流感发病对短期天气变化强度的响应及风险预警研究

doi:10.11755/j.issn.1006-7639(2023)-06-0952

干旱气象 ›› 2023, Vol. 41 ›› Issue (6): 952-960.DOI: 10.11755/j.issn.1006-7639(2023)-06-0952

流感发病对短期天气变化强度的响应及风险预警研究

赵小芳¹^,²^,³(), 方思达¹^,²^,³(), 雷小妹⁴, 刘敏¹^,²^,³, 余晓⁵, 徐慧⁴

1.武汉区域气候中心，湖北武汉 430074
2.三峡国家气候观象台，湖北宜昌 443002
3.中国气象局流域强降水重点开放实验室，湖北武汉 430205
4.华中科技大学同济医学院附属同济医院，湖北武汉 430030
5.湖北省疾病预防控制中心，湖北武汉 430070

收稿日期:2022-11-23 修回日期:2023-06-16 出版日期:2023-12-31 发布日期:2024-01-10
通讯作者: 方思达（1987—），男，内蒙古赤峰人，高级工程师，主要从事气候与人体健康研究。E-mail:421208920@qq.com。
作者简介:赵小芳（1995—），女，湖北孝感人，工程师，主要从事气象灾害风险评估研究。E-mail:zhaoxf1995@163.com。
基金资助:
2022年湖北省自然科学基金创新发展联合基金项目(2022CFD127);2021年中国气象局创新发展专项(CXFZ2021J57);2021年湖北省低碳试点专项资金共同资助

The response of influenza-like illnesses to short-term weather variability intensity and risk early warning

ZHAO Xiaofang¹^,²^,³(), FANG Sida¹^,²^,³(), LEI Xiaomei⁴, LIU Min¹^,²^,³, YU Xiao⁵, XU Hui⁴

1. Wuhan Regional Climate Center， Wuhan 430074， China
2. Three Gorges National Climatological Observatory， Yichang 443002， Hubei， China
3. Key Open Laboratory of Basin Heavy Rainfall， CMA， Wuhan 430205， China
4. Tongji Hospital， Tongji Medical College， Huazhong University of Science and Technology， Wuhan 430030， China
5. Hubei Provincial Center for Disease Control and Prevention， Wuhan 430070， China

Received:2022-11-23 Revised:2023-06-16 Online:2023-12-31 Published:2024-01-10

摘要/Abstract

摘要：

研究短期天气变化强度对湖北省流感发病的定量影响，对开展发病风险预警和制定防御对策具有重要意义。本文利用2009—2020年湖北省流感发病数据和气象站观测数据，通过建立一项衡量短期内相邻两周最低气温累积变化的短期天气变化强度（Short-term Weather Variability Intensity， SWVI）指数，基于分布滞后非线性模型（Distributed Lag Nonlinear Model，DLNM）定量评估SWVI指数与流感发病风险的关系，探讨流感发病风险预警等级划分方法。结果表明：湖北省流感样病例（Influenza-Like Illnesses，ILI）发病人数年内变化呈双峰型，峰值位于秋冬季，次高峰位于前夏；SWVI指数也呈双峰型，但峰值出现时间较ILI发病人数早。11月至次年3月，SWVI指数对ILI发病率的变化有较强的指示意义，该时段内当SWVI指数达到8.0 ℃时，同期至未来1周ILI发病的累积相对风险（Relative Risk， RR）达1.16（95%置信区间为：1.087~1.250）；此外，SWVI还对滞后4—9周的ILI发病风险产生间接影响，相比即刻效应影响程度小，但持续时间长。利用百分位法及SWVI指数与ILI发病风险的关系模型，建立一套基于SWVI指数的流感发病风险预警方法，当SWVI大于等于8.0 ℃时，其对流感发病影响达高风险。

关键词: 流感, 发病风险, 短期天气变化强度

Abstract:

Exploring the quantitative impact of short-term weather variability intensity (SWVI) on influenza incidence in Hubei Province is of significant importance for conducting early risk warning and formulating prevention policies. Based on the influenza incidence data and meteorological station observation, an index of SWVI has been built, which can measure the cumulative changes over a short-term in minimum temperature between two consecutive weeks. Based on the Distributed Lag Nonlinear Model (DLNM), the relation between SWVI index and influenza incidence risk was evaluated and a set of method for level classification of influenza incidence risk was developed. The results show that the intra-annual variation of number of Influenza-Like Illnesses (ILI) exhibited bimodal structure, with the first peak occurring in autumn and winter, and the second peak appearing in early summer months. The SWVI index also exhibited a bimodal distribution, but the peak occurring earlier than the peak of ILI. From November to March of the following year, SWVI index had a strong indicative significance for the change of ILI morbidity. In this period, when SWVI reaches 8.0 ℃, the cumulative relative risk (RR) of ILI incidence at the same period and the next week was 1.16 (95% confidence interval: 1.087-1.250). In addition, SWVI index also had an indirect effect on the risk of ILI with a lag of 4-9 weeks, which was less affected than the immediate effect, but lasted longer. Using the percentile method and the relationship model between the SWVI index and the ILI incidence risk, a set of influenza risk early warning method was established. When the SWVI index was greater than or equal to 8.0 ℃, the influenza incidence reached high risk level.

