日本2022–2023年冬季高致病性禽流感风险地图：基于农场与区域因素的整合分析

《One Health》：Risk map for high pathogenicity avian influenza in 2022–2023 winter season in Japan

　　

对于家禽养殖场的高致病性禽流感（HPAI）暴发，农场特征和区域特征均被报道为风险因素。由于暴发风险的区域级组成部分可能反映周边区域的病毒污染水平，因此它也可作为家禽养殖场与同域野生动物潜在共有的暴露风险的代理指标。研究人员分析了2022年10月至2023年4月期间日本鸡场HPAI暴发与农场因素（存栏规模、生产类型及周边水体）和区域因素（土地覆盖、气象条件及地形）之间的关联；同时估算了暴发风险的区域级组成部分，并绘制了HPAI风险地图。 研究人员开展了一项全国性横断面研究，使用了68个受感染鸡场和5496个未受感染鸡场的数据，排除了偏远的南部岛屿。采用随机偏微分方程（SPDE）模型进行多变量分析，该模型考虑了空间自相关性。农场因素被强制纳入所有模型，而基于10-km网格汇总的区域因素组合则通过wAIC进行筛选。将ΔwAIC <2的模型通过堆叠（stacking）方法合并。在保留用于堆叠的59个模型中，有4个对最终的堆叠预测有贡献。这些模型的系数估计表明，较低的海拔、较低的森林覆盖率以及较高的地形湿度指数（TWI）与较高的HPAI暴发风险相关。尽管有必要进一步研究可能影响HPAI暴发的其他因素，并在野生动物中验证区域风险指数，但暴发风险的区域级组成部分可为绘制家禽养殖场与同域野生动物潜在共有的HPAI风险地图提供有用的基础。

研究背景

近年来，高致病性禽流感（HPAI）已成为全球范围内对野生动物（尤其是野生鸟类）以及家禽生产的重大威胁。野生水鸟是甲型流感病毒的自然宿主，其季节性迁徙可促进高致病性禽流感病毒（HPAIV）的远距离传播。在2022–2023年季节性流行波期间，全球报告了大量野鸟和家禽中的暴发。自2024年以来，美国奶牛群及多种哺乳动物中也报告了HPAI感染。在此背景下，日本自2020年起每年均有HPAI暴发，其中2022–2023年冬季季度的病例数在家禽和野鸟中均创下历史新高。

尽管已有多个国家基于景观特征、家禽养殖密度等空间特征开发了HPAI风险地图，但这些地图主要依赖区域级指标，而未充分考虑个体农场特征的异质性。然而，农场层面的因素（如存栏规模、生产类型）已被证明与HPAI暴发风险显著相关。忽视这种异质性可能会限制区域汇总指标捕捉农场间暴发风险差异的能力。此外，在野生动物种群中，直接评估感染状态极具挑战性，因为被动监测数据存在空间偏差，导致偏远地区感染情况被低估。相比之下，家禽养殖场因鸡只对HPAIV高度易感且死亡率高，加之日本完善的健康监测和强制报告制度，使其成为更敏感的暴发检测哨点。因此，本研究旨在利用日本鸡场的暴发数据，结合农场与区域因素，估算区域级的暴发风险成分，该成分可作为家禽与同域野生动物共享HPAIV暴露风险的代理指标，从而绘制出更精确的风险地图，为风险优先排序提供依据。

