厦门免费医学论文发表-使用零膨胀模型探索温度和其他环境因素在 2017-2022 年加利福尼亚州各县西尼罗河病毒发病率和预测中的作用

诺亚·帕克 出版日期： 2024年06月24日 抽象 西尼罗河病毒 （WNV） 是美国最常见的蚊媒疾病，仅在加利福尼亚州每年就报告数百例病例。传播周期主要发生在鸟类和蚊子中，因此温度等气象条件对传播特性尤为重要。鉴于由于全球气候变化，未来的温度升高几乎是不可避免的，确定温度与人类西尼罗河病毒发病率之间的关联，以及对未来病例的预测，对加利福尼亚州的公共卫生机构非常重要。使用加州公共卫生部 （CDPH） 的监测数据、美国国家海洋和大气管理局 （NOAA） 的气象数据以及 VectorSurv 的矢量和宿主数据，我们创建了 GEE 自回归和零膨胀回归模型，以确定温度和其他环境因素在西尼罗河病毒发病率和预测中的作用。研究发现，2017-2022 年间，加利福尼亚州 11 个高负担县的发病率升高 （IRR = 1.06）、持有地点、一年中的时间和降雨量常数与温度升高有关。假设到2040年加州气温上升两华氏度，将导致在我们的研究期间每年增加20例以上的病例。使用 2017-2021 年作为训练集，气象和宿主/媒介数据能够密切预测 2022 年的发病率，尽管模型确实高估了病例的峰值数。零膨胀模型密切预测了冬季的低病例数，但在高传播期的表现比GEE模型差。这些发现表明，气候变化将并且可能已经改变了加利福尼亚州西尼罗河病毒的传播动态和发病率，并提供了帮助预测未来发病率的工具。 作者摘要 西尼罗河病毒是一种由蚊子传播的疾病。虽然它通常会感染鸟类，但传播给人类是可能的，并可能导致严重的健康影响。众所周知，温度会影响西尼罗河病毒的传播周期，但目前尚不清楚全球变暖会如何改变谁或多少人可能感染该病毒。在这项研究中，研究人员研究了气候变化如何影响加利福尼亚州的西尼罗河病毒，以及卫生官员如何能够更好地预测未来的病例。该研究发现，由于未来20年气温升高，人类中的西尼罗河病毒病例可能会增加，但我们已经拥有许多工具和数据来源来预测病例。这些发现加强了气候变化对人类健康的可能后果，并有助于理解气候与传染病之间的复杂关系。 数字 图7图1图2图3图4图5图6图7图1图2图3 引文： Parker N （2024） 使用零膨胀模型探索温度和其他环境因素在 2017-2022 年加利福尼亚州各县西尼罗河病毒发病率和预测中的作用。PLoS Negl Trop Dis 18（6）： 编号：E0012051。 https://doi.org/10.1371/journal.pntd.0012051 编辑 器： Richard A. Bowen，美国科罗拉多州立大学 收到： 2024年3月6日;接受： 2024年6月7日;发表： 6月 24， 2024 版权所有： © 2024 Noah Parker。这是一篇根据知识共享署名许可条款分发的开放获取文章，该许可允许在任何媒体上不受限制地使用、分发和复制，前提是注明原作者和来源。 数据可用性： 有限的、去识别化的人类西尼罗河病毒监测数据可通过加州卫生与公众服务开放数据门户 （https://data.chhs.ca.gov/dataset/west-nile-virus-cases-2006-present） 公开获得。读者可以向传染病科（https://data.chhs.ca.gov/dataset/west-nile-virus-cases-2006-present）或传染病科（https://www.cdph.ca.gov/CDPH%20Document%20Library/ControlledForms/cdph9078.pdf）申请访问。蚊子和鸟类感染数据可通过 https://vectorsurv.org（https://vectorsurv.org/assets/files/calsurv_data_policy.pdf）向VectorSurv/CalSurv索取。温度和降水数据可通过美国国家海洋和大气管理局网站（https://www.weather.gov/wrh/Climate?wfo=hnx）公开获得。 资金： 作者没有为这项工作获得任何具体资金。 利益争夺： 作者声明不存在相互竞争的利益。 介绍 西尼罗河病毒（West Nile virus， WNV）是一种媒介传播的黄病毒，是美国所有蚊媒疾病中感染最多的病毒[1]。西尼罗河病毒于2003年在南加州首次被发现，随后在一年内迅速传播到加州所有58个县[2]。加利福尼亚州的西尼罗河病毒感染负担最大，2009-2018年间，该州报告了21,869例感染中的4,035例（18%）[3]。