曲江文 聶紹發(fā)

1天津市疾病預(yù)防控制中心，天津，300011；2華中科技大學(xué)公共衛(wèi)生學(xué)院流行病與衛(wèi)生統(tǒng)計(jì)學(xué)系， 武漢，430030

傳染病預(yù)測(cè)預(yù)警是以監(jiān)測(cè)為基礎(chǔ)，根據(jù)傳染病的發(fā)生、發(fā)展規(guī)律及有關(guān)因素早期發(fā)現(xiàn)異常的先兆或事件發(fā)展的不良趨勢(shì)，從而提高傳染病預(yù)防控制工作的主動(dòng)性和預(yù)見(jiàn)性。預(yù)測(cè)預(yù)警是對(duì)公眾的預(yù)防行為進(jìn)行超前調(diào)控的一種手段，其目的是把事后補(bǔ)救轉(zhuǎn)變?yōu)槭孪确婪?，建立一種積極主動(dòng)的保障機(jī)制，避免傳染病事件不斷擴(kuò)大。近年來(lái)，傳染病的預(yù)測(cè)預(yù)警已逐漸成為公共衛(wèi)生領(lǐng)域研究的熱點(diǎn)問(wèn)題，并出現(xiàn)了許多新理論和新方法。本文對(duì)傳染病預(yù)測(cè)預(yù)警的現(xiàn)狀和目前常用的研究方法進(jìn)行了綜述，為傳染病的防制提供理論依據(jù)。

1 應(yīng)用互聯(lián)網(wǎng)和社交媒體等數(shù)字化手段進(jìn)行預(yù)測(cè)預(yù)警

如果互聯(lián)網(wǎng)上關(guān)于某種傳染病的搜索結(jié)果在短期內(nèi)激增，這可能預(yù)示著此種疾病將會(huì)暴發(fā)。例如，在流感暴發(fā)季節(jié)，人們會(huì)通過(guò)Google等搜索引擎了解流感的暴發(fā)情況以及應(yīng)對(duì)流感的一些措施，那么在這段時(shí)間內(nèi)某些與流感相關(guān)的關(guān)鍵詞，如流感、勤洗手、帶口罩、流感疫苗等會(huì)高頻率出現(xiàn)。同樣的，在流感暴發(fā)季節(jié)，人們也會(huì)通過(guò)Twitter等聊天工具反映出與流感相關(guān)的信息。因此，利用Google、Twitter等工具抓取與流感相關(guān)的關(guān)鍵詞，通過(guò)分析這些關(guān)鍵詞的頻率可以準(zhǔn)確地判斷流感在哪里擴(kuò)散。美國(guó)科學(xué)家將2004-2009年查詢所得的不同國(guó)家和地區(qū)的流感估算結(jié)果與官方的流感監(jiān)測(cè)數(shù)據(jù)進(jìn)行對(duì)比，發(fā)現(xiàn)Google搜索引擎查詢所得到的估測(cè)結(jié)果與歷史流感疫情非常接近，并且可以在政府和流行病學(xué)專家得知疫情之前兩個(gè)星期提前預(yù)測(cè)到流感暴發(fā)的出現(xiàn)[1]。Jiwei等通對(duì)Twitter數(shù)據(jù)流加以過(guò)濾，留取與流感相關(guān)的信息，并為這些信息加上地理位置標(biāo)簽，以顯示相關(guān)流感Twitter信息來(lái)自哪里，以及這些信息在一定時(shí)間段內(nèi)的變化情況。他們統(tǒng)計(jì)了2008年6月-2010年6月約100萬(wàn)用戶發(fā)布的360萬(wàn)條與流感相關(guān)的Twitter信息，顯示Twitter的流感信息同美國(guó)疾病預(yù)防控制中心提供的流感暴發(fā)數(shù)據(jù)之間呈高度正相關(guān)，能夠成功推斷出哪些地區(qū)出現(xiàn)了流感暴發(fā)的初期癥狀，進(jìn)而提前預(yù)測(cè)到某個(gè)地區(qū)流感即將到來(lái)[2]。

雖然應(yīng)用數(shù)字化監(jiān)測(cè)手段能夠比傳統(tǒng)監(jiān)測(cè)方法提前預(yù)測(cè)到傳染病的暴發(fā)，但是它并不能取代傳統(tǒng)監(jiān)測(cè)系統(tǒng)，而只能作為疾病監(jiān)測(cè)預(yù)警手段的一種擴(kuò)展[3]。

