埃塞俄比亚Jimma地区疟疾发病率的时空聚类分析与十年流行病学数据建模研究

《Scientific Reports》：Unraveling the spatiotemporal clustering of malaria incidence and modeling a decade of epidemiological data in Jimma Zone, Oromia, Ethiopia

本研究针对埃塞俄比亚Jimma地区疟疾时空动态不清及未来趋势预测缺乏的问题，开展了为期十年（2012-2021）的回顾性研究。通过计算年度寄生虫发病率（API）、标准化发病率比（SIR），并运用Moran's I空间自相关分析和季节性自回归积分滑动平均（ARIMA）模型，揭示了疟疾发病率显著下降96.13%，传播呈随机空间分布，并预测未来五年疫情将保持稳定但存在季节性波动。该研究为当地制定精准防控策略提供了关键科学依据。

　　

疟疾，这种由蚊子传播的古老疾病，至今仍是全球尤其是非洲地区的重大公共卫生挑战。根据世界卫生组织（WHO）的报告，2022年全球疟疾病例估计高达2.49亿例，其中撒哈拉以南非洲地区承受了超过94%的病例负担和95%的死亡病例。埃塞俄比亚作为疟疾流行国，虽在过去十年取得显著进展，但近年疫情出现反弹，2021年至2022年间发病率上升了32%，达到每千风险人口60.9例，全年报告病例超过130万。更令人担忧的是，致死率较高的恶性疟原虫（Plasmodium falciparum, P. falciparum）占据了主导地位（71.3%）。该国制定了雄心勃勃的消除目标，计划到2025年将疟疾发病率和死亡率在2020年基础上降低50%，并在年寄生虫发病率（Annual Parasite Incidence, API）低于10的地区消除本土传播。

要实现这一目标，深入理解疟疾传播的时空动态至关重要。疟疾在埃塞俄比亚的传播具有高度季节性，主要与海拔和气候条件相关，高峰期通常出现在主雨季（6月至8月）之后（9月至12月）。然而，在国家层面，特别是地区一级的详细时空分布模式和未来趋势预测研究仍然有限。位于埃塞俄比亚西南部的奥罗米亚州Jimma地区，以其咖啡种植和丰富降雨量闻名，是疟疾流行区。尽管当地卫生部门报告了疫情特征，但对该地区疟疾的时空聚集性、物种构成变化以及未来传播风险的系统性研究尚属空白。填补这一知识缺口，对于指导Jimma地区乃至类似生态区域制定精准、高效的疟疾控制和消除策略具有紧迫的现实意义。

为此，由Jimma大学Abdissa Biruksew领衔的研究团队在《Scientific Reports》上发表了题为“Unraveling the spatiotemporal clustering of malaria incidence and modeling a decade of epidemiological data in Jimma Zone, Oromia, Ethiopia”的研究论文。该研究旨在利用长达十年（2012-2021）的历史监测数据，深入剖析Jimma地区15个县的疟疾流行病学特征、时空分布规律，并预测未来五年的发病趋势。

为开展此项研究，研究人员主要应用了以下几种关键技术方法：研究基于Jimma地区卫生局提供的15个县十年（2012-2021）疟疾监测数据（包括筛查人数、确诊病例数、病原体种类、年龄和性别信息）以及埃塞俄比亚统计服务局的人口数据。首先，他们计算了年度寄生虫发病率（API）和标准化发病率比（SIR），并据此绘制了疟疾风险地图以可视化风险等级变化。其次，采用Moran's I统计量和蒙特卡罗模拟进行全局空间自相关分析，以检测疟疾发病是否存在空间聚集性。最后，应用时间序列分析方法，特别是季节性自回归积分滑动平均（ARIMA）模型，来分析疟疾的长期趋势、季节性和周期性，并预测2022年至2026年的发病情况。模型的选择基于Akaike信息准则（AIC）和Bayesian信息准则（BIC），并通过Ljung-Box检验评估残差的白噪声特性以确保模型 adequacy。

研究结果

流行病学特征

在2012年至2021年间，Jimma地区共筛查了1,718,471人，确诊疟疾359,655例，总阳性率为20.93%。疟疾阳性率从2012年的峰值32.87%显著下降至2021年的9.40%。病原体分布显示，P. falciparum为主要菌种，占52.71%（189,568例），P. vivax占43.62%（156,877例），混合感染占3.67%（13,210例）。值得注意的是，P. falciparum的比例从2012年的53.99%上升至2021年的68%，而P. vivax则从42.05%降至30.77%。

总疟疾病例县级分布

疟疾负担在各县之间存在差异。一些最初高负担的县（如Gomma, Sokoru, Limu Seka, Chora Botor, Tiro Afata, Limu Kosa）病例数显著减少，到2021年报告病例数低于1000或500例。然而，另有六个县（Agaro town, Dedo, Gera, Gumay, Omo Nada, Shebe Sonbo）的病例数在2019至2021年间呈现波动或上升趋势。

