玉溪市2010—2019 年流感流行特征与发病趋势预测

倪兆林，左顺武，刘红雁，艾志琼，农璐铭，赵秋芳，吴 强*

（1.玉溪市疾病预防控制中心，云南玉溪 653100；2.大理大学，云南大理 671000）

流感是由流感病毒引起的常见急性呼吸系统传染病，其病毒抗原易发生转化或漂移，而且受人群免疫水平以及环境与社会等因素影响，每年流感季节类型或优势毒株类型不同〔1〕，有研究报道大约60%的流感样病例是由非流感病毒引起〔2〕，所以通过及时准确的监测能及早发现疫情，及时做出反应，避免可能的流行或大流行，降低流行的强度〔3〕。目前利用数学模型预测流感短期流行趋势的报道很多，但预测数据仅依赖于传统的哨点医院监测来源以及社交网络活动和搜索查询等数字监测〔4〕，而这些资料由于本身受各种因素影响，用于预测流行趋势难以做出准确科学的评估。基于此，本文通过分析玉溪市2010—2019 年流感核酸阳性病例的流行特征及活动规律，建立并使用自回归综合移动平均模型（autoregressive integrated moving average model，ARIMA 模型）来估计流感未来活动趋势，为公共卫生专业人员加强防控措施提供参考。

1 材料与方法

1.1 资料来源选取2010 年1 月—2019 年12 月“中国疾病预防控制信息系统”中的子系统“中国流感监测信息系统”玉溪市网络实验室的监测数据进行研究。

1.2 病例定义采用《全国流感监测方案（2017 年版）》流感样病例定义标准：发热（腋下体温≥38 ℃），伴咽痛或咳嗽症状之一。

1.3 样本采集及实验室检测流感样本采集由受过专业培训的哨点医院护士全年采集符合流感样病例定义且发病3 d 内的标本，监测诊室涵盖儿科、内科门、急诊和发热门诊，于4 ℃条件下，48 h 内送至玉溪市流感监测网络实验室，实验室收到标本后立即开展检测，如不能及时检测则将标本保存于-70 ℃冰箱。具体检测流程为：从标本提取核酸，用荧光RT-PCR 检测流感病毒及相关亚型，完成检测后，实验室检测结果于48 h 内录入“中国流感监测信息系统”。

1.4 研究方法

1.4.1 描述性研究 采用描述流行病学方法对玉溪市2010—2019 年流感核酸阳性病例流行现状及变化趋势进行描述。

1.4.2 平均增长速度（average increment speed，AIS）式中：xi为平均发展速度；an表示第n 年报告指标；a0表示基期指标；i 表示第1，2，3…n 年。

1.4.3 集中度值 集中度〔6〕是指月发病数与全年发病总数之比，是表示发病季节性强弱的指标。

式中：r 表示某月流感发病数与全年发病数之比；R 表示离散程度；M 表示集中度：M=1.0，表示季节性极强；0.9＜M＜1.0，表示有严格的季节性；0.7＜M≤0.9，表示有很强的季节性；0.5＜M≤0.7，表示有较强的季节性；0.3＜M≤0.5，表示有一定的季节性；0.0＜M≤0.3，表示季节性较差；M=0.0，表示无季节性，疾病在1 年内均匀分布。

1.4.4 ARIMA 模型 采用SPSS 25.0 软件中ARIMA 建模器对2010 年1 月—2019 年12 月收集的流感监测资料建立模型并分析〔7〕。通过流感发病时间流行曲线和各参数反复验证，最终采用乘积季节模型，即ARIMA（p，d，q）×（P，D，Q）s。式中：p、q为自回归和移动平均阶数；P、Q 为季节性自回归和移动平均阶数；d 为平稳化过程中差分的阶数；D 为季节差分阶数；S 为季节周期。通过数据平稳化处理、模型识别、参数估计与检验等步骤，探索建立模型。为验证该模型的预测能力，使用2010—2019 年的实际观测数据和预测数据进行模型拟合，评价模型预测效果。最后利用最优模型预测2020 年1—6月流感发病趋势。