只有20%的感染者会出现任何症状，而不到1%的感染者会出现神经系统症状，表现为西尼罗河神经侵袭性疾病（West Nile neuroinvasive disease， WNND）[3]。尽管症状和严重程度较低，但加利福尼亚州在2003-2018年期间报告了326例WNND死亡病例，因为WNND的死亡率约为10%[4]。 已知许多环境因素会影响西尼罗河病毒的传播，其中大多数传播发生在非人类宿主中。人类通过库蚊属的雌性蚊子叮咬而感染，尽管西尼罗河病毒不能在人类之间传播，也不能从人类传播，因为它们是死胡同宿主[3]。地方性动物病主要通过蚊子和某些鸟类（如鸦科动物、雀类和麻雀）传播，但马和鸡的感染也很常见[3]。鉴于西尼罗河病毒在蚊子、鸟类、马和其他物种中的发病率是地方性动物传播周期中传播增加的一个指标，因此野生动物的高流行率可以作为人类传播风险的良好预测指标[4]。此外，某些气象条件（如温度和降雨量）在蚊子的产卵和行为中起着重要作用，并已被证明与人类西尼罗河病毒感染呈正相关[5]。特别是，温度已被证明会影响蚊子的生命周期性状以及与病原体的相互作用，进而影响西尼罗河病毒的传播[2,6,7]。既往研究强调了这些环境因素对美国和加拿大西尼罗河病例的预测能力，预测模型有可能应用于其他负担较重的地区[1,8]。 虽然其他研究已经模拟了温度和某些其他环境因素在加利福尼亚州西尼罗河病毒传播中的重要性[9]，以及该州预警系统确定疫情爆发的能力[4]，但很少有研究试图量化可能与气象条件变化相关的过量病例。很少有研究进一步扩展以使用当前收集的数据源创建预测模型。鉴于全球气候变化导致加州气温上升，这一分析尤为重要，可以帮助州官员规划未来西尼罗河病毒传播可能增加的情况。据我们所知，没有其他论文使用零膨胀回归模型来检查加利福尼亚的西尼罗河病毒。在数据集中有许多预期零的情况下，可以应用零膨胀模型。在西尼罗河病毒的背景下，鉴于人类感染的明显季节性以及一年中大部分时间几乎确定零病例，零膨胀回归模型可能比传统模型具有优势。本文探讨了该模型相对于传统上用于纵向传染病分析的负二项式回归模型的有效性。 在我们的论文中，我们使用零膨胀回归模型和包含自回归结构的广义估计方程 （GEE） 来测量温度与西尼罗河病毒发病率之间的关联，确定温度升高会导致的过量病例数量，并比较每个预测对未来西尼罗河病毒在加利福尼亚的传播。我们假设在调整降雨量、地点和一年中的月份后，温度将与加利福尼亚州的西尼罗河病毒呈正相关;同时，气象条件和环境因素，如受感染的死鸟和蚊子池阳性率，将能够预测未来的西尼罗河病毒病例。我们还假设零膨胀模型将提供比 GEE 模型更准确和精确的预测。 方法 一、数据 西尼罗河病毒是一种国家和州报告的疾病[10]。因此，加州公共卫生部收集了病例数据，作为其监测计划的一部分。虽然报告了每周的病例发生率，但该研究使用月发病率来消除报告中不一致的滞后性。只有人口超过 250,000 名居民且六年期间（2017-2022 年）共有 40 例或更多病例的县才被视为高负担县并纳入分析。总共有 11 个县：弗雷斯诺、克恩、洛杉矶、默塞德、奥兰治、里弗赛德、萨克拉门托、圣贝纳迪诺、圣华金、斯坦尼斯劳斯和图莱里。由于大多数县的西尼罗河病毒病例数在研究期间很少或为零，因此对病例进行了限制，同时制定了最小县规模以保护小县的病例身份。我们决定只使用最近六年的病例数据，因为这反映了在进行大量观测的同时保持足够有限的时间范围（其中传输和气象条件表现出相似的特征）之间的权衡。加州的月平均气温在2010年代初急剧上升，然后在2015年达到顶峰[11]。此后，气温一直高于20第世纪平均值，但在峰值以下保持相对稳定，满足了气象条件在研究期间表现出稳定特征的假设[11]。我们还使用数据集中的不同年份组（三组数据使用五年，一组数据使用四年）进行了敏感性分析，以确定分析中使用的特定年份是否会影响感兴趣的关联的强度和方向。所有集合都对上个月温度和发病率之间的发病率比率产生了非常相似的估计，这使我们对所选的时间段有信心。 日平均气温（以华氏度为单位）和降雨量（以英寸为单位的当月总和）是从美国国家海洋和大气管理局收集的。蚊子池阳性率（一个县内西尼罗河病毒检测呈阳性的蚊子池的百分比）和鸟类感染计数（西尼罗河病毒检测呈阳性的死鸟数量）是通过加利福尼亚州的 VectorSurv 计划根据请求编号 000067 获得的。 II. 用于测量关联 M 的零充气和 GEE 模型 模型和变量。 在两个模型中都进行了负二项回归，而不是泊松回归，因为病例数据具有过度分散的分布。由于一个人生病到需要时间才能寻求治疗，以及向州卫生部门报告病例的延迟，我们假设气象条件和报告的病例数在时间上没有直接关系。