Key words: influenza, incidence risk, short-term weather variability intensity

中图分类号:

P467

赵小芳, 方思达, 雷小妹, 刘敏, 余晓, 徐慧. 流感发病对短期天气变化强度的响应及风险预警研究[J]. 干旱气象, 2023, 41(6): 952-960.

ZHAO Xiaofang, FANG Sida, LEI Xiaomei, LIU Min, YU Xiao, XU Hui. The response of influenza-like illnesses to short-term weather variability intensity and risk early warning[J]. Journal of Arid Meteorology, 2023, 41(6): 952-960.

图/表 10

表1 湖北省流感监测哨点医院汇总表

Tab.1 Summary of influenza surveillance sentinel hospitals in Hubei Province

序号	哨点医院名称	代表地区
1	鄂州市中心医院	鄂州
2	恩施州中心医院	恩施
3	黄冈市中心医院	黄冈
4	黄石市第二医院	黄石
5	黄石市中心医院（中心院区）	黄石
6	荆门市第一人民医院	荆门
7	荆州市第二人民医院	荆州
8	十堰市人民医院	十堰
9	十堰市太和医院	十堰
10	松滋市人民医院	荆州
11	随州市中心医院	随州
12	武汉儿童医院	武汉
13	武汉市一医院	武汉
14	咸宁市中心医院	咸宁
15	襄阳市第一人民医院	襄阳
16	襄阳市中心医院	襄阳
17	孝感市中心医院	孝感
18	宜昌市第二人民医院	宜昌
19	宜昌市中心人民医院	宜昌

图1 2010—2019年湖北省ILI发病人数和ILI发病率的年际（a）和年内（b）变化

Fig.1 The inter-annual (a) and intra-annual (b) variation of number and morbidity of ILI from 2010 to 2019 in Hubei Province

图2 2009—2019年武汉市ILI发病人数（a）和短期天气变化强度指数（b）年内变化

Fig.2 The intra-annual variation of number of ILI cases (a) and index of short-term weather variability intensity (b) in Wuhan during 2009-2019

图3 2009—2020年武汉市ILI发病率与SWVI指数的滞后相关性（a，0表示当年，1表示次年；*通过α=0.05的显著性检验）与11—12月平均SWVI指数与11月至次年3月ILI发病率最大值的散点图（b）

Fig.3 The lag correlation between ILI morbidity and SWVI index (a, 0 represents the current year, 1 represents the next year; the asterisks pass the significant test at α=0.05), and the scatter plot between average SWVI index from November to December and maximum ILI morbidity during November to March of the following year (b) in Wuhan during 2009-2020

图4 2016年第43周至2017年第16周武汉市流感爆发期间SWVI和ILI发病率逐周变化

Fig.4 The weekly variation of SWVI and ILI morbidity during influenza outbreak from the 43rd week in 2016 to the 16th week in 2017 in Wuhan

图5 2009—2020年武汉市滞后0周（a）和2周（b）的SWVI指数与ILI发病率暴露-反应关系（a、b），SWVI分别为第5个百分位数（c，0.0 ℃）、95个百分位数（d，8.0 ℃）时对ILI发病率的滞后效应（c、d）（黑色实线为相对风险RR值，斜线区域为95%置信区间）

Fig.5 The exposure response relationship between SWVI index and ILI morbidity with a lag of 0 (a) and 2 (b) weeks (a, b), and the lag effect of SWVI index on ILI morbidity (c, d) at the 5th quantile (c, 0.0 ℃) and the 95th quantile (d, 8.0℃) in Wuhan during 2009-2020 (The black solid line is the relative risk, the oblique line areas represent the 95% confidence interval)

表2 2009—2020年武汉市不同百分位数SWVI指数对ILI发病率影响的相对风险和95%置信区间

Tab.2 The relative risks and 95% confidence interval of ILI morbidity caused by SWVI index with different quantiles in Wuhan during 2009-2020

