導(dǎo)語：肺炎對(duì)氣候因素響應(yīng)研究一文來源于網(wǎng)友上傳，不代表本站觀點(diǎn)，若需要原創(chuàng)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(yán)重威脅著人類及動(dòng)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(qiáng)對(duì)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(nèi)外有關(guān)肺炎對(duì)氣候因素響應(yīng)研究中應(yīng)用的模型作了比較，并對(duì)造成國內(nèi)外相關(guān)研究差異性的原因進(jìn)行分析，以期為未來進(jìn)行更完善的研究提供參考。

關(guān)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(fā)人畜共患傳染病，已在全球范圍內(nèi)引起了廣泛的傳播。該病不僅嚴(yán)重威脅人類的生命健康，也可感染多種動(dòng)物(狗、貓、老虎、獅子、水貂)。根據(jù)世界衛(wèi)生組織(WHO)7月22日公布的最新疫情報(bào)告顯示，全球COVID－19確診病例達(dá)14765256例，死亡病例達(dá)612054例［1］。目前，國內(nèi)外專家、學(xué)者都在各自領(lǐng)域內(nèi)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(fā)生和傳播密切相關(guān)［2－3］。例如，氣溫與嚴(yán)重急性呼吸綜合征(SARS)的傳播有關(guān)［4］;在寒冷、干燥的空氣中，流感傳播會(huì)增強(qiáng)［5］。因此，在沒有特效藥物和商品化疫苗［6］的情況下，加強(qiáng)對(duì)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(duì)氣候因素響應(yīng)研究中的模型應(yīng)用

1．1線性回歸模型。線性回歸模型(LinearRegres-sionModel，LRM)是統(tǒng)計(jì)學(xué)中最基礎(chǔ)、應(yīng)用最為廣泛的數(shù)學(xué)模型［7］，按照研究變量的數(shù)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(gè)自變量與因變量之間的線性關(guān)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(yōu)勢(shì)是:適用范圍更廣泛和預(yù)測(cè)結(jié)果更可靠。但LRM也有一定的局限性:數(shù)據(jù)適用范圍窄、不能有效描述非線性關(guān)系。Yao等［8］采用多元回歸方法來探討氣溫、相對(duì)濕度、紫外線輻射與COVID－19同期發(fā)病率和R0(在完全易感人群中由初始感染個(gè)體產(chǎn)生的繼發(fā)病例的預(yù)期數(shù)量)的關(guān)系。Auler等［9］以巴西確診病例最多的5個(gè)城市為研究對(duì)象，對(duì)每個(gè)城市的絕對(duì)濕度與傳播率進(jìn)行了線性回歸分析，以確定每個(gè)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(shù)，擴(kuò)展了一般線性模型中因變量的適用范圍，進(jìn)一步克服了線性回歸模型的缺點(diǎn)［10］。Liu等［11］在控制人口遷移的同時(shí)，利用GLM探討了中國除武漢外另30個(gè)省會(huì)城市的氣象因素與COVID－19累積病例數(shù)之間的關(guān)系。Ujiie等［12］采用基于Poisson分布的GLM，將中國入境的游客數(shù)量作為額外變量，來分析日本各地累積患病數(shù)與氣溫的關(guān)系。其優(yōu)勢(shì)體現(xiàn)在擴(kuò)大了線性模型在實(shí)際問題中的應(yīng)用范圍，但也有一定的局限性:模型中只包括固定效應(yīng)。1．3混合模型。近年來，計(jì)算機(jī)技術(shù)快速發(fā)展，混合模型(MixedModel)在數(shù)據(jù)分析領(lǐng)域逐漸得到了更為廣泛的應(yīng)用。當(dāng)模型中的固定效應(yīng)不能完全解釋區(qū)域差異時(shí)，需引入隨機(jī)效應(yīng)，以增加建模的準(zhǔn)確性［13］。即混合模型的優(yōu)勢(shì)為:既包括固定效應(yīng)又包括隨機(jī)效應(yīng)，可以靈活有效地將不同來源的信息進(jìn)行組合、分析。按照模型中響應(yīng)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(jī)效應(yīng)，其優(yōu)勢(shì)為同時(shí)包含固定效應(yīng)和隨機(jī)效應(yīng)，且固定效應(yīng)及隨機(jī)效應(yīng)均與響應(yīng)變量呈線性關(guān)系。許多相關(guān)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(wèi)生支出、醫(yī)院床位數(shù)量等一同納入研究，并加入隨機(jī)效應(yīng)項(xiàng)，如國家/地區(qū)層面影響等［14－15］。相較而言，LMM的擬合程度要優(yōu)于線性回歸模型，在處理帶有隨機(jī)效應(yīng)問題時(shí)具有優(yōu)勢(shì)。(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(kuò)展［16－17］，其優(yōu)勢(shì)體現(xiàn)在既使因變量不再要求滿足正態(tài)分布，也可同時(shí)包含固定效應(yīng)和隨機(jī)效應(yīng)。Mao等人［18］分別計(jì)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(shù)之間的關(guān)系，建立GLMM，該研究首次發(fā)現(xiàn)溫度對(duì)COVID－19傳播有顯著影響，二者之間可能存在非線性的關(guān)系。1．4廣義加性。模型廣義加性模型(GeneralizedAdditiveModel，GAM)是對(duì)GLM的拓展，可擬合因變量與自變量間的非線性關(guān)系［19－20］。其優(yōu)勢(shì)在于降低了線性設(shè)定帶來的模型風(fēng)險(xiǎn)，可以靈活研究變量間的復(fù)雜關(guān)系［21］。近期，GAM被廣泛用于相關(guān)研究中，使用GAM對(duì)COVID－19感染病例數(shù)、死亡病例數(shù)與地理變量(氣候因子、地形、人口密度等)進(jìn)行研究，在分析氣象因素的同時(shí)還可考慮與非氣象因素間的關(guān)系，增加了研究結(jié)果的可靠性［22－25］。相對(duì)于簡(jiǎn)單線性GAM而言，對(duì)數(shù)線性GAM將參數(shù)進(jìn)行對(duì)數(shù)轉(zhuǎn)換，可顯著提高了模型的性能，使預(yù)測(cè)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(chǔ)，利用交叉基函數(shù)給暴露－效應(yīng)關(guān)系增加滯后效應(yīng)后建立的暴露－滯后－效應(yīng)關(guān)系函數(shù)［27］。其優(yōu)勢(shì)在于可以同時(shí)評(píng)估暴露因素的非線性效應(yīng)和滯后效應(yīng)。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(yīng)關(guān)系，將交叉基函數(shù)用于溫度，結(jié)果表明溫度與COVID－19日發(fā)病率之間存在明顯的時(shí)滯關(guān)系。

