基于Bayes时空理论探讨北京市结核病演化特征及生态影响因素分析*

潘 蕾 贺晓新 罗艳侠 高 琦 吴立娟 李 霞△ 郭秀花△

基于Bayes时空理论探讨北京市结核病演化特征及生态影响因素分析*

潘 蕾1贺晓新2罗艳侠1高 琦1吴立娟1李 霞1△郭秀花1△

目的 探讨北京市结核病时空演化特征与生态影响因素。方法 基于Bayes时空理论，对2005－2009年北京市18区县结核病患病数据进行时空建模，以DIC值最小为标准找出最优模型，并研究协变量对模型的影响，结合ArcGis10．0软件绘制北京市18区县结核病时空危险度的分布图谱。结果 全部模型中，含协变量的时空交互效应模型最优(DIC=818．834)，生态分析的结果表明，除人均地区生产总值的升高会降低结核病危险度之外，每千人口拥有床位数、年平均相对湿度、年平均空气质量指数和年平均最高温度的升高会增高结核病患病危险度。结论 Bayes时空模型与生态学分析技术结合，能动态分析结核病的时空演化特征和生态影响因素，有利于发现重点疫区，为制定适宜的防治措施提供科学依据。

结核病 相对危险度 Bayes理论 时空模型

*:国家科技部艾滋病和病毒性肝炎等重大传染病防治重大专项课题(2012ZX10005009－003);国家科技部973项目(2011CB505404);国家科技部重大专项中医药防治重大传染病的临床科研一体化技术平台课题(2009ZX10005－019)

1．首都医科大学公共卫生学院(100069)

2．北京结核病控制研究所

△通信作者:郭秀花，E－mail:guoxiuh@ccmu．edu．cn;李霞，E－mail:lixia_new@163．com

结核病的发生其影响因素较多并且有明显的区域性差异〔1〕，在时空传播上具有多尺度效应〔2〕。虽然现已建立起较完备的流行病学监测网，但大多数资料是孤立、分散的，极大地限制了其在指导制定预防措施方面的作用。近年来，随着空间扫描统计分析软件SaTScan〔3〕、Bayes 统计分析软件 WinBUGS〔4，5〕的推广应用，以及地理信息系统(GIS)等技术的发展，可动态分析传染病时空分布特征。国内虽有应用ArcGis中的热点分析对北京市结核病2005－2009年的报告率进行建模，发现其区域聚集性明显〔6〕。但以上分析在时空上是分离的，本文采用Bayes时空交互模型，并使用生态学分析，研究了协变量对模型的贡献，由此可以估计出各个区县的患病危险度，该指标可以在患病率的基础上更好的反应出每个区县实际患结核病的危险程度，为结核病的防控提供一定的参考依据。

资料与方法

1．研究对象与资料

数据来自北京市结核病网络直报系统中的电子病例信息，包含北京市18区县从2005年1月1日到2009年12月31日登记的所有结核病数据。北京市18区县地图来自于北京超图软件有限公司。通过查阅2006－2010年《北京区域统计年鉴》获得2005－2009年北京市18个区县的基本人口及社会经济数据，主要包括常住人口、土地面积、地区生产总值和平均每千人口拥有医院床位数。常住人口/土地面积整理得到常住人口密度，单位为人/平方公里;地区生产总值来自全国第二次经济普查后核实数，以2000年人口普查数据为基准，整理得到人均地区生产总值，单位为万元;每千人口拥有医院床位数由北京市卫生局提供，单位为个。林木绿化资料来自北京市园林绿化局，单位为%，其中城四区(东城、西城、崇文、宣武)使用的是2005年普查数据;气温、相对湿度、空气质量指数来自北京市气象局。

2．统计分析方法

(1)Bayes时空模型

表1中i表示第i个区县，j表示第j年，yij表示患病人数，eij表示期望发病人数，θij表示患病危险度，α0是截距，α1j是第j年的截距，vi表示不相关空间异质效应，gj表示自回归时间效应，tj表示时间趋势效应，α1表示时间效应的系数，time1j表示第j年的时间效应，di表示距离效应，psiij表示时空交互效应。

