2013-2017年美国沙门氏菌群检测与调查方法对疫情报告的影响

《Journal of Food Protection》：Effect of Salmonella Cluster Detection and Investigation Methods on Outbreak Reporting in the United States 2013-2017

　　希拉里·A·布斯 | 亚历山德拉·R·埃德蒙森 | 梅兰妮·J·菲尔斯通 | 克雷格·W·赫德伯格
华盛顿州卫生部，1610 NE 150th Street, Shoreline, WA 98155

**摘要**
各州的集群检测和疫情调查实践及资源存在差异。目前缺乏证据来评估沙门氏菌集群检测和调查实践对疫情检测和报告的有效性。2015年，我们对美国所有50个州的卫生部门进行了在线调查，以评估脉冲场凝胶电泳（PFGE）集群检测和调查实践及资源如何影响这些州在2013-2017年间向CDC食品borne疾病暴发监测系统（FDOSS）报告单州沙门氏菌疫情的情况。与未采用这些实践的州相比，使用标准假设生成问卷（HGQ）进行假设生成访谈（HGI）的州报告的沙门氏菌疫情数量增加了155%，对所有病例进行常规HGI的州增加了85%，使用标准PFGE集群定义的州增加了40%。多变量回归模型显示，参与食品borne疾病暴发响应效果中心（FoodCORE）或OutbreakNet增强计划（OBNE）以及通过流行病学和实验室能力（ELC）拨款获得的人均资金，比单个监测实践更能解释疫情报告的差异。研究结果表明，FoodCORE和OBNE推广的一系列实践提高了单独实践的潜在效率。尽管PFGE已不再是亚型分类的标准方法，但这些发现展示了监测活动与疫情报告之间的关系，并为评估当前监测实践的效果提供了框架。随着从PFGE向全基因组测序（WGS）的转变，持续评估州和地方层面的监测实践对于维持有效的监测基础并减少沙门氏菌感染的公共卫生负担至关重要。

**引言**
食源性疾病仍然是美国的一个重大公共卫生问题。据估计，2019年有990万例由六种病原体引起的本土食源性疾病（Scallan Walter等人，2025年）。在一项调查中，人们对美国食品供应安全性的信心跌至历史最低水平（国际食品信息委员会，2025年）。只有55%的受访者对美国食品供应的安全性感到有些或非常自信，41%的人表示“了解政府目前如何确保食品安全”会增强他们的信心（国际食品信息委员会，2025年）。将沙门氏菌感染减少25%是“健康人民2030”计划中的国家食品安全目标之一（美国卫生与公众服务部，疾病预防与健康促进办公室）。
联邦、州和地方的食源性疾病监测网络共同努力解决这一问题。PulseNet最初是一个基于公共卫生实验室的监测系统，使用脉冲场凝胶电泳（PFGE）来检测全国及地方的食源性疾病集群，特别是沙门氏菌、产志贺毒素的大肠杆菌（STEC）和李斯特菌（Swaminathan等人，2001年）。沙门氏菌及其他食源性病原体的全基因组测序（WGS）的发展大大增强了跨机构在食源性疾病监测、疫情调查和根本原因分析方面的合作，从而改进了预防措施（Stevens等人，2022年）。标准化的WGS监测方法使每个州都至少有一个PulseNet实验室，形成了使用类似集群检测实践的全国性网络。即使在WGS出现之前，PulseNet在疫情检测和调查方面的改进也减少了5.07亿美元的医疗和生产力成本，主要是因为疫情原因的信息为行业决策提供了更好的依据，并促进了食品安全实践的改进（Scharff等人，2016年）。随着WGS的实施，上报给CDC食品borne疾病暴发监测系统（FDOSS）的多州疫情数量增加，而单州疫情数量相应下降（Vachon等人，2025年）。除了改进的实验室方法外，各州通过CDC的流行病学和实验室能力（ELC）拨款合作协议获得的资金也增加了食源性疾病的发生和报告。人均ELC拨款每增加一美元，各州的疫情报告率大约增加25%（Vachon等人，2025年）。虽然参与ELC资助的监测项目与报告增加有关，但尚无法评估特定项目特征或各州使用的监测实践的具体影响。

