2019-2023年印度疟疾风险时空图谱：MIDAS数字仪表板的构建与传播驱动因素解析

《Scientific Reports》：Mapping malaria risk in India between 2019 and 2023: a tool for the public to track malaria

　　本刊推荐：为助力印度实现2027年消除本土疟疾目标，研究人员开展了2019-2023年全国疟疾风险时空图谱研究。通过整合疟疾监测数据、气象因子与土地利用数据，构建区域特异性集合模型，发现社会经济弱势群体、饮用水安全及母亲教育水平是重要传播驱动因素。研究首次开发了公开可访问的疟疾指标数字仪表板（MIDAS），为公共卫生决策提供实时可视化工具。

　　

在热带与亚热带地区，疟疾始终是威胁公共健康的重大挑战。印度作为疟疾高负担国家，尽管近年来病例数整体呈下降趋势，但不同区域间传播动态差异显著，且原虫物种分布呈现复杂变化。尤其值得注意的是，印度政府设定了2027年消除本土疟疾的宏伟目标，距离这一时限不足两年，精准掌握全国疟疾传播的时空格局与驱动因素变得尤为紧迫。然而，现有的疟疾数据往往分散、难以公开获取或缺乏直观的可视化呈现，限制了公众认知和决策者制定针对性干预措施的能力。在此背景下，深入分析疟疾传播的高风险区域、识别关键影响因素，并开发易于使用的工具以跟踪疟疾指标，对于加速消除进程具有至关重要的意义。

为了回答上述问题，由Avik Kumar Sam、Neha Keshri、Ipsita Pal Bhowmick、Anup Anvikar和Harish C. Phuleria组成的研究团队，在《Scientific Reports》上发表了题为“Mapping malaria risk in India between 2019 and 2023: a tool for the public to track malaria”的研究论文。该研究旨在绘制2019至2023年间印度疟疾核心指标的空间分布图，识别传播热点区域，探索不同地区的传播驱动因素，并最终开发一个名为“MIDAS”（Malaria Indicators Dashboard for Analysis and Surveillance）的交互式数字仪表板，供公众和利益相关者使用。

研究人员开展此项研究主要采用了以下几项关键技术方法：研究数据来源于印度国家病媒传染病控制规划（NCVBDC）的年度地区级疟疾数据，包括年寄生虫指数（API）、年恶性疟原虫发病率（AFI）等关键指标；同时整合了来自全国家庭健康调查（NFHS-5）的社会经济数据、MERRA-2再分析资料的气象数据以及Sentinel-2卫星影像的土地利用/土地覆盖（LULC）数据。在分析方法上，研究运用了基蒂斯-奥德Gi（Getis-Ord Gi）统计量进行空间聚类分析以识别热点区域；并针对识别出的中部、北部和东北部三个主要传播区域，分别构建了随机森林回归（Random Forest Regression）与零膨胀泊松回归（Zero-Inflated Poisson Regression, ZIP）的集合模型，以评估各因素与疟疾传播之间的关联性（以风险比RR表示）。最后，利用Python的Dash和Plotly框架开发了交互式数字仪表板MIDAS，用于可视化展示疟疾指标的时空变化。

3.1 印度疟疾参数的时空变化

研究发现，印度疟疾报告病例数从2019年的33万例显著下降至2020年（新冠疫情暴发年）的18万例，随后在2021年略有下降（13.3%），但在2022年和2023年分别回升9%和29%。恶性疟原虫（P. falciparum, Pf）主导区域持续集中在印度中部和东北部，这些地区常年报告高API和AFI（>10）。而间日疟原虫（P. vivax, Pv）的分布则表现出明显的地理扩张趋势，特别是在新冠疫情后，东北部地区（如米佐拉姆邦的Lawngtlai地区）的间日疟年发病率（AVI）出现显著增长，2023年Lawngtlai地区的AVI高达17.6。这表明在传统Pf流行区，Pv的传播强度正在增强。

3.2 使用基蒂斯-奥德Gi*统计量识别空间聚类

空间热点分析显示，API和AFI的热点区域（Z-score > 0且p-value < 0.05）主要分布在中央区（包括恰蒂斯加尔邦、奥里萨邦、马哈拉施特拉邦等地）和东北区（包括米佐拉姆邦、特里普拉邦、阿萨姆邦等地）。值得注意的是，AVI的热点区域在北部（北方邦和北阿坎德邦）和东北部均被识别，且东北部热点区的聚类强度在2021年后显著增强，Z分数在2023年甚至超过5，证实了Pv在该区域的聚集性传播。

3.3 利用时空集合模型识别疟疾传播的潜在风险因素

区域特异性集合模型揭示了影响疟疾传播的关键因素。社会经济因素方面，在册种姓和在册部落人口比例高、无手机人口比例高、体重指数异常人口比例高与所有地区的API升高正相关。母亲教育水平高与API负相关，但在中央区却与AVI正相关，推测与教育水平高导致就医和检测率提高有关。生活习惯方面，饮用未经保护的水源（如天然泉水）与API和AFI风险增加显著相关（RR > 1.2）。使用牲畜饲养在中央区对API有保护作用（RR < 0.7），但却与AVI风险增加相关（RR=1.3），表明牲畜的作用可能因地区和原虫种类而异。值得注意的是，在东北区，使用药浸蚊帐（ITNs）的家庭比例与API、AFI和AVI均呈强正相关（RR > 2.2），提示该地区可能存在显著的室外传播，降低了ITNs的保护效果。环境因素中，森林覆盖面积（“Trees”）和作物面积（“Crops”）分别与中部/东北部地区和北部地区的疟疾传播正相关。气象因子如最大降水和比湿度的最大值也是重要的风险因素。

3.4 仪表板

研究团队成功开发了名为“MIDAS”的交互式数字仪表板。该仪表板允许用户通过下拉菜单选择年份、地理区域（邦、地区）和感兴趣的疟疾指标（如API、AFI、AVI、ABER、SPR等），进而生成相应的时空分布图（等值区域图）和时间趋势图。用户可以通过鼠标悬停交互式地查看每个地区的具体数据。

3.5 面向公众和利益相关者的总结

本研究明确了印度三个疟疾高传播区域：中部、北部和东北部。新冠疫情后，Pv在东北部地区出现了地理扩张。模型结果表明，饮用水采集和储存方式、森林和淹没的农地是重要的环境风险因素。社会经济边缘化群体和居住条件差的人群面临更高的疟疾风险。改善医疗可及性、提高母亲教育水平以及关注社会经济发展是消除疟疾的关键路径。研究人员建议政策制定者在常规数据收集中纳入已识别的风险变量，并将MIDAS仪表板与实时数据整合，用于动态风险监测。

4. 结论

本研究系统绘制了2019-2023年印度疟疾指标的时空分布图谱，揭示了疟疾负担在中央区和东北区的持续集中性以及间日疟在东北区的扩张趋势。通过区域特异性集合模型，研究强调了社会经济劣势、饮用水安全、母亲教育水平和特定环境因素在驱动传播中的关键作用。所开发的MIDAS数字仪表板为公众认知和决策者行动提供了直观、易用的工具。尽管研究基于年度数据，未能捕捉季节动态，且生态学设计存在一定局限，但其发现为印度实现疟疾消除目标提供了重要的数据支持和决策依据。未来整合更细时间尺度数据并实现仪表板实时更新，将进一步提升其预警和指导价值。最终，通过结合精准的干预措施、公众教育和持续监测，有望共同终结疟疾的流行。