新疆布鲁氏菌病时空动态的变点分析与混合模型预测研究

《BMC Public Health》：Multiple change point analysis and time series forecast of brucellosis reports in Xinjiang, China from 2010 to 2024

本研究针对新疆地区布鲁氏菌病高发但缺乏变点视角流行病学研究的现状，通过二元分割法识别2010-2024年月度报告时间序列的5个变点，并构建ARIMA-SVR混合模型进行预测。结果表明，2023年1月后病例数达历史最高水平，且混合模型预测性能最优（RMSE=27.14）。预测显示2025-2027年发病率将维持高位，峰值月份可能由6月向5、7月偏移。研究为布鲁氏菌病早期预警提供了新方法学支持，对高发地区精准防控具有重要实践意义。

　　

在广袤的新疆维吾尔自治区，牛羊成群的传统牧场景观背后，隐藏着一个长期困扰当地居民健康的公共卫生挑战——布鲁氏菌病。这种被称为"波浪热"的人畜共患病，由布鲁氏菌引起，主要通过接触感染动物或其产品传播。作为我国五大牧区之一，新疆自1954年报告首例人间病例以来，先后经历了20世纪50-70年代和2015年两次流行高峰，其中2015年的疫情反弹尤为严峻。近年来，新疆布鲁氏菌病发病率持续快速上升，相关突发公共卫生事件频发，但传统流行病学研究方法难以捕捉政策干预、病原体变异等因素导致的时间序列结构变化。

为破解这一难题，杨立平团队在《BMC Public Health》发表了题为"Multiple change point analysis and time series forecast of brucellosis reports in Xinjiang, China from 2010 to 2024"的研究论文。研究人员创新性地将变点分析（Change Point Analysis, CPA）与混合预测模型相结合，旨在揭示新疆布鲁氏菌病流行的时空演变规律，并为建立科学预警系统提供数据支撑。

研究团队采用二元分割技术对2010-2024年新疆布鲁氏菌病月度报告数据进行变点分析，同时分别建立自回归综合移动平均（ARIMA）模型、支持向量回归（SVR）模型以及ARIMA-SVR混合模型进行预测比较。模型性能通过均方根误差（RMSE）、平均绝对误差（MAE）和平均绝对百分比误差（MAPE）进行评估，最终选用最优模型预测2025-2027年月度发病情况。

变点分析结果

研究识别出五个显著变点，将时间序列划分为六个阶段。变点分别发生于2013年1月、2014年2月、2017年7月、2021年2月和2023年1月。其中第六阶段（2023年1月至2024年12月）平均月度病例数最高（758例），而第一阶段（2010年1月至2013年1月）最低（119例）。这些变点与当地防控政策调整、畜牧业发展周期以及COVID-19疫情等重大事件高度吻合，揭示了疫情演变的阶段性特征。

预测模型比较

通过对比三种模型的拟合效果，ARIMA-SVR混合模型在测试集上表现出最优性能（RMSE=27.14, MAE=17.05, MAPE=2.32%），显著优于单一模型。该模型有效融合了ARIMA模型处理线性关系的优势与SVR模型捕捉非线性特征的能力，为布鲁氏菌病预测提供了更精准的工具。

疫情预测趋势

基于ARIMA-SVR模型的预测显示，2025-2027年新疆布鲁氏菌病月发病数将维持历史高位水平，12个月中有8个月超过历史75百分位数。尤为值得注意的是，传统发病高峰月份（6月）可能出现前移和后延现象，预测峰值将分散至5月和7月。这一发现提示卫生部门需要调整传统防控策略的时间节点，加强对春末夏初和盛夏时段的监测力度。

研究结论强调，变点分析为理解传染病流行规律提供了新的方法论视角，而ARIMA-SVR混合模型适用于新疆布鲁氏菌病的发病预测。预测结果表明未来三年当地疾病负担将持续高位运行，建议卫生当局继续实施严格的针对性防控措施。该研究不仅为布鲁氏菌病流行病学研究开辟了新途径，其建立的混合预测框架也可为其他传染病的早期预警提供参考范式。

值得注意的是，研究也存在一定局限性：官方报告数据可能存在偏倚；变点分析未考虑季节性特征；混合模型的普适性仍需在不同疾病背景下验证。未来研究可进一步整合气象、畜牧养殖等多元数据，开发更具解释力的预测模型，为布鲁氏菌病的精准防控提供更强有力的科学支撑。