尼泊尔非洲猪瘟早期暴发的时空传播特征分析（2022年3月–2024年7月）

《Animal Diseases》：Understanding the spread of African swine fever in Nepal: spatiotemporal analysis of early-phase outbreaks, March 2022–July 2024

　　

非洲猪瘟（African swine fever, ASF）是一种高度接触性猪类传染病，对粮食安全、经济及生计构成重大威胁。在尼泊尔，养猪业是许多脆弱族群的重要生计来源；该国于2022年3月19日首次报告ASF疫情，此后疫情在全国范围内扩散。本研究旨在刻画尼泊尔ASF暴发的时空模式，识别高风险聚集区，并评估其与环境因素的关联，从而为针对性的ASF防控提供依据。研究人员对2022年3月至2024年7月期间报告的经确认ASF暴发事件开展了回顾性分析。研究人员分析了时间趋势和季节性模式，并利用SaTScan评估空间聚集性。同时，研究人员检验了暴发与环境变量（降雨量、温度、露点温度和相对湿度）之间的关联。结果显示，尼泊尔77个县中有21个县共报告43起暴发事件，其中42起发生于家猪，1起发生于野猪。大多数暴发（77%）于2022年报告，并在夏季月份达到高峰。七个省均有暴发报告，其中巴格马蒂省（Bagamati Province）的暴发数量最多（18/43）。ASF暴发主要发生于中小型养殖场（36/42），商业化大型养殖场也受到波及。研究人员在 Sudurpaschim 省识别出一个显著聚集区。降雨量与暴发发生显著相关（p?=?0.0118）。本研究提供了尼泊尔ASF早期暴发阶段时空动态的首个证据，为基于风险的监测和靶向干预措施提供了支持，以强化ASF的预防与控制。

尼泊尔非洲猪瘟早期暴发的时空传播特征分析（2022年3月–2024年7月）

摘要：非洲猪瘟（African swine fever, ASF）是由非洲猪瘟病毒（ASFV）引起的一种高度接触性、高致死率的猪类传染病，对粮食安全、经济和生计构成严重威胁。在尼泊尔，养猪业是许多脆弱族群的重要生计来源。2022年3月19日尼泊尔首次报告ASF疫情，此后疫情持续扩散。当前，尼泊尔关于ASF暴发的时空研究十分有限，这限制了对早期暴发动态的理解以及循证防控策略的制定。为此，研究人员开展了一项回顾性横断面研究，系统收集2022年3月至2024年7月期间经实验室确认的ASF暴发数据，以刻画其时空模式、识别高风险聚集区，并评估暴发与环境因素（降雨量、温度、露点温度、相对湿度）的关联。研究以养殖场为流行病学单元，共纳入43起暴发事件，分布于全国7个省、21个县；其中42起涉及家猪，1起涉及野猪。时间分析显示，77%的暴发集中于2022年，夏季（6–8月）为高峰期，2023年暴发数显著下降，2024年1月后无新报告。空间分析采用SaTScan软件进行时空重排扫描统计，识别出8个时空聚集区，其中2个具有统计学显著性；最可能的聚集区位于Sudurpaschim省（2023年1–4月，观测数/期望数=7.17，p=0.00070），其次为Bagamati省加德满都谷地（p<0.05）。环境关联分析采用探索性Poisson回归，先进行单变量筛选（p<0.2），再经多变量模型和向后剔除法，最终仅降雨量在调整后与暴发计数显著相关（p=0.0118）。此外，暴发农场以中小规模为主（36/42），但大型商业化农场亦有受影响；总涉及易感猪24,508头，感染17,465头，死亡16,578头，总死亡率为67.6%，病死率（CFR）为94.9%。研究人员指出，被动监测数据可能存在漏报，且早期阶段数据无法完全区分定向传播与多点独立引入；降雨量关联属于探索性发现，不能推断因果。本研究首次提供了尼泊尔ASF早期暴发的时空动态证据，识别出的高风险区域和季节性高峰可为风险导向的监测和靶向干预提供科学依据，建议在雨季前加强生物安全措施，并开展更长时程的纵向研究和分子流行病学调查以完善防控策略。