2國內(nèi)外相關(guān)研究差異性分析

目前，在COVID－19的病例數(shù)據(jù)與同期氣象因素的分析研究中，應(yīng)用最為廣泛的是數(shù)學(xué)建模的方法。用GLM來分析COVID－19病例數(shù)與氣象因素的關(guān)系，可以引入自首次報(bào)告病例以來的時(shí)間、遷徙規(guī)模指數(shù)等因素。相較于線性回歸模型而言，擴(kuò)大了適用范圍，準(zhǔn)確性更高?；旌夏Ｐ图劝ü潭ㄐ?yīng)又包括隨機(jī)效應(yīng)，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(jī)效應(yīng)項(xiàng)，在處理帶有隨機(jī)效應(yīng)問題時(shí)具有優(yōu)勢(shì)。GAM可靈活地探究數(shù)據(jù)間的線性和非線性關(guān)系，同時(shí)考慮氣象因素和非氣象因素，增加研究結(jié)果的可靠性。DLNM雖然考慮了氣象因素對(duì)COVID－19傳播影響的滯后效應(yīng)，同時(shí)評(píng)估出暴露因素的非線性效應(yīng)，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(nèi)外相關(guān)研究差異性的重要原因。有些數(shù)學(xué)模型的分析過程雖然相對(duì)復(fù)雜，但可納入研究的因素更多，模擬、預(yù)測(cè)的效果也較好。顯然，除了氣象因素會(huì)影響COVID－19流行、傳播外，人為干預(yù)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(nèi)蔓延，對(duì)氣候因素與COVID－19流行的關(guān)系探索也仍在繼續(xù)。雖然國內(nèi)外的研究人員已對(duì)此進(jìn)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(jìn)行深入研究。現(xiàn)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(gè)重要原因。一方面，不同的模型具有不同的特點(diǎn)和優(yōu)勢(shì)，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(duì)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(jìn)行傳播，因此，政府控制措施、人員流動(dòng)等人為干擾因素，會(huì)對(duì)該病的流行、傳播產(chǎn)生較大的影響。要保證研究結(jié)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(jìn)行研究，從而增加結(jié)果的可靠性、科學(xué)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(yè)大學(xué)野生動(dòng)物與自然保護(hù)地學(xué)院 2.黑龍江省野生動(dòng)物疫源疫病與生物安全管控重點(diǎn)實(shí)驗(yàn)室 3.哈爾濱學(xué)院地理與旅游學(xué)院 4.長(zhǎng)白山科學(xué)研究院