基于荟萃分析引导的印度10种人畜共患病与4种跨界动物疾病患病率抽样计划研究

《Frontiers in Veterinary Science》：A meta-analysis-guided sampling plan for estimating the prevalence of 10 zoonotic and 4 transboundary animal diseases across India

　　

摘要专业翻译 背景与目的： 自然因素与人为因素共同影响着人畜共患病和跨界动物疾病（Transboundary Animal Diseases, TADs）的出现、持续与传播。此类疾病的监测依赖于建立基线患病率数据，而这需要科学严谨的数据收集计划。本研究旨在建立一套稳健的计划，用于估算印度10种人畜共患病（布鲁氏菌病、结核病、Q热、恙虫病、日本脑炎、克里米亚-刚果出血热、囊尾蚴病、隐孢子虫病、利斯特菌病、沙门氏菌病）和4种跨界动物疾病（猪流感、猪繁殖与呼吸综合征、结节性皮肤病、非洲猪瘟）的患病率。 方法： 基于遵循PRISMA指南开展的系统综述和荟萃分析，采用随机效应模型并以I2统计量量化异质性，估算初步患病率；同时纳入拟采用检测方法的预定灵敏度和特异度值，利用自主研发的流行病学计算器，以村庄作为印度不同邦目标动物物种的分层变量，生成了置信水平为95%的两阶段分层随机监测计划。 结果： 14种疾病的合并患病率估计范围为4%至30%（95%置信区间详见相应荟萃分析估计值）。基于这些合并患病率估计值，为印度生成了涵盖2,018个村庄、共计34,975份样本的村级监测计划。 结论： 这是首个在统一平台下针对多种疾病、基于荟萃分析的科学严谨抽样计划。该计划可促进稳健的患病率研究，有望成为监测威胁印度的人畜共患病和跨界动物疾病的有效工具。

论文主体内容学术总结

1 引言

“One Health”方针是一种整体性、跨学科的方法，在人类、动物与环境健康的交汇点上开展工作，涉及跨部门协作，对于疾病管理至关重要，尤其对流行病和人畜共患病意义重大。印度拥有全球最高的牲畜存栏量和全球第二的人口规模，在绿地与野生动物栖息地不断缩减、粮食安全需求持续增长的背景下，人类、牲畜与野生动物之间的交互日益频繁。为应对由此产生的人畜共患病暴发风险和抗菌药物耐药性等问题，印度政府于2021年由生物技术部支持建立了由28个中心组成的联盟，旨在连接兽医、野生动物和医疗部门，开展全国性研究以建立重要人畜共患病及近期影响印度东北部的某些跨界动物疾病（TADs）的基线患病率数据。有效的监测依赖于科学设计的监测计划，其核心目标是在最小标准误条件下选择具有代表性的动物，以获得无偏且准确的人群疾病频率估计。在缺乏可靠先验数据的情况下，系统综述和荟萃分析为估算样本量提供了科学可接受的途径。

2 材料与方法

2.1 定义

2.1.1 监测系统、监测单位与监测系统灵敏度： 监测系统是针对特定人群中疾病信息收集与解读的一套综合程序，由多个组件构成，各组件针对特定监测单位。监测单位灵敏度（Unit of Surveillance）指在疾病患病率等于或高于指定设计患病率的假设下，所选监测单位产生阳性结果的平均概率。监测系统灵敏度（Surveillance System Sensitivity, SSe）指在相同条件下整个监测系统产生阳性监测结果的平均概率。

2.1.2 设计与群组水平患病率： 群组水平设计患病率指赋予村庄、畜群或农户等群体的患病率值，而单位水平设计患病率适用于动物、鸟类或人类等个体实体。单位水平患病率可在群组内部进行评估，也可在更广泛的非聚集人群中评估。

2.1.3 置信水平与畜群灵敏度： 监测计划中应用的置信水平（95%）反映在疾病以等于或高于指定设计患病率存在时至少检出1份阳性样本的概率，并作为畜群水平灵敏度（Herd Sensitivity, HSe）的代理指标。HSe指在畜群/禽群以等于或高于设计患病率感染时，考虑到所用检测方法的诊断灵敏度（Se），该感染畜群/禽群在筛查检测中产生至少1个阳性结果的概率。

2.1.4 抽样方案： 本研究采用分层随机抽样，以村庄作为印度各邦目标动物种群的分层变量。该方法纳入了每种疾病所用检测方法的预定灵敏度和特异度值及置信区间，使用自主研发的流行病学计算器生成了置信水平为95%的两阶段分层随机监测计划。

2.1.5 抽样框架与计划： 抽样框架是限定人群中实体（如动物和人类）的清单，是抽样的基础。基线患病率数据可构成控制计划的基础，包括未来的监测计划。监测的频率和类型取决于病原体或疾病的流行病学特征及预期结果。

