肺炎對氣候因素響應研究

導語：肺炎對氣候因素響應研究一文來源于網友上傳，不代表本站觀點，若需要原創文章可咨詢客服老師，歡迎參考。

摘要:病毒肺炎疫情正在全球蔓延，嚴重威脅著人類及動物的生命健康。目前還沒有特效藥物及商品化的疫苗，故加強對病毒的非生理性影響因素的研究具有重要意義。本文就國內外有關肺炎對氣候因素響應研究中應用的模型作了比較，并對造成國內外相關研究差異性的原因進行分析，以期為未來進行更完善的研究提供參考。

關鍵詞:肺炎;氣象因素;模型

病毒肺炎(COVID－19)是由病毒(SARS－CoV－2)引起的一種新發人畜共患傳染病，已在全球范圍內引起了廣泛的傳播。該病不僅嚴重威脅人類的生命健康，也可感染多種動物(狗、貓、老虎、獅子、水貂)。根據世界衛生組織(WHO)7月22日公布的最新疫情報告顯示，全球COVID－19確診病例達14765256例，死亡病例達612054例［1］。目前，國內外專家、學者都在各自領域內積極探索控制疫情的措施、安全有效的救治方法。許多研究表明，氣象因素與傳染病的發生和傳播密切相關［2－3］。例如，氣溫與嚴重急性呼吸綜合征(SARS)的傳播有關［4］;在寒冷、干燥的空氣中，流感傳播會增強［5］。因此，在沒有特效藥物和商品化疫苗［6］的情況下，加強對SARS－CoV－2生存、傳播條件等非生理性影響因素的研究具有重要意義。

1肺炎對氣候因素響應研究中的模型應用

1．1線性回歸模型。線性回歸模型(LinearRegres-sionModel，LRM)是統計學中最基礎、應用最為廣泛的數學模型［7］，按照研究變量的數量可分為一元線性回歸(UnaryLinearRegressionModel)模型和多元線性回歸模型(MultipleLinearRegressionModel)。多元線性回歸模型一般用于研究多個自變量與因變量之間的線性關系，相較于只研究單一變量的一元線性回歸模型而言，多元線性回歸模型的優勢是:適用范圍更廣泛和預測結果更可靠。但LRM也有一定的局限性:數據適用范圍窄、不能有效描述非線性關系。Yao等［8］采用多元回歸方法來探討氣溫、相對濕度、紫外線輻射與COVID－19同期發病率和R0(在完全易感人群中由初始感染個體產生的繼發病例的預期數量)的關系。Auler等［9］以巴西確診病例最多的5個城市為研究對象，對每個城市的絕對濕度與傳播率進行了線性回歸分析，以確定每個城市氣候條件的特殊性及該條件如何影響COVID－19的傳播。1．2廣義線性模型。廣義線性模型(GeneralizedLinearModel，GLM)是線性模型的推廣，引入連接函數，擴展了一般線性模型中因變量的適用范圍，進一步克服了線性回歸模型的缺點［10］。Liu等［11］在控制人口遷移的同時，利用GLM探討了中國除武漢外另30個省會城市的氣象因素與COVID－19累積病例數之間的關系。Ujiie等［12］采用基于Poisson分布的GLM，將中國入境的游客數量作為額外變量，來分析日本各地累積患病數與氣溫的關系。其優勢體現在擴大了線性模型在實際問題中的應用范圍，但也有一定的局限性:模型中只包括固定效應。1．3混合模型。近年來，計算機技術快速發展，混合模型(MixedModel)在數據分析領域逐漸得到了更為廣泛的應用。當模型中的固定效應不能完全解釋區域差異時，需引入隨機效應，以增加建模的準確性［13］。即混合模型的優勢為:既包括固定效應又包括隨機效應，可以靈活有效地將不同來源的信息進行組合、分析。按照模型中響應變量的類型，混合模型可分為線性混合模型和廣義線性混合模型。(1)線性混合模型:線性混合模型(LinearMixedModel，LMM)是在一般線性模型中加入了隨機效應，其優勢為同時包含固定效應和隨機效應，且固定效應及隨機效應均與響應變量呈線性關系。許多相關研究使用LMM將氣象因素與可能影響COVID－19傳播的其他因素，如人口密度、政府衛生支出、醫院床位數量等一同納入研究，并加入隨機效應項，如國家/地區層面影響等［14－15］。相較而言，LMM的擬合程度要優于線性回歸模型，在處理帶有隨機效應問題時具有優勢。(2)廣義線性混合模型:廣義線性混合模型(GeneralizedLinearMixedModel，GLMM)是GLM和LMM的擴展［16－17］，其優勢體現在既使因變量不再要求滿足正態分布，也可同時包含固定效應和隨機效應。Mao等人［18］分別計算月平均氣溫、最低氣溫和最高氣溫的日平均值與累積病例數之間的關系，建立GLMM，該研究首次發現溫度對COVID－19傳播有顯著影響，二者之間可能存在非線性的關系。1．4廣義加性。模型廣義加性模型(GeneralizedAdditiveModel，GAM)是對GLM的拓展，可擬合因變量與自變量間的非線性關系［19－20］。其優勢在于降低了線性設定帶來的模型風險，可以靈活研究變量間的復雜關系［21］。近期，GAM被廣泛用于相關研究中，使用GAM對COVID－19感染病例數、死亡病例數與地理變量(氣候因子、地形、人口密度等)進行研究，在分析氣象因素的同時還可考慮與非氣象因素間的關系，增加了研究結果的可靠性［22－25］。相對于簡單線性GAM而言，對數線性GAM將參數進行對數轉換，可顯著提高了模型的性能，使預測精度顯著提高［26］。1．5分布滯后非線性模型。分布滯后非線性模型(DistributedLagNon－linearModel，DLNM)是以GLM和GAM為基礎，利用交叉基函數給暴露－效應關系增加滯后效應后建立的暴露－滯后－效應關系函數［27］。其優勢在于可以同時評估暴露因素的非線性效應和滯后效應。Shi等人［28］使用DLNM來探究每日平均溫度與COVID－19每日確診病例之間的暴露－滯后－效應關系，將交叉基函數用于溫度，結果表明溫度與COVID－19日發病率之間存在明顯的時滯關系。

