研究背景发热伴血小板减少综合征(以下简称SFTS)是我国学者于2009年首次发现的具有重要公共卫生意义的新发虫媒传染病,病死率较高。SFTS自发现以来其发病数逐年升高,发现病例的地区逐年扩大,严重损害了人民的健康和生命安全。随着人民健康需求的日益增加,传统的早发现、早诊断、早隔离等被动防控措施已经不能满足新时代传染病防控的需求,需要未雨绸缪,在疫情发生前科学预测病例的发生时间和空间,根据预测结果主动采取有针对性的干预措施,有效降低发病率和病死率。本课题拟在既往研究基础上,阐明SFTS流行特征演变规律和时空分布特征,分析气象因素和自然因素等对SFTS时空分布的影响,构建时空预测模型,为卫生资源的合理配置及SFTS的精准防控提供科学依据。研究方法从“中国疾病预防控制信息系统-传染病报告信息管理系统”收集全国2011年至2016年SFTS病例信息,从国家气象科学数据共享服务平台下载全国所有气象监测点2011年至2016年的气象数据,从中国科学院地理科学与资源研究所、欧洲航天局、地理空间数据云、联合国粮食和农业组织等机构网站收集全国海拔高度数据、土地覆盖数据、植被指数数据、家畜和家禽密度数据等环境因素数据,建立SFTS病例数据库、气象因素数据库和环境因素数据库,采用SPSS 20.0描述性分析SFTS病例的性别、年龄、职业、发病时间、发病地区、发病到确诊时间间隔等流行特征的演变规律,并对差异做统计学推断,采用单因素和多因素Logistic回归分析SFTS病例死亡的相关因素,采用ArcGIS、SaTScan等软件分析SFTS病例的空间相关性及时空聚集性,采用DLNM分析SFTS病例发病时间与气象因素的关系;采用ARIMA、NBM和Quasi-Poisson GAM构建SFTS时间预测模型,将预测数据和实际发病数据进行ICC分析,比较和评价模型的预测效果;基于最大熵算法构建SFTS的ENM,分析气象因素和环境因素对SFTS空间分布的贡献率,预测SFTS的高风险发病地区,用ROC评价模型的拟合效果。研究结果2011年至2016年全国共报告了 5360例SFTS实验室确诊病例,病例数逐年增加,发病率在0.034215/10万至0.094863/10万之间。绝大多数SFTS病例的职业是农民(87.91%,4712/5360),不同年份病例的职业分布无统计学差异(χ2=15.552,P=0.113)。60-69岁年龄组病例的构成比最高,其次是50-59岁年龄组、70-79岁年龄组和40-49岁年龄组,91.57%的病例年龄在40岁至80岁之间。共有20个省报告了 SFTS实验室确诊病例,但99.53%的病例分布在河南省、山东省、湖北省、安徽省、浙江省、辽宁省和江苏省等7个省份。98.00%(5253/5360)的SFTS实验室确诊病例发病日期在4月至10月,5月、6月和7月为发病高峰,但不同年份SFTS病例的季节分布的差异有统计学意义(Fisher=276.845,P=0.000),不同省份SFTS病例的发病时间季节分布的差异也有统计学意义(Fisher=721.157,P=0.000),辽宁省病例的发病高峰较晚而且持续时间比较短,浙江省、湖北省、安徽省和河南省病例发病高峰比辽宁省、山东省和江苏省病例的发病高峰早一个月。全国共报告343例SFTS死亡病例,病死率为6.40%,多因素Logistic回归分析结果显示病例的发病年份、病例来自的省份和病例的年龄组与死亡的相关性具有统计学意义。2011年至2016年全国SFTS病例的全局空间自相关分析结果显示每年的SFTS病例的空间分布均具有相关性,局部空间自相关分析结果显示,每年的热点地区存在差异。时空聚集性分析结果显示2011年至2016年SFTS共形成3个时空高聚集区,聚集区1位于河南和湖北交界处,共包括21个县区,聚集时间跨度为2015年4月至2016年8月,相对危险度为107.62;聚集区2位于山东省胶东地区,共包括18个县区,聚集时间跨度为2015年5月至2016年10月,相对危险度为43.40;聚集区3位于山东省中部,共涉及28个县区,聚集时间跨度2015年5月至2016年9月,相对危险度为14.24。DLNM分析结果显示周平均气温和SFTS周发病数间的关系为反“U”型,在气温低于23 ℃时随着气温升高SFTS周发病数上升,但气温超过23 ℃后随着气温升高SFTS周发病数下降。不同气温的滞后效应时间不同,较高气温的滞后效应较短,29.30 ℃的滞后效应在第8周就不显著了,较低气温的滞后效应较长,1.62 ℃和6.97 ℃的滞后效应可以持续24周。较高气温(23.97 ℃和29.30 ℃)在lag0时相对危险度最高,但下降很快;而较低气温(1.62 ℃和6.97 ℃)在lag0时相对危险度最小,在lag 13时相对危险度最大,而且下降缓慢。所建立的最优ARIMA模型为ARIMA(2,0,0)(1,0,0)12,利用该模型对研究区域2016年1月至12月每月的发病数进行预测,实际发病数均在预测发病数的95%CI内,实际发病数与拟合值的ICC分析结果显示,ICC为0.924。利用NBM构建的最优模型对2016年研究区域1月至12月的月发病数进行预测,实际发病数与拟合值的ICC为0.948。利用Quasi-Poisson GAM所构建的最优模型对2016年研究区域1月至12月的月发病数进行预测,实际发病数与拟合值的ICC分析结果显示,ICC为0.941。对三种模型的拟合值和预测值进行比较,三种模型均有较好的拟合效果和预测能力,其中NBM的拟合效果最好。生态位模型结果显示海拔高度、年均气温和降雨量与SFTS的空间分布显著相关,而且各变量与SFTS空间分布之间是非线性关系。所构建的生态位模型对不同县区的SFTS发生风险的预测结果显示,高风险地区主要分布在山东的胶东半岛和中部、河南和湖北交界处和辽宁等地。2011-2016年每年构建生态位模型的 ROC 曲线 AUC 值分别为 0.957、0.958、0.955、0.950、0.956 和 0.942,均大于 0.9。结论SFTS病例数逐年增高,报告病例的县区数显著升高,不同年份SFTS病例的年龄分布、季节分布、空间分布、发病到确诊时间间隔等流行特征存在差异;SFTS空间分布呈显著相关性,河南湖北交界处和山东存在SFTS时空高聚区;气温对SFTS发病数的影响为非线性的反“U”型,而且存在滞后效应;用ARIMA、NBM和GAM均可以用于SFTS发病时间的预测,其中NBM的预测效果最好。海拔高度、降雨量和气温对SFTS的空间分布显著的非线性相关,基于最大熵算法所构建的生态位模型可以科学预测不同县区SFTS的发病风险。