论文部分内容阅读
目的探讨甘肃省2015-2019年布鲁氏菌病的时空聚集性,明确其高风险聚集时段和区域,进一步探讨高风险聚集区域中永昌县和靖远县各气象因素对布鲁氏菌病发病的暴露效应和滞后效应,并建立预测模型,预测布鲁氏菌病发病趋势,为甘肃省进一步开展积极有效的布鲁氏菌病防控工作提供科学依据。方法收集2015-2019年甘肃省各区县布鲁氏菌病月报告发病资料,以及同期永昌县和靖远县月平均气象资料。通过空间自相关分析和时空扫描分析探讨甘肃省布鲁氏菌病发病的时空聚集性。在高风险聚集区中,选择有代表性的西北部地区的永昌县和中部地区的靖远县作为研究地点,通过Spearman相关性分析分别筛选出两地与布鲁氏菌病发病相关的气象变量,通过建立分布滞后非线性模型分别探讨气象因素对永昌县和靖远县布鲁氏菌病发病的暴露效应和滞后效应。在永昌县建立基于历史病例数和气象因素的随机森林预测模型,同时建立季节自回归移动平均模型,根据R~2和RMSE等指标评价模型对布鲁氏菌病的预测效果。结果1.对甘肃省2015-2019年布鲁氏菌病发病进行线性趋势检验（linear-by-linear association）,结果显示发病率总体呈现逐年下降趋势（P＜0.05）。布鲁氏菌病发病曲线有明显的周期性趋势,发病大高峰为4-7月,小高峰为9-10月。2.全局空间自相关结果显示,2015-2019年甘肃省布鲁氏菌病发病Moran’s I值分别为0.442、0.422、0.368、0.418、0.483;Z值分别为5.47、6.11、5.78、7.00、7.25（P均＜0.01）,甘肃省各年发病均存在明显的正向空间自相关性。局部空间自相关结果显示,2015年高高聚集区主要集中在东北部及中部地区,2016年高高聚集区主要集中在东北部及中西部地区,2017-2019年均集中在中西部地区;2015-2019年低低聚集区主要位于东南部。时空扫描分析结果显示,2015-2019年甘肃省共探测出4个不同等级的聚集区域（P＜0.05）,一级聚集区包含16个区县,聚集时段为2018-2019年;二级聚集区包含20个区县,聚集时段为2015-2016年;三级聚集区包含7个区县,聚集时段为2015年;四级聚集区包含1个区县,聚集时段为2019年。3.分布滞后非线性模型结果显示永昌县月平均气温与布鲁氏菌病的暴露-反应关系呈J型,平均气温为20.5°C滞后0天时,RR值最大,为1.60（95%CI,1.130-2.265）;平均气温为-11°C,滞后0天时,RR值最小,为0.53（95%CI,0.336-0.849）。4.永昌县月平均风速与布鲁氏菌病的暴露-反应关系呈W型,风速为2m/s滞后0天时RR值最小,为0.19（95%CI,0.049-0.788）。5.永昌县、靖远县月平均气压与布鲁氏菌病的暴露-反应关系均呈倒V型。永昌县平均气压为790.5h Pa滞后1月时RR值最大,为1.12（95%CI,1.008-1.246）;平均气压为806.5h Pa滞后2月时RR值最小,为0.11（95%CI,0.025-0.497）。靖远县平均气压为857h Pa滞后2个月时RR值最大,为1.58（95%CI,1.153-2.171）;平均气压为861.5h Pa滞后2个月时RR值最小,为0.84（95%CI,0.737-0.977）。6.靖远县月平均日照时长与布病的暴露-反应关系呈S型,日照时长为305h滞后2个月时,RR值最大,为1.80（95%CI,1.123-2.875）;日照时长为295h滞后0天时,RR值最小,为0.69（95%CI,0.487-0.991）。7.靖远县月平均相对湿度与布鲁氏菌病的暴露-反应关系呈反J型,相对湿度为36%滞后1.5月时RR值最大,为1.41（95%CI,1.008-1.962）;相对湿度为68%滞后0天时RR值最小,为0.68（95%CI,0.474-0.997）。8.永昌县布病预测结果显示,随机森林模型中训练集的R~2和RMSE分别为0.903、1.609;测试集的R~2和RMSE分别为0.802和3.015,SARIMA模型中的R~2和RMSE分别为0.530、7.008。结论1.2015-2019年甘肃省布鲁氏菌病发病具有明显的季节趋势,发病大高峰出现在夏季,小高峰出现在秋季。2.2015-2019年甘肃省布鲁氏菌病发病具有明显的空间聚集性,高发聚集区逐渐从甘肃省中东部向中西部转移;其中永昌县、民勤县、凉州区、平川区等为主要聚集区,是甘肃省布鲁氏菌病防控的重点区域。3.永昌地区月平均气温与布鲁氏菌病发病的非线性关系呈J形,与平均风速呈W形。靖远地区相对湿度与布鲁氏菌病发病的非线性关系呈反J型,与日照时长呈S型。两地布鲁氏菌病发病与平均气压均呈倒V形。两地气象因素对布病发病的影响呈非线性,且存在滞后效应。4.在布病预测方面,基于历史病例数和气象因素的随机森林模型预测效果优于季节自回归移动平均模型。