滞后时间	第5个百分位数（0.0 ℃）	第95个百分位数（8.0 ℃）
滞后0周	1.058（0.918~1.219）	1.117（1.051~1.187）*
滞后1周	1.033（0.971~1.099）	1.043（1.020~1.067）*
滞后2周	1.020（0.947~1.099）	1.016（0.986~1.046）
滞后3周	1.013（0.951~1.078）	1.016（0.988~1.039）
滞后4周	1.007（0.960~1.057）	1.023（1.003~1.043）*
滞后5周	1.001（0.948~1.056）	1.035（1.013~1.058）*
滞后6周	0.993（0.936~1.054）	1.043（1.018~1.068）*
滞后7周	0.983（0.933~1.037）	1.044（1.021~1.066）*
滞后8周	0.974（0.929~1.022）	1.037（1.018~1.056）*
滞后9周	0.968（0.909~1.031）	1.028（1.004~1.053）*

图6 2021年第38周至2022年第9周武汉市SWVI指数和ILI发病人数逐周变化

Fig.6 The weekly variation of SWVI index and number of ILI in Wuhan from the 38th week in 2021 to the 9th week in 2022

图7 2009—2020年湖北省典型地区不同等级SWVI指数发生频次分布

Fig.7 The distribution of occurrence frequency of SWVI index with different grades in typical cities in Hubei from 2009 to 2020

表3 基于SWVI指数的ILI发病风险预警等级划分

Tab.3 The level classification of ILI incidence risk based on SWVI index

SWVI指数阈值/℃	划分依据	预警等级
SWVI=0.0	无天气波动	低
0.0<SWVI≤5.6	模型阈值，SWVI指数对流感发病风险无显著影响	较低
5.6<SWVI<8.0	SWVI指数的第95个百分位数，流感发病风险增加	较高
SWVI≥8.0	流感发病风险大幅增加	高