1.5 统计分析通过Excel 2016 收集整理数据，运用SPSS 25.0 软件进行统计分析并建立ARIMA 模型，对各种率之间比较采用χ2检验，统计学检验水准α=0.05。

2 结果

2.1 流感流行病学特征2010 年1 月—2019 年12 月，玉溪市流感监测网络实验室共检测流感样病例咽拭子标本9 925 份，经荧光RT-PCR 核酸检测出2 849 份阳性标本，阳性率28.71%，AIS 为2.01%，不同年度间流感阳性率比较，差异有统计学意义（χ2=374.44，P＜0.05）。在2 849 例流感阳性病例中，A 型流感1 489 例（占52.26%），B 型流感1 360 例（占47.74%）。对A 型和B 型流感病毒进行亚型分析后发现，A/H1N1 pdm 占27.62%（787/2 849），A/H3N2 占24.64%（702/2 849），B/Yamagata 占18.22%（519/2 849），B/Victoria 占29.52%（841/2 849）。各年度优势流感病毒株逐年变化，2010 年和2018 年以A/H1N1 pdm 为主，分别占50.55%和62.87%；2011年和2012 年以B/Victoria 为主，分别占74.48%和60.00%；2013 年和2016 年以B/Yamagata 为主，分别占63.74%和47.55%；2015 年和2017 年以A/H3N2 为主，分别占45.14%和52.76%；2014 年以B/Yamagata 和A/H1N1 pdm 为主，分别占41.35%和37.50%；2019 年以B/Victoria 和A/H3N2 为主，分别占45.76%和33.95%。见表1。

在流感阳性病例中，男性占55.46%（1 580/2 849），女性占44.54%（1 269/2 849），男女比为1.25∶1；5～14 岁儿童占比最高，占40.86%（1 164/2 849），占比最低为≥65 岁老年人，占5.37%（153/2 849）。流感阳性病例集中度为0.60，各年度集中度范围在0.52～0.76，说明玉溪市流感阳性病例分布有较强的季节性。见表1。

表1 玉溪市2010—2019 年流感病例人口学及病原学特征

2.2 ARIMA 模型

2.2.1 绘制序列图及平稳性分析 绘制2010 年1月—2019 年12 月玉溪市流感时间序列图，见图1。由图1 可见玉溪市流感病例有明显的季节性，以12个月为流行周期，集中度值法也证实，该序列具有季节性波动特点，所以对原序列进行一阶季节差分，差分后的序列自相关函数（ACF）和偏自相关函数（PACF）无明显截尾和拖尾现象，也不呈线性衰减趋势，差分后的时间序列图接近平稳，对序列进行白噪声检验，P＜0.001，说明序列为非随机性序列，可以对平稳序列进行建模且差分后序列适合时间序列模型。

图1 玉溪市流感病例差分前后时序图

图2 ACF 和PACF 一阶季节差分后的时间滞后图

2.2.2 模型的参数估计和诊断 确定模型类型后，需要对各模型参数值进行定阶。根据序列季节性特征和平稳化处理过程可以推导出d=0，D=1；根据ACF 和PACF 图推导出p=1，q=0。季节模型P、Q 值则需要不断探索尝试，一般很少超过二阶〔8〕，最后比较各组合模型的拟合优度、残差以及系数间的相关性等进行检验确定。见表2。模型ARIMA（1，0，0）（0，1，1）12的标准化BIC 值最小，平稳R2=0.501，残差序列的ACF 及PACF 均在95%置信区间内，Ljung-Box Q=21.258，P=0.169，为最优模型。见图3。

