基于贝叶斯时空模型与INLA算法的阿尔及利亚COVID-19发病风险高分辨率解析

《Scientific Reports》：Bayesian spatio-temporal modeling of COVID-19 incidence in Algerian provinces using integrated nested Laplace approximations

　　本研究针对阿尔及利亚COVID-19疫情空间异质性被全国统计数据掩盖的问题，研究人员开展了基于贝叶斯层次模型与集成嵌套拉普拉斯近似（INLA）的时空建模分析。通过对2021年夏季Delta变异株流行期间48个省份的发病数据分析，发现空间异质性贡献了83.4%的方差，识别出Constantine、Tebessa等东北部省份为持续高风险区域，并揭示了病毒沿北部海岸向西传播的时空动态。该研究为精准公共卫生干预提供了科学依据。

　　

当COVID-19疫情在全球肆虐时，各国政府面临的共同挑战是如何准确识别高风险区域以实施精准防控。在阿尔及利亚，全国层面的统计数据往往掩盖了疫情在各省份（Wilayas）间的显著差异，这种"平均主义"的视角可能导致公共卫生资源分配不均，无法有效遏制病毒传播。特别是在2021年夏季，由Delta变异株（B.1.617.2）驱动的第三波疫情成为该国最严重的公共卫生危机，每日确诊病例峰值达到1,927例，死亡病例峰值达49例，远超前两波疫情。然而，这些数字背后隐藏着怎样的空间分布规律？病毒是如何在时间和空间维度上扩散的？这些问题亟待通过先进的统计建模方法予以解答。

传统的疾病地图绘制方法虽然能够展示地理变异，但直接计算的标准化发病率比（SMR）在小人口省份或低发地区往往不稳定，容易受到随机波动的影响。此外，单纯的空间分析无法捕捉疫情随时间的动态演变，而单纯的时序分析又会忽略地理异质性。这就需要一种能够同时整合空间和时间维度的分析方法，既能"借力"于相邻区域和相邻时间点的信息来提高估计稳定性，又能揭示病毒传播的时空规律。

正是在这样的背景下，Ayoub Asri在《Scientific Reports》上发表了这项创新研究，采用贝叶斯层次模型（Bayesian hierarchical model）结合集成嵌套拉普拉斯近似（Integrated Nested Laplace Approximations，INLA）方法，对阿尔及利亚48个省份在2021年6月25日至9月16日（流行病学第26-37周）期间的COVID-19发病风险进行了高分辨率时空建模。

研究方法上，作者主要应用了几项关键技术：基于泊松分布的贝叶斯层次模型框架，其中观测病例数被建模为期望病例数与相对风险的乘积；使用Leroux先验（Leroux prior）处理空间随机效应，该先验通过混合参数（λ_s）平衡空间结构化变异和非结构化噪声；采用一阶随机游走（RW1）模型刻画时间趋势；基于Knorr-Held分类法的四种空间-时间交互作用类型（特别是IV型完全结构化交互）被系统比较；模型通过WAIC（Watanabe-Akaike Information Criterion）和DIC（Deviance Information Criterion）进行筛选；所有分析均使用R-INLA软件包实现。数据来源为阿尔及利亚国家公共卫生研究所（INSP）的官方监测数据，涵盖48个行政省份的每周确诊病例数。

3.1 模型选择

通过系统比较八种候选模型（四种交互类型×两种时间先验），研究发现IV型交互（完全结构化）与RW1（一阶随机游走）时间先验组合的模型拟合最佳（DIC=4237.52，WAIC=4232.68）。这表明COVID-19发病风险不仅受稳定的空间格局和全国性时间趋势影响，还存在同时随空间和时间结构变化的交互效应，需要复杂模型才能准确捕捉。

3.2 参数估计

关键参数的后验分布显示，空间方差（σ_s²=3.927）远高于时间方差（σ_t²=0.005）和时空交互方差（σ_st²=1.105），表明各省份间的风险差异具有高度稳定性，而时空交互作用也相当显著。

3.3 变异性分解

方差分解结果进一步证实了空间因素的主导地位：空间成分贡献了83.4%的解释方差，时空交互成分占16.5%，而纯时间成分仅占0.2%。这意味着个人的感染风险更多取决于所处地理位置而非全国疫情发展阶段。

3.4 风险空间格局

空间相对风险图显示，北部中部和东部省份（如Constantine、Sétif、Tebessa）呈现持续高风险（RR>1.5），而辽阔的南部省份（如Adrar、Tamanghasset）风险较低。这种格局与人口密度、交通连通性和经济活跃度的地理分布高度一致。

3.5 风险时间格局

全国时间趋势呈现典型的流行病学曲线：第29周（7月中旬）风险急剧上升，第32-33周（8月初）达到峰值，随后持续下降至第37周（9月中旬）。这一轨迹反映了Delta变异株的传播动力学和防控措施的实施效果。

3.6 疫情时空演变

每周相对风险演变图清晰展示了病毒的扩散路径：疫情最初（第26-28周）在东北部省份（Skikda、Guelma等）暴发，随后（第29-34周）沿北部人口密集带向西、向南扩展，至第32周时几乎覆盖所有北部省份，最后（第35-37周）在东部地区持续更久，呈现典型的等级扩散模式。

3.7 省份特异性轨迹

根据不同省份的风险模式，可将其分为四类：持续高风险型（如Tebessa、Constantine）、明显峰值型（如Algiers等大城市）、低风险型（主要是南部省份）和异常模式型（模型估计与原始数据差异较大）。这种分类为差异化防控提供了直接依据。

研究结论与讨论部分强调，本研究通过贝叶斯时空建模揭示了阿尔及利亚COVID-19疫情的深层规律。空间异质性是主导因素（83.4%方差），这表明地理位置而非全国性时间趋势更决定个人风险。识别出的北部高风险走廊（Constantine、Sétif、Tebessa）反映了人口、交通和经济因素对病毒传播的促进作用。同时，显著的时空交互效应（16.5%方差）捕捉到病毒从东北向西南沿海岸线扩散的动态过程，这与国际输入后国内传播的假设一致。

该方法学上的创新点在于使用INLA算法高效拟合复杂模型，克服了传统MCMC（Markov Chain Monte Carlo）方法计算成本高、收敛难的问题，为实时疫情分析提供了可行方案。从公共卫生角度看，这些结果强烈支持基于空间的精准防控策略：资源应优先投向持续高风险区域，而非实施"一刀切"的国家政策。此外，明确的空间扩散路径可使西部和南部省份提前做好应对准备。

尽管本研究未纳入社会经济等协变量，但它为后续机制研究奠定了坚实基础。未来工作可整合人口流动、医疗资源分布等数据，进一步揭示风险格局的驱动因素。总之，这项研究不仅为阿尔及利亚的疫情防控提供了科学证据，也展示了贝叶斯时空模型在传染病监测中的强大价值，为类似国家的公共卫生决策提供了方法论借鉴。