鉴于在其他西尼罗河病毒暴发中发现病例发病与病例报告之间有相当大的滞后（平均5周），温度和降雨量均滞后1个月，因此上个月的气温和上个月的降雨量变量可以更好地反映当月的病例[12]。由于病媒数据的报告也受到报告和生物过程的延迟的影响，因此假设蚊子池阳性率和死鸟计数与病例相似，因此没有滞后[12]。这种选择性滞后策略已用于模拟西尼罗河病毒的其他工作[1]。降雨量、年份和县被调整为温度与西尼罗河病毒病例之间关系的混杂因素。控制这些变量还有助于控制西尼罗河感染的季节性和位置依赖性。阳性蚊池和阳性死鸟的百分比被确定为在因果途径上，并且未在测试关联度量（发病率比率）的模型中进行分析。 零充气。 我们使用两种不同的方法来估计温度与西尼罗河病毒发病率之间的关联。首先，我们利用零膨胀负二项回归模型对 11 个高负担县的病例数进行建模。这种类型的模型在计数数据分布中有许多多余零的情况下非常有用。零膨胀模型有两个不同的过程，一个是模拟多余的零，另一个是模拟计数[13,14]。这消除了由零计数创建的关联中的一些噪声，并且可能在具有非零计数的观测值中提供更准确的关联。这种方法用于解释我们数据中大量零病例的月份，因为 6 月至 11 月之外几乎没有西尼罗河病毒传播。525例月度病例数为零，占观察结果的66.3%。 我们将案例数表示为 y它，其中 i 代表县 （i = 1....11），t 代表六年期间的观察月份 （t = 1...72）. 我们假设结构零点在时间 t 和县 i 出现在数据中，概率为 π。因此，有两个过程可以为每个观测值生成数据：第一个过程生成案例计数为 0，概率为 π;第二个，它生成对应于负二项式模型的病例计数，由 g（y 表示它|十它），概率为 1−π。 因此，我们假设预期案例数 Y 的概率它，等于 y它由下面的零膨胀负二项式模型给出。十它表示模型中协变量的向量，而 Month它表示县 I 和时间 t 的日历月，据信可以很好地预测给定观测值中是否会出现病例。 表示负二项式模型 g（y 的函数它|十它），定义如下，其中模型中的协变量向量 X它，包括上个月的气温、上个月的降雨量、县和月份。上个月的温度是结果的暴露，而上个月的降雨量、县和月份都是这种关系的混杂因素。虽然县和月份在这里显示为用一个 βeta 项表示，但它们在模型中被分析为因子变量，这意味着为每个类别级别创建一个虚拟变量（县为 10，月份为 11），并为每个类别计算一个 βeta 项。 负二项式 GEE。 其次，我们使用具有自相关特征的负二项式广义估计方程模型与零膨胀模型进行比较。这种类型的模型更常用于纵向传染病分析，因为能够更准确地暗示观察值之间的相关性，从而反映疾病传播的真实动态。然而，与零膨胀模型不同的是，每个观测值都有助于关联——没有考虑零病例数与非零病例数[15]。 我们使用了“ar1”自相关结构，这意味着一个月的病例与前一个月和后一个月的病例密切相关，但其他月份的病例则不然。这种结构被认为准确地描述了我们系统中的感染动态，因为时间 t 时县 i 的病例取决于时间 t-1 时存在多少蚊子感染和随后的人类感染，并影响时间 t+1 在相同动态下将有多少病例。该模型遵循与零膨胀模型的负二项式部分相同的形式，但增加了一个自回归项 σ，该项遵循“ar1”的分布，如下图所示。 标准化。 进行模型标准化以检索假设数据集之间的风险差异（超额病例数），其中温度升高了 1、1.5、2、2.5 或 3 华氏度（所有其他变量保持不变）与观察到的数据集。我们创建了一个总体，在所有观察中，上个月的温度增加了这些设定量，然后用它来拟合零膨胀模型，并找到六年研究中预期的病例总数。风险差是假设人群中预期的病例总数减去根据观察到的数据预期的病例数。虽然这种风险差异不能被解释为温度与西尼罗河发病率之间的关联——因为它是一个假设的人群——但它可以提供对未来气候变化可能产生的影响的见解。随后，使用偏差校正和加速技术（BCA）的自举抽样来衡量风险差异计算中的不确定性。 三、预测模型 2022年，零膨胀模型和自回归负二项式模型均被用作西尼罗河病毒病例的预测模型。两个模型都根据 2017-2021 年的数据进行训练，然后根据 2022 年的数据进行测试。这些模型分别遵循与上述模型相同的假设和方程，但在数据中包含不同的协变量集。由于它们是预测模型，因此所有变量，包括阳性蚊子池和阳性死鸟的百分比——由于温度和西尼罗河病毒发病率之间存在因果关系，它们被排除在关联模型的测量之外——都包含在分析中。测试的四个不同的预测集是：“全部”，包括列出的所有协变量;宿主/媒介“，包括死去的受感染鸟类和蚊子阳性率;“只是温度”，包括上个月的温度;和“天气”，包括上个月的温度和上个月的降雨量。我们选择使用均方误差（MSE）来比较模型与信息标准检验（如AIC或BIC），因为我们没有来自GEE模型的具体似然估计[16]。