基于谷歌地圖的傳染病空間聚集性分析*

袁東方應莉婭，2劉志芳羅旭紅董長征△

基于谷歌地圖的傳染病空間聚集性分析*

袁東方1應莉婭1，2劉志芳1羅旭紅1董長征1△

目的探討谷歌地圖在傳染病空間聚集性分析中的應用，探索以社區（行政村）為單位進行空間聚集性分析。方法利用谷歌地圖的地理譯碼技術和計算幾何算法以及文本解析方法，將寧波市鎮海區2005-2010年結核病的報告數據和模擬數據，轉換成以社區（行政村）為單位的發病統計數據，以此為基礎利用SaTScan進行掃描統計分析，比較以街道為單位和以社區（行政村）為單位進行空間聚集性分析的結果。結果無論是以街道為單位還是以行政村為單位的聚集性分析，均發現鎮海區蛟川街道2005-2010年具有明顯的結核病空間聚集性現象，而以行政村為單位的聚集性分析更精確地給出主要聚集區位于中官路村、五里牌村和俞范社區等行政村。對鎮海區招寶山街道模擬數據的分析表明，以社區為單位進行聚集性分析能夠在早期發現街道內部小范圍的空間聚集性，這與以街道為單位進行聚集性分析著重發現較大范圍的空間聚集性形成互補。結論谷歌地圖及其地理譯碼技術在傳染病空間聚集性分析中具有廣闊的應用前景，以社區（行政村）為單位進行空間聚集性分析具有可行性和現實意義。

空間聚集性 谷歌地圖 地理譯碼 掃描統計

為了及早探測到傳染病的早期暴發從而發出預警信號和采取應對措施，中國疾病預防控制中心（CDC）在基于互聯網的法定報告傳染病監測信息報告管理系統（監測系統）的基礎上開發了基于28種法定報告傳染病的國家傳染病自動預警系統（國家預警系統），分別于2008年和2009年將移動百分位數法預警模型（時間模型）和時間-空間聚集性探測預警模型（時空模型）投入了試運行［1-4］。目前國家預警系統中編碼的最小行政區域為街道（鎮/鄉），即在運行時空模型時以街道為空間單位，分析一個或多個相鄰街道在某段時間范圍內傳染病的分布是否具有空間聚集性。以街道為單位進行空間聚集性分析可能帶來一些潛在的問題：預警范圍過大導致空間分辨率不夠，干預措施較難有針對性地開展；傳染病早期暴發的小范圍（街道內的局部）聚集性較難識別，延遲了預警信號的發出［1-4］。實際上國家預警系統中還儲存了病例的具體地址信息，例如“寧波市鎮海區招寶山街道城東路N號”和“寧波市鎮海區蛟川街道俞范村”，但這樣的文本地址信息無法直接用于預警分析。本研究以寧波市鎮海區2005-2010年結核病報告數據和模擬數據為例，利用谷歌地圖提供的地理譯碼技術將其轉換成全球定位系統（global positioning system，GPS）的經緯度坐標數據，再結合計算幾何算法判斷病例所屬社區（社區為街道下級行政區域），并利用文本解析方法判斷病例所屬行政村（行政村為鎮和鄉的下級行政區域），探討以社區（行政村）為單位進行預警分析。

資料與方法

1.數據來源

本研究從監測系統中獲取2005-2010年寧波市鎮海區結核病報告數據，并在此基礎上使用AEGISCCT軟件［5］模擬鎮海區招寶山街道結核病空間聚集性數據；各街道和社區的人口數據來源于鎮海區統計局；各街道和社區的地理坐標信息來源于谷歌地圖。

2.方法和內容

（1）以街道為單位的發病數據統計

直接根據報告數據中的街道編碼統計各個街道的發病數。

（2）以社區為單位的發病數據統計

①病例地址地理譯碼 利用谷歌地圖提供的地理譯碼技術應用程序接口（application programming interface，API）將結核病病例的具體地址信息轉換成GPS坐標，從而實現文本信息數字化。

②社區邊界地理譯碼 根據鎮海區行政地圖指示的社區邊界，使用google earth 6.1軟件（谷歌提供的免費衛星地圖軟件）的多邊形圖層功能勾畫出社區邊界，使得每個社區邊界由不規則的32邊形來表示（圖1），然后導出每個多邊形的頂點GPS坐標，以此來數字化代表社區邊界。

