以0.98只/1000 m2的Bbss感染肩突硬蜱若虫密度阈值识别美国东部莱姆病高发病县及潜在新发风险区

《Ticks and Tick-borne Diseases》：Identifying counties at elevated acarological risk for reporting high incidence of Lyme disease in the eastern United States

　　

莱姆病主要由感染伯氏疏螺旋体 sensu stricto（Borrelia burgdorferi sensu stricto, Bbss）的肩突硬蜱（Ixodes scapularis）若虫叮咬引起，是美国最常见的媒介传播疾病。报告高莱姆病发病率（high Lyme disease incidence, LDI）的县持续超出东北部和中西部上游的历史疫源地并扩张。识别扩张区域有助于有针对性地改善受影响社区的莱姆病认知。蜱监测用于追踪蜱传疾病蜱学风险（acarological risk）变化；宿主搜寻的Bbss感染肩突硬蜱若虫密度（density of host-seeking Bbss-infected I. scapularis nymphs, DIN）被认为是预测人间LDI的最佳指标。研究人员旨在确定一个DIN阈值，以在美国东部准确区分高LDI县（2022—2023年平均年发病率≥10例/100,000且≥3例/年）与低LDI县。利用既往报道的模型推导DIN，研究人员确定0.98只Bbss感染若虫/1000 m²为阈值。基于该阈值，研究人员将东部18%的县（487/2695）分类为同时具有高LDI和升高蜱学风险，主要位于东北部和中西部上游；将72%（1935/2695）分类为同时具有低LDI和低蜱学风险。另有8%的县（220/2695），主要位于Michigan、Illinois、Indiana和Ohio，被预测具有升高蜱学风险但报告低LDI，可能反映新发区域，可从扩展蜱监测和公共卫生宣传中获益。其余2%的县（53/2695），主要沿Appalachian Mountains，报告高LDI但被误分类为低蜱学风险，突出需要额外蜱监测以改进蜱学风险评估。

莱姆病主要由感染伯氏疏螺旋体 sensu stricto（Borrelia burgdorferi sensu stricto, Bbss）的肩突硬蜱（Ixodes scapularis）若虫叮咬传播，是美国最常见的媒介传播疾病。高莱姆病发病率（Lyme disease incidence, LDI）县在东北部和中西部上游历史疫源地之外持续扩张，识别扩张区域有助于针对性提升莱姆病认知与预防。蜱监测用于追踪蜱传疾病蜱学风险（acarological risk）变化，其中宿主搜寻的Bbss感染肩突硬蜱若虫密度（DIN）被认为最能预测人间LDI；但DIN估算资源密集、现场数据稀疏，且其与LDI关系复杂。因此，研究人员利用既往模型DIN确定一个阈值，以90%敏感性区分高LDI县与低LDI县，并将县分类为高或低蜱学风险；重点识别模型预测适宜但当前LDI较低的县，并比较模型DIN与观察DIN以探查分类误差来源。研究将2695个东部县分类后，18%为高LDI且高蜱学风险，72%为低LDI且低蜱学风险，8%为高蜱学风险但低LDI，2%为高LDI但低蜱学风险。该研究提示，阈值分类可识别潜在新发风险区和模型低估区，为扩展蜱监测与公共卫生宣传提供依据。

关键技术方法（不超过250字）：研究地理范围为美国东部2695个县，排除I. scapularis预期范围外州；LDI病例来自NNDSS 2022—2023，采用2022年病例定义，人口来自2022 US Census；高LDI定义为平均年发病率≥10例/100,000且每年≥3例；Connecticut 2022年县病例按人口分配至规划区。模型DIN来自Holcomb等基于ArboNET Tick Module 2004—2023数据拟合的宿主搜寻若虫密度（DON）与若虫感染率（NIP）模型乘积；观察DIN来自ArboNET Tick Module 2015—2024，按Foster等的方法计算站点年最大DON×NIP，取县年最大平均。以90%敏感性选阈值，列联表计算敏感性、特异性、阳性预测值（PPV）、阴性预测值（NPV）；用Wilcoxon符号秩检验及Kruskal-Wallis/Dunn检验比较。