2 利用癥狀監(jiān)測(cè)系統(tǒng)進(jìn)行預(yù)測(cè)預(yù)警

癥狀監(jiān)測(cè)是指通過(guò)長(zhǎng)期連續(xù)系統(tǒng)地收集與所監(jiān)測(cè)的疾病相關(guān)的一組臨床特征(癥狀)和(或)相關(guān)社會(huì)現(xiàn)象的發(fā)生頻率來(lái)獲取傳統(tǒng)公共衛(wèi)生監(jiān)測(cè)不能提供的疾病防控信息，及時(shí)發(fā)現(xiàn)疾病在時(shí)間和空間分布上的異常聚集，以期對(duì)生物恐怖襲擊、新發(fā)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(fā)進(jìn)行早期探查、預(yù)警和快速反應(yīng)的監(jiān)測(cè)方法。

目前在癥狀監(jiān)測(cè)方面應(yīng)用最成熟的為急性遲緩性麻痹病例監(jiān)測(cè)。我國(guó)自2000年被世界衛(wèi)生組織證實(shí)無(wú)脊灰野病毒傳播以后，在全國(guó)范圍內(nèi)建立了包括14種疾病在內(nèi)的急性遲緩性麻痹病例主動(dòng)監(jiān)測(cè)系統(tǒng)，用以早期發(fā)現(xiàn)輸入性脊髓灰質(zhì)炎病例。2011年7月，監(jiān)測(cè)人員通過(guò)該系統(tǒng)在新疆和田地區(qū)成功發(fā)現(xiàn)急性遲緩性麻痹病例增多，經(jīng)實(shí)驗(yàn)室確證系源自巴基斯坦的輸入性脊髓灰質(zhì)炎野病毒傳播，并通過(guò)5輪強(qiáng)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(duì)鳥類的死亡和患病情況進(jìn)行監(jiān)測(cè)也是癥狀監(jiān)測(cè)的一種重要方式，死鳥的出現(xiàn)是監(jiān)測(cè)西尼羅病毒早期傳播最為敏感的指標(biāo)[5]。自1999年在美國(guó)紐約首次暴發(fā)后，西尼羅病毒在美國(guó)的流行日益嚴(yán)重。為了有效預(yù)防和控制西尼羅病毒，由美國(guó)疾病預(yù)防控制中心牽頭，建立了死鳥監(jiān)測(cè)體系來(lái)早期發(fā)現(xiàn)西尼羅河病毒的活動(dòng)，監(jiān)測(cè)內(nèi)容包括定期報(bào)告和分析病鳥或死鳥的情況以及有針對(duì)性的對(duì)鳥類是否感染西尼羅病毒進(jìn)行實(shí)驗(yàn)室檢測(cè)。2002年，美國(guó)共有582個(gè)市縣出現(xiàn)了西尼羅病毒感染病例，其中有543個(gè)通過(guò)該項(xiàng)監(jiān)測(cè)獲得了西尼羅病毒的早期活動(dòng)信號(hào)，死鳥出現(xiàn)的時(shí)間比人類病例的出現(xiàn)平均提前了1個(gè)多月[6]。

英國(guó)科學(xué)家通過(guò)對(duì)感冒和流感呼救電話進(jìn)行監(jiān)測(cè)，在利用泊松模型建立預(yù)警閾值的基礎(chǔ)上，與臨床上流感樣病例和實(shí)驗(yàn)室確診病例進(jìn)行對(duì)比，回顧性研究發(fā)現(xiàn)能夠提前2周預(yù)警到流感暴發(fā)，前瞻性研究發(fā)現(xiàn)能夠提前6天預(yù)警流感暴發(fā)[7]。