**疫情发生的原因**
疫情可能由于接触受污染的食物、水、动物或人际传播而发生。对于沙门氏菌感染，其中50%-80%可归因于食物（Scallan Walter等人，2025年）。在调查开始时，疫情来源通常并不明显。州卫生部门（HD）（以及较大辖区内的县和市卫生部门）会对实验室确认的沙门氏菌感染病例进行常规监测。临床实验室将分离株送往州公共卫生实验室（PHL）进行WGS分子分析，以识别可能代表疫情发生的病例集群（Medus等人，2020年）。最佳实践要求在资源允许的情况下，尽可能在每个病例发病日期附近进行详细的食品和动物接触访谈（即假设生成访谈或HGI）。因此，最佳的集群调查方法包括在病例报告给卫生部门后立即进行HGI（通常在它们被确认为集群的一部分之前）（Irvin等人，2020年）。ELC拨款水平的差异可能会限制或促进某些实践，如沙门氏菌病例的标准化HGI。许多州仅在病例被确认为集群的一部分后才会进行HGI。虽然食品borne疾病暴发响应增强计划（FoodCORE）改善了参与州的监测和调查实践（Tilashalski等人，2021年），但目前缺乏证据来评估这些实践对疫情检测和报告的有效性。本研究旨在评估各州卫生部门的PFGE集群检测和调查实践及资源，并探讨它们对向CDC食品borne疾病暴发监测系统（FDOSS）报告沙门氏菌疫情的影响。

**材料与方法**
**调查方法**
2015年，我们通过SurveyMonkey.com对美国所有50个州的卫生部门进行了在线调查。每个州只收到一份问卷。问卷旨在了解卫生部门如何定义PFGE集群、如何检测集群以及检测到集群后如何进行调查。加州公共卫生部的同事对问卷进行了试测，并提供了关于调查语言的反馈。所有参与者都被告知调查是自愿的，并同意参与。回答在2015年9月21日至11月10日的51天期间通过在线调查工具收集。
我们通过电话联系了所有50个州卫生部门的传染病（CD）部门，以确定谁可以提供有关其辖区食源性疾病集群或疫情调查的准确信息，包括与进行PFGE检测的实验室合作伙伴的互动情况。研究参与者包括由卫生部门传染病部门指定从事食源性疾病工作的流行病学家。调查问卷由卫生部门传染病联系人分享，他们与其他团队成员协商后回答问题（如适用），但每个部门仅提交一份调查回答。参与者需要完成以下内容：“请填写空白处：我们将当地沙门氏菌感染集群定义为具有无法与其他病例在____天内收集的样本区分开来的PFGE模式的____个或更多分离株。”参与者还被要求报告其所在机构的定义是否符合这一规定格式，并提供替代定义。
参与者通过SurveyMonkey收到唯一的调查链接，注册通过这些链接进行跟踪。在研究期间，参与者收到了一系列三封电子邮件提醒，直至完成调查。明尼苏达大学的学生通过电话联系了一些参与者以提醒他们完成调查。所有50个州卫生部门都指定了调查填写人员，因此调查回收率为100%，覆盖了所有美国州卫生部门。
**其他数据来源**
2013-2017年间各州的单州沙门氏菌疫情数量来自CDC的食品borne疾病暴发监测系统（FDOSS）（2022年5月9日数据）。分析中仅包括基于暴露途径的单州沙门氏菌疫情。2013-2017年间各州的总沙门氏菌病例数量来自CDC的国家可报告疾病监测系统（NNDSS）。2013-2017年间各州通过PFGE进行亚型分类的分离株数量来自PulseNet。将该数量除以各州报告的沙门氏菌病例总数，得出接受亚型分类的病例比例，用于分析。
2016-2017年的流行病学和实验室能力（ELC）拨款（不包括寨卡病毒拨款）数据来自CDC。计算了2016-2017年的年均拨款金额，然后除以2013-2017年各州的人口平均数（来自census.gov）。所得出的人均ELC拨款用于分析。
2013-2017年间各州每年在四个CDC资助的食源性疾病监测项目（FoodNet、FoodCORE、OutbreakNet增强计划（OBNE）和综合食品安全卓越中心（CoE）中的参与情况来自CDC。如果某个州在2013-2017年间曾参与过这些项目，则将其纳入分析。
**统计分析**
采用两个多变量线性回归模型来识别与卫生部门向FDOSS报告的单州疫情相关的因素。第一个模型包括12个独立变量：9个来自调查数据（最常用的集群检测方法、PHL报告频率、标准集群定义、标准化表格使用情况、常规访谈、暴露数据使用情况、假设生成问卷（HGQ）类型、CDC提供的资金来源（ELC人均拨款）、实验室数据（亚型分类比例）和沙门氏菌病例率（每10万人口的病例数）。
第二个模型包括7个独立变量：四个项目参与变量（FoodNet、FoodCORE、OBNE和CoE参与）、CDC提供的资金来源（ELC人均拨款）、实验室数据（亚型分类比例）和沙门氏菌病例率（每10万人口的病例数）。分别运行模型来评估特定的监测实践和项目参与情况，因为FoodCORE和OBNE促进了与实验室监测、病例访谈和疫情调查相关的综合实践。两个模型都将单州沙门氏菌疫情报告率（每100万人口的疫情数）作为因变量。
最常用的集群检测方法以二进制变量表示：通过PHL通知或其他方法。PHL报告频率以分类变量表示：每日、每周、在新集群或匹配发现时、新PFGE结果准备好时以及未发送报告。是否有标准集群定义和标准化表格使用情况均以二进制“是/否”变量表示。沙门氏菌病例的HGI频率以二进制变量表示：常规或不常规。收集的暴露数据的使用情况以分类变量表示：数据未录入任何地方；数据已录入但未集中在中央位置；数据集中在中央位置。在启动PFGE集群调查或进行常规扩展暴露访谈时使用的HGQ类型基于调查中的两个问题：使用哪种HGQ，如果选择了“我们自己制定的HGQ”，则还需提供所基于的HGQ类型。该变量指示了使用的HGQ类型（无论是否为自制），包括：CDC国家假设生成问卷（NHGQ）、俄勒冈州“霰弹枪式”问卷、明尼苏达州“长表格”和其他自制表格类型。NHGQ的使用情况以二进制变量表示：用于所有PFGE集群调查或不用于所有PFGE集群调查。最后，从调查中确定了本地进行分析的频率（与在CDC进行分析相对），并将其作为二进制变量纳入：主要（>50%）发送到CDC，主要不发送到CDC。暴发数据被用作因变量（每100万人口的单一州暴发次数）。所有分析都是使用R统计软件版本4.5.0（R Core Team，2025）进行的。