尽管均方误差不会考虑和惩罚每个模型中预测变量的数量，但使用的变量没有太大差异（“全部”、“主机/向量”、“天气”和“仅温度”中分别为 4 vs 2 vs 2 vs 1）以及每个模型的均方误差的明显差异突出了数据的最佳拟合。 道德层面。 鉴于该研究的生态设计和被动收集的监测病例数据，没有主动收集人类受试者的数据。数据中不包含标识符，分析中仅使用来自高负担、人口稠密县的汇总数据来保护个人身份。因此，任何可能被纳入数据的个人都没有风险。虽然这项分析是在所有感染之后进行的，任何发现都不会对个人有益，但结果在未来仍可能使这些社区受益。 结果 描述性分析 图 1 绘制了研究中所有 11 个高负担县的平均气温和西尼罗河病毒病例。该图显示了西尼罗河病毒活动的明显季节性，每年的高峰发生在温度最高的夏季。这也凸显了在寒冷的冬季几乎完全没有病例。这些县一年的病例数变化很大：2017年报告了515例病例，而2021年仅报告了77例。下面介绍对季节性和温度的分析，以检查温度与西尼罗河病毒病例之间的关联。 缩略图 下载： PPT的PowerPoint幻灯片 巴布亚新几内亚放大图片 TIFF的原始图像 图 1. 我们研究人群中的月平均气温和月西尼罗河病毒病例总数。 https://doi.org/10.1371/journal.pntd.0012051.g001 统计模型和标准化 零膨胀和具有自回归相关模型的GEE均显示，上个月的温度与一个月内的西尼罗河病毒病例呈正相关（图2）。每个模型都针对上个月的降雨量、县和月份的变量进行了调整，这些变量被确定为利益关系中的混杂因素。 缩略图 下载： PPT的PowerPoint幻灯片 巴布亚新几内亚放大图片 TIFF的原始图像 图 2. 西尼罗河病毒发病率与研究人群中上个月体温之间的关联。 https://doi.org/10.1371/journal.pntd.0012051.g002 两种模型的发病率比估计值几乎相同，均为 1.05，这意味着上个月温度升高 1 度与一个月内西尼罗河病毒发病率增加 1.05 倍相关，控制了上个月的降雨量、地点和一年中的时间。两种模型的 IRR 估计值均具有统计学意义，但自回归 GEE 模型的 95% 置信区间较窄（图 2）。 正如一些气候学家所预测的那样，这些模型也可以外推到更大的温度变化[17\u201219]。一些估计表明，到2040年，加州的平均气温可能会上升2华氏度[17,18]。假设温度升高两度，并保持所有其他变量不变，零膨胀模型表明这将与 1.12 倍的发病率相关，而 GEE 模型报告的数字为 1.10。 图 3 显示了通过模型标准化进行的西尼罗河病毒病例的风险差异，将观测数据下的预测病例与假设数据集进行了比较，其中所有温度观测值都增加了 2 华氏度。如图所示，在保持所有其他变量不变的情况下，温度升高 2 度会导致零膨胀模型中出现更多情况（正风险差）。这种增加主要集中在夏季，预计每年在高峰期至少有8例超额病例。气温升高几乎不会影响几乎没有传播的冬季。在为期六年的研究期间，假设数据（温度升高两度）与观测数据之间的风险差为 148.7（95% 置信区间为 28.8-292.8）对于零膨胀模型。平均每年有 24.8 （4.8-48.8） 例超额病例。 缩略图 下载： PPT的PowerPoint幻灯片 巴布亚新几内亚放大图片 TIFF的原始图像 图 3. 原始零膨胀模型和增加两度的零膨胀模型之间的风险差异（红色阴影）。 https://doi.org/10.1371/journal.pntd.0012051.g003 过量病例的数量与温度升高的水平呈正线性关系，如图 4 所示。所有数量的增加，即使在温度升高一度的情况下，也显示出显着的正风险差异。不确定性也随着温度的增加而增加;在任何温度升高中，过量病例的数量都没有显着差异。 缩略图 下载： PPT的PowerPoint幻灯片 巴布亚新几内亚放大图片 TIFF的原始图像 图 4. 原始零充气模型与不同温度升高的零充气模型之间的风险差异。 引导的 95% 置信区间为黑色。 https://doi.org/10.1371/journal.pntd.0012051.g004 预测模型 图 5 显示了预测模型的输出，其中包含零膨胀模型和 GEE 模型的所有变量。与关联模型的测量一样，两种类型的模型都显示出相当相似的结果，因为上个月的温度、蚊子池阳性率和死鸟在每个模型中都对西尼罗河病毒病例呈正向预测，而上个月的降雨量对西尼罗河病毒病例呈负向预测。这些模型的预测在对每个变量的贝塔估计值上略有不同，虽然绝对大小很小，但差异很大，如后来的分析所示。 