《Ticks and Tick-borne Diseases》：Potential for integrated monitoring of tick-borne diseases: Indices of tick activity, citizen science, and tick-borne Lyme neuroborreliosis in Denmark from 2017 to 2024
编辑推荐：
本研究针对传统蜱媒疾病（TBD）监测手段在预警风险变化方面的不足，提出了一种整合现场蜱虫监测、气象驱动模型、谷歌搜索趋势和莱姆神经疏螺旋体病（LNB）国家记录的综合监测方法。研究人员在丹麦六处森林站点进行长期蜱虫若虫活动监测，并利用气象数据构建预测模型。结果显示，模型能准确预测蜱虫活动（Pearson’s r = 0.76），且预测活动度与谷歌搜索词（“Fl?t”、“T?ge”）呈强相关（滞后1个月），与LNB发病率亦显著相关（滞后1个月）。此研究证实了整合多源数据实现TBD早期预警的可行性，为公共卫生响应提供了可扩展、经济有效的补充方案。
在气候变化和人类活动日益频繁的背景下，由蜱虫等媒介传播的疾病对公共卫生构成了持续威胁。莱姆病（Lyme borreliosis, LB）作为北半球温带地区最常见的蜱媒疾病，每年在西欧估计有超过20万例病例。其最严重的表现形式——莱姆神经疏螺旋体病（Lyme neuroborreliosis, LNB）可侵袭中枢神经系统，导致疼痛性神经根炎、脑神经麻痹等症状，对患者健康造成严重影响。然而，传统的疾病监测系统往往依赖于单一的指标，如病例报告或有限的现场蜱虫调查，这些方法在及时捕捉蜱媒疾病（Tick-borne diseases, TBD）风险动态变化方面存在局限。现场蜱虫监测（如布旗法）耗时费力且易受天气和观察者影响，难以覆盖广大区域；而疾病报告数据则存在固有的诊断和报告延迟。因此，开发一种能够整合多维度信息、实现早期预警的综合监测体系显得尤为迫切。
为了应对这一挑战，一项发表在《Ticks and Tick-borne Diseases》上的研究进行了一项开创性的探索。由Lene Jung Kj?r、René B?dker、Nina Kròl、Sigurdur Skarphédinsson和Per Moestrup Jensen组成的研究团队，在丹麦开展了一项为期数年的研究（2017-2024年），旨在评估一种整合了现场蜱虫监测、气象数据驱动的蜱虫活动预测模型、公众谷歌搜索趋势以及国家LNB发病率记录的综合监测方法。这项研究采用了一种“自下而上”的建模策略，其核心思路是认识到所有指标——现场数据、网络搜索和健康记录——都受到天气的共同影响。通过利用气象数据建模预测蜱虫活动，并将其作为共享参考点，来探索这些不同来源数据之间的关联，并评估仅凭天气数据预测疾病风险的潜力。
研究人员主要运用了几项关键技术方法：1. 现场蜱虫监测：在丹麦西兰岛东北部的两个典型森林区域（J?gersborg Hegn和Rude Skov）共设置六个站点，自2017年起持续采用标准化的布旗法（Flagging method）监测蓖子硬蜱（Ixodes ricinus）若虫的活动指数（10分钟捕获量）。2. 气象数据获取与处理：从Open-Meteo.com获取高时空分辨率的历史气象再分析数据（9公里分辨率），提取与蜱虫活动可能相关的温度、相对湿度、降水、地表气压、日照时长等变量，并计算日平均值及不同时间尺度的滚动平均值。3. 数字行为数据挖掘：通过谷歌趋势（Google Trends）API获取丹麦全国及五个行政区域在2017-2024年间与蜱虫（“Fl?t”、“T?ge”）和莱姆病（“borrelia”）相关的月度搜索量数据。4. 疾病发病率数据整合：从丹麦国家血清研究所（Statens Serum Institut, SSI）获取月度LNB确诊病例数据，并结合丹麦统计局的人口数据计算发病率。5. 统计建模与验证：利用广义线性混合模型（GLMM）分析蜱虫活动与气象因子的关系，模型考虑了地点、年份、观察者等随机效应以及时间自相关性。将2017-2024年的数据作为训练集，2024-2025年的数据作为独立测试集进行模型验证。使用交叉相关函数分析预测的蜱虫活动、谷歌搜索趋势和LNB发病率之间的时序关系。
