空間統計學方法在棘球蚴病研究中的應用

趙 月，伍衛平

空間統計學方法在棘球蚴病研究中的應用

趙 月，伍衛平

空間統計學方法在棘球蚴病空間流行病學研究中發揮著重要的作用。在棘球蚴病空間流行病學研究方面，空間統計學方法可用于描述棘球蚴病的空間分布情況，對未抽樣地區棘球蚴病患病率進行預測，分析棘球蚴病的影響因素。明確棘球蚴病的空間分布對于開展棘球蚴病的防控工作具有重要的意義。

空間統計學；空間流行病學；棘球蚴病

在公共衛生領域，一些疾病的發生與其地理分布具有密切的聯系，空間統計學方法的發展為我們提供了利用疾病的地理信息分析疾病的空間分布情況，探索潛在的空間因素對疾病的影響的新方法。空間統計學方法主要用于：①評估不同地區患病率的差別；②識別疾病分布特征；③識別疾病聚集性；④分析疾病的影響因素[1]。目前，在棘球蚴病空間流行病學研究方面，主要運用空間統計學方法描述棘球蚴病的空間分布情況，對棘球蚴病患病率進行預測，分析棘球蚴病患病率的影響因素。本文就空間統計學方法在棘球蚴病流行病學研究中的應用進行綜述，以了解空間統計學方法在棘球蚴病領域的應用現狀，明確應用前景，為今后的科研工作提供指導。

1 空間分布情況研究

1.1 空間分布描述 棘球蚴病空間分析的前提是對棘球蚴病的空間分布進行描述，在描述之前要對未抽樣地區棘球蚴病的患病率進行估計，考慮到地形、空間自相關等因素，用于估計患病率的空間統計學方法主要有空間插值法、橢圓梯度法、貝葉斯模型等。

Olaf Berke等[2]收集了1991-1997年在德國薩克森省47個地區死亡或捕獲的365只紅狐，剖檢檢測紅狐的多房棘球蚴病患病率，運用經驗貝葉斯模型對47個地區的患病率進行估計并繪制等值線圖，結果顯示，在薩克森省南部和北部地區紅狐多房棘球蚴病患病率高，提示存在空間趨勢效應，條件自回歸空間模型(CAR)也證實了這一空間趨勢效應的存在。Muriel Vervaeke 等[3]運用橢圓梯度法分析比利時1996—2002年間隨機捕獲的164只感染了多房棘球絳蟲的紅狐和2002-2003年荷蘭林堡15只感染多房棘球絳蟲的紅狐的空間分布情況，發現紅狐多房棘球絳蟲病患病率呈現由東南向西北方向降低的趨勢。時空分析結果顯示在1998—2000年，最南部地區紅狐多房棘球絳蟲病患病率上升同時患病率有向西北方向擴散的趨勢，到2001年，患病率出現急劇下降，到2002年，紅狐的患病率再次升高。Branko Bobic等[4]為了解塞爾維亞棘球蚴病的空間分布情況，收集了1998—2010年間政府報告的409例棘球蚴病病例和820例臨床研究報道的棘球蚴病病例的相關數據，運用樣條函數插值法對塞爾維亞各地區棘球蚴病患病率進行空間分析，繪制塞爾維亞各地區疾病地圖，并發現一些高患病率地區和低患病率地區在地理位置上極為接近。Eva Fuglei等[5]在挪威的斯瓦爾巴特群島以田鼠的活動范圍為中心，在田鼠活動范圍及分別距離中心2～6 km、6～40 km、130 km的4類地區收集了紅狐的糞便并用ELISA法檢測多房棘球絳蟲抗體，采用線性橫斷面法計算了狐糞密度，得出多房棘球絳蟲抗體陽性的狐糞正好分布在田鼠活動的核心區，周邊地區狐糞多房棘球絳蟲抗體為陰性，人類感染的高風險區域正好和中間宿主的活動區域重疊。房琦等[6]運用局部多項式插值法、反距離權重插值法和Kriging法，以2012年全國棘球蚴病流行情況調查獲得的四川、西藏、甘肅和青海四省(區)青藏高原地區124個藏區縣人群棘球蚴病患病率為基礎，對青海省治多縣和瑪多縣人群棘球蚴病患病率進行估計。其中，普通Kriging法預測效果較好。估計治多縣和瑪多縣患病率分別為2.04%和5.28%，預測西藏中部和西北部部分地區患病率高于西藏其他地區。3種方法均顯示人群棘球蚴病的高患病率地區位于四川、西藏和青海交匯處。

