基于不同參數的空間掃描統計量方法在傳染病暴發探測中的效果比較*

李小洲王勁峰楊維中李中杰賴圣杰廖一蘭

基于不同參數的空間掃描統計量方法在傳染病暴發探測中的效果比較*

李小洲1王勁峰2△楊維中3李中杰3賴圣杰3廖一蘭2

目的根據不同傳染病，比較和篩選空間掃描統計量方法適宜的預警參數，從而更好地應用于傳染病暴發早期探測預警。方法以2009年湖南省報告的痢疾和山東省報告的手足口病的病例與暴發事件為數據來源，以靈敏度和陽性預測率為評價指標，比較空間掃描統計量30種參數設置方案對不同傳染病的預警效果。結果對于痢疾，將4天的病例數按1階權重取和后再進行空間掃描統計量預警運算，具有最優的預警效果；對于手足口病，將當前病例數采用3天的病例數之和再進行預警運算，具有最佳的預警效果。結論采用空間掃描統計量進行傳染病暴發預警時，不同傳染病具有不同的最優參數，但下一步應根據傳染病的不同發病水平，進一步篩選最優參數。

空間掃描統計量 傳染病 早期預警

盡早發現傳染病暴發，及時采取有效的控制措施，可有效降低疾病造成的發病和死亡，因此如何在早期探測發現暴發事件是公共衛生領域始終關注的一個熱點問題［1］。在2003年SARS暴發后，我國建立了一套基于互聯網的國家“疾病監測信息報告管理系統”，該系統使全國各級各類醫療衛生機構可通過互聯網，將法定報告傳染病的個案信息實時地報告至國家傳染病監測數據庫［2］。

傳染病暴發一般表現為局部范圍內的病例數異常上升，但可能發生病例聚集的地區范圍無法事先作出預測。空間掃描統計量方法［3-4］是由Dr.Kulldorff提出的一種探測空間聚集性的統計方法，在傳染病暴發預警方面也已經有了廣泛的應用，例如美國紐約市的癥狀監測預警系統［5-6］。使用空間掃描方法可以探測到局部的病例聚集區域，發出預警信號，為疾控機構調查核實和防控提供幫助。

已有的研究［7-9］一般將空間掃描統計量方法直接用于各病種的探測，未能夠根據不同疾病的特點，設置相應適合的預警參數。因此，本研究根據不同傳染病的特點，比較和篩選空間掃描統計量方法不同的預警參數，從而更好地應用于傳染病暴發早期探測預警。

數據來源與方法

1.數據來源

本研究選取2009年1月1日至12月31日，“疾病監測信息報告管理系統”中報告的湖南省痢疾和山東省手足口病病例，以及“突發公共衛生事件報告管理信息系統”報告的相應省份和病種的暴發事件作為數據源。

2.方法

（1）空間掃描統計量方法介紹

該方法主要具有三個特點［3-4］：一是考慮了在整個研究區域內，具有患病風險的人口數具有非均勻分布的特點；二是對于聚集區域的范圍、位置都不需要預先判斷，就可以探測出實際發生聚集的具體位置和范圍；三是對于探測到的聚集性區域，可以進行統計推斷，幫助用戶判斷這種聚集是否隨機偶然出現。

空間掃描統計量方法的主要步驟如下［3-4］：

首先，列出所有可能發生病例聚集的候選聚集區域。然后，利用各個候選區域已知的病例數和具有患病風險的人口數，一般也可以用該區域的人口普查數據代替，計算出每個候選聚集區域的似然比值。計算似然比值時，需要假定，至少在某一個候選聚集區域內的患病風險值，大于該區域外的患病風險值。其中，具有最大似然比值的候選聚集區域即為最大可能性病例聚集區域。最后，通過Monte Carlo模擬方法對所探測到的最大可能性聚集區域進行統計學檢驗，計算P值。P值小于設定的預警閾值，即認為該區域存在病例聚集。參照國家傳染病自動預警系統的運行方式［1］，本研究對各縣每天分別進行空間掃描，尋找和判斷病例的聚集性區域（包含1個或若干個鄉鎮），并發出預警信號。

（2）參數設置和測試方案

我們每天都需要把空間掃描統計量方法應用于各鄉鎮上報的病例數據，以便及時地探測到可能的傳染病暴發事件。對于每天病例數的預處理方式和預警閥值P的選擇，是本方法在應用中的主要可調整參數。不同的參數設置可能會導致非常不同的預警效果。考慮到不同地區不同疾病的傳播規律會有較大的區別，本研究一共設計并提出了30套參數方案。利用已經收集到的病例數據進行測試，希望從中選擇出適合特定區域、特定病種的最優參數。每一套參數包括以下三種可調的參數：