研究结果
蜱虫活动模式与气象驱动模型
研究发现，六个监测点的蓖子硬蜱若虫活动均呈现相似的季节性模式，活动高峰期集中在4月至10月，冬季活动极低或没有活动。建立的广义线性混合模型对训练集数据拟合良好（R2 = 0.72），预测值与观测值高度相关（Pearson’s r = 0.85）。模型在独立测试集（2024-2025年数据）上也表现出强大的预测性能（Pearson’s r = 0.76, 标准化均方根误差NRMSE = 0.16），表明模型具有良好的泛化能力。气象因素中，平均温度、降水以及相对湿度与温度的交互作用对若虫活动有显著影响。季节性趋势（通过正弦和余弦项表示）是模型中效应最大的驱动因子。降水与蜱虫若虫活动呈负相关，可能反映了降雨期间蜱虫减少活动或采样效率降低。温度在观测范围内与活动度正相关，但模型并未延伸至可能导致活动减少的极端高温情况。相对湿度对若虫活动的影响依赖于温度，在温度较低时（<10°C），即使湿度高，若虫活动也维持在较低水平。
数字搜索行为与蜱虫活动、疾病发生的时序关联
交叉相关分析揭示了不同数据流之间存在一致的时序关系。预测的蜱虫若虫月平均活动度与丹麦语蜱虫搜索词“Fl?t”和“T?ge”在全国及所有五个行政区域均呈现最强相关性，且最佳滞后时间（Lag）为1个月。这意味着谷歌搜索量的增加通常比预测的蜱虫活动高峰提前约一个月出现。相比之下，预测的蜱虫活动与莱姆病相关搜索词“borrelia”的搜索量在零滞后时（Lag 0）相关性最强，表明公众对莱姆病的搜索兴趣与预测的蜱虫活动几乎同步变化。更重要的是，预测的蜱虫月平均活动度与LNB发病率之间的交叉相关分析显示，在滞后-1个月时相关性最强（r = 0.85），即蜱虫活动的增加约比LNB病例的增加早一个月。而“borrelia”搜索量与LNB发病率之间则在滞后1个月时相关性最强（r = 0.82），表明搜索兴趣的高峰比LNB病例报告高峰早约一个月。
研究结论与意义
这项研究成功地展示了整合现场蜱虫哨点监测、大尺度气象预测的蜱虫活动、被动的公民科学（谷歌搜索查询）和国家LNB发病率记录，用于监测蜱虫活动和蜱媒疾病风险的潜力。研究证实，基于气象数据可以构建可靠的蜱虫活动预测模型。更重要的是，研究发现谷歌搜索行为可以作为公众蜱虫接触意识和潜在暴露的早期指标，其变化领先于传统的疾病报告数据。这种跨数据源的高度时间一致性支持了整合蜱媒疾病监测的可行性。研究表明，有限的几个哨点监测站点能够捕捉到国家尺度的蜱虫活动动态，为成本效益高的全国性监测提供了替代方案。
该研究的核心意义在于其“自下而上”的建模方法，通过将预测的蜱虫活动作为共享参考点，揭示了不同监测指标（现场、数字、健康）在天气驱动下的内在一致性。这种整合监测方法增强了对检测到的趋势的信心，减少了依赖单一监测方法固有的不确定性。尽管预测LNB发病率的年度幅度仍具挑战性（受人类行为、医疗可及性等因素影响），但该方法在预测年内LNB风险发生的时间上具有价值。预测的蜱虫活动与LNB发病率之间稳定的一月滞后关系，表明该方法有潜力支持短期早期预警，例如，根据初夏的蜱虫活动和搜索行为，预警夏末LNB病例的可能增加，这对于有针对性的公共卫生信息发布和干预措施至关重要。这项研究为在气候变化背景下，开发可扩展、及时的蜱媒疾病综合监测和预警系统提供了重要的方法论支持和实践启示。