尽管这项调查是在10年前进行的，而且现在PFGE已经被WGS取代作为簇检测的标准方法，但了解和记录2015年的监测实践如何与各州使用这些实践进行暴发报告的情况，有助于理解监测数据本身。未来的研究可以类似地评估当前WGS环境下的实践。

调查结果收集自所有50个州的健康部门（HDs）。单个州的沙门氏菌暴发率中位数为每年每100万人口0.85次暴发，四分位数范围（IQR）为0.45至1.28（表1）。病例亚型的中位比例为0.92（IQR；0.87至0.96），而沙门氏菌病的病例率中位数为每年每100万人口14.77例（IQR；12.48至19.03）。ELC人均资助额中位数为0.79美元（IQR；0.46至1.34）。

表1. 2013-2017年各州特征
指标 中位数（四分位数范围 [IQR]
沙门氏菌病例数/每100万人口 14.77（12.48，19.03）
沙门氏菌病例亚型比例 0.92（0.87，0.96）
单个州沙门氏菌暴发次数/每100万人口 0.85（0.45，1.28）
ELC人均资助额 0.79（0.46，1.34）

关于簇检测，健康部门报告使用多种互补方法检测到沙门氏菌PFGE簇（表2）。所有50个州的健康部门都报告称，PHL的微生物学家检测到了当地的沙门氏菌PFGE簇；38个州（76%）还报告称这是最常用于检测簇的方法。42个州（84%）通过审查病例监测数据的食源性疾病工作人员检测到簇，其中34个州（67%）由CDC通知与其他州的病例匹配。4个州（8%）表示这是检测簇的最常用方法。

调查问题及2015年各州卫生部门簇检测和调查方法调查的结果，按回答频率排序，并与2013-2017年报告给CDC国家暴发报告系统（NORS）的每100万人口的单一州沙门氏菌暴发率进行了比较：