缩略图 下载： PPT的PowerPoint幻灯片 巴布亚新几内亚放大图片 TIFF的原始图像 图 5. 预测模型输出。 https://doi.org/10.1371/journal.pntd.0012051.g005 图 6 绘制了 2022 年 11 个高负担县中每个变量集（跨两种模型类型）的预测病例与实际报告病例数以及每个模型的 MSE。零膨胀模型的所有变量集都很好地拟合了零病例数月份（11 月至 6 月）的实际数据，但高估了夏季高峰期的病例数。“Just Temperature”和“Weather”都高估了夏季高峰期，并错误地预测了发病率曲线的形状。由于零膨胀模型可能已经使用与天气模式密切相关的一年中的月份来确定非零病例数，因此将天气数据添加到预测模型中并没有增加拟合的强度。“所有”变量为零膨胀子集中的数据提供了最佳拟合（最低 MSE）。 缩略图 下载： PPT的PowerPoint幻灯片 巴布亚新几内亚放大图片 TIFF的原始图像 图 6. 2022 年零膨胀模型和 GEE 模型使用不同变量集的预测案例。 顶行的零膨胀预测。底行的 GEE 预测。均方误差 （MSE） 越低，表示拟合越好。 https://doi.org/10.1371/journal.pntd.0012051.g006 模型的 GEE 子集显示出更相似的拟合，这很可能是由于该模型没有零病例数的月份预测变量。与零膨胀模型相比，GEE预测模型更密切地跟踪了8月份的病例高峰，尽管它也略微高估了实际报告的病例数。然而，GEE模型高估了病例数低的月份的病例数，其规模通常要大三到四倍。“宿主/向量”模型尤其产生了偏拟合，因为即使均方误差为 78.2，它也预测了冬季每月 10 例病例，并且总体上呈非正态形状。“All”GEE模型在所有预测模型中都获得了最佳拟合，均方误差为17，发生率曲线紧随其后。 尽管它的 MSE 最低，但“所有”GEE 模型预测的 2022 年病例总数仍比实际报告的病例数多，分别为 214 至 172 例。在这方面表现最好的模型是偏斜的“主机/向量”GEE模型（192例），其次是“全部”零膨胀模型（202例）和“主机/向量”零膨胀模型（214例）。 从更简单的角度来看，图 7 显示了零膨胀和 GEE“所有”模型（根据 MSE 的两个表现最好的模型）与 2022 年 11 个高负担县的实际报告病例进行了对比。这更清楚地表明了上述预测模型之间的差异。 缩略图 下载： PPT的PowerPoint幻灯片 巴布亚新几内亚放大图片 TIFF的原始图像 图 7. 针对 2022 年报告的病例使用“所有”变量的零膨胀和 GEE 预测模型。 https://doi.org/10.1371/journal.pntd.0012051.g007 讨论 我们的研究强调了 2017 年至 2022 年加州 11 个高负担县的温度与西尼罗河病毒病例之间的关联;在一年中的月份、地点和上个月的降雨量不变的情况下，上个月温度每升高一个单位，西尼罗河病毒的发病率就会增加1.05倍。假设月平均气温上升2华氏度，由于气候变化[17,18]，加州在未来几十年内预测了24.8个超额病例。在预测模型中，使用所有变量（天气和宿主/向量组合）可得出 2022 年病例数的最佳拟合和最低均方误差。GEE方法总体上具有更好的拟合预测模型，但零膨胀模型能够更接近地预测当年的总病例数。 我们估计温度与西尼罗河病毒发病率在群体水平上呈显著正相关，这在加利福尼亚和美国的其他研究得到了充分支持[9,20]。我们关联的规模与Hahn等人的发现一致。al，在全国范围内观察到比值比为1.1[20];或者，埃尔南德斯等人。al计算出加利福尼亚州圣华金河谷的比值比为10.5，尽管这一发现确实具有较宽的置信区间[9]。温度与蚊子生命性状之间的联系，如发育时间和存活率，以及蚊子与病毒的相互作用，如外在潜伏期，即受感染的蚊子感染宿主所需的时间，已在许多其他研究中得到证实[7,21]。这些关联很复杂，在不同温度下往往会发生变化：例如，库蚊的发育率会随着温度的升高而升高，直到一定程度，当温度升高时会导致死亡率上升[22]。虽然本文没有探讨介导这种关系的生物学机制，但这些先前的发现为观察到的关联提供了因果关系。 鉴于这两种预测模型的结果，仅凭天气数据似乎对加利福尼亚州的西尼罗河病毒病例几乎没有预测能力。在缺乏天气数据的情况下，宿主和媒介数据为零膨胀模型提供了很好的拟合，表明来自当地媒介部门的简单地方性动物病数据足以提供有关当前和未来人类西尼罗河病毒病例的有用信息。然而，鉴于天气数据的易得性，仅使用包含宿主和向量数据的预测模型似乎是不必要的，也没有信息量。这与之前工作的结果基本一致。温伯利等人。