曾志平 左中寶 王妙嬋 徐愛芳 武靜

杭州市西溪醫(yī)院檢驗科310023

截至2019年底，全球有約3 800萬HIV感染者，其中2019年新發(fā)感染170萬例[1]。2019年1—10月，我國共檢測HIV2.3億人次，新報告HIV感染者13.1萬例，至2019年10月底，全國報告存活的HIV感染者共95.8萬，是威脅我國居民健康的主要問題之一[2]。雖然國內(nèi)有部分地區(qū)描述分析了當?shù)氐腍IV新近感染者的時空特征[3-4]，但基于國家層面僅局限于艾滋病分布時空演化及其影響因素研究[5-6]。本研究擬采用Joinpoint模型、時間序列分析以及空間分析預(yù)測HIV的時空流行特點，為HIV的防控提供科學的指導(dǎo)，以進一步減少HIV的產(chǎn)生。

資料與方法

一、資料來源

2004—2017年新發(fā)HIV感染者數(shù)據(jù)來自中國疾病預(yù)防控制中心公共衛(wèi)生科學數(shù)據(jù)中心（http：//www.phsciencedata.cn/Share/edtShareNew.jsp?id=39208），包括全國31個省級行政區(qū)域（不含港澳臺地區(qū)）；人口學相關(guān)數(shù)據(jù)來自國家統(tǒng)計局的中國統(tǒng)計年鑒（http：//www.stats.gov.cn/tjsj/ndsj/）。

二、研究方法

1.Joinpoint回歸

利用Joinpoint軟件分析2004—2017年HIV發(fā)病趨勢的持續(xù)變化。網(wǎng)格搜索法用于尋找顯著趨勢，蒙特卡洛置換檢驗方法模擬每個趨勢的連接點?？傮w時間趨勢采用年平均變化率（AAPC）計算。

2.時間序列估計

本研究采用季節(jié)自回歸綜合移動平均（SARIMA）模型對我國HIV發(fā)病流行進行預(yù)測。SARIMA模型可以寫成（p，d，q）（P，D，Q）S的形式，其中p、d、q分別表示非季節(jié)性自回歸階數(shù)、非季節(jié)性差分和非季節(jié)性滑動平均階數(shù)；P、D、Q分別表示季節(jié)性自回歸階數(shù)、季節(jié)性差分和季節(jié)性滑動平均階數(shù)；s表示季節(jié)性周期（本研究s=12）。時間序列可以分為3個部分：季節(jié)效應(yīng)、趨勢曲線和不規(guī)則噪聲。季節(jié)效應(yīng)是指每年以相似方式重現(xiàn)的趨勢波動，趨勢曲線是時間序列的長期運動，不規(guī)則噪聲指去除趨勢曲線和季節(jié)效應(yīng)后的剩余分量。

SARIMA模型的構(gòu)建可以分為以下步驟：首先，用增廣Dickey-Fuller（ADF）檢驗時間序列的平穩(wěn)性；其次，通過自相關(guān)函數(shù)（ACF）圖、偏自相關(guān)函數(shù)（PACF）圖和逆自相關(guān)函數(shù)（IACF）圖確定模型參數(shù)（p、d、q、P、D和Q），通過對模型參數(shù)的變換，構(gòu)造了一種替代SARIMA模型；最后，利用Akaike信息準則（AIC）和Schwartz-Bayesian準則（SBC）來確定不同SARIMA模型的適合度。最優(yōu)模型具有最低的AIC和SBC值，并通過Box-Ljung檢驗來檢驗最終模型的殘差是否與時間無關(guān)。用平均絕對誤差（MAE）和平均絕對百分比誤差（MAPE）檢驗?zāi)Ｐ偷念A(yù)測有效性。本次研究使用2004—2016年的HIV發(fā)病率構(gòu)建SARIMA模型，2017年的數(shù)據(jù)來驗證模型的預(yù)測效果。

3.空間自相關(guān)分析

計算HIV發(fā)病率的全局Moran’sⅠ，以檢測空間聚類模式。Moran’sⅠ值為-1~1，而接近1的值表示空間正相關(guān)，接近-1的值表示空間負相關(guān)，0表示隨機分布。計算局部Moran指數(shù)，并進行熱點分析以確定聚類的位置。利用局部Moran指數(shù)確定空間自相關(guān)，檢測具有相似相鄰特征和異常值的空間聚類。當發(fā)病率有類似的低值或高值時，這些區(qū)域被認為具有正自相關(guān)（低-低或高-高自相關(guān)），反之則定義為負自相關(guān)（低-高或高-低自相關(guān)）。

