《Parasites & Vectors》：Impact of environmental and socioeconomic factors on the prevalence of and DALYs due to cutaneous leishmaniasis globally from 1990 to 2021 based on remote sensing and GIS technologies
编辑推荐：
本研究利用GBD 2021数据，结合遥感与GIS技术，首次在全球尺度上系统探究了环境与社会经济因素对皮肤利什曼病(CL)患病率与DALYs的时空影响。研究发现气温、湿度、婴儿死亡率(IMR)与CL呈正相关，而GDP、地表太阳辐射(SSR)呈负相关。地理时空加权回归(GTWR)模型展现出最优的预测性能，为CL的精准防控提供了科学依据。
在公共卫生领域，有一种被忽视的热带病，它由微小的利什曼原虫引起，通过沙蝇的叮咬传播，能在皮肤上留下难以愈合的溃疡，给患者带来长期痛苦和社交歧视。这就是皮肤利什曼病(Cutaneous Leishmaniasis, CL)。尽管CL在全球90多个国家流行，每年影响着数百万人的健康，但其传播的“版图”为何如此分布？是哪些看不见的力量在背后推动？长久以来，人们猜测气候变暖、环境变化以及地区发展的不平衡可能是关键推手，但这些因素究竟如何协同作用，在多大的时空尺度上影响CL的流行，仍然是一团迷雾。解开这个谜团，对于预测疾病风险、调配有限资源、实施精准防控至关重要。
为了回答这些问题，一项发表于《Parasites & Vectors》的研究进行了一次大规模的“全球侦探”工作。研究人员调取了1990年至2021年全球疾病负担(Global Burden of Disease, GBD)数据库中关于CL的流行病学数据，包括患病率(prevalence)和残疾调整生命年(Disability-Adjusted Life Years, DALYs)。他们借助地理信息系统(Geographic Information System, GIS)和遥感技术，像绘制“疾病天气图”一样，追踪CL在全球的时空聚散与迁移。研究团队精心筛选了四个环境因素（温度、湿度、植被指数、地表太阳辐射）和五个社会经济因素（人均GDP、婴儿死亡率、人口密度、城镇化率、医疗卫生可及性），试图找出与CL流行密切相关的“嫌疑因子”。通过运用空间自相关分析、标准偏差椭圆以及Spearman相关性分析等方法初步筛查后，研究采用了三种统计模型——普通最小二乘法(Ordinary Least Squares, OLS)、地理加权回归(Geographically Weighted Regression, GWR)和地理时空加权回归(Geographically and Temporally Weighted Regression, GTWR)，来量化这些因素对CL的影响，并比较哪种模型最能捕捉这种影响的时空异质性。
主要技术方法概述：
本研究核心数据来源于GBD 2021数据库的CL流行病学资料。关键技术方法包括：利用空间自相关分析（如莫兰指数）和标准偏差椭圆探寻CL的时空聚类与迁移模式；运用Spearman相关系数初步筛选与CL患病率及DALYs相关的环境与社会经济因子；最终，通过构建并比较OLS、GWR和GTWR三种回归模型，定量评估各影响因素的作用，其中GTWR模型同时考虑了影响因子的空间非平稳性和时间非平稳性。
研究结果：
- 1.
时空分布模式：分析显示，在1990年至2008年间，全球CL的患病率和DALYs均呈现出显著的空间正相关（Z > 1.96, P < 0.05），表明疾病分布并非随机，而是存在明显的聚集性。研究识别出一个“冷点”（低值聚集区）位于北非，以及两个“热点”（高值聚集区）分别位于中美洲和中亚地区。
- 2.
影响因素相关性：相关性分析表明，温度、婴儿死亡率(IMR)和湿度与CL的患病率及DALYs呈显著正相关。这意味着气候更温暖湿润、婴儿死亡率更高的地区，CL负担往往更重。相反，国内生产总值(GDP)和地表太阳辐射(SSR)与CL负担呈显著负相关，提示经济发展水平较高、日照更强的地区，CL流行程度相对较低。
- 3.
模型回归性能：在量化影响因素贡献的模型中，GTWR模型表现最佳，其调整后R2(adjusted R2)值显著高于GWR和OLS模型。具体而言，在亚洲、欧洲、美洲和非洲，GTWR模型对患病率解释的调整后R2分别达到0.841、0.984、0.839和0.972，对DALYs的解释力也分别达到0.816、0.966、0.837和0.972。这证明影响CL的因素其作用强度会随着地理位置和时间变化而改变，而GTWR模型能很好地捕捉这种复杂的时空非平稳性。
- 4.
影响因素贡献量化：GTWR模型的回归系数进一步量化了每个因素对CL患病率和DALYs的个体贡献。例如，在某些时空情境下，温度或IMR的微小上升可能会导致CL负担的显著增加，而GDP的增长则可能带来负担的减轻。这种量化结果为在不同地区、不同时期采取差异化的干预重点提供了精确的“导航图”。
结论与讨论：
本研究首次在全球尺度上系统描绘并定量分析了环境与社会经济因素对皮肤利什曼病(CL)的时空影响。主要结论包括：第一，CL的全球分布具有明显的时空聚集性，中美洲、中亚是持续的热点区域，而北非存在冷点。第二，环境因素（温度、SSR、湿度）和社会经济因素（GDP、IMR）是驱动CL流行格局变化的关键力量，其中温度、IMR和湿度是风险因素，而GDP和SSR在一定条件下是保护因素。第三，也是最关键的方法学发现，即地理时空加权回归(GTWR)模型在分析此类具有时空变异性的公共卫生问题时，优于传统的GWR和OLS模型，这确认了影响因素存在显著的“时空效应”——同一因素在不同地方、不同年份对疾病的影响力度甚至方向都可能不同。
这项研究的意义重大。它不仅将人们对CL驱动因素的认识从定性关联推进到定量刻画与时空定位的新层次，而且所采用的GTWR模型框架为研究其他具有空间传播特性的传染病（如疟疾、登革热）提供了方法学范式。更重要的是，研究成果具有直接的政策含义。各国政府和卫生机构可以依据本研究提供的“风险地图”和“影响因素贡献谱”，超越“一刀切”的防控策略，针对本国高风险区域（如热点区）的主导风险因子（如高温、高婴儿死亡率），在关键时间节点（如气候变化的敏感期）实施更具成本效益和针对性的综合干预措施，例如加强特定地区的病媒控制、改善基层医疗条件、推动经济社会发展等，从而更有效地降低全球CL的疾病负担，向消除被忽视热带病的全球目标迈出坚实的一步。
