基于空间聚类分层抽样(SCSS)的传染病监测网络设计：以手足口病为例

本研究针对传染病监测成本高、效率低的问题，开发了空间聚类分层抽样(SCSS)方法，用于设计手足口病(HFMD)监测网络。通过结合SKATER空间聚类和成本效益分析，筛选出103个代表性监测城市，验证显示该方法能准确反映全国疫情时空特征(RMSE=134/10万，r=0.81)，较传统方法减少70%监测成本，为具有空间自相关特征的传染病监测网络设计提供了新思路。

　　

传染病一直是威胁全球公共卫生安全的重大挑战。从SARS、埃博拉到COVID-19，每次疫情暴发都给社会经济和民众健康带来巨大冲击。虽然各国建立了传染病监测系统，但全面覆盖的全国性监测成本高昂，特别是在手足口病(HFMD)等症状较轻的传染病监测中，资源浪费问题尤为突出。如何在保证监测质量的前提下降低监测成本，成为公共卫生领域亟待解决的难题。

复旦大学公共卫生学院的研究团队在《Infectious Diseases of Poverty》发表的研究中，创新性地提出了空间聚类分层抽样(SCSS)方法，为这一难题提供了解决方案。该方法充分利用了传染病空间分布特征，通过整合空间聚类分析和成本效益平衡，设计出高效经济的监测网络。

研究采用了四项关键技术方法：(1)基于SKATER算法的空间分层聚类，将340个地级市划分为7个空间同质区域；(2)应用Neyman分配确定最优样本量；(3)结合普通克里金插值进行空间预测；(4)采用循环优化算法提升网络代表性。数据来源于2018-2019年中国传染病监测系统的HFMD个案数据，覆盖所有地级行政单位。

研究结果部分，"监测网络设计结果"显示，通过CH指数确定最优聚类数为7个，最终选定103个城市构成监测网络，其中包括西藏昌都、阿里和新疆阿拉尔等边远地区。"监测网络代表性评估"表明，预测值与实际值的年发病率显著相关(r=0.81，P<0.001)，RMSE为134/10万；空间特征方面，预测值的Moran's I(0.66)与实际值(0.57)高度一致，热点分析的灵敏度、特异度和准确度分别达到0.76、0.91和0.87；时间特征上，所有城市周发病率预测显著相关(P<0.05)，70%城市r>0.8。"方法比较"部分显示，SCSS的RMSE中位数(147)显著低于K-means(158)、传统分层抽样(177)和简单随机抽样(152)，且结果更稳定。

在结论与讨论部分，研究强调SCSS方法通过整合空间信息，克服了传统方法忽视空间自相关的缺陷。相比需要140个监测点的传统分层抽样，SCSS仅需103个点就能达到同等精度，节省了26%的监测资源。该方法不仅适用于HFMD，也为其他具有空间聚集特征的传染病监测网络设计提供了范式。研究同时指出，未来需要进一步优化时间尺度选择标准，并验证方法在其他疾病中的适用性。这项研究为公共卫生决策者提供了科学工具，有助于在有限资源下实现更精准的疫情监测和预警。