整合系统评价、元分析和二手数据，用于家禽禽流感的时空风险分析：OLS、GWR和MGWR模型的比较评估

《Preventive Veterinary Medicine》：Integrating Systematic Review, Meta-Analysis, and Secondary Data for Spatial and Temporal Risk Analysis of Avian Influenza in Poultry: A Comparative Evaluation of OLS, GWR, and MGWR Models

　　禽流感（AI）防控研究整合元分析与空间模型（OLS、GWR、MGWR），揭示泰国中部及北部为高风险区，与水稻田及家禽密度显著相关，MGWR模型因多尺度空间异质性分析表现最优，提升疾病预测与防控精准度。

　　本文探讨了禽流感（AI）在泰国家禽养殖中的空间和时间风险因素，并通过整合元分析与空间分析方法，特别是普通最小二乘回归（OLS）、地理加权回归（GWR）以及多尺度地理加权回归（MGWR），对AI的高风险区域进行了识别。研究的核心在于通过系统性的方法，结合多个研究结果，揭示影响禽流感传播的关键因素，同时借助空间模型，提高对疾病分布和传播机制的理解，从而为制定有效的防控策略提供科学依据。

禽流感是一种高度传染性的疾病，对家禽产业造成严重的死亡率和经济损失。此外，它还具有人畜共通的风险，尤其是在人类直接接触受感染动物的情况下，可能导致人感染。随着病毒在不同宿主之间的传播能力增强，禽流感的公共卫生影响日益显著。因此，了解禽流感的传播路径、风险因素及其在不同空间和时间尺度上的变化，对于有效防控该疾病至关重要。

研究发现，泰国中部和下北部地区是禽流感的高风险区域，这些区域的高家禽密度和大面积的稻田显著增加了疾病传播的可能性。这些区域的特点，例如家禽养殖与自然环境的紧密联系，以及家禽与野生鸟类的潜在接触，使得禽流感的传播更为复杂。例如，家禽养殖场靠近湿地和迁徙鸟类的路径，再加上在稻田中自由放养鸭子的常见做法，进一步放大了传播风险。此外，稻田与家禽养殖的混合使用，也增加了病毒在不同宿主之间传播的机会。

为了更全面地分析这些风险因素，研究采用了元分析方法，对相关文献进行系统性筛选和综合。元分析是一种统计方法，通过整合不同研究的结果，得出对特定干预措施或变量影响的整体效应的定量估计。研究团队基于元分析结果选择了独立变量，并结合了二次数据，进行数据处理和标准化，以确保模型的准确性和稳定性。此外，还进行了共线性检查，以消除数据中可能存在的多重相关性，提高模型的解释力。

在空间分析方面，研究采用了OLS、GWR和MGWR三种方法，以评估它们在识别禽流感高风险区域方面的有效性。OLS是一种全局建模方法，假设变量之间的关系在研究区域内是恒定的，从而提供一个统一的回归方程。然而，这种方法无法捕捉空间异质性，即不同区域之间变量关系的差异。相比之下，GWR引入了局部化的方法，允许变量之间的关系在空间上变化，从而更准确地建模疾病传播模式。GWR通过核函数对观测值进行加权，使得模型能够考虑空间自相关性，提高对局部传播特征的识别能力。

MGWR进一步优化了空间建模方法，通过允许不同变量具有不同的空间尺度，提高了模型对复杂空间相互作用的捕捉能力。这种灵活性使得MGWR能够更细致地分析不同风险因素在不同地理层级上的影响，从而提供更深入的疾病传播机制理解。在实际应用中，MGWR已经被成功用于公共卫生研究，如中国钩虫感染的决定因素分析，以及巴基斯坦儿童腹泻的相关因素研究。这表明，MGWR在处理空间异质性和多尺度数据方面具有较高的适用性。