参考文献 39

[1]	陈思齐, 俞敏, 周脉耕, 等, 2021. 基于体感温度-寿命损失年暴露反应关系确定体感温度的健康风险预警阈值研究[J]. 中华流行病学杂志, 42(8): 1 445-1 452.
[2]	邓源, 任翔, 郭玉清, 等, 2023. 2008—2020年我国北方15个城市流感与气象因素的关联性研究[J]. 中华流行病学杂志, 44(5): 765-771.
[3]	方道奎, 周国宏, 冯锦姝, 等, 2019. 深圳市高温热浪健康风险指数的建立和应用评估[J]. 环境卫生学杂志, 9(1): 14-18.
[4]	付之鸥, 鲍昌俊, 李中杰, 等, 2020. 基于“大数据”的流感预警研究进展[J]. 中华流行病学杂志, 41(6): 975-980.
[5]	范进进, 秦鹏程, 史瑞琴, 等, 2022. 气候变化背景下湖北省高温干旱复合灾害变化特征[J]. 干旱气象, 40(5): 780-790. DOI
[6]	黄照, 刘涛, 许燕君, 等, 2018. 基于死亡数据用DLNM构建气象健康指数[J]. 环境卫生学杂志, 8(5): 368-373.
[7]	黄开龙, 林锦春, 马盼, 等, 2021. 气象条件对深圳市罗湖区上呼吸道感染就诊人数的影响[J]. 干旱气象, 39(6): 995-1 005.
[8]	李瑞盈, 张一博, 杨佳, 等, 2019. 秦皇岛气象因素对儿童下呼吸道疾病就诊人数影响及预测研究[J]. 干旱气象, 37(3): 460-466.
[9]	卢晶晶, 吕劲文, 钱峥, 2016. 宁波市高温中暑气象等级评定方法研究[J]. 气象与环境学报, 32(4): 91-97.
[10]	李国栋, 张俊华, 焦耿军, 等, 2013. 气候变化对传染病爆发流行的影响研究进展[J]. 生态学报, 33(21): 6 762-6 773.
[11]	蒙丽君, 胡国清, 姚梦, 等, 2022. 环境气象因素对新型冠状病毒肺炎传播影响的研究进展[J]. 环境与职业医学, 39(3): 348-352.
[12]	马盼, 王馨梓, 张莉, 等, 2022. 深圳流感发病的气象诱因及预测建模研究[J]. 气象学报, 80(3): 421-432.
[13]	马蕾, 赵蔚, 杨柳, 等, 2023. 宁夏“星空旅游”气候资源适宜度评估[J]. 干旱气象, 41(2): 309-317. DOI
[14]	秦康, 张业武, 张鹏, 等, 2019. 中国大陆三种流感监测数据的时效性比较[J]. 中华疾病控制杂志, 23(4): 387-391.
[15]	殷宁潞, 李俊林, 洪也, 等, 2023. 辽宁省两县域城市气温对呼吸系统疾病住院人数的影响[J]. 干旱气象, 41(1): 132-142. DOI
[16]	徐静, 刘华悦, 靳甜甜, 等, 2021. 气温对秦皇岛市儿童呼吸系统疾病的影响[J]. 干旱气象, 39(2): 326-332.
[17]	曾舸, 黄超洋, 王小磊, 等, 2022. 2017—2020年湖南省哨点监测流感样病例流行特征[J]. 实用预防医学, 29(11): 1 342-1 345.
[18]	周艳丽, 张海艳, 王珺, 等, 2021. 北京市东城区流感样病例与气象因素的相关性分析[J]. 中国公共卫生管理, 37(5): 650-653.
[19]	祝寒松, 王明斋, 谢忠杭, 等, 2019. 厦门市流行性感冒发病与气象因素影响[J]. 中国公共卫生, 35(10): 1 404-1 409.
[20]	AKAIKE H, 1974. A new look at the statistical model identification[J]. IEEE Transactions on Automatic Control, 19(6): 716-723.
[21]	AXELSEN J B, YAARI R, GRENFELL B T, et al, 2014. Multiannual forecasting of seasonal influenza dynamics reveals climatic and evolutionary drivers[J]. Proceedings of the National Academy of Sciences of the United States of America, 111(26): 9 538-9 542.
[22]	BRESEE J, HAYDEN F G, 2013. Epidemic influenza-responding to the expected but unpredictable[J]. The New England Journal of Medicine, 368(7): 589-592.
[23]	CAINI S, SPREEUWENBERG P, DONKER G, et al, 2018. Climatic factors and long-term trends of influenza-like illness rates in The Netherlands, 1970-2016[J]. Environmental Research, 167: 307-313. DOI PMID
[24]	CANNELL J J, ZASLOFF M, GARLAND C F, et al, 2008. On the epidemiology of influenza[J]. Journal of Virology, 5(1): 29-29.
[25]	CARDER M, MCNAMEE R, BEVERLAND I, et al, 2005. The lagged effect of cold temperature and wind chill on cardiorespiratory mortality in Scotland[J]. Occupational and Environmental Medicine, 62(10): 702-710. PMID
[26]	DU M, ZHU H, YIN X, et al, 2022. Exploration of influenza incidence prediction model based on meteorological factors in Lanzhou, China, 2014-2017[J]. PLoS One, 17(12), e0277045. DOI:10.1371/journal.pone.0277045.
[27]	FIELLER E C, HARTLEY H O, PEARSON E S, 1957. Tests for rank correlation coefficients. i[J]. Biometrika, 44(3/4): 470-481.
[28]	GUO Y, BARNETT A G, YU W, et al, 2011. A large change in temperature between neighbouring days increases the risk of mortality[J]. PLoS One, 6(2), e16511. DOI:10.1371/journal.pone.0016511.
[29]	GASPARRINI A, 2011. Distributed lag linear and non-linear models in R: the package dlnm[J]. Journal of Statistical Software, 43(8): 1-20. PMID
[30]	GUO Q Z, DONG Z Q, ZENG W L, et al, 2019. The effects of meteorological factors on influenza among children in Guangzhou, China[J]. Influenza and Other Respiratory Viruses, 13(2): 166-175. DOI PMID
[31]	KANG Y T, TANG H S, JIANG L L, et al, 2020. Air temperature variability and high-sensitivity C reactive protein in a general population of China[J]. Science of the Total Environment, 749, 141588. DOI:10.1016/j.scitotenv.2020.141588.
[32]	LIU Z D, ZHANG J, ZHANG Y, et al, 2019. Effects and interaction of meteorological factors on influenza: based on the surveillance data in Shaoyang, China[J]. Environmental Research, 172: 326-332. DOI PMID
[33]	LOWEN A C, MUBAREKA S, STEEL J, et al, 2007. Influenza virus transmission is dependent on relative humidity and temperature[J]. PLoS Pathogens, 3(10): 1 470-1 476.
[34]	LIU Q, TAN Z M, SUN J, et al, 2020. Changing rapid weather variability increases influenza epidemic risk in a warming climate[J]. Environmental Research Letters, 15(4), 044004. DOI:10.1088/1748-9326/ab70bc.
[35]	SPIGA R, BATTON H M, Sarazin M, 2016. Predicting fluctuating rates of hospitalizations in relation to influenza epidemics and meteorological factors[J]. PLoS One, 11(6), e0157492. DOI:10.1371/journal.pone.0157492.
[36]	SCHNEIDER A, SCHUH A, MAETZEL F K, et al, 2008. Weather-induced ischemia and arrhythmia in patients undergoing cardiac rehabilitation: another difference between men and women[J]. International Journal of Biometeorology, 52(6): 535-547. DOI PMID
[37]	VICEDO-CABRERA A M, FORSBERG B, TOBIAS A, et al, 2016. Associations of inter-and intraday temperature change with mortality[J]. American Journal of Epidemiology, 183(4): 286-293.
[38]	ZHU H, CHEN S, LU W, et al, 2022. Study on the influence of meteorological factors on influenza in different regions and predictions based on an LSTM algorithm[J]. BMC Public Health, 22(1), 2335. DOI:10.1186/s12889-022-14299-y. PMID
[39]	ZHANG K, ROOD R B, MICHAILIDIS G, et al, 2012. Comparing exposure metrics for classifying ‘dangerous heat’ in heat wave and health warning systems[J]. Environment International, 46: 23-29.

