傳染病預測預警方法的研究進展

曲江文 聶紹發

1天津市疾病預防控制中心，天津，300011；2華中科技大學公共衛生學院流行病與衛生統計學系， 武漢，430030

傳染病預測預警是以監測為基礎，根據傳染病的發生、發展規律及有關因素早期發現異常的先兆或事件發展的不良趨勢，從而提高傳染病預防控制工作的主動性和預見性。預測預警是對公眾的預防行為進行超前調控的一種手段，其目的是把事后補救轉變為事先防范，建立一種積極主動的保障機制，避免傳染病事件不斷擴大。近年來，傳染病的預測預警已逐漸成為公共衛生領域研究的熱點問題，并出現了許多新理論和新方法。本文對傳染病預測預警的現狀和目前常用的研究方法進行了綜述，為傳染病的防制提供理論依據。

1 應用互聯網和社交媒體等數字化手段進行預測預警

如果互聯網上關于某種傳染病的搜索結果在短期內激增，這可能預示著此種疾病將會暴發。例如，在流感暴發季節，人們會通過Google等搜索引擎了解流感的暴發情況以及應對流感的一些措施，那么在這段時間內某些與流感相關的關鍵詞，如流感、勤洗手、帶口罩、流感疫苗等會高頻率出現。同樣的，在流感暴發季節，人們也會通過Twitter等聊天工具反映出與流感相關的信息。因此，利用Google、Twitter等工具抓取與流感相關的關鍵詞，通過分析這些關鍵詞的頻率可以準確地判斷流感在哪里擴散。美國科學家將2004-2009年查詢所得的不同國家和地區的流感估算結果與官方的流感監測數據進行對比，發現Google搜索引擎查詢所得到的估測結果與歷史流感疫情非常接近，并且可以在政府和流行病學專家得知疫情之前兩個星期提前預測到流感暴發的出現[1]。Jiwei等通對Twitter數據流加以過濾，留取與流感相關的信息，并為這些信息加上地理位置標簽，以顯示相關流感Twitter信息來自哪里，以及這些信息在一定時間段內的變化情況。他們統計了2008年6月-2010年6月約100萬用戶發布的360萬條與流感相關的Twitter信息，顯示Twitter的流感信息同美國疾病預防控制中心提供的流感暴發數據之間呈高度正相關，能夠成功推斷出哪些地區出現了流感暴發的初期癥狀，進而提前預測到某個地區流感即將到來[2]。

雖然應用數字化監測手段能夠比傳統監測方法提前預測到傳染病的暴發，但是它并不能取代傳統監測系統，而只能作為疾病監測預警手段的一種擴展[3]。

2 利用癥狀監測系統進行預測預警

癥狀監測是指通過長期連續系統地收集與所監測的疾病相關的一組臨床特征(癥狀)和(或)相關社會現象的發生頻率來獲取傳統公共衛生監測不能提供的疾病防控信息，及時發現疾病在時間和空間分布上的異常聚集，以期對生物恐怖襲擊、新發傳染病、原因不明傳染病及其他聚集性不良公共健康事件的暴發進行早期探查、預警和快速反應的監測方法。

目前在癥狀監測方面應用最成熟的為急性遲緩性麻痹病例監測。我國自2000年被世界衛生組織證實無脊灰野病毒傳播以后，在全國范圍內建立了包括14種疾病在內的急性遲緩性麻痹病例主動監測系統，用以早期發現輸入性脊髓灰質炎病例。2011年7月，監測人員通過該系統在新疆和田地區成功發現急性遲緩性麻痹病例增多，經實驗室確證系源自巴基斯坦的輸入性脊髓灰質炎野病毒傳播，并通過5輪強化免疫使疫情迅速得到有效控制，最終成功阻斷了野病毒的傳播[4]。

對鳥類的死亡和患病情況進行監測也是癥狀監測的一種重要方式，死鳥的出現是監測西尼羅病毒早期傳播最為敏感的指標[5]。自1999年在美國紐約首次暴發后，西尼羅病毒在美國的流行日益嚴重。為了有效預防和控制西尼羅病毒，由美國疾病預防控制中心牽頭，建立了死鳥監測體系來早期發現西尼羅河病毒的活動，監測內容包括定期報告和分析病鳥或死鳥的情況以及有針對性的對鳥類是否感染西尼羅病毒進行實驗室檢測。2002年，美國共有582個市縣出現了西尼羅病毒感染病例，其中有543個通過該項監測獲得了西尼羅病毒的早期活動信號，死鳥出現的時間比人類病例的出現平均提前了1個多月[6]。