研究结果表明，MGWR在预测准确性和空间异质性捕捉方面优于OLS和GWR。模型的调整R2达到0.96，AUC为0.89，置信区间为0.87–0.91，显示出其在识别高风险区域方面的优越性。此外，研究发现，MGWR能够通过变量特定的空间尺度，提高对疾病传播因素的解释能力，从而为制定更具针对性的防控策略提供支持。这不仅有助于提高疾病监测系统的效率，还能够优化防控措施，降低禽流感对公众健康的威胁。

从时间维度来看，禽流感的爆发通常在秋季和冬季达到高峰，这与迁徙鸟类的活动和病毒在寒冷环境中的存活能力密切相关。此外，病毒传播往往受到污染媒介的影响，进一步强调了严格的生物安全措施的重要性。因此，研究不仅关注空间因素，还考虑了时间因素对疾病传播的影响，为全面分析禽流感的风险提供了更丰富的视角。

研究团队通过系统性的方法，整合了元分析与空间分析，构建了一个综合性的风险评估框架。这一框架不仅能够识别禽流感的高风险区域，还能够揭示不同风险因素在不同空间尺度上的影响。通过这种方法，研究能够为泰国的禽流感防控提供更科学的依据，帮助相关部门制定更加精准的监测和干预策略。

此外，研究还强调了数据来源的重要性。所使用的数据主要来自二次实证数据集，这些数据提供了丰富的背景信息，有助于更全面地理解禽流感的传播机制。同时，研究团队在数据处理过程中进行了严格的标准化和共线性检查，确保了模型的可靠性和准确性。这种严谨的数据处理流程，使得研究结果更具说服力，能够为政策制定者提供有效的参考。

研究还指出，禽流感的传播不仅受到家禽密度和稻田面积的影响，还与家禽养殖方式、地理位置以及环境因素密切相关。例如，家禽养殖与野生鸟类迁徙路径的接近程度，以及家禽养殖区域的生物安全水平，都是影响禽流感传播的重要因素。因此，研究不仅关注单一变量的影响，还综合考虑了多种因素的相互作用，从而更全面地分析禽流感的传播风险。

研究团队在研究过程中遵循了严格的伦理规范，所有程序均符合《赫尔辛基宣言》的要求。此外，研究使用了二次数据，这些数据经过匿名处理，确保了研究的伦理合规性。同时，动物使用协议也得到了泰国国家研究委员会的批准，确保了研究过程中的伦理标准。

研究的成果不仅为泰国的禽流感防控提供了科学依据，还为其他地区的类似研究提供了参考。通过整合元分析与空间分析方法，研究能够更准确地识别高风险区域，并揭示不同风险因素的影响机制。这种综合性的分析方法，使得研究结果更具实用性，能够为政策制定者提供有效的决策支持。

此外，研究还强调了资金支持的重要性。本研究得到了泰国农业研究与发展局（Public Organization）的资金支持，这为研究的顺利进行提供了必要的资源保障。同时，研究团队也得到了相关机构的协助，确保了数据的获取和研究的顺利推进。

在研究过程中，研究团队使用了ChatGPT-4o来提高文本的可读性和语言表达，但并未影响研究的科学性和严谨性。研究团队还声明不存在利益冲突，确保了研究的客观性和公正性。这些声明和程序，使得研究的可信度和透明度得到了保障。

研究的最终目标是通过科学的方法，为禽流感的防控提供有效的策略。通过识别高风险区域，研究能够帮助相关部门制定更具针对性的监测和干预措施，从而降低禽流感对家禽产业和公众健康的威胁。此外，研究还强调了多尺度分析的重要性，使得模型能够更全面地捕捉疾病传播的复杂性，为未来的疾病防控研究提供新的思路和方法。

总之，本研究通过整合元分析与空间分析方法，揭示了禽流感在泰国家禽养殖中的空间和时间风险因素。研究结果表明，MGWR在预测准确性和空间异质性捕捉方面优于其他方法，能够更有效地识别高风险区域。这些发现不仅为泰国的禽流感防控提供了科学依据，还为其他地区的类似研究提供了参考，有助于提高全球范围内禽流感防控的效率和效果。