－2022年胶东地区发热伴血小板减少综合征发病与气象因素的Spearman相关分析
Table 2 Spearman correlation analysis on severe fever with thrombocytopenia syndrome and meteorological factors in Jiaodong, 2013−2022
变量 周平均
温度周平均
相对湿度周累计
降雨周平均
气压周平均
风速周平均温度 周平均相对湿度 0.54a 周累计降雨 0.47a 0.59a 周平均气压 −0.86a −0.50a −0.51a 周平均风速 −0.22a −0.03 0.04 0.03 周发热伴血小板
减少综合征病例数0.67a 0.39a 0.34a −0.57a −0.15a 注：a. P<0.05
下载: 导出CSV
表 3 2013－2022年胶东地区发热伴血小板减少综合征与气象因素的Quasi-Possion回归分析
Table 3 Quasi-Possion regression analysis on severe fever with thrombocytopenia syndrome and meteorological factors
气象因素 β值 s¯x P值 RR值(95%CI) 周平均温度 2.43 0.16 ＜0.05 11.34(8.37～15.70) 周平均相对湿度 0.18 0.07 ＜0.05 1.19(1.02～1.39) 周平均气压 −0.59 0.22 ＜0.05 0.56(0.36～0.84) 周平均风速 −0.42 0.07 ＜0.05 0.66(0.58～0.75) 注：β. 回归系数
下载: 导出CSV
-
[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] Chen RF, Huang WJ, Wang YC. Pseudotyped virus for bandavirus[M]//Wang YC. Pseudotyped Viruses. Singapore: Springer, 2023: 265–277. DOI: 10.1007/978−981−99−0113−5_14.
[3] Kuhn JH, Adkins S, Alioto D, et al. 2020 taxonomic update for phylum Negarnaviricota (Riboviria : Orthornavirae), including the large orders Bunyavirales and Mononegavirales[J]. Arch Virol, 2020, 165(12): 3023−3072. DOI: 10.1007/s00705−020−04731−2.
[4] Miao D, Liu MJ, Wang YX, et al. Epidemiology and ecology of severe fever with thrombocytopenia syndrome in China, 2010–2018[J]. Clin Infect Dis, 2021, 73(11): e3851−3858. DOI: 10.1093/cid/ciaa1561.
[5] 陈秋兰, 朱曼桐, 陈宁, 等. 2011-2021年全国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,2022,43(6):852−859. DOI:10.3760/cma.J.cn112338−20220325−00 228. Chen QL, Zhu MT, Chen L, et al. Epidemiological characteristics of severe fever with thtrombocytopenia syndrome in China, 2011–2021[J]. Chin J Epidemiol, 2022, 43(6): 852−859. DOI: 10.3760/cma.j.cn112338−20220325−00228. DOI: 10.3760/cma.J.cn112338−20220325−00228.
[6] 李昱, 杨明, 牟笛, 等. 2010-2017年全国发热伴血小板减少综合征流行特征分析[J]. 中国急救复苏与灾害医学杂志,2018,13(11):1076−1079. DOI:10.3969/j.issn.1673−6966.2018.11.011. Li Y, Yang M, Mou D, et al. Epidemiological analysis of severe fever with thrombocytopenia syndrome from 2010 to 2017, China[J]. China J Emerg Resusc Disaster Med, 2018, 13(11): 1076−1079. DOI: 10.3969/j.issn.1673−6966.2018.11.011.
[7] 孔庆福, 马晓洁, 刘凤凤, 等. 2023年6月中国需关注的突发公共卫生事件风险评估[J]. 疾病监测,2023,38(6):631−635. DOI: 10.3784/jbjc.202306190277. Kong QF, Ma XJ, Liu FF, et al. Risk assessment of public health emergencies concerned in China, June 2023[J]. Dis Surveill, 2023, 38(6): 631−635. DOI: 10.3784/jbjc.202306190277.
[8] Sun JM, Wu HX, Lu L, et al. Factors associated with spatial distribution of severe fever with thrombocytopenia syndrome[J]. Sci Total Environ, 2021, 750: 141522. DOI: 10.1016/j.scitotenv.2020.141522.
[9] Du ZH, Wang ZQ, Liu YX, et al. Ecological niche modeling for predicting the potential risk areas of severe fever with thrombocytopenia syndrome[J]. Int J Infect Dis, 2014, 26: 1−8. DOI: 10.1016/j.ijid.2014.04.006.
[10] Ponjoan A, Blanch J, Alves-Cabratosa L, et al. Extreme diurnal temperature range and cardiovascular emergency hospitalisations in a Mediterranean region[J]. Occup Environ Med, 2021, 78(1): 62−68. DOI: 10.1136/oemed−2019−106245.