（1）為計算當前病例數所取的時間范圍。一共需要利用前面多少天的病例數來計算得到病例數當前值？我們設定的預警方案有四種選擇，分別是當天數據、當天以及前1天、當天以及前2天、當天以及前3天。利用“疾病監測信息報告管理系統”的個案數據，可以得到每個鄉鎮的每日報告病例數。利用每個鄉鎮當天以及前面若干天的報告病例數據，經預處理之后，作為該鄉鎮的當前病例數，再應用到空間掃描統計量方法中進行探測預警。

（2）對病例數如何預處理。對前面多少天的病例數據進行了何種預處理以得到當前值？如果只利用當天數據，則顯然不需要預處理。如果計算當前值考慮到了前面若干天的病例數據，則需要對不同的時間所得到的病例數值賦予不同的權重，然后取和得到新的當前值［10］。我們設c（i）表示某個鄉鎮在第i天上報的實際病例數，C（i）表示在第i天參與預警運算時的當前值。假設我們利用了當天以及前2天的病例數據，則C（i）＝f（c（i-2），c（i-1），c（i）），f（）表示某種預處理函數。我們設定的預警方案可以選擇三種預處理函數。

其中fs（）表示直接取和，f1（）表示對每日病例數賦予一階權重系數，f2（）表示對每日病例數賦予二階權重系數。

（3）預警閾值：分別設定了三種閾值，0.01、0.02、0.03。

將上面的三種參數的不同設定值進行組合，共產生30套不同的預警參數方案，如表1所示。

3.評價指標

本研究中我們對于研究區域（湖南省和山東省）內的每一個縣（由若干個鄉組成）、每一天分別采用以上設定的30種不同預警參數進行空間掃描。本文中利用“突發公共衛生事件報告管理信息系統”中報告的傳染病暴發事件數據作為評判預警信號的參考標準。每起暴發事件信息包括每日報告病例數、報告日期和病例所在的鄉鎮。本研究選定暴發首次報告病例日期為暴發開始時間，末次報告病例日期為暴發結束時間，二者之間為暴發持續時間。在此期間，預警方法發出1個及以上信號且預警信號探測到的病例聚集鄉鎮在暴發事件當日報告病例所在鄉鎮范圍內，即認為探測到該起暴發，該條預警信號是有效的信號。

本研究采用靈敏度、暴發探測時間和陽性預測值等指標評價不同預警參數設置的效果。靈敏度指探測到的暴發事件數占全部暴發事件數的百分比。暴發探測時間是指暴發開始至空間掃描統計量方法首次正確發出預警信號的時間間隔，采用所有暴發探測時間的中位數來評價預警的及時性［10］。陽性預測值指有效的預警信號所占預警信號總數的百分比。

本研究采用最高靈敏度、最短暴發探測時間、最高陽性預測值作為最優閾值的依次篩選依據［11］，即靈敏度越高，方法探測效果越好；靈敏度相同，則暴發探測時間越短，方法探測效果越好；若靈敏度和暴發探測時間相同，則陽性預測值越高，方法探測效果越好。

4.數據處理與分析軟件

采用R統計軟件［12］編寫空間掃描統計量算法運算程序，對數據進行處理和分析。

結 果

1.湖南省痢疾探測效果

湖南省在2009年一共報告了11352個痢疾病例，全年總的發病率為18/10萬。其中的暴發事件有3起，一共由6條暴發事件記錄構成，包括了56個暴發事件病例。30種預警方案的結果如表1所示。

30種預警方案在靈敏度方面都取得了比較好的結果。所有的預警方案都探測到了全部3起暴發事件。被探測到的暴發事件也全部在事件發生的第一天就被探測到了，有較好的及時性。預警信號數和預警信號陽性預測值方面有較大的差別。根據評價標準，第22套參數最優，它具有最好靈敏度值1、最短暴發探測時間1天和最高的陽性預測值0.333，而且預警信號數最少，為18條。

2.山東省手足口病探測效果

山東省在2009年一共上報了138387個手足口病例，全年總的發病率為180/10萬。其中的暴發事件有108起，一共由939條暴發事件記錄構成，包括了1673個暴發事件病例。30種預警方案的結果如表1所示。

30種預警方案在靈敏度和陽性預測率兩方面都有著較大的差異。幾套性能較優參數方案的靈敏度都大于92%，但陽性預測值均較低，預警信號數較多。根據評價標準，第21套參數最優，它具有最好靈敏度值0.944、最短的暴發探測時間2天，但陽性預測值不高，為0.053，預警信號數為8567條。

表1 30種預警方案應用于2009年湖南省痢疾病例和山東省手足口病例數據

討 論

當將空間掃描算法應用于傳染病暴發探測時，為了達到最優的預警效果，對于不同地區的不同傳染病需要選擇完全不同的參數方案。不同疾病在發病水平上的較大差異，可能是導致不同參數預警效果差異的原因之一。