三、統(tǒng)計學分析

Joinpoint 4.7.0.0軟件用來觀察2004—2017年HIV發(fā)病趨勢；使用SAS 9.4軟件建立SARIMA模型并預(yù)測HIV發(fā)病率；使用Arcgis 10.2軟件觀察HIV空間分布。P<0.05認為差異有統(tǒng)計學意義。

結(jié) 果

一、變化趨勢

從2004年1月至2017年12月，本研究共納入HIV感染者748 019例，年平均發(fā)病數(shù)為53 430例。HIV發(fā)病率從2004年的1.02/10萬上升到2017年的6.87/10萬，最高發(fā)病率為2017年。Joinpoint最終選擇模型為1分段點模型（P=0.87），分段點為2006年。2004—2006年，平均百分比變化率（APC）為44.99（95%CI：18.31~77.63，P<0.01）；2006—2017年，APC為10.04（95%CI：9.24~10.92），HIV發(fā)病率一直呈上升趨勢，見圖1。2004—2017年，14年的年平均百分比變化率為14.82（95%CI：11.74~18.02）。

圖1 2004—2017年中國HIV發(fā)病率的變化趨勢Joinpoint回歸分析

2.時間趨勢及預(yù)測

在2004—2017年共14年中HIV的發(fā)生呈明顯季節(jié)性，見圖2，并且在12個月內(nèi)季節(jié)周期保持波動。白噪聲檢驗的結(jié)果（χ2=627.87，P<0.01）否定了白噪聲的零假設(shè)。增強Dickey-Fuller（ADF）檢驗不顯著（τ=-2.13，P>0.05，lag=1），對發(fā)病率進行一階12期的季節(jié)性差分。季節(jié)拆分后的HIV發(fā)病率是穩(wěn)定的（τ=-15.61，P<0.01，lag=1），以此構(gòu)建SARIMA模型（圖3）。根據(jù)PACF、ACF和IACF的圖，最佳ARIMA模 型 為（0，1，1）（0，1，1）12，可 以 寫 成（1-B）（1-B12）Xt=εt（1-0.704 74B）（1-0.275 82B12），該模型擁有最小的AIC（148.10）和SBC（154.03）。殘差間無顯著相關(guān)（lag=6，χ2=4.39，P>0.05），殘差為白噪聲，以此構(gòu)建的SARIMA模型預(yù)測2017年的發(fā)病率，圖2展示了預(yù)測和實際值的分布，平均絕對誤差（MAE）和平均絕對百分比誤差（MAPE）分別為0.41和0.07，預(yù)測值與2017年原始發(fā)病率數(shù)據(jù)吻合較好。剔除季節(jié)效應(yīng)和不規(guī)則噪聲對HIV的影響后，HIV發(fā)病曲線變得更加平滑（圖2），發(fā)現(xiàn)2004—2017年HIV發(fā)病率呈上升趨勢。

圖2 2004—2017年中國HIV的實際發(fā)病率及隨季節(jié)變化發(fā)病率

圖3 時間序列一階12季節(jié)拆分后的自相關(guān)圖

三、空間聚類分布與地理特征

除西藏地區(qū)在2004年無HIV病例報告外，其余年份和地區(qū)在這14年中均有病例報告。發(fā)病率最低的地區(qū)為天津（2004年，0.03/10萬），發(fā)病率最高的為新疆（2017年，26.81/10萬）。新疆在2006年和2008—2017年的報告發(fā)病率均大于15/10萬，是我國HIV報告發(fā)病率最高的地區(qū)；云南省在2006—2017年報告HIV發(fā)病率均大于15/10萬；四川、貴州、重慶和北京等地在這13年內(nèi)HIV的報告發(fā)病率逐年上升，而廣西的HIV報告發(fā)病率在2004—2012逐年上升，在2012—2017年則是逐漸下降。