一、研究背景与问题

畜牧业占尼泊尔国内生产总值（GDP）的6.2%，其中养猪业是增长最快的部门之一。尼泊尔生猪存栏量约135万头，年产猪肉31,450吨，共有477,984个养猪场。然而，跨境传染病特别是非洲猪瘟（ASF）对养猪业构成日益严重的威胁。ASF由ASF病毒（ASFV）引起，家猪和野猪病死率可达100%。自2018年在中国出现以来，ASF已蔓延至亚洲18个国家。尼泊尔于2022年3月19日在加德满都基尔蒂普尔市报告首起疫情，随后持续扩散，严重影响了依赖养猪的小农户和脆弱族群生计。有效防控需明确暴发的地点、时间及时空模式。时空分析（整合地理信息系统和时间数据）已被广泛用于疾病模式研究，但在尼泊尔，针对ASF暴发的时空研究仍十分有限。这一空白限制了对早期暴发动态的理解，阻碍了循证靶向防控计划的制定。因此，研究人员分析了2022年3月至2024年7月尼泊尔ASF暴发的时空模式，并评估其与选定环境变量的关联，以帮助决策者优先配置资源和干预措施。

二、研究开展的内容与结论

研究人员对尼泊尔2022年3月至2024年7月期间经实验室确认的ASF暴发事件进行了回顾性横断面分析。以养殖场为流行病学单元，数据来自世界动物健康信息系统（WAHIS）和尼泊尔畜牧业服务局（DLS）下属动物疾病调查与控制司（ADICD）。共记录43起暴发，涉及21个县；其中42起为家猪，1起为野猪。暴发农场中，养猪规模从5头到8,120头不等，中位数为120头（IQR: 41–395）；36/42为中小型农场，6个大型农场（>1000头）也受到感染。总易感猪24,508头，感染17,465头，死亡16,578头，死亡率67.6%，病死率（CFR）94.9%。时间上，2022年夏季（6–8月）为高峰（18起），春季14起，冬季约6起，秋季约4起；2023年暴发数下降，2024年1月后无报告。空间上，Bagamati省报告最多（18/43），其次为Sudurpaschim省（7/43）、Gandaki省（6/43）、Koshi省（6/43）。SaTScan时空重排扫描检测到8个可能的聚集区，其中2个显著：最可能聚集区位于Sudurpaschim省（半径70.26 km，覆盖Kailali、Kanchanpur、Doti和Dadeldhura县；2023年1–4月；观测/期望=7.17，p=0.00070）；次级聚集区位于Bagamati省加德满都、巴德岗和拉利特普尔县（半径12.87 km）。环境关联的探索性Poisson回归显示，单变量分析中降雨量（p=0.00339）和相对湿度（p=0.175）进入多变量模型，最终调整后仅降雨量与暴发数显著相关（p=0.0118）。该研究首次为尼泊尔ASF早期暴发阶段提供了时空动态证据，支持风险导向的监测和针对高风险区域、季节及养殖规模的靶向干预。

三、关键技术方法

本研究主要采用了以下关键技术方法：（1）回顾性横断面设计，数据来源于世界动物健康信息系统（WAHIS）和尼泊尔畜牧业服务局（DLS）国家被动监测系统；实验室确诊采用中央兽医实验室（CVL）的实时荧光定量PCR（qPCR）。（2）时空扫描统计，使用SaTScan软件中的时空重排（space-time permutation, STP）扫描模型，仅基于病例数据估计期望病例数，检测具有统计学显著性的时空聚集区（p<0.05）。（3）环境关联分析，从CHIRPS数据集获取日降雨量（mm/day），从ERA5-Land小时数据集获取2米露点温度（K）、2米气温（K）和2米相对湿度（%），气温由开尔文减273.15转换为摄氏度；采用两阶段探索性Poisson回归：先以p<0.2进行单变量筛选，再基于p<0.05进行多变量模型和向后消元。（4）数据可视化和分析使用R V.4.4.1、RStudio 2024.04.2和QGIS V.3.38.0。时间分析按暴发发病日期聚合到月份，并划分季节（冬：12–2月；春：3–5月；夏：6–8月；秋：9–11月）。

四、研究结果分述

**疫情概况与农场特征**：2022年3月19日首起疫情发生于Bagamati省加德满都县Kirtipur市。截至2024年7月，共43起暴发，其中1起发生在Sudurpaschim省Kanchanpur县Shuklaphanta国家公园的野猪。42起家猪暴发中，总易感猪24,508头，感染17,465头，死亡16,578头，总死亡率67.6%，CFR 94.9%。疫情覆盖全部7个省，Bagamati省最多（18/43，占42%）。受影响的42个农场规模从5头至8,120头不等，中位数120头（IQR: 41–395）；仅6个农场超过1,000头（Koshi省2个，Bagamati省4个）。中小型农场占36/42，大型农场也未能幸免，表明不同规模生产系统的生物安全均存在短板。各省级死亡率中位数存在差异：Karnali省最高（81.82%），Bagamati省为71.01%，Sudurpaschim省最低（20.50%）；CFR中位数在Koshi和Madhesh省最高（100%），Sudurpaschim省最低（61.43%）。差异可能与检测时间、报告实践或管理措施有关，而非毒力差异。