疟疾患者的社会人口学特征

五岁以下儿童占疟疾病例的平均比例为12.56%，在2012年至2016年间感染比例有所上升，之后保持相对稳定。相比之下，五岁及以上个体承担了绝大部分疾病负担，平均占比超过87%，但十年间其比例从94.63%下降至83.49%。性别分布显示，男性感染比例（53.47%, 192,312例）略高于女性（46.53%, 167,343例）。

年度寄生虫发病率（API）和疟疾传播风险图

Jimma地区的总体API从2012年的87.97/千风险人口急剧下降至2021年的3.40/千风险人口，降幅达96.13%。疟疾风险地图显示，传播高风险区域随时间推移明显缩小。2012年有7个县属于高风险（API >50），但到2015年至2021年间，已无县报告高风险。至2021年，绝大多数县（86.67%）达到了极低风险（API 0-5）状态。然而，Agaro Town、Chora Botor和Shebe Sonbo等县仍持续面临中度疟疾负担。

空间自相关分析与标准化发病率比（SIR）

全局Moran's I分析结果显示，Moran's I统计量为-0.0240，P值为0.360，表明在整个研究期间，Jimma地区各县间的疟疾发病率在空间上呈随机分布模式，不存在显著的全局空间自相关。尽管如此，根据SIR绘制的空间分布图仍显示了地区间的差异，Chora Botor和Shebe Sonbo等县的SIR值相对较高。

时间序列分析：疟疾传播的季节性模式

月度疟疾病例比例呈现双峰传播模式。主高峰出现在8月至11月（峰值在9月），次高峰出现在3月至6月。P. falciparum的流行在主雨季初期至中期（3月-9月）达到高峰，而P. vivax则在旱季（11月-2月）呈现一致的季节性高峰。年度病例比例从2012年的32.87%显著下降至2021年的9.40%，但在2019年至2020年间出现短暂反弹。

时间序列与基于ARIMA的疟疾趋势预测

通过对月度病例数据构建时间序列并进行分解，发现数据存在明显的趋势和季节性成分。经过差分处理后序列达到平稳。研究人员比较了三种ARIMA模型，最终选择ARIMA(0,1,3)x(1,1,0)[12]模型作为最优预测模型，因其具有较低的AIC（1886.47）和BIC（1899.84）值，且残差通过Ljung-Box检验（p=0.3009），表明白噪声特性良好。该模型预测2022年至2026年期间，Jimma地区的疟疾发病数将围绕一个相对稳定的均值波动，并继续保持明显的季节性特征（例如，预计每年10月左右出现峰值），但无明显上升或下降的长期趋势，预测区间随时间的延长而变宽，反映了未来预测的不确定性。

讨论与结论

本研究系统揭示了Jimma地区在2012至2021十年间疟疾防控取得的显著成效，发病率大幅下降，整体进入极低风险状态。然而，疫情的时空异质性依然存在，部分县（如Chora Botor, Shebe Sonbo）仍是持续关注的潜在风险区。病原体优势种向P. falciparum的转变以及P. vivax的持续流行，提示需要采取针对性的防治策略。

空间分析表明疟疾传播呈随机分布，这意味着疫情的发生可能更多受局部因素（如微环境、干预措施覆盖不均等）驱动，而非大范围的空间扩散效应。这强调了基于当地实际情况进行精准干预的重要性。强烈且可预测的季节性流行模式（8-11月主高峰，3-6月次高峰）为优化资源配置、在传播季前加强防控措施（如媒介控制、预防性治疗）提供了明确的时间窗口。

ARIMA模型的预测结果带来了审慎乐观的消息：在现有干预措施持续有效的前提下，未来五年疫情可能保持稳定。但这绝不意味着可以放松警惕。模型预测的不确定性、以及2019-2020年观察到的病例反弹，都警示我们外部因素（如COVID-19疫情对医疗服务的干扰）可能逆转既有的成果。因此，维持并加强监测系统，特别是在历史高发区和识别出的潜在风险区，对于早期发现疫情、及时响应至关重要。

本研究的局限性包括数据粒度较粗（仅县级、年龄分组简单）、可能未涵盖私立机构的病例导致低估负担，以及未能纳入气候、地形、干预覆盖度等环境协变量进行分析，这些因素对未来更深入的机制研究和预测模型优化指明了方向。

综上所述，这项研究为Jimma地区疟疾流行的历史动态、当前格局和近期趋势提供了全面的科学评估。研究结果强有力地支持了继续实施和优化现有控制策略的必要性，同时呼吁采取更具靶向性的、基于时空数据的监测和干预方法，以巩固消除成果，并最终实现该地区疟疾消除的目标。