1.2 空間聚集性分析 在棘球蚴病的流行病學研究中，許多學者的研究結果提示棘球蚴病的空間分布具有一定的聚集性[2,7-8]，識別棘球蚴病的空間聚集性及聚集區域對于棘球蚴病的防控工作的開展具有重要的意義。空間統計學為識別疾病的空間聚集性及聚集區域提供了方法，分析空間聚集性的方法主要有空間自相關分析和空間插值分析。

1.2.1 空間自相關分析 空間自相關分析包括全局空間自相關分析和局部空間自相關分析兩部分。全局空間自相關分析可分析在整個研究范圍疾病是否有聚集，但并不能確切地指出聚集區域，局部空間自相關分析可指出具體的聚集區域。全局和局部Moran's I法、全局和局部Getis'G法和空間掃描統計量是空間自相關分析的主要方法。Moran's I法可區分正空間自相關和負空間自相關(正空間自相關即相似的觀測值趨于空間聚集，負空間自相關即相似的觀測值趨于分散分布)，但不能區分“熱點區”、“冷點區”(“熱點區”即高患病率聚集區，“冷點區”即低患病率聚集區)。而Getis`G法可識別“熱點區”、“冷點區”，但識別負空間自相關能力較差。因此，Moran's I法和Getis'G法常結合起來使用。空間掃描統計量結果可直觀的顯示出聚集范圍。

M. T. Manfredi等[9]為明確意大利倫巴第細粒棘球絳蟲中間宿主分布對人類的潛在影響，分析了中間宿主的空間分布情況并找出中間宿主細粒棘球蚴病的聚集區。他們收集了285個檢測到牛細粒棘球蚴病的牧場的空間位置，運用局部Moran's I法和ELISA檢驗進行局部空間自相關分析，繪制出聚集區域地圖，局部Moran'I值為0.480 9，提示有較強的空間自相關性。王立英[10]運用全局Morans'I法對青南高原的稱多縣多房棘球絳蟲中間宿主高原鼠兔和青海田鼠的洞穴密度進行空間自相關分析，得出高原鼠兔和青海田鼠的合計整體分布具有較強的空間自相關性，高原鼠兔的分布不具有空間自相關性，青海田鼠的分布具有空間自相關性。齊顏鳳[11]對四川省阿壩州13縣208村人群棘球蚴病患病率運用全局Morans'I法進行空間自相關分析得出棘球蚴病患病率存在有統計學意義的聚集性分布，全局Getis'G法得出棘球蚴病患病率不僅存在聚集區，而且存在高患病率聚集區。