表1 Bayes泊松模型的建立

以上模型均在WinBUGS1．4．3中实现，经过模型的加工、更新进而推断样本参数，得到后验分布的均值、众数、标准差和可信区间等。此过程采用蒙特卡洛马尔可夫算法(MCMC)。UH(uncorrelated heterogeneity models)模型，即空间不相关异质模型，在模型中用vi表示，其先验分布选择正态分布。CH(correlated heterogeneity models)模型，即空间相关异质模型，在模型中用ui表示。其先验分布选择现在最为广泛使用的CAR模型。CAR(conditional autoregressive model)模型，即条件自回归模型，区县间的空间关系用简单邻接权重矩阵(simple adjacency weights matrix)表示，如果两个区县相邻，则权重赋值为1;反之，赋值为0。截距项的先验分布选择无信息先验分布dflat()，模型的参数先验分布选择正态分布 dnorm(0，taubeta)，其参数的先验分布即超先验分布选择均匀分布U(0，10)。

(2)生态学分析

生态学分析用于疾病结局变量具有地理信息，并且疾病发生与协变量或预测因素有关的数据分析〔8〕。这些协变量可以在空间聚集的不同水平上获得。

本研究将第一部分中的最优模型时空交互CH模型带入协变量，由于协变量中存在共线性，所以剔除了最低气温、人口密度、绿化率三个变量，进入模型的是人均地区生产总值、每千人口拥有医院床位数、相对湿度、空气质量指数和年平均最高气温，模型如下及图1所示:

式中，β1，…，β5表示协变量的回归系数。

结 果

1．模型比较

模型的拟合结果见表2，可以看出UH模型和自回归时间效应的UH模型的DIC值接近，其差值小于4，可以认为这两个模型没有统计学差异，即加入对模型的贡献不大，而时间趋势效应UH模型的DIC值相比前两者都增大。从CH模型开始，DIC值均下降，说明使用相关空间异质性模型的效果要比不相关空间异质性模型好，其中以时空交互效应的CH模型的效果最好(DIC=821．296)，因为其使用了时空交互项，所以DIC值锐减。含有协变量的模型同不含协变量的模型相比较，各模型的DIC值均下降，并且从UH各个模型来看，gi和tj对模型的影响不大，使用相关空间异质性模型后，模型DIC值下降，也与不带协变量的模型结果一致。

图1 有向图模型结构示意图

表2 结核病Bayes时空模型拟合优度比较

2．相对危险度与患病率比较

Bayes时空模型的最优结果是CH时空交互模型，对模型所计算出的结核病的患病危险度与患病率进行比较，点的大小代表患病率的高低，点越大，患病率越高;图层的颜色代表患病危险度的大小，图层颜色越深，患病危险度越大。从图2可以看出，患病率高的地方，其患病危险度不一定也高。如2005年患病率最高的为昌平区，其患病率为7．68/万，但从危险度来看，顺义区的患病危险度最高(0．000883)。从地图上可以看出2005－2009年都存在一定的空间相关性。

3．协变量对结核病患病的影响

最优模型中纳入了人均地区生产总值、每千人口拥有医院床位数、空气质量指数、年平均相对湿度和年平均最高气温5个协变量，见表3。除了人均地区生产总值的增加会降低结核病的相对危险度之外，随着每千人口拥有医院床位数的增加、空气质量指数的增加、年平均相对湿度的增加和年平均最高气温的增加，患结核病的相对危险度也会增加。

从表3标化系数也可以看出人均地区生产总值对危险度的影响贡献是最大的，年平均最高气温对危险度的影响贡献最小。

图2 北京市18区县2005－2009年结核病患病率与患病危险度的叠加图

表3 协变量对结核病患病危险度的影响

讨 论

贝叶斯时空模型运用了贝叶斯理论，考虑了先验概率和样本信息，同时将时空两个维度结合起来，生态分析技术的运用，进一步完善了贝叶斯时空模型，使得结核病患病危险度的估计更加准确。这样不仅可以从宏观上更加合理的解释结核病的时空传播动态演化过程，并且可以看出这些因素对患病危险度的影响，还可以辅助解决公共卫生资源的配置等问题。