| 调查问题 | 回答选项 | 州份比例 (%) |
|------------------|-----------------|---------|
| 沙门氏菌暴发次数（每10^6人口） | | |
| 最常用的检测当地簇的方法？ | •州公共卫生实验室（PHL）通知流行病学工作人员 | | 38 |
| | •PHL通知以外的任何方法 | | 12 |
| | | | 24 |
| | | | 0.66 |
| 流行病学部门多久收到一次PHL的PFGE报告？ | | | |
| | 只有在检测到新的匹配簇时 | | 27 |
| | 每当有新结果时 | | 10 |
| | 每周固定一天 | | 7 |
| | 每天 | | 12 |
| | 从不 | | 7 |
| | | | 4 |
| | | | 2 |
| | | | 0.71 |
| | | | 0.66 |
| | | | 0.49 |
| | | | 0.90 |
| 是否有标准的PFGE簇定义？ | | | 30 |
| | | | 20 |
| | | | 0.77 |
| 进行假设生成访谈（HGI）的频率？ | | | |
| | 对所有病例都没有常规随访 | | 38 |
| | 对所有病例都有常规随访 | | 12 |
| | | | 59 |
| | | | 1.09 |
| 是否使用CDC NHGQ调查PFGE簇？ | | | |
| | 并非所有PFGE簇调查 | | 43 |
| | 所有PFGE簇调查 | | 7 |
| | | | 0.64 |
| 是否使用标准的假设生成问卷（HGQ）？ | | | 45 |
| | | | 90 |
| | | | 5 |
| 启动PFGE簇调查时使用的表格或基础 | | | |
| | CDC NHGQ | | 29 |
| | 自制HGQ | | 13 |
| | 或“散弹”HGQ | | 5 |
| | MN“长格式”HGQ | | 29 |
| | | | 13 |
| | | | 5 |
| | | | 3 |
| | | | 0.73 |
| | | | 0.46 |
| | | | 1.12 |
| | | | 1.24 |
| HGI数据在哪里分析？ | | | |
| | 数据集中输入 | | 26 |
| | 未在任何地方输入数据 | | 13 |
| | 数据输入但未集中 | | 10 |
| | | | 20 |
| | | | 0.75 |
| | | | 0.52 |
| | | | 0.54 |

四十八个州报告定期收到来自其对应PHL的详细沙门氏菌PFGE结果的报告。然而，27个州（54%）报告仅在检测到新的簇（或与现有簇的新匹配）时才收到此类报告；10个州（20%）报告在任何新的个别结果可用时都收到PFGE报告。

三十个州报告有本地定义的沙门氏菌PFGE簇的标准（表2）。其中二十一个州（70%）将PFGE簇定义为两个或更多具有无法区分的PFGE模式的病例（即匹配）。两个州将沙门氏菌PFGE簇定义为三个或更多病例。三个州根据具体的沙门氏菌血清型，对沙门氏菌PFGE簇的最小病例数给出了更具体的定义。十七个具有簇定义的州报告在60天窗口内寻找簇。四个州（13%）在30天内定义簇，两个州将簇的时间段定义为14天内，一个州将簇的时间段定义为45天内。三个州报告其时间框架基于具体的沙门氏菌血清型。

三十两个州（64%）在确定病例属于簇之前不进行病例假设生成访谈（HGI），而十二个州（24%）报告在所有报告的病例的常规监测中进行了HGI。六个州（12%）仅在中枢CDC要求时进行HGI。四十五个州（90%）报告使用标准化问卷进行HGI。在启动簇调查时使用哪种HGQ方面，各州的意见存在分歧。包括直接使用现有的HGQ表格和基于现有表格开发的“自制”HGQ，二十九个州（58%）报告使用NHGQ作为标准化HGQ，五个州（10%）报告使用基于OR“散弹”HGQ的表格，三个州（6%）报告使用基于MN“长格式”HGQ的表格。十三个州（26%）报告使用自制HGQ，包括包含多种其他表格元素的HGQ。使用标准化问卷进行HGI的州报告暴发的比例较高，其中使用MN“长格式”HGQ的州报告的暴发比例最高。

三十六个州（72%）报告在本地输入HGI数据，尽管其中28%的州表示这些数据不是集中存储的。二十六个州（52%）报告HGI数据被存储在集中位置，十三个州（26%）报告未在任何地方输入暴露数据。四十个州（80%）报告在簇调查中分析HGI数据。四十二个州（84%）报告将HGI数据发送到CDC进行分析，二十个州（40%）报告在调查期间最常将数据发送到CDC进行分析。

监测实践对暴发报告的影响。对于使用特定监测实践的州，观察到每百万人口的沙门氏菌暴发报告率增加（表2）。使用标准HGQ的州比不使用标准HGQ的州每百万人口的暴发报告率高155%（分别为0.74对比0.29）。对所有病例进行常规假设生成访谈的州比不进行常规随访的州每百万人口的暴发报告率高85%（分别为1.09对比0.59）。使用标准PFGE簇定义的州比没有标准PFGE簇定义的州每百万人口的暴发报告率高40%（分别为0.77对比0.55）。其他监测实践也存在类似但较小的差异，并且各州使用的个别实践组合之间存在相当大的变异性。

统计分析。第一个多元线性回归模型未能有意义地评估个别监测实践与单一州暴发报告率之间的关系。由于包含了一些观察次数较少的变量以及独立变量仅解释了25%的州特定暴发报告率的变异性（调整后的R平方=0.251，p值=0.0593），该模型效力不足。第二个模型显示，FoodCORE和OBNE的参与以及ELC人均资助与暴发报告呈正相关（表3）。第二个模型包括的解释了报告率45%变异性的独立变量。