流感发病对短期天气变化强度的响应及风险预警研究

The response of influenza-like illnesses to short-term weather variability intensity and risk early warning

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 10

参考文献 39

相关文章 15

编辑推荐

Metrics

[1]	郝立生, 何丽烨, 马宁, 郝钰茜. 厄尔尼诺事件年际变化与我国华北夏季干旱的关系[J]. 干旱气象, 2023, 41(6): 829-840.
[2]	马思源, 金燕, 张思, 王楚钦, 马志敏. 厄尔尼诺/南方涛动事件对云南秋季气象干旱的不同影响分析[J]. 干旱气象, 2023, 41(6): 860-872.
[3]	李淑萍, 全文杰, 王正, 陈奕卓, 苏涛, 颜鹏程. BCC-CSM2-MR全球气候模式对东亚地区降水和气温的模拟评估[J]. 干旱气象, 2023, 41(6): 984-996.
[4]	郭英香, 冯晓莉, 刘畅, 申红艳, 陈海存, 李漠雨. 1961—2021年青藏高原前后冬强降雪特征分析[J]. 干旱气象, 2023, 41(5): 723-733.
[5]	张强, 杨金虎, 马鹏里, 岳平, 于海鹏, 杨泽粟, 王朋岭, 段欣妤, 刘晓云, 朱飙, 张红丽, 卢国阳, 王有恒, 刘卫平, 林婧婧, 刘丽伟, 闫昕旸. 西北地区气候暖湿化增强东扩特征及其形成机制与重要环境影响[J]. 干旱气象, 2023, 41(3): 351-358.
[6]	郭静妍, 肖栋. 孟加拉地区夏季水汽变化及其与太平洋年代际振荡的联系[J]. 干旱气象, 2023, 41(3): 380-389.
[7]	康恒元, 刘玉莲, 周贺玲, 袁芳. 黑龙江省夏季降水非均匀性特征及其影响因素[J]. 干旱气象, 2023, 41(2): 268-278.
[8]	张雯, 马阳, 王素艳, 王岱, 李欣. 西北地区东部春夏季旱涝转换环流特征及其与大西洋海温的关系[J]. 干旱气象, 2023, 41(1): 14-24.
[9]	马阳, 崔洋, 张雯, 李欣. 基于CMIP6模式的黄河流域宁夏段未来气温变化预估研究[J]. 干旱气象, 2023, 41(1): 43-53.
[10]	刘蕾, 李鸾, 张丽, 孙大兵, 张晓忆. 1880—2020年安徽芜湖气温长序列构建及年代际特征[J]. 干旱气象, 2022, 40(5): 831-839.
[11]	娄德君, 李永生, 王永光, 陈晨, 张健. 2020年7月黑龙江极端少雨成因初探[J]. 干旱气象, 2022, 40(3): 396-405.
[12]	陈笑晨, 唐振飞, 陈锡宽, 郑潮宇, 李欣欣, 杨婷. 基于CMIP6的福建省极端气温预估[J]. 干旱气象, 2022, 40(3): 415-423.
[13]	徐玮平, 孟祥新, 顾伟宗, 伯忠凯. 山东春季极端低温与前冬北大西洋海温的关系[J]. 干旱气象, 2022, 40(2): 202-211.
[14]	陈颖, 张冬峰, 王林, 刘月丽, 王大勇. RegCM4对华北区域21世纪气候变化预估研究[J]. 干旱气象, 2022, 40(1): 1-10.
[15]	王敏, 尹义星, 陈晓旸, 郭阳, 徐梅, 罗传军. 基于SPEI的近百年天津地区气象干旱时空演变特征[J]. 干旱气象, 2022, 40(1): 11-21.