研究表明，虽然气象和蚊子感染率数据比历史数据更能预测西尼罗河病毒病例，但需要将两者结合起来才能最好地预测未来的病例[8]。戴维斯等人。Al的预测模型还表明，气象和蚊子数据一起可以有效地预测未来的西尼罗河病毒病例，但同样不同意我们的模型，即仅蚊子感染数据几乎与所有数据一样好[23]。 我们的研究揭示了与更传统的模型相比，零膨胀模型能够正确预测低传播月份的病例数。然而，这一功能的效用是有限的，因为与夏季相比，低传播月份对卫生部门的担忧要小得多。更传统的GEE模型更接近夏季高峰期的形状和病例数，并可能为卫生部门提供更准确的月度情况。尽管它高估了夏季的病例数，但零膨胀模型更准确地预测了 2022 年的病例总数，突出了其在帮助国家在宏观层面进行规划的潜在效用。这些模型将需要在更大的地理范围内与更多的县和较新的数据年份进行测试，以对卫生部门使用它们的能力做出任何最终声明。 该研究的一大优势在于它有可能对公共卫生机构和公众易于解释和实施：数据易于访问，并且该模型只有几个可以快速集成的参数。这些模型允许进行分析，而不需要关于所观察到的关联背后的许多关系的复杂信息，包括温度与发生率相关的机制。它还适合公共卫生部门将来使用，这些部门不需要大量数据或计算能力来预测西尼罗河病毒病例。我们还利用标准化来估计观察到的数据与假设的加利福尼亚州之间的病例风险差异，温度升高了不同程度，这是一种未充分利用的策略，可以为该州西尼罗河病毒传播的未来提供重要的见解。虽然是假设的场景，但它提供了比值比，甚至我们计算的比率比，更可解释的估计值（每月超额病例数）。 然而，本研究中的数据具有固有的局限性。按月汇总病例，并依次对其他变量进行平均或求和，以对应于这一时间范围。病例数据缺乏粒度可能会使温度和发生率之间的关联产生偏差，特别是考虑到天气可能高度不稳定，而当在每月的时间范围内平均时，这一特征就会丢失。监测数据包括病例数、死鸟数和蚊子池阳性率，也有其自身的缺点，因为它遗漏了大多数（如果不是全部）无症状感染者，可能无法代表整个系统中的感染动态。通过一起分析各县，我们还失去了天气模式和县间传播动态的粒度和可能的变化;未来的工作将受益于研究温度对县内西尼罗河病毒发病率的影响，可能在邮政编码或人口普查区层面。 模型的构建方式也存在局限性，尤其是零膨胀模型。根据过去十年的数据，我们假设一年中的月份是是否会出现非零病例数的质量预测指标。然而，研究表明，温度升高也会改变加州西尼罗河病毒的季节性[24]。这一变化将挑战我们的假设，并可能使我们对温度与西尼罗河病毒之间关联的估计产生偏差。可以运行敏感性分析，以确定其他预测变量或预测变量集是否更适合作为零膨胀模型中的零计数预测变量。 虽然这种汇总的生态研究有局限性，但它使用预先存在的监测数据提供了一种可管理且方便的研究设计。如前所述，必须报告西尼罗河病毒疾病，从而建立被动监测系统;因此，不需要评估有关结果的新数据。暴露类型 - 环境 - 也指向使用生态学研究，因为温度是群体水平的暴露。不仅很难测量队列中个体所经历的温度，而且通常很难辨别温度变化如何影响单个人患西尼罗河病毒的风险，这可能受到许多不同可能的暴露的影响，包括工作类型和社会经济地位。 因此，我们不认为犯了任何生态谬误——推断生态关联等于个体关联——因为我们不试图确定或假设温度对西尼罗河病毒疾病个体风险的影响。我们的研究只是检查了县级的汇总风险。这对加州公共卫生机构来说可能更有信息量，因为普通加州人患西尼罗河病毒的风险非常低。总而言之，生态学研究足以更好地适用于计算县级利益的关联，同时仍可复制给未来的研究人员和公共卫生部门。 可以使用相同的数据进行更多类型的气候分析，例如先前的季节性降雨和温度对未来西尼罗河病毒发病率的影响，其重要性已显示为整个美国西尼罗河病毒季节的长度[25,26]。探索介导温度与西尼罗河病毒之间关联的机制也有助于进一步分析不同的干预策略。最后，需要更多的工作来了解人类与加利福尼亚州西尼罗河病毒地方性动物病携带者之间的界面，以及气候变化如何改变人们互动和接触这些宿主和媒介的方式。 结论 气温升高与加州11个高负担县的西尼罗河病毒感染率较高有关。除了蚊子和鸟类感染数据外，气象数据还可以密切预测这些县未来的西尼罗河病毒发病率。这对公共卫生机构来说极为重要，因为全球变暖和气候变化导致西尼罗河病毒继续成为更大的健康负担。 确认 我要感谢 John Colford 博士对这项工作的结构、修订和出版过程的持续帮助，感谢 Mary Beth Danforth 博士对 CDPH 数据的指导，感谢 Lincoln Wells 和 VectorSurv 的团队提供宿主和载体数据。这项工作得到了伯克利公共卫生学院流行病学系的非经济支持，只有在伯克利的众多研究人员、导师和同行的协助下才能实现。 引用 1.