环境因素与日本呼吸道合胞病毒感染的空间时序关联：气象阈值与空气污染物的多维度影响

本研究针对呼吸道合胞病毒（RSV）在日本的高负担问题，创新性地构建三阶段分析框架，首次整合气象条件与空气污染物数据，揭示温度（<10°C或>20°C）、湿度（<60%或>70%）及PM2.5等关键环境阈值对RSV传播的影响。通过时空建模与可解释机器学习（GPBoost），团队发现极端天气与污染物短期暴露显著增加感染风险（RR达1.95），为区域化防控策略提供科学依据。

　　

呼吸道合胞病毒（RSV）是全球婴幼儿下呼吸道感染的主要病原体，每年导致大量住院病例。在日本，约25%的2岁以下RSV患儿需住院治疗，其中6月龄以下婴儿风险最高。尽管RSV的疾病负担明确，但其传播动态与环境因素的复杂关联仍存在显著知识空白。传统研究多聚焦单一气象因素，且忽视时空异质性，导致防控策略缺乏精准性。更棘手的是，2017年后日本RSV流行季节从秋冬季转向夏秋季，这种异常变化亟需环境驱动力的系统解析。

爱丁堡大学医学院（University of Edinburgh, UK）全球健康研究中心的Jingyi Liang团队联合多国学者，在《Open Forum Infectious Diseases》发表研究，首次构建包含时空聚类、分层非线性模型（HSDLNM）和混合效应机器学习的三阶段框架。团队分析2013-2019年日本47个都道府县的816,380例RSV实验室确诊病例，整合美国海洋大气管理局（NOAA）的气象数据和日本环境研究所的污染物数据，通过XGBoost填补缺失值。

关键技术包括：1）时空模式分析（动态时间规整DTW和K-Medoids聚类）；2）分层空间滞后非线性模型（HSDLNM）解析环境因子与RSV的滞后效应；3）高斯过程提升模型（GPBoost）预测传播趋势，采用SHAP值解释特征重要性。

主要结果

数据特征：RSV病例呈随机空间分布，时间序列分解显示2017、2019年趋势激增，季节高峰集中于秋冬季。聚类识别出4种传播模式。

气象关联：多变量模型显示，周均温度<10°C（RR=1.10）或>20°C（RR=1.13）、湿度>70%（RR=1.06）显著增加风险。周温差每增1°C风险降3%（RR=0.97），极端冷/热日分别提升风险7%和3%。

污染物效应：PM_2.5浓度>50 μg/m3时风险激增79%（RR=1.79），SO₂和CO高暴露分别关联5%和8%的风险上升。

预测性能：GPBoost模型预测精度最优（R2=0.93），关键预测因子包括前一周病例数、CO浓度及温湿度。

研究创新性在于揭示环境因子的双阈值效应：低温与高温均可促进传播，而中等湿度（60%-70%）反而具有保护作用。空气污染物中PM_2.5的强关联性提示空气净化可能成为防控新靶点。时空聚类结果证实日本RSV存在地域异质性，北海道等北部地区对低温更敏感，而南部受高温影响更显著。

该框架为RSV流行预警提供可推广工具，其方法论突破体现在：1）MRF函数处理空间自相关，避免传统模型的偏倚；2）滞后效应分析发现污染物影响集中在暴露后2周；3）机器学习与统计模型的融合增强解释力。公共卫生意义上，研究明确了日本RSV季节偏移的环境诱因，为差异化部署帕利珠单抗等预防措施提供科学依据，尤其对托幼机构通风系统和空气质量控制具有直接指导价值。