平均年最高气温升高，结核病患病危险也增高，这与其他研究证实的结核病发病率与平均最高气温呈负相关相悖〔9〕，造成结果不一致的原因可能是尺度不一对结局的影响不同。平均相对湿度增大，结核病患病危险也增高，这与杨子丹〔10〕等的报道相符。空气质量差会增高患结核病的风险，在其他研究中也有类似报道。人均地区生产总值增高，结核病患病相对危险度降低，这与以往认为的结核病是“穷病”的研究观点相一致。每千人口拥有床位数越多，结核病的危险度越高，这也在一定程度上反应了医疗资源的配置合理。各区县之间存在一定的空间相关性和聚集性，患病率高的地区，其患病危险度不一定也高，反之亦然。其患病危险度随着年份也会发生改变。从其趋势来看，2005年的高危险度区县包括顺义区、昌平区、门头沟区，中危险度区县:平谷区、石景山区、密云县;低危险度区县:海淀区、东城区、朝阳区;与2009年相比，高危险度区县:房山区、丰台区，中危险度区县:西城区、朝阳区、石景山区，低危险度区县:延庆县、顺义区、昌平区。提示近年来结核病患病危险区域已发生了变化。

1．刘云霞，姜世闻，刘言训，等．基于潜变量与空间统计理论的耐多药结核病空间流行病学模型研究．中国卫生统计，2011，28(6):648－653．

2．Liu YN，Wang W，Li X，et al．Geographic distribution and risk factors of the initial adult hospitalized cases of 2009 pandemic influenza A(H1N1)virus infection in mainland China．PLoS One，2011，6(10):e25934．

3．李秀央，陈坤．扫描统计量的理论及其在空间流行病学中的应用．中华流行病学杂志，2008，29(8):828－831．

4．Cowles，MK．Review of WinBUGS 1．4．The American Statistician．2004;58(4):330－336．

5．孟海英，刘桂芬，罗天娥．WinBUGS软件应用．中国卫生统计．2006;23(8):375－377．

6．Liu Y，Li X，Wang W，et al．Investigation of space－time clusters and geo－spatial hotspots for the occurrence of tuberculosis in Beijing．International Journal of Tuberculosis and Lung Disease，2012，16(4):486－491．

7．Lawson，AB．Bayes Disease Mapping:Hierarchical Modeling in spatial，2008．

8．Sales CM，Figueiredo TA，Zandonade E，et al．Spatial analysis on childhood tuberculosis in the state of Espirito Santo，Brazil，2000 to 2007．Revista da Sociedade Brasileira de Medicina Tropical，2010，43(4):435－439．

9．霍爱梅，赵达生，方立群，等．华北地区主要呼吸道传染病与气象条件的关系．中国医药导报，2011，8(32):153－156．

10．杨子丹．五峰县2005年－2010年结核病疫情分析．中外健康文摘，2011，8(27):203－204．

Exploration of Tuberculosis Evolution Characteristics and Ecological Factors Based on the Bayes Temporal-Spatial Theory

Pan Lei，He Xiaoxin，Luo Yanxia，et al．School of Public Health and Family Medicine，Capital Medical University(100069)，Beijing

ObjectiveTo explore tuberculosis temporal－spatial evolution characteristics and ecological factors.MethodsThe model is based on the tuberculosis data in Beijing 18 districts and counties between 2005 and 2009，find out the optimum model(DIC minimum value)，and by using ecology analysis technology，finding out association of tuberculosis risk and covariates，and combined with ArcGis10．0 show the distribution of space and time risk of tuberculosis in Beijing 18 districts and counties.ResultsThe optimization model is Bayes spatial－temporal interactive model(DIC=818．834)．The results of ecological analysis shows that the risk of tuberculosis are significantly associated with the number of bed in hospital，annual average relative humidity，annual average air quality index and annual average temperature.ConclusionCombination of Bayes spatial－temporal model and ecological analysis will help for finding key areas of tuberculosis．

Tuberculosis;Relative risk;Bayes theory;Spatial－temporal model

(责任编辑:刘 壮)