圖1 鎮海區招寶山街道社區地圖及2005-2010年結核病例分布

圖2 利用計算幾何算法判斷患者所屬社區

③判斷病例所屬社區 根據計算幾何判斷點位于多邊形內外的算法，可以判斷病例所屬社區（圖2）。從坐標點出發（如圖中患者A、B和C 3個坐標點），向左側無限遠處作一水平線，可以證明，若點位于多邊形內，則該點與多邊形的邊的交點數目為奇數，否則為偶數（如患者A、B和C與某社區邊界的交點數目分別為1、0和2，前者屬于該社區，而后兩者不屬于該社區）。該定理無論是對凸多邊形還是凹多邊形都成立，即無論社區邊界為何種形狀，都可以用交點數目來判斷所屬社區。利用C＋＋Builder編程，我們實現了通過程序自動判別每個病例所屬社區。

（3）以行政村為單位的發病數據統計

利用文本解析方法，通過程序自動判別每個病例所屬行政村。

（4）模擬空間聚集性數據

基礎數據采用2008年鎮海區招寶山街道結核病報告數據（因為下文研究未發現該年有結核病空間聚集性現象），使用AEGIS-CCT軟件按照設定的空間聚集性參數模擬病例，并將模擬病例注入到報告數據中。模擬聚集場景1、2、3、4分別為1個社區、2個相鄰社區、3個相鄰社區、所有10個社區出現結核病聚集病例，反映結核病空間聚集性隨時間變化逐漸從單個社區擴展到多個相鄰社區的過程。

模擬聚集場景1：聚集中心（北緯29°57′30″，東經121°42′30″），半徑200米，病例數15，聚集區位于招寶山街道后大街社區。

模擬聚集場景2：聚集中心（北緯29°57′20″，東經121°42′38″），半徑200米，病例數20，聚集區跨越招寶山街道后大街和總浦橋2個相鄰社區。

模擬聚集場景3：聚集中心（北緯29°57′18″，東經121°42′25″），半徑200米，病例數30，聚集區跨越招寶山街道后大街、總浦橋和順隆3個相鄰社區。

模擬聚集場景4：聚集中心（北緯29°57′24″，東經121°42′20″），半徑1200米，病例數100，均勻的覆蓋招寶山街道所有10個社區。

（5）空間聚集性分析

空間聚集性分析使用SaTScan 9.0軟件（http：//www.satscan.org），掃描統計量分別采用回顧性單純空間模型（離散Poisson分布）和時空模型（離散Poisson分布）。參數設置主要采用軟件默認值，最小時間單位為1年，最大時間單位為研究時限的50%（即3年），真實數據分析和模擬數據分析的最大空間半徑分別為使50%和100%人口處于疾病風險中的半徑，蒙特卡洛模擬次數為999次。

結 果

1.鎮海區2005-2010年結核病報告數據的空間聚集性分析結果

鎮海區6個街道（鎮）2005-2010年結核病年平均發病率約為50/10萬，低于浙江省的平均報告發病率（約為80/10萬）。其中蛟川街道發病率最高，年平均發病率約為65.5/10萬，而鎮海區的中心城區招寶山街道發病率最低，約為40.3/10萬。前者常住人口中本地人口與外來人口之比約為1∶1.5，而后者約為4.5∶1。

以街道為單位的單純空間模型和時空模型分析，均發現蛟川街道2006年和2007年的空間聚集性分析結果有統計學意義（表1）。其中單純空間模型發現蛟川街道在2006、2007、2009和2010年均有空間聚集性，相對風險（relative risk，RR）介于1.52和1.70之間（P值分別為＜0.001、0.003、0.029和0.017）；而時空模型給出2006-2007年這一時間區間內空間聚集性的RR為1.67（P＝0.001）。以行政村為單位對鎮海區蛟川街道的掃描統計分析驗證了上述結果，并更精確指出了主要聚集區域：2005-2007年主要聚集在中官路村和五里牌村，2007-2008年主要聚集在俞范社區（表2）。

2.鎮海區招寶山街道2005-2010年結核病報告數據的空間聚集性分析結果

通過病例所屬社區自動判別程序，將招寶山街道2005-2010年的186個結核病報告病例自動分類到10個社區，以社區為單位統計發病數據。通過google earth將病例和社區邊界的圖層疊加在一起（圖1），可以人工確認病例所屬社區自動判別的效果，結果發現所有病例所屬社區判別均正確。

招寶山街道2005-2010年結核病年平均發病率約為40.3/10萬（29.9/10萬～52.0/10萬），低于整個鎮海區平均發病率，186個結核病病例較為均勻的散布在10個社區中（圖1）。與此相一致的是，無論是以街道為單位還是以社區為單位的掃描統計分析均未發現有統計學意義的空間聚集性分析結果。