Berke等[12]在德國南部薩克森省的43個地區收集了1991—1994、1994—1997、2003—2005這3個時間段共8 459只紅狐，剖檢檢查紅狐多房棘球絳蟲的患病率，并以二項分布模型為基礎，用空間掃描統計量分析空間聚集性，發現紅狐的患病率在該省的南部有聚集，聚集的范圍包括7個地區。并建立普通克里格模型，作潛在患病風險的等值線圖，以表示患病風險隨時間變化情況。A. Mastin等[13]在英國威爾士波厄斯郡南部收集了247個農場577份犬糞樣品檢測細粒棘球絳蟲抗原，陽性率為10.6%。為明確陽性糞便的空間分布情況，對其中有地理坐標的567份犬糞樣品運用空間掃描統計量分析其空間聚集性。結果表明，在該地區存在兩個聚集區，高陽性率聚集區半徑為22 km，位于波厄斯郡最南端；低陽性率聚集區半徑為27 km，位于整個研究區域的東北部地區。W.B. Diego Brundu等[14]在意大利撒丁島分析了2009年宰殺的牛細粒棘球蚴病患病情況，并收集了牛所在農場位置的數據，將有患細粒棘球蚴病的牛的1 029個農場都認為是細粒棘球絳蟲的傳染源，對這1 029個農場用二項分布模型進行空間掃描統計量分析，得到兩個聚集區。第一個聚集區是以北緯39.478 61度、東經8.582 6度為圓心，97.92 km為半徑的區域；第二個聚集區是以北緯40.588 90度、東經8.984 00度為圓心、15.44 km為半徑的區域，并繪制顯示聚集情況的疾病地圖。Zeinaba said-ali等[15]收集了1982—2011年間法國489例多房棘球蚴病病人資料，運用掃描統計量法分析其聚集性，空間掃描統計量法在全國檢測到兩個聚集區，分別位于法國東部和中央高原地區。在法國東部聚集區內，又檢測到4個巢式聚集區，最核心的巢式聚集區位于阿芒塞州。時間掃描統計量法檢測到在1991—2003年存在低患病率聚集，在2007—2011年存在高患病率聚集。以十年為一個時間單位分析聚集區變化情況可發現，法國東部聚集區在1991—2001年間范圍逐漸縮小，在2002—2011年間范圍擴大，中央高原聚集區在上個世紀已消失。由以上結果可以看出，盡管普遍認為棘球蚴病的流行區分布范圍變化不大，但仍然會發生變化。M. T. Manfredi等[9]運用空間掃描統計量分析意大利倫巴第細粒棘球絳蟲中間宿主分布情況，得到了4個聚集區域：一級聚集區域位于倫巴第東南部，半徑為20.71 km的地區；次級聚集區域位于布雷西亞省南部、帕維斯、貝加莫省和米蘭省之間的地區。

此外，王謙等[16]運用BB join-count分析方法分析棘球蚴病的空間聚集性。通過氫溴酸檳榔堿驅蟲的方法，收集四川省石渠縣牧區家牧犬多房棘球絳蟲的感染情況，并用GPS測量犬只的地理位置，BB join-count方法證明了在300～600 m、800 m、1 600 m、和1 800～3 900 m的距離，感染多房棘球絳蟲的犬只存在空間聚集性。

1.2.2 空間插值分析 運用插值方法對未抽樣地區的患病率進行估計，并將結果制成疾病地圖，制成的疾病地圖可直觀的顯示患病率聚集區。常用的插值方法有反距離權重插值、樣條插值、克里格法插值等。其中克里格法應用最為廣泛，在棘球蚴病流行病學研究中也有應用。

Pleydell等[17]運用克里格插值方法，對寧夏西吉152個村莊3 205名村民多房棘球蚴病的患病率進行分析，繪制疾病平滑地圖，得到3個發病熱點，最主要的熱點是六盤山和月亮山之間的區域，這一地方主要是回族聚居區，其余兩個熱點一個在其西面30 km的漢族聚居區，另一個在第一、二個熱點之間偏南面的一個各民族混居區域。齊顏鳳[11]制作了四川省阿壩州13縣208村人群棘球蚴病患病率趨勢分析的三維趨勢圖，進行半變異函數模型擬合，運用克里格插值法對棘球蚴病流行范圍和患病程度進行預測。結果顯示，患病率從東南向西北逐漸升高，在若爾蓋、阿壩和紅原交界處；壤塘、阿壩和馬爾康交界處存在明顯的高患病率聚集區。房琦等[6]運用普通Kriging法對2012年全國棘球蚴病流行情況調查獲得的四川、西藏、甘肅和青海四省(區)青藏高原地區124個藏區縣人群棘球蚴病患病率進行空間插值運算，選擇指數模型擬合半變異函數模型，模型結果顯示棘球蚴病的患病率具有空間自相關性。