3 通過(guò)監(jiān)測(cè)傳染病發(fā)生的影響因素進(jìn)行預(yù)測(cè)預(yù)警

新發(fā)傳染病的預(yù)測(cè)預(yù)警是一個(gè)全球性的難題。新發(fā)傳染病的不斷出現(xiàn)促使科學(xué)界加緊研究用于追蹤和應(yīng)對(duì)傳染病的新技術(shù)和新方法。曲江文等采用Logistic回歸研究太陽(yáng)黑子活動(dòng)與新發(fā)病毒性傳染病以及流感大流行之間的關(guān)系時(shí)發(fā)現(xiàn)，太陽(yáng)黑子極值年或前后1年是新發(fā)病毒性傳染病和流感大流行發(fā)生的一個(gè)重要的危險(xiǎn)因素，并從太陽(yáng)黑子活動(dòng)影響病毒基因變異、動(dòng)物遷徙以及氣候變化等角度科學(xué)地分析了太陽(yáng)黑子活動(dòng)影響新發(fā)病毒性傳染病和流感大流行發(fā)生的原因，為闡明流感大流行和新發(fā)病毒傳染病的起源和預(yù)測(cè)預(yù)警提供了新的依據(jù)和方法[8-9]。虞震東等發(fā)現(xiàn)新星爆發(fā)和宇宙線大的地面增強(qiáng)事件與流感流行有著重要的關(guān)系，認(rèn)為這種流感大流行都是由宇宙線環(huán)境大的增強(qiáng)引起的，從而提出了科學(xué)預(yù)警流感大流行的對(duì)策，即通過(guò)加強(qiáng)對(duì)宇宙線環(huán)境的監(jiān)測(cè)來(lái)預(yù)警流感大流行[10]。Shamana等發(fā)現(xiàn)拉尼娜現(xiàn)象造成的氣候異常同全球大范圍的流感暴發(fā)有一定的對(duì)應(yīng)關(guān)系。20世紀(jì)4次流感的全球性大流行都發(fā)生在拉尼娜現(xiàn)象之后，他們認(rèn)為拉尼娜現(xiàn)象可以改變?nèi)祟惲鞲胁《镜闹饕拗骱蝤B的遷徙模式，影響它們?cè)谶w徙途中的健康和種群混合，進(jìn)而影響到彼此間的基因交換，導(dǎo)致某些更危險(xiǎn)的流感新毒株出現(xiàn)。此外，拉尼娜現(xiàn)象還會(huì)導(dǎo)致候鳥與豬等家畜接觸，并通過(guò)基因重配形成更危險(xiǎn)的毒株。因此，通過(guò)監(jiān)測(cè)拉尼娜現(xiàn)象為將來(lái)預(yù)警流感大流行提供了可能[11]。

4 利用現(xiàn)代先進(jìn)科學(xué)技術(shù)進(jìn)行預(yù)測(cè)預(yù)警

衛(wèi)星圖像不僅能用來(lái)繪制各種地圖，還能幫助人們?cè)缙陬A(yù)測(cè)什么時(shí)候會(huì)暴發(fā)流行病。為了監(jiān)控腎綜合征出血熱的流行，美國(guó)科學(xué)家以往采用調(diào)查老鼠種群、捕捉老鼠驗(yàn)血、植入微芯片等方法，但這些傳統(tǒng)監(jiān)測(cè)方法均費(fèi)時(shí)費(fèi)力。2004年，研究人員通過(guò)當(dāng)?shù)匦l(wèi)星圖像分析地球表面植被數(shù)量變化來(lái)追蹤鼠群變化，他們發(fā)現(xiàn)經(jīng)過(guò)一個(gè)多雨的冬季，草木生長(zhǎng)繁盛，為老鼠帶來(lái)更多食物，老鼠的種群數(shù)量迅速增長(zhǎng)，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(jù)連續(xù)3年的數(shù)據(jù)分析發(fā)現(xiàn)，從植物數(shù)量增加，到老鼠種群產(chǎn)生致病可能，期間間隔為12-16個(gè)月，從而為腎綜合征出血熱的流行的預(yù)警提供了可能[12]。

麻疹是兒童最常見(jiàn)的急性呼吸道傳染病之一，在尼日爾和尼日利亞北部地區(qū)，研究人員推測(cè)麻疹的季節(jié)性暴發(fā)可能與人們?cè)诤导鹃_始時(shí)遷徙到尼日爾的活動(dòng)有關(guān)，但是他們卻沒(méi)有一個(gè)簡(jiǎn)單的方法來(lái)量化這些活動(dòng)。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(gè)參數(shù)，并且通過(guò)衛(wèi)星圖像成功發(fā)現(xiàn)該地區(qū)夜晚亮度的增加伴隨著麻疹的暴發(fā)，從而為解釋和預(yù)測(cè)麻疹在這一地區(qū)的暴發(fā)提供了可靠的科學(xué)依據(jù)[13]。

Shaman等采用了一種被廣泛用于現(xiàn)代數(shù)據(jù)天氣預(yù)報(bào)的資料同化技術(shù)，設(shè)計(jì)出了一個(gè)實(shí)時(shí)、基于網(wǎng)頁(yè)的地方季節(jié)性流感估算的框架，研究人員使用來(lái)自紐約市2003-2008年相關(guān)流感季節(jié)性暴發(fā)的資料，計(jì)算出了每周整體流感預(yù)報(bào)數(shù)據(jù)。實(shí)驗(yàn)結(jié)果顯示，這種技術(shù)可以在流感暴發(fā)峰值的7個(gè)多星期之前預(yù)測(cè)出一場(chǎng)流感暴發(fā)峰值的出現(xiàn)時(shí)間，從而使季節(jié)性流感定量預(yù)測(cè)成為可能[14]。