3.1 报告莱姆病发病率及发病率分类概述（Summary of reported Lyme disease incidence and incidence categorization）：东部县中1411/2695（52.4%）在2022—2023年无病例报告；非零发病率范围为0.05—1425.6例/100,000（中位数9.5）。按平均发病率和年病例数，540个县被归为高LDI；病例数截断（每年≥3例）剔除89个县，这些县位于当前高LDI县边缘，也包括Great Plains的孤立县。由此得到高、低LDI分类用于后续比较。

3.2 模型与观察DIN概述（Summary of modeled and observed DIN）：模型DIN非零区形成连续区域，覆盖中西部上游、Ohio Valley、东北部和东南部北部州。研究人员在392个县（14.5%）计算观察DIN；其中195/392（49.7%）观察DIN为零，92.8%（181/195）因未采集到宿主搜寻的I. scapularis若虫（DON=0）。模型DIN与平均LDI散点较大，但呈强正单调关系，支持以模型DIN阈值划分低与高LDI县。

3.3 区分低与高LDI县的模型DIN阈值识别及性能（Identification and performance of a modeled DIN threshold separating low and high LDI counties）：研究人员确定模型DIN阈值0.98只Bbss感染若虫/1000 m²，敏感性90.2%、准确性89.9%、特异性89.8%。707个县被归为升高蜱学风险，其中487个报告高LDI，PPV为68.9%，假阳性率31.1%；NPV为97.3%，仅2.7%低蜱学风险县报告高LDI。分类结果为：一致高（高蜱学风险且高LDI）487个（18.1%），一致低1935个（71.8%），不一致低（高蜱学风险且低LDI）220个（8.2%），不一致高（低蜱学风险且高LDI）53个（2.0%）。

3.4 不一致分类及误差来源（Investigating sources of discordant categorization and error）：在不一致低县中，LDI中位数2.88例/100,000，显著高于正确低风险县的0.00例/100,000；84个有观察DIN的县中，模型DIN显著高于观察DIN，但21个县记录到非零DIN，其中17个观察DIN>0.98只/1000 m²；56/84县在近5年内采样，提示存在Bbss地方性传播但传播率较低。在不一致高县中，LDI中位数26.03例/100,000，略低于正确高风险县但不显著；仅9个县有观察DIN，模型与观察DIN相近，其中3个县观察DIN≥0.98只/1000 m²，研究人员据此认为模型DIN可能低估实际蜱学风险。正确高LDI县中模型与观察DIN无显著差异，但81/237（34.2%）观察DIN为零，提示观察DIN可能低估风险；正确低LDI县中仅9/62观察DIN高于预期，且多邻近模型高DIN县或Nebraska的Thurston County。模型与观察DIN分类一致率为61%—85%。

讨论部分总结：回顾性分析显示，随着I. scapularis和Bbss在地理上建立，莱姆病发病率和空间分布在美国东部增加；未来变化预测受蜱学与流行病学数据不足及蜱学风险—流行病学结局关联弱或不一致限制。该研究不以精确预测LDI为目标，而以90%敏感性识别DIN阈值来区分低与高LDI县。18%县为一致高、72%为一致低；8%不一致低县可能为新发风险、模型高估或二者混合，讨论指出多数位于Michigan、Ohio、Indiana和Illinois，模型DIN高于观察DIN，但可能准确识别可维持地方性传播的生境，因近期或持续定殖尚未稳定。2%不一致高县主要沿Appalachian Mountains，讨论认为模型DIN可能低估该区域蜱学风险，需加强DIN监测和模型更新。讨论还强调DIN与LDI关系复杂，分类DIN可减弱变异影响；与Bisanzio等模型一致认为Great Plains东缘风险较低、Northeast至Upper Midwest连续高风险。假阴性县如Virginia、Maryland和Delaware与DON/NIP模型数据稀疏有关；假阳性因模型估计环境适宜性而不区分当前是否已建立传播。观察DIN零值近半，且多数来自单年、单点或单次采集，代表性有限。局限性包括县为单位非标准化、病例按居住地报告、病例数截断、模型时空平均、病例定义变化、LDI切点借鉴州阈值及单一DIN切点可能遗漏区域差异。

研究结论部分翻译：尽管存在上述局限，研究人员识别出预计将从低LDI向高LDI过渡的县，并突出需要加强DIN监测的区域，以改进模型预测并识别遇到Bbss感染若虫风险的实际变化。此类信息有助于公共卫生机构提高对美国莱姆病风险变化的认识。