《Applied and Environmental Microbiology》：Predictive intelligence for future vibriosis risk in the eastern United States employing Bayesian spatial modeling
编辑推荐：
这篇研究利用整合嵌套拉普拉斯近似-随机偏微分方程（INLA-SPDE）贝叶斯空间模型，基于23年（1997-2019）的监测数据，成功构建了针对六种致病性弧菌（Vibrio spp.）在美国东海岸的月度领先预测模型。模型结合了11种环境与4种社会经济预测因子，能够以约22.6%的精度提前一个月预警高风险县。验证显示，在2020-2024年佛罗里达州数据中模型性能（精度达47.0%）及在飓风季（精度达65.0%）的应用表现尤为突出。研究进一步集成CMIP6气候情景数据，预测到本世纪末，在当前可能的排放路径下，美国东海岸弧菌病高发季节的发病概率将接近100%，凸显了气候变化对公共卫生的严峻威胁以及建立弧菌病早期预警系统的迫切性。
文章内容总结：
研究背景与目的
弧菌（Vibrio）属细菌是水生生态系统中重要的组成部分，参与碳氮循环，但也包含多种人类致病菌。其中，非霍乱弧菌感染（弧菌病，vibriosis）主要通过食用未煮熟的海产品或伤口接触受污染水体传播，在美国每年估计导致约80,000例感染，V. vulnificus的伤口感染致死率可达20%。近年来，弧菌病发病率在全球范围内显著上升，这与环境因素，特别是水温和盐度的变化密切相关。气候变暖导致的海水温度升高、盐度变化、酸化及脱氧等现象，预计将更有利于弧菌的增殖。因此，开发能够预测弧菌病风险的工具，对于公共卫生干预和水产养殖业管理至关重要。
本研究旨在利用贝叶斯空间建模方法，为美国东部沿海地区开发一套能够提前一个月预测弧菌病风险的模型。研究针对六种主要的致病性弧菌：V. alginolyticus, V. cholerae非O1/非O139, V. fluvialis, V. mimicus, V. parahaemolyticus, 以及 V. vulnificus，并建立了它们的综合（总弧菌病）模型。研究进一步评估了在不同共享社会经济路径（SSPs）气候情景下，未来（2050年及2100年）弧菌病的发病风险。
材料与方法
数据来源：研究使用了美国疾病控制与预防中心（CDC）霍乱与其他弧菌病监测系统提供的1990年至2019年非霍乱弧菌病报告病例数据。环境数据涵盖了海表温度（SST）、海表盐度（SSS）、pH、溶解氧（DO）、叶绿素a（chl-a，并据此计算了微型、纳型和微型浮游植物浓度）、硝酸盐（NO3-）、磷酸盐（PO43-）、有色溶解有机物（CDOM）和降水量。社会经济变量包括各县的海鲜市场与加工设施数量、游泳季节天数、CDC社会脆弱性指数（SVI）和人口密度。
建模方法：采用整合嵌套拉普拉斯近似结合随机偏微分方程的贝叶斯空间建模框架。校准期为1997年10月至2019年12月。因变量为二元变量，表示某县-月是否有病例报告。自变量为滞后一个月（环境变量）或年度值（社会经济变量）。为应对病例稀少的类别不平衡问题，在模型训练中采用了随机欠采样技术，并构建了包含100次迭代的模型集合。
参数选择与风险评估：通过逐步添加变量并评估模型精度（Precision）改进来确定每个模型的最优预测因子组合。研究采用相对风险模型，将预测结果分为高、中、低三个风险等级，阈值设定基于敏感度（Sensitivity），目标是使约45%的报告病例落入高风险区，约35%落入中风险区，约20%落入低风险区。