2國內外相關研究差異性分析

目前，在COVID－19的病例數據與同期氣象因素的分析研究中，應用最為廣泛的是數學建模的方法。用GLM來分析COVID－19病例數與氣象因素的關系，可以引入自首次報告病例以來的時間、遷徙規模指數等因素。相較于線性回歸模型而言，擴大了適用范圍，準確性更高。混合模型既包括固定效應又包括隨機效應，可以靈活有效地分析不同來源的信息。使用LMM和GLMM不僅可以將氣象因素與可能影響傳播的其他因素一同納入研究，而且可加入隨機效應項，在處理帶有隨機效應問題時具有優勢。GAM可靈活地探究數據間的線性和非線性關系，同時考慮氣象因素和非氣象因素，增加研究結果的可靠性。DLNM雖然考慮了氣象因素對COVID－19傳播影響的滯后效應，同時評估出暴露因素的非線性效應，但卻沒有考慮溫度以外的其他氣象因素和非氣象因素。選用模型的不同是造成國內外相關研究差異性的重要原因。有些數學模型的分析過程雖然相對復雜，但可納入研究的因素更多，模擬、預測的效果也較好。顯然，除了氣象因素會影響COVID－19流行、傳播外，人為干預等非氣象因素也不可忽視。

3討論

COVID－19疫情還在全球范圍內蔓延，對氣候因素與COVID－19流行的關系探索也仍在繼續。雖然國內外的研究人員已對此進行了大量研究，取得了一些具有參考意義的研究成果，但仍有許多問題需要進行深入研究。現有研究的局限性是多方面原因造成的，其中，模型選取的不同是一個重要原因。一方面，不同的模型具有不同的特點和優勢，分析方法和原理也不盡相同。另一方面，有的研究在模型中對人為因素加以控制，而有的研究卻未考慮。鑒于COVID－19是一種高度傳染性疾病，可通過多種傳播途徑進行傳播，因此，政府控制措施、人員流動等人為干擾因素，會對該病的流行、傳播產生較大的影響。要保證研究結果的可靠性、減少研究的局限性，就需在研究過程中選擇合適的模型，將重要的氣象因素及非氣象因素加入模型進行研究，從而增加結果的可靠性、科學性。

作者:葉萃玉 王昊寧 呂佳寧 黃利亞 曾祥偉 王曉龍 單位:1.東北林業大學野生動物與自然保護地學院 2.黑龍江省野生動物疫源疫病與生物安全管控重點實驗室 3.哈爾濱學院地理與旅游學院 4.長白山科學研究院