[11] Gasparrini A, Armstrong B, Kenward MG. Distributed lag non-linear models[J]. Stat Med, 2010, 29(21): 2224−2234. DOI: 10.1002/sim.3940.
[12] Yu P, Xu RB, Li SS, et al. Exposure to wildfire-related PM2.5 and site-specific cancer mortality in Brazil from 2010 to 2016: a retrospective study[J]. PLoS Med, 2022, 19(9): e1004103. DOI: 10.1371/journal.pmed.1004103.
[13] Karimkhani C, Dellavalle RP, Coffeng LE, et al. Global skin disease morbidity and mortality: an update from the global burden of disease study 2013[J]. JAMA Dermatol, 2017, 153(5): 406−412. DOI: 10.1001/jamadermatol.2016.5538.
[14] Fong FC, Smith DR. Exposure-lag response of air temperature on COVID-19 incidence in twelve Italian cities: a Meta-analysis[J]. Environ Res, 2022, 212: 113099. DOI: 10.1016/j.envres.2022.113099.
[15] Sera F, Armstrong B, Blangiardo M, et al. An extended mixed-effects framework for Meta-analysis[J]. Stat Med, 2019, 38(29): 5429−5444. DOI: 10.1002/sim.8362.
[16] Zhang X, Zhao CY, Cheng CY, et al. Rapid spread of severe fever with thrombocytopenia syndrome virus by parthenogenetic Asian longhorned ticks[J]. Emerg Infect Dis, 2022, 28(2): 363−372. DOI: 10.3201/eid2802.211532.
[17] 柳絮飞, 周在豹, 王巍, 等. 气象因子对长角血蜱寻觅活动的影响[J]. 林业科学,2020,56(6):68−75. DOI:10.11707/j.1001−7488.20200607. Liu XF, Zhou ZB, Wang W, et al. Influence of weather factors on questing activity of Haemaphysalis longicornis[J]. Sci Silvae Sin, 2020, 56(6): 68−75. DOI: 10.11707/j.1001−7488.20200607.
[18] McGeehin MA, Mirabelli M. The potential impacts of climate variability and change on temperature-related morbidity and mortality in the United States[J]. Environ Health Perspect, 2001, 109(S2): 185−189. DOI: 10.1289/ehp.109−1240665.
[19] 韩璐怿, 田雪莹, 高琦, 等. 基于MaxEnt的山东省SFTS影响因素评估及风险区域预测[J]. 山东大学学报(医学版),2023,61(4):103−110,118. DOI:10.6040/j.issn.1671−7554.0.2022.1106. Han LY, Tian XY, Gao Q, et al. MaxEnt modeling to analyze influencing factors of severe fever with thrombocytopenia syndrome and predict the potential distribution in Shandong province[J]. J Shandong Univ (Health Sci), 2023, 61(4): 103−110,118. DOI: 10.6040/j.issn.1671−7554.0.2022.1106.
[20] Li HP, Ling F, Zhang SY, et al. Comparison of 19 major infectious diseases during COVID-19 epidemic and previous years in Zhejiang, implications for prevention measures[J]. BMC Infect Dis, 2022, 22(1): 296. DOI: 10.1186/s12879−022−07301−w.
[21] 王旭, 张丹丹, 郑兆磊, 等. 威海市发热伴血小板减少综合征与气象因素关系[J]. 山东大学学报(医学版),2018,56(8):114−120. DOI:10.6040/j.issn.1671−7554.0.2018.459. Wang X, Zhang DD, Zheng ZL, et al. Relationship between severe fever with thrombocytopenia syndrome and meteorological factors in Weihai city[J]. J Shandong Unive (Health Sci), 2018, 56(8): 114−120. DOI: 10.6040/j.issn.1671−7554.0.2018.459.
[22] Liu Q, He B, Huang SY, et al. Severe fever with thrombocytopenia syndrome, an emerging tick-borne zoonosis[J]. Lancet Infect Dis, 2014, 14(8): 763−772. DOI: 10.1016/S1473−3099(14)70718−2.
[23] 姜晓林, 张晓梅, 逄博, 等. 山东省发热伴血小板减少综合征时空流行特征分析[J]. 中国人兽共患病学报,2020,36(9):740−745. DOI:10.3969/j.issn.1002−2694.2020.00.112. Jiang XL, Zhang XM, Pang B, et al. Temporal-spatial analysis of severe fever with thrombocytopenia syndrome (SFTS) in Shandong province, China[J]. Chin J Zoonoses, 2020, 36(9): 740−745. DOI: 10.3969/j.issn.1002−2694.2020.00.112.