2 影響因素研究

空間流行病學主要是在空間水平對健康和疾病狀態及其影響因素進行研究。在建立影響因素分析模型時，可引入空間效應項以減弱可能存在的空間自相關性對研究結果的影響。在棘球蚴病影響因素研究方面，主要考慮的空間因素有地形地貌特征、氣候因素、植被指數等。

Pleydell等[18]收集了1995—2000年法國弗朗什孔泰地區11個檢測點1 360份紅狐糞便檢測多房棘球絳蟲抗原水平，選取平均抗原水平最高的年份進行分析，共得到345份樣本。通過建立多種模型，分析草場構成比與陽性狐糞密度之間的關系。結果顯示，只以草場構成比為自變量建立的克里格模型的擬合優度最佳，可較好的預測陽性狐糞密度。Jean-Francois Viel等[19]為研究水鼠密度對人棘球蚴病患病率的影響，收集了1980—1992年間法國杜省的地貌特征、地形構成、氣候特征、水鼠密度數據，以這些因素為自變量，以人棘球蚴病患病率為因變量建立空間泊松回歸模型進行分析。結果顯示，水鼠密度(RR=10.34)和地貌類型(RR=7.1)是人棘球蚴病的影響因素。Pleydell等[17]對寧夏西吉152個村莊3 205名村民多房棘球蚴病的患病率建立廣義可加混合模型，對多房棘球蚴病患病的影響因素進行分析，引入了村內隨機效應(一些未知的村內影響患病率的因素)和空間隨機效應(用來解釋空間自相關)，得出養狗是主要的危險因素。Patrick Giraudoux等[20]為分析人多房棘球蚴病分布與小型哺乳動物中間宿主種類和環境因素的關系，于2002—2008年對我國四川省西部和青海省94個村莊17 589名村民運用B超進行多房棘球蚴病檢查，制作調查區域內967個地點274種小型哺乳動物分布圖，并收集降雨量、氣溫、高程、土地覆蓋類型等環境因素數據。以人棘球蚴病患病率為因變量建立貝葉斯廣義線性混合模型，引入空間隨機效應，分析多房棘球蚴病的影響因素。模型結果顯示，人多房棘球蚴病患病率與小型哺乳動物種類無關，與降雨量、氣溫、高程無直接相關，與草場比例成正相關，與森林覆蓋率成負相關。李俊[21]以青海果洛州兒童棘球蚴病血清陽性率數據為因變量，犬均羊數、高程、LST、NDVI為自變量，建立無空間效應的貝葉斯模型和貝葉斯空間模型并進行比較，結果顯示以鄉鎮為單位的兒童棘球蚴病血清陽性率與高程和犬均羊數呈正相關，與LST、NDVI呈負相關。

3 結 語

目前，運用空間統計學方法進行棘球蚴病空間流行病學研究主要集中在歐洲和亞洲地區，研究內容以描述棘球蚴病空間分布和空間聚集性為主，建立空間模型進行棘球蚴病影響因素的研究較少。越來越多的研究結果證實棘球蚴病的空間分布具有聚集性，而造成這種聚集性的原因需要進行更深入的研究。有學者運用空間插值法、貝葉斯模型等對未抽樣地區棘球蚴病患病率進行預測，而未見對棘球蚴病未來流行趨勢的預測。因此，在今后的科研工作中，應著重進行以下三方面的研究：①建立空間模型進行棘球蚴病影響因素研究。②明確造成棘球蚴病聚集分布的原因。③預測棘球蚴病未來流行趨勢。