**时间趋势**：疫情首次报告在2022年3月，2022年6月和7月各报告7起，为高峰。之后骤降，2022年8月至2023年5月有零星报告，2023年6月至12月无报告，2024年1月报告3起，之后至7月无新报告。夏季（6–8月）暴发最多（18起），春季14起，冬季约6起，秋季约4起。2023年的显著下降与DLS于2023年3–8月开展的强化宣传和猪只调运管控时间上吻合，但被动数据无法排除漏报或监测强度变化的影响。时间序列从加德满都谷地起始，随后出现在东部Koshi省，再扩散至西部Sudurpaschim省，符合从中心向外围的方向性传播，但不能排除通过活猪及猪产品贸易导致的多次独立引入，需结合系统发育和动物移动网络分析进一步验证。

**时空聚集**：2022年疫情广泛分布（16个县33起），最初集中于加德满都谷地，之后向东扩散至Koshi省，2022年底扩展至西部。2023年疫情高度局灶化，7起中6起在Sudurpaschim省（含1起野猪），另1起在Koshi省。2024年3起均孤立于Gandaki省Tanahun县。SaTScan共检出8个可能聚集区，其中2个显著：Sudurpaschim省聚集区（2023年1–4月，观测6例，期望0.84，O/E=7.17，p=0.00070）和Bagamati省加德满都谷地聚集区（半径12.87 km，p<0.05）。这些聚集区可能反映猪密度、农场连通性、监测覆盖或报告实践的差异，而非直接传播路径，应视为优先现场调查和加强监测的区域。

**环境关联**：探索性Poisson回归分析中，单变量分析显示降雨量（p=0.00339）和相对湿度（p=0.175）达到纳入阈值，温度和露点温度未达到；多变量模型经向后消除后，仅降雨量保持显著（p=0.0118）。由于样本量仅42起，统计功效有限，系数估计可能不稳定，结果应视为探索性而非验证性，不能推断因果。降雨可能通过环境污染、人员车辆移动等机械途径促进病毒传播，与Bergmann等人（2021）的研究一致，但需更大规模研究确认。

五、讨论与结论

**讨论总结**：尼泊尔报告的ASF暴发数量（43起）低于中国、越南等国，这与其较小的生猪种群（约135万头）有关，但监测能力、报告完整性和病例检测差异也可能影响报告数，因此跨国直接比较应谨慎。暴发对尼泊尔的影响需结合其养猪业规模和经济重要性评估，未来应量化ASF的经济损失占畜牧业GDP的比例。季节高峰出现在夏季，与温度较高和降雨增加的环境条件吻合，全球数据也报告了类似的春夏高峰，提示应在高风险夏季前启动预防准备工作。2023年暴发减少与DLS强化控制措施时间上一致，但不能简单归因于措施效果。检测到的时空聚集区为风险导向的监测提供了靶点。降雨量关联提示环境因素可能参与传播，但需进一步研究。研究局限性包括：依赖被动监测导致真实发病率可能低估；缺乏农场生物安全、猪只调运和贸易网络数据，无法确定传播途径；仅覆盖早期阶段（2022.3–2024.7），可能无法捕捉长期趋势和年际变化。

**结论翻译**：本研究首次提供了尼泊尔ASF暴发的时空特征描述，为理解该病传入后早期阶段出现和传播的“何处”与“何时”提供了初步见解。研究结果表明，ASF影响不同生产规模的农场，暴发主要发生在中小型猪场。时间分布显示暴发在2022年夏季达到高峰，随后在秋季及后续年份下降，这一变化在时间上与DLS加强控制措施和利益相关者合作改善相吻合，但不能排除漏报和监测强度变化的作用。研究识别出的时空模式凸显了风险导向监测和靶向控制措施的必要性。尽管降雨量增加与暴发增加存在关联，但环境因素在ASF传播中的作用仍需进一步调查。总体而言，这些发现支持优先关注高风险区域、加强农场生物安全并在雨季前实施预防措施。此外，结果强调了加强监测和开展纵向研究的必要性，以提升尼泊尔国家ASF预防和控制能力。