表1 鎮海區2005-2010年結核病空間聚集性分析結果（以街道為單位）

表2 鎮海區蛟川街道2005-2010年結核病空間聚集性分析結果（以行政村為單位）

3.鎮海區招寶山街道模擬空間聚集性數據的單純空間模型分析結果

對于前3個模擬聚集場景，以社區為單位的單純空間模型分析均給出了有統計學意義的聚集性分析結果，RR值分別為3.52、2.82和3.10（P值分別為0.014、0.013和＜0.001），并且準確給出了空間聚集區域（表3）；但對于模擬聚集場景4，卻未能探測到有統計學意義的結果。以街道為單位的單純空間模型分析，在模擬聚集場景1和2都沒有探測到聚集性結果，只有在模擬聚集場景3和4也即招寶山街道病例數達到較高數目時，才在（招寶山街道）和（招寶山街道、蛟川街道）分別出現有統計學意義的一級（發病率為74.7/10萬，P＝0.011）和二級聚集區域（發病率為62.7/10萬，P＝0.020）。

表3 鎮海區模擬空間聚集性數據單純空間模型分析結果

討 論

目前國家預警系統以街道（鎮/鄉）為單位進行預警分析，以寧波市鎮海區為例，鎮海區下轄招寶山街道（區政府所在地）、蛟川街道、莊市街道、駱駝街道、九龍湖鎮和澥浦鎮，那么空間模型或時空模型給出的預警信號的最小空間單位為一個街道或鎮，所含常住人口約為10萬，面積約20～60平方公里。為了提高空間分辨率，對城市可以考慮采取以社區為單位進行預警分析，而對農村采取以行政村為單位進行預警分析。在不改變現有國家預警系統信息采集方式的前提下，只能利用系統中儲存的報告病例的具體地址信息，如“寧波市鎮海區招寶山街道城東路N號”和“寧波市鎮海區蛟川街道俞范村”。對于行政村的解析相對容易，只需要通過文本解析獲得“俞范村”即可；而對于社區的解析，即通過“城東路N號”這樣一個地址來判斷病例所屬社區則比較困難。

谷歌地圖是由谷歌公司（Google）開發的已得到廣泛使用的免費電子地圖（國內服務器http：//ditu.google.cn，國外服務器http：//maps.google.com），通過其道路地圖和衛星地圖的API提供了諸如定位、指示、導航和測量等多種電子地圖服務。

本研究利用其地理譯碼技術，將鎮海區招寶山街道的患者地址信息和社區邊界都轉換成GPS坐標信息，再結合計算幾何算法來自動判斷每個病例所屬社區。這種數字化處理方式，一方面比較高效、解析速度快；另一方面數字化的地址信息能夠方便地用于多種分析處理，如地圖定位和各種距離測量（患者之間的空間距離，患者與超市和車站等標識或傳染源之間的空間距離），還能在估算出傳染病暴發中心點之后進行反向地理譯碼，即將暴發中心點的坐標轉換成文本地址信息并獲得附近的地理標識。除此之外，通過程序控制還能把特定時間特定地點的患者展示在電子地圖上，充分發揮谷歌地圖作為地理信息系統平臺的作用。例如，殷菲等曾利用google earth軟件對掃描統計的預警結果進行三維可視化呈現，直觀展示預警信息［6］。由于谷歌地圖應用的最為廣泛以及其API也比較成熟，故本研究把它作為工具和應用平臺，實際上國內還有一些其他電子地圖如百度地圖（http：//map.baidu.com）和圖吧地圖 （http：//www.mapbar.com）也能提供類似功能，只需要將使用到的API做簡單的修改即可輕松完成平臺遷移。

國內近年來已有多項研究利用SaTScan提供的單純空間模型、時空模型和時空重排模型進行預警分析，由于國家預警系統數據來源所限，目前幾乎所有的預警分析采用的最小空間單位為街道（鎮/鄉）［7-12］。本研究嘗試以鎮海區招寶山街道下屬的10個社區和蛟川街道下屬的20個行政村為例，探索以社區（行政村）為單位進行空間聚集性分析。對鎮海區2005-2010年結核病的報告數據分析發現，鎮海區蛟川街道2005-2010年具有明顯的結核病空間聚集性現象，而以行政村為單位的聚集性分析更精確地給出主要聚集區位于中官路村、五里牌村和俞范社區等行政村。對鎮海區招寶山街道模擬數據的分析表明，一方面以社區為單位的聚集性分析能夠比以街道為單位的聚集性分析更敏感地探測到小范圍空間聚集性現象，同時縮小了聚集區域范圍。同時由于模擬場景1～4代表了聚集性區域隨時間擴展的過程，因此以社區為單位的聚集性分析能夠更早地探測到聚集性區域的存在，從而更及時地給出預警信號。但另一方面，當聚集性區域已經擴展到整個街道所有社區的時候，以社區為單位的聚集性分析反而無法探測到聚集性現象，這與掃描統計的原理（探測發病“熱點”）是相一致的；而此時以街道為單位的聚集性分析由于在更大范圍的空間上進行分析，能夠探測到這種聚集性。綜上所述，我們的研究發現，不僅利用谷歌地圖和計算幾何算法將病例文本地址數字化處理在技術上是可行的，并且非常高效，而且以社區（行政村）為單位進行聚集性分析能夠與以街道為單位進行分析形成互補，分別在小范圍和大范圍的空間上進行聚集性探測。