在空間統計學方法選擇上，估計未抽樣地區患病率以空間插值方法為主，常用的空間插值方法有全局多項式插值法、反距離權重法、Kriging插值法、趨勢面分析法，每種空間插值方法適用的數據類型各有不同，其中Kriging插值法被認為是最優線性無偏估計，目前已得到廣泛運用。空間自相關分析多用來證明疾病的空間分布是否存在空間聚集性，實際應用中常將Morans'I法與Getis'G法結合起來使用，既可區分正空間自相關和負空間自相關，又能區分“熱點區”、“冷點區”。以上空間插值方法和空間自相關分析均可通過ArcGIS軟件實現。空間掃描統計量因其結果直觀，SaTScan軟件操作簡單，在疾病空間聚集性分析中應用也較廣泛。由于棘球蚴病的空間分布多具有聚集性特征，棘球蚴病影響因素分析可運用廣義線性混合模型及貝葉斯空間模型。廣義線性混合模型是在廣義線性模型的基礎上，在線性預測部分引入隨機效應項，隨機效應的引入可反映不同對象之間的異質性，以及同一對象不同觀測之間的相關性(如聚集性)[22]。廣義線性混合模型建模可用SAS軟件實現。貝葉斯模型同樣可以引入隨機效應來反映不同對象之間的異質性，以及同一對象不同觀測之間的相關性，同時，貝葉斯方法可較好地利用先驗信息，提高估計結果的精確性。可用WinBUGS軟件建立貝葉斯空間模型及貝葉斯時空模型，WinBUGS軟件編程較復雜，對學者提出了較高要求。

空間統計學方法在其他寄生蟲病空間流行病學研究中已得到廣泛應用，如血吸蟲[23-24]、瘧疾[25-26]、黑熱病[27]。我國棘球蚴病流行嚴重，是導致西部地區因病致貧、因病返貧的主要疾病，明確棘球蚴病的空間分布情況對于棘球蚴病的防控工作具有重要的意義。結合應用地理信息系統、全球定位系統、遙感技術和空間統計學方法將使棘球蚴病空間流行病學研究更深入、更全面。

[1]Waller LA, Gotway CA. Applied spatial statistics for public health data[M]. Hoboken: John Wiley & Sons, 2004：1-3.

[2]Berke O. Choropleth mapping of regional count data ofEchinococcusmultilocularisamong red foxes in Lower Saxony, Germany[J]. Prev Vet Med, 2001, 52(2): 119-131. DOI: 10.1016/S0167-5877(01)00246-X

[3]Vervaeke M, van der Giessen J, Brochier B, et al. Spatial spreading ofEchinococcusmultilocularisin Red foxes (Vulpesvulpes) across nation borders in Western Europe[J]. Prev Vet Med, 2006, 76(3/4): 137-150. DOI: 10.1016/j.prevetmed.2006.04.014

[4]Bobic B, Nikolic A, Radivojevic SK, et al. Echinococcosis in serbia: an issue for the 21stcentury?[J]. Foodborne Pathog Dis, 2012, 9(11): 967-973. DOI: 10.1089/fpd.2012.1227

[5]Fuglei E, Stien A, Yoccoz NG, et al. Spatial distribution ofEchinococcusmultilocularis, Svalbard, Norway[J]. Emerg Infect Dis, 2008, 14(1): 73-75. DOI: 10.3201/eid1401.070565

[6]Fang Q, Wu WP, Wang LY, et al. Use of saptial interpolation to predict the prevalence of Hydatidosis[J]. J Pathog Biol, 2014, 9(3): 203-206. DOI: 10.13350/j.cjpb.140303 (in Chinese) 房琦, 伍衛平, 王立英, 等. 空間插值法在人群包蟲病患病率預測中的應用[J]. 中國病原生物學雜志, 2014, 9(3): 203-206. DOI: 10.13350/j.cjpb.140303

[7]Robardet E, Giraudoux P, Caillot C, et al. Fox defecation behaviour in relation to spatial distribution of voles in an urbanised area: An increasing risk of transmission ofEchinococcusmultilocularis[J]. Int J Parasitol, 2011, 41(2): 145-154. DOI: 10.1016/j.ijpara.2010.08.007

[8]Piarroux M, Piarroux R, Knapp J, et al. Populations at risk for alveolar echinococcosis, France[J]. Emerg Infect Dis, 2013, 19(5): 721-728. DOI: 10.3201/eid1905.120867