表2 玉溪市流感ARIMA 模型验证

图3 模型ARIMA（1，0，0）（0，1，1）12 残差序列ACF、PACF 图

2.2.3 模型验证及预测 通过最优模型ARIMA（1，0，0）（0，1，1）12对2010—2019 年的流感预测阳性数进行回代拟合，结果显示，模型很好地拟合了季节性波动，拟合值和实际值基本吻合，所有预测值都在95%置信区间，实际值和预测值之间的平均相对误差为10.14%。见图4。同时利用该模型对2020 年流行趋势进行预测发现，玉溪市2020 年1—6 月流感呈下降趋势。

图4 模型ARIMA（1，0，0）（0，1，1）12 预测值与实际值拟合的时间序列图

3 讨论

2010—2019 年玉溪市流感监测网络实验室检测流感阳性率为28.71%，高于重庆地区〔9〕监测结果，其流感阳性病例数大体上呈逐年上升趋势，AIS为2.01%，防控形势十分严峻。流感阳性病例的增多除部分反映流感活动强度外，也与医疗机构诊断、快检和报告意识的提升有关，而且2009 年甲型H1N1 流感大流行后玉溪市加强了对流感和不明原因肺炎报告的管理规范，每年2 次对辖区内（市-县-乡-村）进行流感等传染病报告质量抽查，各县区每年4 次对辖区内（县-乡-村）报告质量进行检查，同时在2017 年后按照《全国流感监测方案（2017 年版）》要求，各县区增加了流感暴发疫情事件监测，要求各县区按照突发公共卫生事件处置流程上报流感监测网络。玉溪市各年度流感阳性病例集中度值在0.52～0.76 之间，说明玉溪市流感阳性病例具有较强的季节性，符合流感季节性特征〔10〕，而且阳性病例主要集中在每年11 月至次年3 月，这与我国北方地区和云南省〔11〕流行特征一致，下一步将收集更多有关监测信息综合了解玉溪市的流感季节性特征、病原变异、耐药性分析等。

玉溪市流感阳性病例有明显的年龄特征，研究结果显示5～14 岁儿童占比最高（占40.86%），与Zhu 等〔12〕研究结果一致。为减少流感病毒引起的严重感染和并发症风险，一些地区采取老年人免费接种流感疫苗政策，但是很少有地区对青少年采取相关政策，鉴于此类人群中流感发病率较高，应该也优先考虑接种流感疫苗，以预防和缓解流感可能的暴发流行。从病毒型别流行来看，在10 年的监测中，A 型流感占52.26%，B 型流感占47.74%，A 型和B 型流感各有4 个年度为主要流行毒株，2 个年度为A 型和B 型混合流行，需要加强实验室监测力度，及时反馈结果，根据各年度流感流行毒株情况及时匹配相应的流感疫苗并调整防控策略。

ARIMA 模型可以预测传染病未来短期的发病情况，及早发现其发展趋势〔7〕，所以建立玉溪市流感ARIMA（1，0，0）（0，1，1）12模型，该模型各参数最优，回代拟合效果较好，对2020 年流感发病趋势进行预测显示呈“U”型趋势，但由于传染病发病的复杂性和不可预知性〔13〕，比如2020 年在新型冠状病毒肺炎疫情的影响下，各地实施了严格的防控措施，戴口罩、勤洗手、保持1 m 距离和居家隔离等措施，减少了人群的接触机会，实际观测数据和预测值将受到一定影响，但根据预测值的动态趋势可以估计未来可能的流行趋势，同时结合实际情况采取更具针对性和主动性的预警和防控措施。

由于本次研究对象为国家流感监测网络实验室数据，监测哨点医院少且主要集中在市区，采样水平、政策、重视程度、人员素质和意识等社会因素及地区差异或者一些不确定因素的存在，结果可能有所偏差，未能准确反映流感活动水平。但是通过ARIMA 模型可以大概预测主要趋势，在新型冠状病毒肺炎防控的同时也要加强流感疫情和病原型别的监测，加强流感疫苗的接种，对流感疫情及时研判和预警。