[24] Heath ACG. Biology, ecology and distribution of the tick, Haemaphysalis longicornis Neumann (Acari: Ixodidae) in New Zealand[J]. N Z Vet J, 2016, 64(1): 10−20. DOI: 10.1080/00480169.2015.1035769.
[25] Nieto NC, Holmes EA, Foley JE. Survival rates of immature Ixodes pacificus (Acari: Ixodidae) ticks estimated using field-placed enclosures[J]. J Vector Ecol, 2010, 35(1): 43−49. DOI: 10.1111/j.1948−7134.2010.00026.x.
[26] Wu HC, Wu C, Lu QB, et al. Spatial-temporal characteristics of severe fever with thrombocytopenia syndrome and the relationship with meteorological factors from 2011 to 2018 in Zhejiang province, China[J]. PLoS Negl Trop Dis, 2020, 14(4): e0008186. DOI: 10.1371/journal.pntd.0008186.
[27] Wang Y, Pang B, Ma W, et al. Spatiotemporal analysis of severe fever with thrombocytopenia syndrome in Shandong province, China, 2014–2018[J]. BMC Public Health, 2022, 22(1): 1998. DOI: 10.1186/s12889−022−14373−5.
[28] 杨锟, 吴起乐, 赵志荣, 等. 2013-2022年安徽省马鞍山市发热伴血小板减少综合征流行特征及时空聚集性分析[J/OL]. 疾病监测, 2023: 1–9[2023−11−30].https://kns.cnki.net/kcms2/article/abstract?v=fsvnL9wA1q0NqW4x8WrocTNBPji6fwC4iPIGX4d2YiwM5zAqbPejY876Kf3shGI4umBoi-e-2_WvRK_AFCmgPXphL8WC3ZBtswM-LeFKkt-dsNKwWo_FWVUggXBvkQ9L2NjjfWTQfkI=&uniplatform=NZKPT&language=CHS. Yang K, Wu QY, Zhao ZR, et al. Epidemiological characteristics and spatiotemporal aggregation analysis of severe fever with thrombocytopenia syndrome in Maanshan city, Anhui province from 2013 to 2022[J/OL]. Dis Surveill, 2023: 1–9[2023−11−30].https://kns.cnki.net/kcms2/article/abstract?v=fsvnL9wA1q0NqW4x8WrocTNBPji6fwC4iPIGX4d2YiwM5zAqbPejY876Kf3shGI4umBoi-e-2_WvRK_AFCmgPXphL8WC3ZBtswM-LeFKkt-dsNKwWo_FWVUggXBvkQ9L2NjjfWTQfkI=&uniplatform=NZKPT&language=CHS.
[29] Cho G, Lee S, Lee H. Estimating severe fever with thrombocytopenia syndrome transmission using machine learning methods in South Korea[J]. Sci Rep, 2021, 11(1): 21831. DOI: 10.1038/s41598−021−01361−9.
[30] Liu K, Cui N, Fang LQ, et al. Epidemiologic features and environmental risk factors of severe fever with thrombocytopenia syndrome, Xinyang, China[J]. PLoS Negl Trop Dis, 2014, 8(5): e2820. DOI: 10.1371/journal.pntd.0002820.
[31] Tao MY, Liu Y, Ling F, et al. Severe fever with thrombocytopenia syndrome in southeastern China, 2011–2019[J]. Front Public Health, 2022, 9: 803660. DOI: 10.3389/fpubh.2021.803660.
[32] 张磊, 尤恩情, 赵科伕, 等. 生活环境和户外劳作对成人感染发热伴血小板减少综合征的影响分析[J]. 现代预防医学,2020,47(10):1869−1872. Zhang L, You EQ, Zhao KF, et al. Analyzing the impacts of living environment and outdoor work on infection of severe fever with thrombocytopenia syndrome in adults[J]. Mod Prev Med, 2020, 47(10): 1869−1872.
[33] Sun JM, Lu L, Yang J, et al. Association between severe fever with thrombocytopenia syndrome incidence and ambient temperature[J]. Am J Trop Med Hyg, 2018, 98(5): 1478−1483. DOI: 10.4269/ajtmh.17−0991.
[34] Herrmann C, Gern L. Survival of Ixodes ricinus (Acari: Ixodidae) nymphs under cold conditions is negatively influenced by frequent temperature variations[J]. Ticks Tick Borne Dis, 2013, 4(5): 445−451. DOI: 10.1016/j.ttbdis.2013.05.002.
计量
- 文章访问数: 187
- HTML全文浏览量: 40
- PDF下载量: 49