英國科學家通過對感冒和流感呼救電話進行監測，在利用泊松模型建立預警閾值的基礎上，與臨床上流感樣病例和實驗室確診病例進行對比，回顧性研究發現能夠提前2周預警到流感暴發，前瞻性研究發現能夠提前6天預警流感暴發[7]。

3 通過監測傳染病發生的影響因素進行預測預警

新發傳染病的預測預警是一個全球性的難題。新發傳染病的不斷出現促使科學界加緊研究用于追蹤和應對傳染病的新技術和新方法。曲江文等采用Logistic回歸研究太陽黑子活動與新發病毒性傳染病以及流感大流行之間的關系時發現，太陽黑子極值年或前后1年是新發病毒性傳染病和流感大流行發生的一個重要的危險因素，并從太陽黑子活動影響病毒基因變異、動物遷徙以及氣候變化等角度科學地分析了太陽黑子活動影響新發病毒性傳染病和流感大流行發生的原因，為闡明流感大流行和新發病毒傳染病的起源和預測預警提供了新的依據和方法[8-9]。虞震東等發現新星爆發和宇宙線大的地面增強事件與流感流行有著重要的關系，認為這種流感大流行都是由宇宙線環境大的增強引起的，從而提出了科學預警流感大流行的對策，即通過加強對宇宙線環境的監測來預警流感大流行[10]。Shamana等發現拉尼娜現象造成的氣候異常同全球大范圍的流感暴發有一定的對應關系。20世紀4次流感的全球性大流行都發生在拉尼娜現象之后，他們認為拉尼娜現象可以改變人類流感病毒的主要宿主候鳥的遷徙模式，影響它們在遷徙途中的健康和種群混合，進而影響到彼此間的基因交換，導致某些更危險的流感新毒株出現。此外，拉尼娜現象還會導致候鳥與豬等家畜接觸，并通過基因重配形成更危險的毒株。因此，通過監測拉尼娜現象為將來預警流感大流行提供了可能[11]。

4 利用現代先進科學技術進行預測預警

衛星圖像不僅能用來繪制各種地圖，還能幫助人們早期預測什么時候會暴發流行病。為了監控腎綜合征出血熱的流行，美國科學家以往采用調查老鼠種群、捕捉老鼠驗血、植入微芯片等方法，但這些傳統監測方法均費時費力。2004年，研究人員通過當地衛星圖像分析地球表面植被數量變化來追蹤鼠群變化，他們發現經過一個多雨的冬季，草木生長繁盛，為老鼠帶來更多食物，老鼠的種群數量迅速增長，而更多老鼠也就意味著更多漢坦病毒可能接觸到人類。根據連續3年的數據分析發現，從植物數量增加，到老鼠種群產生致病可能，期間間隔為12-16個月，從而為腎綜合征出血熱的流行的預警提供了可能[12]。

麻疹是兒童最常見的急性呼吸道傳染病之一，在尼日爾和尼日利亞北部地區，研究人員推測麻疹的季節性暴發可能與人們在旱季開始時遷徙到尼日爾的活動有關，但是他們卻沒有一個簡單的方法來量化這些活動。于是研究人員將夜晚光線的變化作為衡量人口密度的一個參數，并且通過衛星圖像成功發現該地區夜晚亮度的增加伴隨著麻疹的暴發，從而為解釋和預測麻疹在這一地區的暴發提供了可靠的科學依據[13]。

Shaman等采用了一種被廣泛用于現代數據天氣預報的資料同化技術，設計出了一個實時、基于網頁的地方季節性流感估算的框架，研究人員使用來自紐約市2003-2008年相關流感季節性暴發的資料，計算出了每周整體流感預報數據。實驗結果顯示，這種技術可以在流感暴發峰值的7個多星期之前預測出一場流感暴發峰值的出現時間，從而使季節性流感定量預測成為可能[14]。

5 應用各種數學模型進行預測預警

一種新出現的傳染病接下來會在哪里及在何時出現是一個難以解決的問題，以往預測一種新出現的傳染病的傳播模型一般側重于地理上的距離，或者采用一些結合了流動性與流行病學數據的現代、復雜的疾病蔓延模型，但是這些預測方法應用于現代社會效果并不是很好。Brockmann等通過“有效距離”來分析傳染病的蔓延，這種“有效距離”的提出是基于不同地區之間的遷移概率，兩個地區之間的遷移概率越大，那么它們之間的“有效距離”就越小。根據他們對距離的新的定義，研究人員研發了一種可預測某種新發的傳染病會在哪里以及在何時發生的反應擴散模型。在新模型中通過計算航空運輸網絡的運輸強度來表征地區間的有效距離，他們應用新數學模型分析了2003年的SARS疫情和2009年甲型H1N1流感的疾病暴發路徑并得到了很好的驗證[15]。這種基于全球各地聯系關系來分析流行病動態的數學模型能夠幫助我們確定疾病暴發起源和預測疾病蔓延路徑，從而提前做到預警和應對。