[9]Manfredi MT, Cerbo AR, Zanzani S. Cystic echinococcosis in Lombardy: epidemiological aspects and spatial analysis[J]. Helminthologia, 2013, 50(2): 96-103. DOI: 10.2478/s11687-013-0115-5

[10]Wang LY. Study on the relation of distribution of intermediate host ofEchinococcusmultilocularisto the environmental factors in southern Qinghai Plateau[D]. Shanghai: Chinese Center for Disease Control and Prevention, 2009. (in Chinese) 王立英. 青南高原多房棘球絳蟲中間宿主分布與環境因素關系的研究[D]. 上海: 中國疾病預防控制中心, 2009.

[11]Qi YF. Study on distribution characteristics and influencing factors of echinococcosis in Aba Prefecture, Sichuan Province[D]. Shanghai: Chinese Center for Disease Control and Prevention, 2013. (in Chinese) 齊顏鳳. 四川省阿壩州棘球蚴病分布特征和影響因素研究[D]. 上海: 中國疾病預防控制中心,2013.

[12]Berke O, Romig T, von Keyserlingk M. Emergence ofEchinococcusmultilocularisamong Red foxes in northern Germany, 1991-2005[J]. Vet Parasitol, 2008, 155(3/4): 319-322. DOI: 10.1016/ j.vetpar.2008.05.017

[13]Mastin A, Brouwer A, Fox M, et al. Spatial and temporal investigation ofEchinococcusgranulosuscoproantigen prevalence in farm dogs in South Powys, Wales[J]. Vet Parasitol, 2011, 178(1-2): 100-107. DOI: 10.1016/j.vetpar.2010.11.049

[14]Brundu D, Aloi D, Rolesu S, et al. Cystic echinococcosis in slaughtered cattle in Sardinia: a retrospective epidemiological study and spatial analysis[J]. Geospat Health, 2012, 6(2): 285-291.

[15]Said-Ali Z, Grenouillet F, Knapp J, et al. Detecting nested clusters of human alveolar Echinococcosis[J]. Parasitology, 2013, 140(13): 1693-1700. DOI: 10.1017/S0031182013001352

[16]Wang Q, Christine B, Huang L, et al. Spatial clustering ofE.multilocularisinfected dogs in Pastoral Tibetan communities, Sichuan China[J]. J Prev Med Inf, 2012, 28(5): 323-328. (in Chinese) 王謙, 克莉絲汀·布德克, 黃亮, 等. 四川省藏族牧區感染多房棘球絳蟲犬只空間聚集性研究(英文)[J]. 預防醫學情報雜志, 2012, 28(5): 323-328.

[17]Pleydell DR, Yang YR, Danson FM, et al. Landscape composition and spatial prediction of alveolar echinococcosis in southern Ningxia, China[J]. PLoS Negl Trop Dis, 2008, 2(9): e287. DOI: 10.1371/ journal. pntd. 0000287

[18]Pleydell DR, Raoul F, Tourneux F, et al. Modelling the spatial distribution ofEchinococcusmultilocularisinfection in foxes[J]. Acta Trop, 2004, 91(3): 253-265. DOI: 10.1016/j.actatropica.2004.05.004

[19]Viel JF, Giraudoux P, Abrial V, et al. Water vole (Arvicola terrestris scherman) density as risk factor for human alveolar echinococcosis[J]. Am J Trop Med Hyg, 1999, 61(4): 559-565.

[20]Giraudoux P, Raoul F, Pleydell D, et al. Drivers ofEchinococcusmultilocularistransmission in China: small mammal diversity, landscape or climate[J]. PLoS Negl Trop Dis, 2013, 7(3): e2045. DOI: 10.1371/journal.pntd.0002045

[21]Li J. Bayesian spatial modeling of echinococcosis among children in Guoluo prefecture, Qinghai Province[D]. Shanghai: Chinese Center for Disease Control and Prevention, 2012. (in Chinese) 李俊. 青海省果洛州兒童棘球蚴病的貝葉斯空間建模[D]. 上海: 中國疾病預防控制中心, 2012.

