血吸虫病疫情预测模型研究进展*

赵 浩 汪 鑫

(1南昌大学医学院公共卫生学院 江西南昌 330006;2九江学院基础医学院 江西九江 332000)

血吸虫病是由Theodor bilharz于1851年在埃及首次发现的一种寄生虫病，并由血吸虫的感染而引起的一种疾病［1］。血吸虫病在世界范围内已经感染了数百万人，在南非流行特别严重，在中东和东南亚依然是一个公共卫生问题，大约超过76个国家近6亿人口还在受到血吸虫病感染的危险［1］。据卫生部传染病疫情统计报告，2012年我国新发生的血吸虫病患者4 802例，比2011年度的4 483例增长了6.61%［2］。在对血吸虫疫情进行预测及防治策略的选择时，越来越多使用了疾病预测模型。流行病学家和应用数学家相继建立了多个预测模型对血吸虫病疫情进行预测。本文对血吸虫病疫情预测模型的研究进展进行了综述。

1 地理信息系统模型

地理信息系统 (geographical information system，GIS)是一门集计算机科学、地理学、测绘学、空间科学、信息学等为一体的新兴学科［3］，已用于疾病的监测、预测及卫生管理决策。Cross等［4］在1984年采用判别分析，通过收集气象资料和卫星遥感资料，预测了菲律宾血吸虫病流行区域，并根据地理信息资料和预测的疾病的发生概率绘制了疾病风险图，认为其预测结果可信并可推广应用［1］。Malone等［5］在埃及尼罗河成功应用GIS系统建立一个血吸虫病传播指数模型，并随后被应用到埃塞俄比亚、巴西、尼尔利亚［6，8］。2000年，世界卫生组织、联合国粮食及农业组织、路易斯安娜州立大学及丹麦血吸虫实验室倡导，在意大利Bellagio建立了由洛克菲勒基金资助的第一个全球合作的空间分析研究组织，旨在使卫生工作者和研究血吸虫病与空间预测模型的地学家有效地合作，从空间分析的角度建立血吸虫病及其他螺传疾病的空间模型。该模型整合应用GIS的方法、全球气候模型数据、来自地球观测卫星的遥感数据、疾病流行数据、宿主钉螺的分布及孳生数据、影响螺传疾病发展和繁殖的关键环境因素的数字地图［9］。周晓农等［10，13］等采用空间分析和叠置分析种群遗传学资料，应用温度和潜在蒸发指数 (地面水平衡系统)为基础的改良Malone公式计算血吸虫病传播指数，并结合校正植被指数 (NDVI)、AVHRR(advanced very high resolution radiometer)第4频道的温度分布图及高程分布图进行空间分析和地图重叠分析，发现血吸虫传播指数大于900的分布基本上与中国南部地区的血吸虫病流行区相吻合，重叠分布图显示了高危地区与长江流域的血吸虫病高发地区基本一致，佐证了中国大陆钉螺种群结构的理论，认为利用气象资料和卫星遥感资料来预测、预报血吸虫病流行范围和强度具有应用前景［1］，在1999年又利用江苏省境内及边缘地区的气象观察点资料，以AVHRR遥感资料得出不同季节的流行强度预测图，应用Logistic回归分析各个观察点的传播指数与现场血吸虫病发病率的关系，观察预测的正确率，预测总正确率为88.89%，2004年建立了全国血吸虫病气象GIS数据库，并构建了血吸虫病气候－传播模型，认为血吸虫病潜在流行区将随气候变暖出现北移，而北移敏感区是今后我国的监测工作重点。张治英等［14］应用地理信息系统结合空间扫描法检测江宁县江滩钉螺分布的空间聚集性，并同时采用变异函数定量分析钉螺空间分布特征，认为江滩钉螺分布的空间聚集性及自相关性，存在适合于钉螺孳生分布的因素。赵飞等［15］基于县级GIS构建空间数据库，同时收集现有病人数、流行县人口数等资料，运用SaTScan(satellite scan statistics)软件探测血吸虫病聚集区域，共探测出5个聚集区域，包括39个县 (区)，认为湖区5省沿江地区仍是血吸虫空间聚集的主要区域，尤以湖北、湖南交界地带空间聚集性最高、范围最大。

地理信息系统经历了20多年的发展，与遥感技术以及全球定位系统相结合，在血吸虫病领域得到了广泛的应用。随着现代科学技术的发展，疾病控制的监测预警模式，已由过去的手工、单一、静态、定性为主的监测方法发展为多时相、多因素、时空结合、定性、定量相结合的综合监测分析方式。由于RS(remote sensing)和 GPS(global positioning system)技术能为GIS系统提供更为丰富、及时、精确的空间资料，因而，基于该技术的疾病预测系统必将成为疾病控制监测预警发展的主要方向。