5 應(yīng)用各種數(shù)學(xué)模型進(jìn)行預(yù)測(cè)預(yù)警

一種新出現(xiàn)的傳染病接下來(lái)會(huì)在哪里及在何時(shí)出現(xiàn)是一個(gè)難以解決的問(wèn)題，以往預(yù)測(cè)一種新出現(xiàn)的傳染病的傳播模型一般側(cè)重于地理上的距離，或者采用一些結(jié)合了流動(dòng)性與流行病學(xué)數(shù)據(jù)的現(xiàn)代、復(fù)雜的疾病蔓延模型，但是這些預(yù)測(cè)方法應(yīng)用于現(xiàn)代社會(huì)效果并不是很好。Brockmann等通過(guò)“有效距離”來(lái)分析傳染病的蔓延，這種“有效距離”的提出是基于不同地區(qū)之間的遷移概率，兩個(gè)地區(qū)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(jù)他們對(duì)距離的新的定義，研究人員研發(fā)了一種可預(yù)測(cè)某種新發(fā)的傳染病會(huì)在哪里以及在何時(shí)發(fā)生的反應(yīng)擴(kuò)散模型。在新模型中通過(guò)計(jì)算航空運(yùn)輸網(wǎng)絡(luò)的運(yùn)輸強(qiáng)度來(lái)表征地區(qū)間的有效距離，他們應(yīng)用新數(shù)學(xué)模型分析了2003年的SARS疫情和2009年甲型H1N1流感的疾病暴發(fā)路徑并得到了很好的驗(yàn)證[15]。這種基于全球各地聯(lián)系關(guān)系來(lái)分析流行病動(dòng)態(tài)的數(shù)學(xué)模型能夠幫助我們確定疾病暴發(fā)起源和預(yù)測(cè)疾病蔓延路徑，從而提前做到預(yù)警和應(yīng)對(duì)。

Lu等采用“泊松時(shí)間序列模型”對(duì)包括最低氣溫、最高溫度、最小相對(duì)濕度、風(fēng)速和降雨量在內(nèi)的氣象數(shù)據(jù)與2001-2006年6年間我國(guó)廣州市內(nèi)的登革熱發(fā)病數(shù)作了對(duì)比研究，結(jié)果發(fā)現(xiàn)，更高的最低氣溫和更低的風(fēng)速與登革熱發(fā)病總數(shù)相關(guān)。如果在數(shù)學(xué)模型中將濕度的影響也考慮在內(nèi)，建立的模型與實(shí)際情況更為相符，而且發(fā)現(xiàn)最低氣溫和最小相對(duì)濕度出現(xiàn)后大約1個(gè)月才會(huì)實(shí)際引發(fā)登革熱疫情，風(fēng)速的影響在當(dāng)月即可體現(xiàn)出來(lái)，從而為當(dāng)?shù)氐牡歉餆嵋咔轭A(yù)警提供了可能[16]。

流感病毒每年都會(huì)發(fā)生一定程度的變異，為了能夠提前預(yù)測(cè)下一次流感病毒的進(jìn)化方向和預(yù)判未來(lái)流感病毒的特征，Luksza等結(jié)合物理學(xué)和計(jì)算機(jī)科學(xué)，詳細(xì)分析了世界衛(wèi)生組織歷年甲型 H3N2病毒的基因組特征，確認(rèn)了一些有助于判斷病毒進(jìn)化方向的指標(biāo)，并建立了預(yù)測(cè)流感病毒的適應(yīng)性模型，為預(yù)測(cè)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(yù)測(cè)預(yù)警工作的研究方法和理論已經(jīng)向?qū)W科交叉和綜合應(yīng)用轉(zhuǎn)變，并且取得了長(zhǎng)足進(jìn)步，逐漸走向成熟。這些新方法和新理論的應(yīng)用有利于完善和充實(shí)目前的傳染病監(jiān)測(cè)體系，提高今后傳染病預(yù)防控制工作的預(yù)見(jiàn)性和主動(dòng)性，從而更好地維護(hù)國(guó)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(fā).太陽(yáng)黑子活動(dòng)與流感大流行關(guān)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(yáng)黑子活動(dòng)對(duì)新發(fā)病毒性傳染病發(fā)生的影響[J].環(huán)境與健康雜志，2012，29 (2): 188-190.

[10]虞震東.應(yīng)對(duì)流感大流行威脅急需的一項(xiàng)對(duì)策[J].前沿科學(xué)，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.