基于贝叶斯层次框架的香港流感病例漏报率估计：气象因素与DT-SIRS模型的整合分析

本研究针对流感监测中因无症状感染导致的漏报问题，创新性地结合贝叶斯层次框架与离散时间随机SIRS模型（DT-SIRS），量化了香港地区流感漏报率的动态变化。通过纳入气象因子（MeanT/RH/DTR等）和疾病检测协变量，揭示了气候变量对流感亚型传播率的影响机制，为基于气象数据和常规监测的流感预警提供了新思路。

　　

流感作为由流感病毒引起的急性呼吸道感染，每年在全球造成数百万重症病例和数十万死亡。尽管监测系统持续运行，约30-50%的无症状感染导致病例漏报，严重干扰疾病负担评估和防控策略制定。香港作为典型的亚热带地区，其流感流行呈现高度不规则的多峰特征，加之旅游人口密集，使得传统回归模型难以精准捕捉传播动态。

为解决这一问题，研究人员开发了整合贝叶斯层次框架与离散时间随机易感-感染-恢复-易感模型（DT-SIRS）的新型分析体系。该模型通过双组分结构同步估计真实病例数和传播率：病例检测概率组件采用泊松-逻辑回归模型，量化检测协变量（如呼吸道样本检测量、门诊ILI就诊率）的影响；发病率组件则用DT-SIRS模型替代传统回归，引入时变传播率β_t和周期性效应r_t，动态追踪人群免疫状态变化。研究特别纳入5种气象因子（平均温度MeanT、相对湿度RH、昼夜温差DTR等），通过分布滞后非线性模型（DLNM）解析其滞后效应与流感活动的非线性关联。

关键技术方法包括：1）构建DLNM分析气象因子滞后效应；2）开发整合泊松-逻辑模型与DT-SIRS的混合框架；3）设计四种周期性效应模型（固定周效应M_1a、正弦曲线M_1b、4周周期M₂和年度变周期M₃）；4）使用香港2014-2019年哨点监测数据和气象观测数据进行验证。

2.1 数据来源
研究采用香港卫生防护中心发布的私立诊所和普通门诊ILI监测数据，以及公共卫生实验室的流感阳性样本数（Flu-A/Flu-B），气象数据来自香港天文台。

2.3 模型构建
核心创新在于将传统泊松-逻辑模型的发病率组件替换为DT-SIRS模型：log(β_t)=a₀+∑a_jx_t^j+r_t，其中r_t采用M₃模型的变周期效应表现最优（DIC=4215）。

3.1 参数设定
模拟显示M₃在人口规模20,000时覆盖率可达99%。气象因子中，低温（10.3°C vs 25°C）对Flu-B的RR值在滞后2周达3.20，高湿度（94% vs 80%）对Flu-A的即时效应RR为1.73。

3.3 模型验证
M₃模型的RMSE最低（Flu-A:38.2；Flu-B:21.6），显著优于固定周期模型。漏报率分析显示，Flu-A在2017年冬季漏报率达62%，而Flu-B在2019年春季漏报率为45%。

该研究通过融合气象科学与传染病动力学模型，首次实现了对亚热带地区流感漏报率的动态校正。其建立的DT-SIRS框架不仅能更精准地反演真实流行曲线，还揭示了气象驱动下的传播率变异规律，为资源有限地区的流感预警提供了方法论创新。特别是将常规监测数据与气候变量联用的思路，对完善全球流感监测网络具有重要参考价值。