基于地理统计模型的缅甸东部恶性疟原虫疟疾时空趋势及高风险村庄识别：一项八年观察性研究

《Scientific Reports》：Spatiotemporal trends in P. falciparum malaria and identification of high-risk villages in Eastern Myanmar: an 8-year observational study

本刊推荐：为实现恶性疟原虫（P. falciparum）消除目标，需精准识别持续传播的高风险村庄。研究人员通过构建地理统计模型分析缅甸Hpapun镇507个疟疾监测点8年监测数据，发现目标干预（MDA/MSAT）使发病率降低74%（IRR=0.26），并识别出12个2021年持续高风险村庄。该方法为资源有限地区提供高效靶向干预新策略。

　　

在全球疟疾消除进程中，一个关键挑战在于传播的时空异质性——当区域整体发病率下降时，少数村庄可能成为持续传播的“顽固堡垒”。缅甸东部克伦邦的Hpapun镇正是这样的典型区域：这里地形复杂，海拔高差超过2400米，疟疾传播呈现明显的季节性双峰 pattern。尽管疟疾消除工作组（METF）自2014年起建立了覆盖507个村庄的疟疾监测网络，但到2021年，恶性疟原虫（Plasmodium falciparum）病例越来越集中于少数村庄，形成阻碍消除目标的“最后防线”。

为破解这一难题，研究团队创新性地将地理统计学模型与常规监测数据相结合，开展了一项历时八年的观察性研究。他们发现，在2014-2019年间，Hpapun镇的月均恶性疟原虫发病率下降了93.9%，但2021年出现反弹。更关键的是，传播热点呈现出明显的空间聚集性——这些村庄就像疟疾传播的“心脏地带”，不仅维持本地传播，还可能通过人口流动和蚊媒扩散影响周边区域。

研究方法上，团队构建了包含时空维度的泊松混合效应模型。该模型不仅纳入了时间趋势（使用自然三次样条）、季节性波动（傅里叶项）、海拔高程（环境代理变量）和干预措施（大规模给药MDA和集中筛查治疗MSAT）等固定效应，还通过空间随机效应项捕捉村庄间的空间自相关。模型验证显示空间相关范围达43公里，证实了疟疾传播的集群特性。利用该模型，研究人员对2021年各月的发病率进行样本外预测，通过比较报告发病率与预测值的倍数差异（fold difference），识别出持续性高风险村庄。

趋势与影响因素分析显示，目标干预措施效果显著：接受干预的村庄干预前发病率是对照村的4.72倍，而干预后发病率降低至原来的26%（IRR=0.26）。空间分析揭示，高程变量解释了37%的大尺度空间相关性，但局部变异仍然存在，提示还有未测量的环境或社会因素影响传播动态。

空间预测结果最具实践价值：2021年92.9%的监测点报告发病率低于模型预测，但2.8%的月度报告显示发病率超过预测值5倍以上。这些异常值集中分布于Hpapun镇中西部，形成明确的空间集群。

高风险村庄识别发现，12个村庄在2021年至少3个月被标记为高风险（报告发病率超过90百分位阈值），其中8个村庄更在至少6个月内保持高风险状态。值得注意的是，这些村庄在2018年发病率下降前就已有较高基础发病率，提示其具有持续传播的潜在特性。

研究结论强调，地理统计学模型为疟疾消除项目提供了高效识别传播热点的实用工具。该方法仅需常规监测数据即可实现动态风险评估，避免了传统调查的资源密集局限。特别是对Hpapun镇中西部高风险集群的发现，为应对2021年缅甸政局变动后的公共卫生挑战提供了精准干预靶点。尽管存在快速诊断试纸（RDT）灵敏度局限、人口流动估算误差等限制，这种“监测数据挖掘+空间建模”的创新范式，为资源有限地区的疟疾消除行动提供了可推广的技术路径。这项发表于《Scientific Reports》的研究证明，在消除疟疾的“最后一公里”，智能分析常规数据可能比收集新数据更具成本效益，这对全球疟疾消除战略具有重要启示意义。