阿尔布雷希特 L，考费尔德 KA。调查环境因素对加拿大安大略省西尼罗河病毒人间病例预测的影响。前线公共卫生 [互联网]。2023 [引自 2023 年 10 月 31 日];11.可从：https://www.frontiersin.org/articles/10.3389/fpubh.2023.1100543。PMID：36875397 查看文章PubMed/NCBIGoogle 学术搜索 2.Reisen W， Lothrop H， Chiles R， Madon M， Cossen C， Woods L， et al. 加利福尼亚州的西尼罗河病毒。2004 年新兴感染病;10:1369–78.PMID：15496236 查看文章PubMed/NCBIGoogle 学术搜索 3.Snyder RE， Feiszli T， Foss L， Messenger S， Fang Y， Barker CM， et al. 2003-2018 年加利福尼亚州的西尼罗河病毒：持续威胁。PLoS Negl Trop Dis. 2020;14：e0008841.PMID：33206634 查看文章PubMed/NCBIGoogle 学术搜索 4.丹佛斯 ME、斯奈德 RE、朗斯特鲁普 ETN、巴克 CM、克莱默 VL。2009-2018年加州蚊媒病毒监测和应对计划的有效性评估。PLoS Negl Trop Dis. 2022;16：e0010375. 查看文章Google 学术搜索 5.Soverow JE、Wellenius GA、Fisman DN、Mittleman MA。全球变暖中的传染病：天气如何影响美国的西尼罗河病毒（2001-2005）。环境健康透视。2009;117:1049–52.PMID：19654911 查看文章PubMed/NCBIGoogle 学术搜索 6.Ciota AT、Matacchiero AC、Kilpatrick AM、Kramer LD。温度对库蚊生活史性状的影响.J Med Entomol。2014;51:55–62.PMID：24605453 查看文章PubMed/NCBIGoogle 学术搜索 7.理查兹 SL、莫尔斯 CN、CC 勋爵、塔巴奇尼克 WJ。外在孵育温度和病毒暴露对西尼罗河病毒库蚊（双翅目：Culicidae）媒介能力的影响。病媒传播的人畜共患疾病 2007 年;7:629–36.PMID：18021028 查看文章PubMed/NCBIGoogle 学术搜索 8.温伯利 MC、戴维斯 JK、希尔德雷斯 MB、克莱顿 JL。基于公共卫生监测和气象数据的综合预报预测了北美高风险地区的西尼罗河病毒。环境健康透视。2022;130:087006.PMID：35972761 查看文章PubMed/NCBIGoogle 学术搜索 9.Hernandez E， Torres R， Joyce AL. 2011-2015 年与加利福尼亚州北部圣华金河谷西尼罗河病毒病例发病率相关的环境和社会学因素。2019年病媒传播人畜共患疾病;19:851–8.PMID：31211639 查看文章PubMed/NCBIGoogle 学术搜索 10.数据和地图 |西尼罗河病毒 [互联网]。CDC. 2023 [引自 2023 年 12 月 26 日]。可从： https://www.cdc.gov/westnile/statsmaps/data-and-maps.html 查看文章Google 学术搜索 11.美国国家环境信息中心（NCEI），气候概览：全州时间序列[互联网]。2024 [引自 2024 年 5 月 31 日]。可从： https://www.ncei.noaa.gov/access/monitoring/climate-at-a-glance/statewide/time-series. 查看文章Google 学术搜索 12.DeFelice NB、Birger R、DeFelice N、Gagner A、Campbell SR、Romano C 等。对感染西尼罗河病毒的蚊子和人类报告延迟以及与西尼罗河病毒预测准确性的关联进行建模和监测。JAMA Netw 公开赛。2019;2：e193175.PMID：31026036 查看文章PubMed/NCBIGoogle 学术搜索 13.Erdman D， Jackson L， Sinko A. 使用 COUNTREG 程序的零膨胀泊松和零膨胀负二项式模型。SAS 研究所 2008; 查看文章Google 学术搜索 14.零膨胀负二项式回归。NCSS Doc. NCSS 统计软件;2023. 15.负二项式回归。NCSS Doc. NCSS 统计软件;2023. 