根據(jù)全局自相關(guān)分析，2004—2017年新發(fā)HIV感染者的分布具有空間相關(guān)性（表1）。Moran指數(shù)在0.14~0.36之間，2016年指數(shù)最高（Moran指數(shù)=0.36，Moran Z-評分=3.65，P<0.01）。根據(jù)局部自相關(guān)分析結(jié)果，2004—2017年共有37個高-高聚集、12個高-低聚集和4個低-高聚集，詳見表2。2004年云南、廣西和貴州表現(xiàn)為高-高聚集，2005—2012年，云南和廣西表現(xiàn)為高-高聚集；2013—2017年，由開始的云南，廣西和貴州3個地區(qū)高-高聚集到2017年的云南、廣西、貴州、重慶和四川5個地區(qū)高-高聚集。除了2004年和2016年，新疆在其余年份均表現(xiàn)為高-低聚集；西藏在2004—2009以及2012—2015年表現(xiàn)為低-高聚集。HIV傳播熱點主要集中在我國西南地區(qū)，包括廣西、云南、貴州、四川和重慶，該區(qū)域主要為高-高聚集。

表1 2004—2017年中國新發(fā)HIV感染者全局自相關(guān)分析

表2 2004—2017年中國新發(fā)HIV局部自相關(guān)分析

討 論

我國自報道首例艾滋病例以來，HIV的時間和空間流行趨勢一直在發(fā)生變化[5，7-10]。本次研究顯示，2004年1月至2017年12月，我國共報告748 019例HIV感染者，年平均發(fā)病人數(shù)為53 430例，為我國的公共衛(wèi)生帶來了巨大的負擔。了解HIV的時空流行病學模式有助于采取針對性的防控措施，進一步控制我國HIV病例數(shù)量。

本研究顯示，我國2004—2017年HIV發(fā)病率的年平均百分比變化率為14.82（95%CI：11.74~18.02），從2004年的1.02/10萬上升到2017年的6.87/10萬，升高了5.7倍。Joinpoint模型最終選擇為1分段點模型，2004—2006年，APC為44.99（95%CI：18.31~77.63）；2006—2017年，APC為10.04（95%CI：9.24~10.92），2006年后HIV發(fā)病率升高速度下降可能與我國采取的一系列政策有關(guān)[11-12]。HIV發(fā)病率在2004—2017年里始終呈上升趨勢，這也與之前的研究[5，9]相吻合。

時間序列分析表明，我國HIV發(fā)病率一直處于增長階段。經(jīng)過模型的建立和篩選，最終選擇的SARIMA為（0，1，1）（0，1，1）12，可以寫成（1-B）（1-B12）Xt=εt（1-0.704 74B）（1-0.275 82B12），預(yù)測的發(fā)病率結(jié)果與真實的結(jié)果一致性較高。剔除時間序列模型的季節(jié)效應(yīng)和不規(guī)則噪聲對HIV發(fā)病率的影響后，HIV發(fā)病曲線變得更加平滑，且一直處于上升趨勢。此外，既往的研究[6，13]表明，艾滋病的發(fā)病率存在季節(jié)性，這也與本研究的結(jié)論一致。

本研究顯示，HIV傳播熱點主要集中在我國西南地區(qū)，包括廣西、云南、貴州、四川和重慶，該區(qū)域主要為高-高聚集，這可能與我國各地區(qū)經(jīng)濟、交通、醫(yī)療水平發(fā)展的不平衡[14-15]有關(guān)系，同時我國HIV的發(fā)病率呈現(xiàn)一個從2004年的“少數(shù)地區(qū)低發(fā)病率”到2017年的“多數(shù)地區(qū)高發(fā)病率”的特點。因此在未來的防控措施上，既要保持對新疆、云南、四川和貴州等高發(fā)病率地區(qū)的防控，還要防止疫情進一步向鄰近地區(qū)擴散，做好周邊地區(qū)HIV發(fā)病的防控，這些高發(fā)病率地區(qū)需要更多的政策支持和援助。值得注意的是，廣西HIV報告發(fā)病率在2004—2012年逐年上升，在2012—2017年則是逐漸下降，這可能與該地區(qū)加強干預(yù)防控策略[16-17]有關(guān)。

由于本研究的數(shù)據(jù)來源于被動監(jiān)測系統(tǒng)的報告感染，不可避免地低估了HIV病例總數(shù)，此外一些地區(qū)的診斷水平可能導(dǎo)致對HIV發(fā)病率的低估。在今后的研究中，有必要考慮以上因素，以提高數(shù)據(jù)分析的正確率。

利益沖突 所有作者均聲明不存在利益沖突