[22]Kang MM. Generalized linear mixed models and implementation with SAS[J]. Statistical Thinktank, 2009,10: 50-54. (in Chinese) 康萌萌. 廣義線性混合模型及其SAS實現[J]. 統計教育, 2009, 10:50-54.

[23]Schur N, Hurlimann E, Stensgaard AS, et al. Spatially explicitSchistosomainfection risk in eastern Africa using Bayesian geostatistical modelling[J]. Acta Trop, 2013, 128(2): 365-377. DOI: 10.1016/j. actatropica.2011.10.006

[24]Wang XH, Zhou XN, Vounatsou P, et al. Bayesian spatio-temporal modeling ofSchistosomajaponicumprevalence data in the absence of a diagnostic 'gold' standard[J]. PLoS Negl Trop Dis, 2008, 2(6): e250. DOI: 10.1371/journal.pntd.0000250

[25]Noor AM, Kinyoki DK, Mundia CW, et al. The changing risk ofPlasmodiumfalciparummalaria infection in Africa: 2000--10: a spatial and temporal analysis of transmission intensity[J]. Lancet, 2014, 383(9930): 1739-1747. DOI: 10.1016/S0140-6736(13)62566-0

[26]Mosha JF, Sturrock HJ, Greenwood B, et al. Hot spot or not: a comparison of spatial statistical methods to predict prospective malaria infections[J]. Malar J, 2014, 13(1): 53. DOI: 10.1186/1475-2875-13-53

[27]Martins-Melo FR, Lima Mda S, Ramos AN, et al. Mortality and case fatality due to visceral leishmaniasis in Brazil: a nationwide analysis of epidemiology, trends and spatial patterns[J]. PLoS One, 2014, 9(4): e93770. DOI: 10.1371/journal. pone. 0093770

Application of spatial statistics on echinococcosis studies

ZHAO Yue,WU Wei-ping

(NationalInstituteofParasiticDiseases,ChineseCenterforDiseaseControlandPrevention/LaboratoryofParasiteandVectorBiology,MinistryofHealth,WHOCollaboratingCenterforMalaria,SchistosomiasisandFilariasis,Shanghai200025,China)

Spatial statistics plays an important role in spatial epidemiology studies of echinococcosis. Spatial statistics can be used to describe the spatial distribution, predict the prevalence, identify disease clusters, and analyze the influencing factors of echinococcosis. To describe spatial distribution and predict the prevalence, we can use spatial interpolation, empirical bayes smoothing and ellipsoidal gradient. Spatial autocorrelation always used to identify disease clusters. Moran's I value, Getis'G value and spatial scan statistics are used to judge spatial autocorrelation. Molding plays an important role on analyzing risk factors of echinococcosis. Generalised linear mixed models and Bayesian model are always performed with both spatial factors, such as geomorphologic features, climatic characteristics, vegetation index and factors which make great effect on disease transmission. To figure out the spatial distribution of echinococcosis is significant for echinococcosis control and prevention.

spatial statistics; spatial epidemiology; echinococcosis

Wu Wei-ping, Email: wuweiping@hotmail.com

10.3969/cjz.j.issn.1002-2694.2015.03.018

國家重大科技專項(2012ZX10004-220)與國家傳染病重大專項(2012ZX10004-201)聯合資助

伍衛平，Email：wuweiping@hotmail.com

中國疾病預防控制中心寄生蟲病預防控制所，衛生部寄生蟲病原與媒介生物學重點實驗室，世界衛生組織瘧疾、血吸蟲病和絲蟲病合作中心，上海 200025

R383.3

A

1002-2694(2015)03-0272-05

Funded by the National Science and Technology Major Project (No. 2012ZX10004-220) and the National Infectious Disease Major Project (No. 2012ZX10004-201)

2014-07-01；

2014-11-28