16.12.1 - 广义估计方程简介 [Internet]。宾夕法尼亚州立大学 Eberly Coll. Sci. [引自 2023 年 12 月 26 日]。可从： https://online.stat.psu.edu/stat504/book/export/html/797 17.Cayan D， Kalansky J， Pierce D， Gershunov A. 常见问题解答：加利福尼亚州的气候变化 |斯克里普斯海洋学研究所 [互联网]。加州大学圣地亚哥分校。[引自 2023 年 12 月 26 日]。可从： https://scripps.ucsd.edu/research/climate-change-resources/faq-climate-change-california 18.Pierce D， Kalansky J， Cayan D. 加州第四次气候变化评估的气候、干旱和海平面上升情景。加州能源委员会;2018 年 8 月，第 17-20 页。报告编号：006。 查看文章Google 学术搜索 19.Gershunov A， Guirguis K. 现在和未来的加利福尼亚热浪。Geophys Res Lett [互联网]。2012 [引自 2023 年 12 月 26 日];39.可从： https://onlinelibrary.wiley.com/doi/abs/10.1029/2012GL052979 查看文章Google 学术搜索 20.Hahn MB， Monaghan AJ， Hayden MH， Eisen RJ， Delorey MJ， Lindsey NP， et al. 2004-2012 年美国西尼罗河病毒病发病率增加相关的气象条件。Am J Trop Med Hyg.2015;92:1013–22.PMID：25802435 查看文章PubMed/NCBIGoogle 学术搜索 21.Reisen WK、Fang Y、Martinez VM。温度对跗节库蚊（双翅目：Culicidae）传播西尼罗河病毒的影响。J Med Entomol。2006;43:309–17.PMID：16619616 查看文章PubMed/NCBIGoogle 学术搜索 22.DeFelice NB、Schneider ZD、Little E、Barker C、Caillouet KA、Campbell SR 等。利用温度改善西尼罗河病毒预报。PLoS Comput Biol. 2018;14：e1006047.PMID：29522514 查看文章PubMed/NCBIGoogle 学术搜索 23.Davis JK， Vincent G， Hildreth MB， Kightlinger L， Carlson C， Wimberly MC. 整合环境监测和蚊子监测以预测病媒传播疾病：西尼罗河病毒爆发的前瞻性预测。PLOS Curr 爆发 [互联网]。2017 [引自 2023 年 12 月 21 日];可从： http://currents.plos.org/outbreaks/article/integrating-environmental-monitoring-and-mosquito-surveillance-to-predict-vector-borne-disease-prospective-forecasts-of-a-west-nile-virus-outbreak/ pmid：28736681 查看文章PubMed/NCBIGoogle 学术搜索 24.Hartley DM， Barker CM， Le Menach A， Niu T， Gaff HD， Reisen WK. 温度对加利福尼亚州西尼罗河病毒出现和季节性的影响.Am J Trop Med Hyg.2012;86:884–94.PMID：22556092 查看文章PubMed/NCBIGoogle 学术搜索 25.Gorris ME、Randerson JT、Coffield SR、Treseder KK、Zender CS、Xu C 等。评估气候对美国西尼罗河病毒发病空间格局的影响。环境健康透视。2023;131:047016.PMID：37104243 查看文章PubMed/NCBIGoogle 学术搜索 26.沃德 MJ、索雷克-哈默 M、亨克 JA、小 E、帕特尔 A、萨满 J 等。加利福尼亚州科切拉谷西尼罗河病毒的空间分辨和环境信息预测模型。地球健康。2023;7：e2023GH000855.PMID：38077289 查看文章PubMed/NCBIGoogle 学术搜索