2 贝叶斯时空模型

近几十年来，随着疾病制图的统计方法的快速发展，贝叶斯模型在流行病学研究领域中的应用日益广泛，该模型能分析影响疾病发生的地理危险因素和小区域范围疾病潜在的或无法解释的协 变 量 效 应 的 残 差［16，17］。Yang 等［18］收 集 了1990—1998年江苏省47个县的血吸虫病的横断面资料，通过遥感卫星获得归一化植被指数 (NDVI)和地表温度 (LST)等气象资料，应用贝叶斯时空模型进行分析，最佳模型显示空间效应服从条件自回归过程，1990—1992年间江苏省血吸虫病空间自相关性明显下降，但随后逐渐上升，可能与大规模吡喹酮化疗控制了血吸虫发病率有关，结果还表明NDVI与日本血吸虫感染呈负相关，另外LST与血吸虫的流行呈正相关。王显红［19］和杨坤等［20］收集血吸虫病的查病数据和遥感提取的环境因子，在考虑血吸虫病检查方法灵敏度和特异度的不确定性和血吸虫时空格局的基础上，构建不同的血吸虫贝叶斯模型，筛选最佳模型，分析10年间血吸虫病的时空格局变化，并评估退田还湖工程对血吸虫病疫情的影响。

贝叶斯时空模型在同时分析疾病在时间和空间的分布格局和流行趋势有较大的优势，并对疾病的发病率和死亡率进行估计和制图，提示疾病相关危险因素供进一步流行病学研究。应用贝叶斯时空模型分析疾病数据时需注意以下几个问题:相关参数先验分布的假定，空间和时间效应的拟合形式，模型的比较与实现［21］。由于贝叶斯时空模型对复杂数据中时空信息分析的优势，及疾病认识先验经验信息的利用，将在疾病时空分布规律，预测及决策方面发挥越来越重要的作用。另外，许多研究表明，贝叶斯时空模型在分析小区域疾病资料时具有明显的优势，但对小区域的范围界定并无明显结论，在贝叶斯模型应用尺度上还待进一步研究［21］。

3 数学模型法

数学模型可对疾病复杂的流行过程作更典型、更精练、更定量的描述，以便从理论上揭示疾病流行的特征，以及预测疾病的发生和发展［22］。国内外的学者对血吸病疫情数学传播模型已进行了广泛和深入的研究，自Macdonal创建了第一个血吸虫病数学模型后［23］，随着计算机技术和相应软件的发展及多学科知识的引入，流行病学家和应用数学家从最初的仅仅只是针对某个传播环节指标的预测，逐渐发展到涉及血吸虫整个传播环节指标的预测，如Barbour双宿主模型、Malone模型及 Ross模型等［24，27］。Chen 等［28］应用数学模型发现血吸虫在牛与钉螺之间的传播对血吸病的流行起着关键的作用。赛晓勇等［29，33］分别应用灰色系统模型成功预测血吸虫病短期流行趋势。同时还应用时间序列分析在洞庭湖区双退试点预测退田还湖前后血吸虫疫情，结果显示ARIMA(autoregressive integrated moving average model)模型预测效果较好［34］。

运用数学模型模拟血吸虫病传播模式时，需要深入细致地分析各个环节及相互关系、影响因素，并能够全面反映传播的基本特征，清晰显示主要特征和流行趋势，避免混杂。因此，在建立模型时应可能减少假设前提和模型，模拟出简单有效的血吸虫病传播数学模型。

综上所述，血吸虫病预测工作是现代公共卫生发展的产物，预测模型的广泛应用还有很多的困难需要解决。但是随着科学技术的发展和研究人员对疾病的认识不断加深，想信在不久的将来必为血吸虫病的预测研究工作作出贡献，以期最终达到消灭血吸虫病，提高人民健康水平的目的。

［1］张志杰，彭文祥，姜庆五.空间分析在血吸虫病研究中的应用进展 ［J］.热带病与寄生虫学，2005，3(4):243.

［2］2012年度全国法定传染病疫情概况.http://www.moh.gov.cn/mohjbyfkzj/s3578/201303/f02d91321f524a66a9df357a53bd0cf0.shtml.

［3］边馥苓.GIS地理信息系统原理和方法 ［M］.北京:北京测绘出版社，1996.1.

［4］Cross ER，Perrine R，Sheffield C，et al.Predicting areas endemic for schistosomiasis using weather variables and a Landsat data base ［J］.Military Med，1984，149(4):542.

［5］Malone JB.Fasciolosis［M］.Dublin:CABI Publishing，1998.151.

［6］Bavia ME.Geographic information systems and the environmental risk of schistosomiasis in Bahia，Brazil［J］.Am J Trop Med Hyg，1999，60(4):566.

［7］Yilma JM and JB Malone.A geographic information system forecast model for strategic control of fasciolosis in Ethiopia ［J］.Vet Parasitol，1998，78(2):103.