第二个模型显示，FoodCORE和OBNE的参与以及ELC人均资助与暴发报告呈正相关（表3）。

讨论
先前的研究表明，参与CDC ELC资助的监测项目和增加的ELC资助水平与向FDOSS报告的单一州沙门氏菌暴发率增加有关（White等人，2022年；Vachon等人，2025年）。我们在这项研究中的初步方法是根据特定监测实践的存在来确定暴发率。观察到，接收来自PHL的每日PFGE报告、使用标准PFGE簇定义、使用标准假设生成问卷、在所有病例的常规随访中进行假设生成访谈以及在中央数据库中输入假设生成访谈的州的报告率增加了25%或更多。因此，这些实践似乎提高了健康部门检测和调查沙门氏菌簇的能力。结合我们的回归分析，表明FoodCORE和OBNE推广的实践组合增强了单独实践的潜在效果，这些发现突显了具体监测实践的重要性以及将这些实践结合到监测项目中以改善沙门氏菌暴发的检测和调查的重要性。

WGS作为沙门氏菌的主要亚型方法的实施，从2013-2017年的91例增加到2019-2023年的144例，而单一州暴发的报告从2013-2017年的651例减少到2019-2023年的384例（疾病控制与预防中心，2026年）。从单一州暴发向多州暴发的转变反映了WGS相比PFGE在连接多个州病例的相关模式方面的能力增强。这一点在S. Enteritidis上尤为明显，该期间多州食源性疾病暴发的数量增加了175%，而单一州暴发的数量减少了32%（疾病控制与预防中心，2026年）。

与之前的暴发监测评估（White等人，2022年；Vachon等人，2025年）一样，由于多州调查管理各不相同，且各州参与多州调查并不一定反映州级的资源和调查暴发的能力，因此排除了各州参与多州暴发的情况。然而，促进单一州暴发调查的监测实践也增强了多州暴发的有效性。

随着从PFGE向WGS的转变以及CDC通过PulseNet监测检测到的多州暴发的增加，持续评估州和地方层面的监测实践对于确保及时检测单个州暴发以及及时调查单个州和多州暴发至关重要（Jervis等人，2020年；White等人，2023年）。食源性疾病暴发调查提供了指导预防食源性疾病传播工作的重要信息。减少实施基于证据的监测实践的障碍可以提高健康部门WGS簇检测和调查实践，这对于实现Healthy People 2030目标减少沙门氏菌和其他食源性疾病的发生率是必要的。

某些监测实践的响应变异性导致观察数量较少，限制了我们最初的多元线性回归模型产生显著结果的能力，尽管这些变量的观察报告率存在显著差异。包括更多年的全国沙门氏菌暴发报告和随时间变化的监测实践的相应调查数据可以增加此类研究的效力。我们的调查结果提供了各州健康部门沙门氏菌簇检测和调查方法的快照，以及这些方法如何影响在PFGE作为食源性疾病监测标准亚型系统期间的FDOSS暴发报告情况。虽然这些结果不能推广到美国当前的健康部门实践状态，但它们为建立和推广基于证据的监测实践提供了框架。

结论
各州的簇检测方法、暴发调查实践和资源各不相同。在所有病例的常规随访中使用假设生成访谈、使用标准假设生成问卷、使用标准PFGE簇定义以及每天从PHL接收报告与提高暴发报告率有关。重要的是，FoodCORE和OBNE促进的实践组合似乎增强了单独实践的潜在效果。虽然PFGE方法已不再是亚型分型的金标准，但这些研究结果展示了监测活动与疫情报告之间的关联性，并为评估当前监测实践的影响提供了框架。持续评估监测实践对疫情报告的影响对于理解监测数据本身以及有效利用这些数据来减少食源性疾病负担至关重要。

未引用的参考文献：Irvin和Hedberg，2020年；Jervis和Hedberg，2020年；Tilashalski等人，2022年；美国卫生与公众服务部，2026年。

CRediT作者贡献声明：
Hillary A. Booth：负责写作（初稿）、软件开发、方法论设计、数据分析处理及概念构建。
Alexandra R. Edmundson：负责写作（审稿与编辑）、验证工作、软件开发、方法论设计及数据分析处理。
Melanie J. Firestone：负责写作（审稿与编辑）及方法论研究。
Craig W. Hedberg：负责写作（审稿与编辑）及项目监督、概念构建。