2.2 系统综述与荟萃分析

在Google Scholar、ResearchGate、Krishikosha、PubMed和ScienceDirect中进行了截至2021年的全面文献检索。检索字符串将疾病名称与“患病率”“流行病学”“印度”“系统综述”和“横断面研究”等术语组合。使用Zotero去除重复记录，并按照PRISMA指南独立筛选标题、摘要和全文。纳入标准为：报告印度原始患病率数据、明确描述研究人群和诊断方法、提供足够数据进行患病率估计的研究。排除综述文章、病例报告、实验研究、重复发表及缺乏充分患病率信息的研究。两名评审者使用预定义资格标准独立评估研究质量，并进行评分者间一致性、异质性统计量（I²）和发表偏倚评估。由于预期地理区域、研究人群、抽样策略和诊断方法的差异会导致研究间存在显著异质性，采用随机效应模型生成疾病特异性合并患病率估计值。

2.3 抽样计划

样本量计算使用ICAR-NIVEDI自主研发的流行病学计算器，实施两阶段分层随机抽样设计。村庄被视为初级抽样单位，村庄内的动物构成次级抽样单位。样本量估算纳入了荟萃分析获得的合并患病率、诊断灵敏度和特异度、期望监测置信水平（95%）及设计患病率。样本量计算遵循Cameron和Baldock的两阶段整群抽样公式，用于在指定设计患病率下检测疾病，并对不完美的诊断灵敏度和特异度以及在村庄和动物两个层面的有限总体校正进行了调整。

2.4 所需输入参数

生成患病率计划需要以下输入：单位水平设计患病率（比例或整数形式）；群组水平（畜群水平）设计患病率（比例或整数形式）；所用检测方法的估计灵敏度和特异度；目标系统灵敏度（SSe），即在指定设计患病率下检测到疾病的概率；以及所有群组的抽样框架数据，包括群组标识和群组规模。群组规模小于1或缺失的群组被排除在计算之外。

3 结果

荟萃分析采用随机效应模型估算了14种疾病的患病率。两名初级评审者评估表面效度，两名高级评审者评估内容效度，均使用五级李克特量表。评分者间一致性采用二次加权Cohen's kappa评估，各疾病特异性评估的一致性从基本一致到几乎完全一致（k = 0.63至0.91），表明评审者间具有良好一致性。

基于2000年至2021年印度报告的多项研究，通过荟萃分析计算了疾病患病率并据此制定监测计划。对于恙虫病和利斯特菌病，印度文献中动物宿主患病率数据不足，因此这两种疾病的合并估计值分别来源于人类研究和食品基质研究，相应的抽样单位与其他12种疾病不同：恙虫病抽样针对选定村庄内的啮齿动物/媒介采集点，利斯特菌病抽样针对服务于相同村庄的加工和零售场所的食品产品批次。

14种疾病的合并患病率范围为4%至30%，所有疾病均观察到显著的研究间异质性，I²值从Q热的91%到猪流感和猪繁殖与呼吸综合征（PRRS）的100%不等，所有评估疾病的异质性均具有统计学显著性（p < 0.01）。相应的τ²估计值范围为0.0168（Q热）至0.1400（隐孢子虫病）。这种高且一致的异质性证实了采用随机效应模型合并患病率估计值的合理性。

基于患病率和以村庄为分层变量的分层随机抽样，制定了包含预定检测灵敏度和特异度及置信区间的抽样计划。例如，布鲁氏菌病每村样本数为18至21份，根据各邦抽样村庄数和总样本数估算。总体计划共涉及2,018个村庄、34,975份样本。

4 讨论

人畜共患病对印度构成重大公共卫生威胁，该国被认为是全球“热点”地区之一，原因在于密集的人口和牲畜种群近距离共存以及社会文化习俗。疾病控制或根除的主要目标是及时识别目标种群中所有感染或既往暴露的动物。然而，建立种群中每只动物的详尽清单（抽样框架）可能具有挑战性，因此动物通常以畜群或禽群作为初始抽样单位。

样本量计算与统计效能密切相关，较大的样本量通常带来更高的研究效能。理想情况下，研究应具有至少80%的效能以确保结果可靠。主动监测方法在实现目标方面往往优于被动监测方法，且对于资源有限的系统更具成本效益。

本研究观察到的实质性异质性反映了原始研究间的真实差异，而非仅抽样变异。可能的贡献因素包括诊断检测方法及其报告灵敏度和特异度的差异、目标种群差异、区域农业生态和管理差异以及研究设计差异。由于合并估计值主要来源于原始文献中报告的便利样本和目的性样本，而非全国代表性基线调查，因此应将其解释为样本量规划的设计阶段估计值，而非确定的全国患病率数值。

本研究存在若干局限性：合并患病率估计值对多种疾病存在统计学显著异质性，应视为规划估计值而非确定的总体参数；非洲猪瘟（ASF）在研究启动时印度尚无特异性田间患病率数据，其设计患病率保守地推断自亚洲区域数据；恙虫病和利斯特菌病的合并患病率分别来源于人类和食品基质研究而非活体动物数据；不能完全排除发表偏倚，特别是对于研究数量较少的疾病。尽管如此，这是印度首个在统一平台下针对多种重点疾病开发的基于荟萃分析的综合抽样框架，为未来国家监测计划提供了循证基础。