1.楊維中，李中杰，賴圣杰，等.國家傳染病自動預警系統運行狀況分析.中華流行病學雜志，2011，32（5）：431-435.

2.余斐，張洪龍，賴圣杰，等.國家傳染病自動預警系統在基層應用效果初步分析.中華流行病學雜志，2011，32（5）：446-449.

3.徐旭卿，魯琴寶，王臻，等.浙江省傳染病自動預警系統暴發預警效果評價.中華流行病學雜志，2011，32（5）：442-445.

4.李中杰，廖一蘭，賴圣杰，等.傳染病暴發探測時間模型和時空模型的應用效果比較.中華流行病學雜志，2011，32（5）：436-441.

5.Cassa C，Iancu K，Olson K，et al.A software tool for creating simulated outbreaks to benchmark surveillance systems.BMCMedical Informatics and Decision Making.2005；5（1）：22.

6.殷菲，馮子健，李曉松.Google Earch在傳染病早期預警結果三維可視化中的應用.中華流行病學雜志，2011，32（4）：396-399.

7.殷菲，李曉松，馮子健，等.前瞻性時空掃描統計量在傳染病早期預警中的應用.中華預防醫學雜志，2007，41（增刊）：155-158.

8.李秀央，陳坤.掃描統計量的理論及其在空間流行病學中的應用.中華流行病學雜志，2008，29（8）：828-831.

9.胡宇峰，孫振球，洪福昌，等.深圳市一期和二期梅毒時空分布分析.中華流行病學雜志，2010，31（8）：876-879.

10.劉云霞，李士雪，王忠東，等.基于時空重排掃描統計量的結核病聚集性研究.山東大學學報，2009，47（12）：122-125.

11.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）：507-513.

12.彭志行，丁曉艷，陶紅，等.地理信息系統分析技術在麻疹防治中的應用研究.中國衛生統計，2011，28（5）：523-526.

（責任編輯：郭海強）

Google M aps Based Spatial Clustering M ethod for Infectious Diseases

Yuan Dongfang，Ying Liya，Liu Zhifang，et al（DepartmentofPreventiveMedicine，SchoolofMedicine，NingboUniversity（315211），Ningbo）

ObjectiveTo explore the method for communities（adm inistrative villages）based spatial clustering w ith Google Maps.MethodsThe geocoding technology of Google Maps，the algorithm for computation geometry and text parsing were used for data transform ing，which converted the reported tuberculosis data during 2005-2010 for Zhenhai district，Ningbo municipality and simulated data into the communities and adm inistrative villages based statistics.Then scan statistics implemented by SaTScan was respectively performed for the neighborhoods based and the communities（administrative villages）based spatial clustering analysis.ResultsBoth the neighborhoods based and the adm inistrative villages based spatial clustering analyses detected the tuberculosis spatial clustering in Jiaochuan neighborhood，Zhenhai district during 2005-2010，while the adm inistrative villages based analysis pointed out that themain clustering regions were lying in Zhongguanlu village，Wulipai village and Yufan community.Furthermore，the results for the analysis of simulated data showed that the communities based analysis could find the local clustering regions in Zhabaoshan neighborhood.Itwasmutually complementary w ith the neighborhood based analysis that tended to find the large clustering regions.ConclusionGoogle Maps and its geocoding technology were applicable to the spatial clustering analysis for infectious diseases and itwasmeaningful to detect clustering regionsw ith communities（adm inistrative villages）based spatial clustering methods.

Spatial clustering；Google Maps；Geocoding；Scan statistics

*國家自然科學基金項目（31000594），浙江省教育廳基金（Y200906182）；寧波大學學科項目（XKL11D2123）

1.寧波大學醫學院預防醫學系（315211）

2.麗水市疾病預防控制中心（323000）

△通信作者：董長征，E-mail：dongchangzheng＠nbu.edu.cn