数据收集与聚合
获取并整理恙虫病监测数据与环境协变量，为后续分析奠定数据基础。
从韩国疾病控制与预防机构（KDCA）收集2015-2024年229个行政单位的月度恙虫病病例数据，从韩国统计信息服务处获取月度人口数据。利用Google Earth Engine（GEE）平台提取温度、降水、相对湿度、海拔、NDVI和土地覆盖比例等环境变量，并统一重采样至5.5公里分辨率。
关于丁香通
公司信息
个人用户
企业机构
无忧采购 轻松科研
- 移动端
韩国恙虫病发病率的时空预测与环境危险因素：贝叶斯层次方法
Spatiotemporal prediction of scrub typhus incidence and environmental risk factors in Republic of Korea: a Bayesian hierarchical approach
实验完整度
高包含国家监测数据的时空趋势分析、热点分析、负二项回归以及贝叶斯时空模型等多个相互独立的分析层级，并进行了模型性能评估和预测不确定性分析。
主要模型
韩国229个行政单位（Si、Gun、Gu） 国家监测数据（2015-2024年）
重点核对
数据来源：韩国疾病控制与预防机构（KDCA）的国家监测数据 时间范围：2015年1月至2024年12月，共120个月 空间尺度：229个行政单位 滞后效应：1个月和2个月滞后期 模型选择：贝叶斯时空负二项回归模型（INLA实现），包含BYM2空间效应和RW1时间效应
摘要
背景：恙虫病是一种媒介传播的传染病，是韩国的一个重大公共卫生问题。环境因素与疾病传播相关。然而，综合多个环境决定因素并考虑空间和时间相关性的综合预测模型仍然有限。本研究旨在描述韩国229个行政单位2015年至2024年恙虫病发病率的时空模式，并开发包含多个环境协变量的贝叶斯时空预测模型。方法：我们使用2015年1月至2024年12月期间从229个行政单位收集的国家监测数据，开发了一个综合分析框架。采用季节趋势分解、热点分析和负二项回归来描述时空模式，为贝叶斯时空建模框架提供信息。使用集成嵌套拉普拉斯近似的贝叶斯预测模型分析了环境协变量，包括温度、相对湿度、归一化植被指数（NDVI）、海拔和耕地比例，同时考虑了空间聚类和时间自相关。结果：时空分析揭示了明显的季节性动态，11月的发病率比2月高91倍[发病率比（IRR）：91.00，95%置信区间（CI）66.50-125.00]，南部省份存在显著的地理聚集。贝叶斯模型确定了疾病风险与温度[IRR：每1℃，1.02；95%可信区间（CrI）：1.01-1.04]、NDVI（IRR：每0.1单位，1.07；95% CrI：1.03-1.11）和海拔（IRR：每100米，1.32；95% CrI：1.15-1.51）之间存在显著正相关。相对湿度的影响因滞后期而异，1个月滞后时具有保护作用（IRR：0.96，95% CrI：0.93-0.999），但2个月滞后时风险增加（IRR：1.16，95% CrI：1.12-1.21）。结论：该综合框架成功捕获了疾病时空模式，并为循证公共卫生规划和有针对性的预防策略提供了定量风险评估能力。
实验结论
提炼研究问题、关键发现与证据，快速把握文章的核心贡献。
- 研究问题
- 韩国恙虫病发病的时空模式如何，以及温度、相对湿度、NDVI、海拔和耕地比例等环境因素如何影响其发病风险？
- 核心机制
- 环境因素通过影响恙螨媒介的生态和人类暴露风险来影响恙虫病传播。温度、NDVI和海拔与发病风险正相关，而相对湿度的影响取决于滞后期，反映了人类行为（1个月滞后时的保护作用）和媒介生态（2个月滞后时的风险增加）的复杂交互。
- 主要证据
- 基于229个行政单位10年（2015-2024年）的月度监测数据，通过季节趋势分解、热点分析和贝叶斯时空模型（INLA）分析，发现11月发病率较2月高91倍，南部省份聚集，且温度、NDVI和海拔在1个月和2个月滞后模型中均与发病风险呈正向相关。
- 研究意义
- 为韩国恙虫病的循证公共卫生规划和靶向预防策略提供了定量风险评估能力，并为改进监测和预防策略奠定了基础。
研究路径
按研究推进顺序梳理实验设计、验证步骤与关键观察。
季节趋势分解与热点分析
描述恙虫病发病的时间趋势、季节性和空间聚集模式。
对全国月度发病率进行STL分解，将时间序列分解为趋势、季节和残差分量。采用Getis-Ord Gi*统计量对10年平均发病率进行热点分析，使用queen contiguity空间权重和行标准化方案。
季节性风险评估（负二项回归）
量化各月份相对于二月的发病风险（IRR），以描述季节性动态。
使用混合效应负二项回归模型，以月度病例数作为结局，人口对数为偏移量，月份作为分类固定效应（二月为参照），并加入年随机截距。
环境协变量选择与非线性检验
筛选最终纳入模型的环境变量，并检验其与发病风险的非线性关系。
对所有候选协变量进行VIF分析，排除高度相关的变量（降水与温度，城市与耕地比例）。对保留的变量，使用GAM（泊松回归，平滑样条k=6）检验其与发病率的线性关系，若显著非线性（P<0.05）则纳入二次项。
贝叶斯时空模型构建与优化
建立包含环境协变量、空间和时间随机效应的贝叶斯时空负二项回归模型，并通过网格搜索优化超参数。
使用INLA实现贝叶斯时空负二项回归模型，包含BYM2空间随机效应和RW1时间随机效应及季节分量。对81种超参数组合进行网格搜索，包括空间混合参数（φ：0.3、0.5、0.7）、空间精度参数（0.20、0.35、0.50、1.5）、时间精度参数（0.15、0.20、0.30）和theta先验（默认、宽松、严格），基于WAIC和RMSE选择最优模型。
预测与不确定性评估
评估模型的预测性能，并量化预测不确定性。
使用最优模型预测各行政单位的年度平均发病率，绘制观测值与预测值空间分布图，并基于95%可信区间宽度绘制不确定性图。
研究方法
按研究目的归类文中使用的方法，便于定位所需技术。
产品清单
关键环节
汇总复现实验时建议重点确认的条件及原文阅读提示。
| 环节 | 核对要点 |
|---|---|
| 数据收集 | 监测数据来源（KDCA）和时间范围（2015-2024年）；人口数据来源（KOSIS）；环境数据来源（GEE）及重采样分辨率（5.5公里） 阅读提示：Methods - Data sources and acquisition |
| 季节性分析 | STL分解的应用对象（全国月度发病率） 阅读提示：Methods - Spatiotemporal and hotspot analysis |
| 热点分析 | 分析对象（10年平均发病率）；空间权重（queen contiguity，行标准化） 阅读提示：Methods - Spatiotemporal and hotspot analysis; Figure 3 |
| 负二项回归 | 模型设置（月份作为分类固定效应，二月为参照；随机截距为年份） 阅读提示：Methods - Spatiotemporal and hotspot analysis; Table 2 |
| 贝叶斯模型 | 模型结构（负二项回归，BYM2空间效应，RW1时间效应）；协变量标准化；滞后设置（1个月和2个月）；网格搜索的超参数组合 阅读提示：Methods - Environmental data processing and spatiotemporal regression modelling; Table 3 |