模型验证与未来预测：使用佛罗里达州卫生部提供的2020-2024年弧菌病和V. vulnificus感染数据对模型进行验证。为评估未来风险，研究从Bio-ORACLE v3.0获取了基于CMIP6和不同SSPs情景的环境参数预测数据，并将其趋势整合到训练数据集中，以预测2050年7月和2100年7月（弧菌病高发季）的发病概率。
结果
模型参数与热点区域：各模型的预测因子组合不同。总体上，溶解氧（DO）和海表温度（SST）表现出强烈的正系数，而硝酸盐（NO3-）和pH值则呈强烈的负相关。社会经济变量中，游泳季节天数和海鲜场所总数在大多数模型中具有显著正系数。空间预测显示，佛罗里达州沿海和墨西哥湾沿岸是弧菌病概率最高的热点区域。其他热点包括纽约长岛、马萨诸塞州东部、康涅狄格州西南部、佐治亚州萨凡纳、南卡罗来纳州查尔斯顿以及切萨皮克湾北部。空间随机效应图揭示了未被固定预测因子解释的残余空间自相关，例如美国东北部普遍存在正空间效应，而中大西洋地区（佐治亚、南、北卡罗来纳州）则多为负效应。
时间趋势与模型性能：从1997年到2019年，总弧菌病的预测概率呈现显著上升趋势，年增长率约为0.9%，23年间概率几乎翻倍。所有模型均显示强烈的季节性，发病概率高峰出现在夏季（7月或8月），冬季最低。在模型性能方面，总弧菌病模型的高风险预测精度最高，达到22.61%，其次是V. parahaemolyticus（13.73%）。高风险预测捕获了约44%的报告病例，而低风险预测仅包含约19%的病例，但占据了绝大部分的县-月预测。
验证与极端事件表现：使用佛罗里达州2020-2024年数据进行的验证显示，模型性能较校准期有进一步提升，总弧菌病模型的高风险预测精度高达46.99%。在2024年9月和10月飓风Helene和Milton登陆期间，模型表现尤为出色：总弧菌病模型的高风险预测精度达到65.0%，83.0%的报告病例发生在被预测为高风险的县。
未来气候情景风险：对未来气候情景的预测结果表明，如果不采取强有力的气候减缓措施，弧菌病风险将在本世纪内急剧上升。在最坏情景（SSP5-8.5）下，到2100年7月，几乎所有东海岸县在弧菌病高峰季的发病概率都接近100%。在当前最可能的路径（SSP2-4.5）下，到2050年7月，大多数县的概率已接近100%，到2100年7月则几乎全覆盖。只有在最佳气候行动情景（SSP1-1.9）下，风险才能得到有效控制。
讨论
本研究开发的模型有效结合了环境与社会经济指标，成功预测了弧菌病风险。SST的正相关和pH的负相关与部分实验室培养观察不同，提示自然水体中的pH可能扮演选择性而非促进性角色。社会经济指标（如游泳天数、海鲜场所）有效区分了食源性和非食源性感染途径。社会脆弱性指数的负系数可能反映了脆弱人群在疾病报告中的代表性不足。
模型精度随时间提高，可能得益于监测报告的改进。模型在飓风等极端天气事件中的优异表现，突显了其在公共卫生应急中的实用价值。研究观察到弧菌病风险的长期上升趋势与年际非线性波动，后者可能与北大西洋经向翻转环流等多年代际气候模式存在弱关联。
研究局限与结论
研究的局限性包括病例报告位置的不确定性、不同监测系统（如国家COVIS与州FDOH）间的数据差异、社会经济数据在某些年份的缺失以及环境变量仅使用一个月滞后等。尽管如此，模型在国家层面噪声数据中仍成功捕捉到了环境与社会经济信号。
综上所述，这项研究为美国东部沿海地区提供了有效预测弧菌病风险的工具，模型在历史数据、独立验证及极端天气事件中均表现出良好性能。预测结果显示，在现行气候政策路径下，本世纪内弧菌病风险将普遍且急剧地上升。因此，基于此类模型开发一套弧菌病早期预警系统，对于应对气候变化带来的公共卫生挑战、指导针对性干预措施以减轻感染负担至关重要。