手足口病在山東省2009年的總體發病率幾乎是痢疾在湖南省2009年的總體發病率的10倍，相應的暴發事件以及暴發事件病例數，山東省也遠遠高于湖南省。對于總體發病率較低的湖南省，最優的預警方案是將4天的病例數按1階權重取和得到當前值，然后再參與空間掃描運算。這樣可以在一定程度上消除某一天偶然病例數上升的影響。而對于總體發病率相對較高的山東省，最優的預警方案是將3天的病例數直接取和得到當前值，然后再參與空間掃描運算。這說明，在真實的傳染病暴發區域內，只采用1天的病例數尚不足以產生預警信號，只有將3天病例數取和之后再參與運算，才能夠對大多數的暴發事件作出響應。另外，不同傳染病本身的特點也會對參數方案的選擇產生較大的影響。

本研究只是對比了不同疾病在不同地區的參數預警效果，這時兩種不同疾病的各自特點會在一定程度上影響對不同參數方案的選擇。下一步可以考慮同一種疾病在不同發病水平地區的參數預警效果比較，這樣可以消除不同疾病間差異的影響。另外，采用“突發公共衛生事件報告管理信息系統”報告的暴發事件作為真實暴發的判斷標準也存在一定的局限性，可能存在一些真實的較小暴發事件，因為某些客觀原因，并沒有被系統上報。這可能是導致預警陽性預測值不高的原因之一。

1.楊維中，蘭亞佳，李中杰，等.國家傳染病自動預警系統的設計與應用.中華流行病學雜志，2010，31（11）：535-539.

2.Wang L，Wang Y，Jin S，et al.Emergence and control of infectious diseases in China.Lancet，2008，372（9649）：1598-1605.

3.Kulldorff M，Nagarwalla N.Spatial disease clusters：Detection and inference.Statistics in Medicine，1995，14（8）：799-810.

4.Kulldorff M.A spatial scan statistic.Communication in Statistics-Theory and Methods，1997，26（6）：1481-1496.

5.Heffernan R，Mostashari F，Das D，et al.Syndrom ic surveillance in public health practice，New York City.Emerg Infect Dis，2004，10（5）：858-864.

6.Kulldorff M，Heffernan R，Hartman J，et al.A space-time permutation scan statistic for the early detection of disease outbreaks.PLoSMedicine，2005，2（3）：216-224.

7.徐敏，曹春香，程錦泉，等.甲流感疫情時空聚集性的GIS分析.地球信息科學學報，2010，12（5）：707-712.

8.殷菲，李曉松，馮子健，等.基于網絡直報系統和時空聚集性探測的傳染病模擬實時監測與預警.現代預防醫學，2009，36（12）：2204-2207.

9.張文增，李長青，冀國強，等.空間掃描統計量在手足口病空間聚集性研究中的應用.中國衛生統計，2012，29（4）：507-509.

10.Reis BY，Pagano M，Mandl KD.Using temporal context to improve biosurveillance.Proc Natl Acad Sci，2003，100（4）：1961-1965.

11.賴圣杰，李中杰，金連梅，等.傳染病暴發早期預警系統評價內容及其指標.中華流行病學雜志，2009，30（6）：637-640.

12.R Development Core Team（2010）.R：A language and environment for statistical computing.R Foundation for Statistical Computing，Vienna，Austria 2010-11-10.http：//www.R-project.org

（責任編輯：丁海龍）

The Effect Com parison of Spatial Scan Statistic M ethod Based on Different Parameters in Early W arning of Infectious Disease Outbreak

Li Xiaozhou，Wang Jinfeng，Yang Weizhong，et al（School of Public Health，Wuhan University of Science and Technology（430065）．Wuhan）

ObjectiveFor better application of spatial scan statistic method in early warning of infectious disease outbreak，we need to choose different parameters for spatial scan statistic method.MethodsWe took the cases and outbreaks of hand-foot-and-mouth disease（HFMD）and dysentery reported by Shandong and Hunan provinces in 2009 as data source.Taking sensitivity and positive prediction ratio as evaluation indices，we compared the performance of thirty groups of parameters on these two diseases.ResultsFor the dysentery cases in Hunan province，taking the sum of cases in four days w ith 1-rank coefficients，we could get the best performance.For the hand-foot-and-mouth disease（HFMD）cases in Shandong province，taking the sum of cases in three days directly，we could get the best performance.ConclusionWhen applying spatial scan statistic method in early warning of infectious disease outbreak，we ought to choose different parameters for different kinds of infectious disease in order to get the best results.In next steps，we out to choose the best parameters based on the different incidence rates.

Spatial scan statistic；Infectious disease；Early warning

國家科技重大專項/子課題（課題號2012ZX10004-201）；衛生行業科研專項項目（課題號201202006）

1.武漢科技大學醫學院公共衛生學院（430065）；

2.中國科學院地理科學與資源研究所資源與環境信息系統國家重點實驗室

3.中國疾病預防控制中心傳染病預防控制處，傳染病監測預警中國疾病預防控制中心重點實驗室

△通信作者：王勁峰E-mail：wangjf＠lreis.ac.cn