Lu等采用“泊松時間序列模型”對包括最低氣溫、最高溫度、最小相對濕度、風速和降雨量在內的氣象數據與2001-2006年6年間我國廣州市內的登革熱發病數作了對比研究，結果發現，更高的最低氣溫和更低的風速與登革熱發病總數相關。如果在數學模型中將濕度的影響也考慮在內，建立的模型與實際情況更為相符，而且發現最低氣溫和最小相對濕度出現后大約1個月才會實際引發登革熱疫情，風速的影響在當月即可體現出來，從而為當地的登革熱疫情預警提供了可能[16]。

流感病毒每年都會發生一定程度的變異，為了能夠提前預測下一次流感病毒的進化方向和預判未來流感病毒的特征，Luksza等結合物理學和計算機科學，詳細分析了世界衛生組織歷年甲型 H3N2病毒的基因組特征，確認了一些有助于判斷病毒進化方向的指標，并建立了預測流感病毒的適應性模型，為預測下一年可能流行的毒株種類提供了可行性[17]。

綜上所述，傳染病預測預警工作的研究方法和理論已經向學科交叉和綜合應用轉變，并且取得了長足進步，逐漸走向成熟。這些新方法和新理論的應用有利于完善和充實目前的傳染病監測體系，提高今后傳染病預防控制工作的預見性和主動性，從而更好地維護國家正常的公共秩序和人民群眾的健康。

[1]Ginsberg J， Mohebbi MH， Patel RS， et al. Detecting influenza epidemics using search engine query data[J]. Nature， 2009，457(7232): 1012-1014.

[2]Jiwei L， Claire C. Early Stage Influenza Detection from Twitter [J]. Social and Information Networks， 2013(1309)：7340-7352.

[3]Milinovich GJ， Williams GM， Clements AC， et al. Internet-based surveillance systems for monitoring emerging infectious diseases[J]. The Lancet Infectious Diseases， 2014(14)：160-168.

[4]Luo HM, Zhang Y, Wang XQ,et al. Identification and control of a poliomyelitis outbreak in Xinjiang， China[J].N Engl J Med,2013， 369(21):1981-1990.

[5]Carney RM， Ahearn SC， McConchie A，et al. Early Warning System for West Nile Virus Risk Areas， California， USA [J].Emerging Infectious Diseases， 2011， 17(8):1445-1454.

[6]Julian KG, Eidson M, Kipp AM,et al. Early season crow mortality as a sentinel for West Nile virus disease in humans， northeastern United States [J]. Vector Borne Zoonotic Dis,2002， 2(3):145-155.

[7]Cooper DL， Verlander NQ， Elliot AJ， et al. Can syndromic thresholds provide early warning of national influenza outbreaks[J].Journal of Public Health，2007， 31(1)：17-25.

[8]曲江文， 聶紹發.太陽黑子活動與流感大流行關系的探討[J].中華疾病控制雜志，2011，15 (3):213-215.

[9]曲江文，高志剛. 太陽黑子活動對新發病毒性傳染病發生的影響[J].環境與健康雜志，2012，29 (2): 188-190.

[10]虞震東.應對流感大流行威脅急需的一項對策[J].前沿科學，2011，5(18): 37-47

[11]Shamana J， Lipsitchb M. The El Ni-Southern Oscillation (ENSO)-pandemic Influenza connection: Coincident or causal[J]. PNAS， 2012， 109 (12):1-3.

[12]Cao L， Cova TJ， Dennison PE， et al. Using MODIS satellite imagery to predict hantavirus risk[J]. Global Ecology and Biogeography， 2011， 20(4):620-629.

[13]Bharti N，Tatem AJ， Ferrari MJ et al. Explaining Seasonal Fluctuations of Measles in Niger Using Nighttime Lights Imagery[J]. Science， 2011，334(6061)：1424-1427.

[14]Shaman J，Karspeck A. Forecasting seasonal outbreaks of influenza [J]. PNAS， 2012，109(50):20425-20430.

[15]Brockmann D, Helbing D. The Hidden Geometry of Complex， Network-Driven Contagion Phenomena[J]. Science， 2013，342 (6164):1337-1342.

[16]LuL， Lin H，Tian L，et al.Time series analysis of dengue fever and weather in Guangzhou， China [J]. BMC Public Health， 2009， 9(395):1-5.

[17]Luksza M, Lassig M. A predictive fitness model for influenza [J]. Nature， 2014：1-5.