研究方法

本研究采用的主要关键技术方法包括：

1. 1.
   研究设计与数据来源：开展了一项全国性横断面研究，数据来源于日本农林水产省（MAFF）维护的家禽数据库。研究对象涵盖蛋鸡场和肉鸡场，排除了流行病学关联农场、非商业性小型农场（存栏<1000只）以及偏远岛屿上的农场。最终纳入68个受影响农场和5496个未受影响农场。
2. 2.
   变量选择与处理：农场因素强制纳入模型，包括存栏规模（log₁₀转换）、生产类型（蛋鸡/肉鸡）以及农场周围1公里半径内的水体覆盖率（log₁₀转换）。区域因素基于10-km六边形网格进行汇总，包括地形（海拔、地形湿度指数TWI）、土地覆盖（水体、城市、森林、水田、旱地）和气象条件（最低温度、降水）。连续变量若呈正偏态分布则进行log₁₀转换，并通过广义加性模型（GAM）评估其与响应变量的线性关系。
3. 3.
   统计建模：使用随机偏微分方程（SPDE）模型进行多变量逻辑回归分析，以考虑邻近农场间的空间自相关性。对所有可能的区域变量组合（共511种）拟合模型，并根据Watanabe–赤池信息量准则（wAIC）筛选出ΔwAIC <2的候选模型。随后采用堆叠（stacking）方法，通过优化对数伪边际似然（LPML）来确定各模型权重，并对模型进行平均以获得最终预测模型。
4. 4.
   风险评估与验证：基于堆叠模型估算单个农场的HPAI暴发概率，进而计算每个网格内至少发生一次暴发的概率。定义相对区域风险指数，即区域协变量值与其模型平均系数的乘积之和的指数化值，以量化区域级风险成分。模型的判别性能通过受试者工作特征曲线下面积（AUC）进行评估，包括样本内AUC和留一法交叉验证AUC（LOO-AUC）。此外，将区域风险指数与同期（2022年9月至2023年4月）野生动物HPAIV检测数据进行对比，使用Mann–Whitney U检验比较有/无野生动物检测的网格间的风险指数差异。

研究结果

1. 1.
   模型选择与变量重要性：在所有511种区域变量组合中，有59个模型的ΔwAIC <2。通过堆叠优化后，仅有4个模型获得了非零权重。在这些模型中，存栏规模、生产类型、周边水体、海拔、森林覆盖率和TWI的95%可信区间均不包含零，表明它们与HPAI暴发风险显著相关。而水体覆盖率和降水的可信区间包含零，显示其关联存在不确定性。
2. 2.
   风险因素识别：模型平均后的估计结果表明，较高的HPAI暴发风险与较大的存栏规模、蛋鸡生产类型、丰富的周边水体、低海拔、低森林覆盖率以及高TWI相关。这些发现与先前的研究一致，例如低海拔区域与鸭科水鸟栖息地正相关，而低森林覆盖和高土壤湿度的环境更有利于越冬水鸟聚集，增加了HPAIV环境污染的机会。
3. 3.
   模型判别性能：堆叠模型在农场层面表现出极高的判别能力，样本内AUC为0.973，LOO-AUC为0.919。在网格层面，样本内AUC为0.952，LOO-AUC为0.906。这表明模型能够有效区分受影响和未受影响的农场及网格。
4. 4.
   区域风险地图与野生动物验证：绘制的相对区域风险指数地图显示，高风险区域主要集中在日本本州岛的部分沿海平原地区。重要的是，有野生动物HPAIV检测记录的网格，其相对区域风险指数显著高于无检测记录的网格（中位数0.113 vs. 0.069，p < 0.01），这初步支持了该指数能够反映野生动物HPAIV暴露风险的假设。

讨论与结论

研究人员指出，本研究通过整合农场和区域因素，成功估算了日本2022–2023年冬季HPAI暴发的区域级风险成分，并绘制了风险地图。该地图为制定基于风险的野生动物管理策略提供了有价值的信息，有助于在难以直接监测野生动物的区域优先安排早期发现、尸体清理和防止人为聚集等措施。模型还揭示了与风险相关的具体因素，其生态学解释与野生水鸟的栖息地偏好和病毒在环境中的持久性相一致。

然而，研究也存在局限性。首先，一些重要的潜在决定因素（如生物安全措施、供应链结构、野生水鸟丰度）未被纳入分析，可能导致估计偏差。其次，区域协变量仅在10-km分辨率下评估，不同尺度可能影响结果一致性。第三，暴发事件数量有限（68个农场，44个网格），可能增加过拟合风险。最后，模型仅基于单一季节数据，其时间普适性有待跨季节验证。

研究结论：本研究表明，利用家畜农场的暴发数据可以像哨兵一样提供关于野生动物感染风险的有用信息。这种方法对于像HPAI这样宿主范围广泛、且直接在野生种群中评估感染状态十分困难的传染病尤其有价值。所识别的风险因素及其估计效应虽需进一步验证，但该研究框架为未来整合更多变量、进行跨季节验证以及指导实际防控工作奠定了基础。