［8］Ekpo UF，CF Mafiana，Geographical information system and predictive risk maps of urinary schistosomiasis in Ogun State，Nigeria ［J］.BMC Infect Dis，2008，56(8):74.

［9］Malone JB.A global network for the control of snail－borne disease using satellite surveillance and geographic information systems ［J］.Acta Trop，2001，79(1):7.

［10］周晓农，TK Kristensen，洪青标，等.利用地理信息系统数据库分析钉螺空间区域的分布［J］.中华预防医学杂志，1999，33(6):343.

［11］周晓农，胡晓抒，孙宁生，等.地理信息系统应用于血吸虫病的监测Ⅰ——应用预测模型的可能性 ［J］.中国血吸虫病防治杂志，1998，10(6):321.

［12］周晓农.胡晓抒.孙宁生.等.地理信息系统应用于血吸虫病的监测Ⅱ——流行程度的预测 ［J］.中国血吸虫病防治杂志.1999，11(2):66.

［13］Zhou XN，K Yang.Prediction of the impact of climate warming on transmission of schistosomiasis in China ［J］.Zhong Guo Ji Sheng Chong Xue Yu Ji Sheng Chong Bing Za Zhi，2004，22(5):262.

［14］张治英，徐德忠，彭华，等.江宁县江滩钉螺空间分布特征分析 ［J］.中国公共卫生，2004，20(3):262.

［15］赵飞，朱蓉，张利娟，等.SaTScan在湖沼型血吸虫病聚集区域探测中的应用 ［J］.中国血吸虫病防治杂志，2011，23(1):28.

［16］MacNab YC.Hierarchical bayesian spatial modelling of small area rates of non－rare disease［J］.Stat Med，2003，22(10):1761.

［17］Ashby D.Bayesian statistics in medicine:a 25 year review ［J］.Stat Med，2006，25(21):3589.

［18］Yang GJ，Vounatsou P，Zhou XN，et al.A Bayesian based approach for spatio temporal modeling of county level prevalence of Schistosoma japonicum infection in Jiangsu province，China［J］.Int J Parasitol，2005，35(2):155.

［19］Wang XH，Zhou XN.Bayesian spatio－temporal modeling of Schistosoma japonicum prevalence data in the absence of a diagnostic ＇gold＇standard ［J］.Plos Negl Trop Dis，2008，2(6):250.

［20］杨坤，周晓农，王显红，等.湖区某县日本血吸虫病时空模型的构建与应用 ［J］.中国血吸虫病防治杂志，2012，24(1):14.

［21］郑杨，李晓松.贝叶斯时空模型在疾病时空数据分析中的应用 ［J］.中华预防医学杂志，2010，44(12):1136.

［22］吴开琛.血吸虫病数学模型和传播动力学及应用 ［J］.中国热带医学，2005，5(4):837.

［23］Macdonald G.The dynamics of helmingth infections，with special reference to schistosomes［J］.Tram R Sue Tmp Med Hyg，1965，59(5):489.

［24］修良昌，张强，尹治成，等.Barbour双宿主模型简介及应用 ［J］.寄生虫病与感染性疾病，2008，6(l):12.

［25］Gray DJ，Williams GM，Li Y，et al.Transmission dynamies of Schistosoma Japonicum in the lakes and marshlands of China ［J］.plos One，2008，3(12):4058.

［26］Zhao A，Gong P，Bao SM.A readapted Malone schistosoma transmission index model［J］.Acta Trop，2009，109(2):98.

［27］李源培，周艺彪，姜庆五.血吸虫病传播数学模型的研究进展 ［J］.中国血吸虫病防治杂志，2009，21(6):568.

［28］Chen Z，Zou L，Shen D，et al.Mathematical model lingand control of Schistosomiasis in Hubei province，China ［J］.ActaTrop，2010，115(1 －2):119.

［29］赛晓勇，闫永平，徐德忠，等.应用灰色动态模型预测血吸虫病疫情 ［J］.中国地方病学杂志，2005，24(2):155.

［30］赛晓勇，邢秦菊，孟定茹，等.五种预测方法在退田还湖区血吸虫病发病的拟合效果评价［J］.第四军医大学学报，2006，27(17):1603.

［31］赛晓勇，闫永平，张治英，等.GM(1，1)模型在洞庭湖区濠口试点血吸虫病发病预测中的应用 ［J］.疾病控制杂志，2009，9(1):29.

［32］张姝，张强，尹治成.灰色模型在血吸虫感染率预测中的应用 ［J］.现代预防医学，2007，34(7):1291.

［33］张旭东，沈思魁，刘阳，等.应用灰色预测模型GM(1，1)对四川血吸虫病人群感染率进行分析及预测 ［J］.预防医学情报杂志，2012，28(3):181.

［34］赛晓勇，闫永平，张治英，等.时间序列分析预测洞庭湖区退田还湖试点血吸虫病疫情变化趋势 ［J］.中国寄生虫病防治杂志，2004，17(6):353.