Spatio-temporal distribution and socioenvironmental factors of acute hemorrhagic conjunctivitis in China
-
摘要:
目的 通过分析急性出血性结膜炎(acute hemorrhagic conjunctivitis, AHC)时空分布特征以及研究影响其发病的社会环境影响因素，为该疾病防控策略提供科学依据。 方法 本研究以中国2011-2017年31个省(自治区、直辖市)的AHC发病数据为基础，运用空间自相关分析方法探求疾病时空分布特征，并且使用地理探测器分析各环境因子对疾病的影响。 结果 2011-2017年AHC年发病率波动较小，发病主要集中在夏秋季；空间上集中于中南地区以及华东地区；AHC发病率存在空间正相关，湖南省从高高聚集到低高聚集，防控力度要继续保持，贵州省从低高聚集到高高聚集，要注意周围省份疾病传播；气象、社会发展、经济文化等因素均不同程度影响AHC的发病，且因子的两两交互作用增强了发病风险，其中年均气温与其他因子的相互作用增加效应较强。 结论 AHC发病时空分布不均匀，并且受各种社会环境因素的影响，空间自相关分析以及地理探测器模型的运用能有效地探索其时空特征以及影响因素，为AHC进行有重点的、有针对性的预防与控制发挥了重要的作用。 Abstract:Objective To understand the spatio-temporal distribution and socioenvironmental factors of acute hemorrhagic conjunctivitis (AHC), and to provide a scientific basis for the prevention and control. Methods Based on the AHC incidence data in 31 provinces (autonomous regions and municipalities directly under the Central Government) in China from 2011 to 2017, spatial autocorrelation analysis was used to explore the spatio-temporal distribution characteristics, and geographical detector was used to analyze the influence of socioenvironmental factors. Results The annual incidence was relatively flat from 2011 to 2017 that mainly occurred in summer and autumn. The incidence of AHC concentrated in central and southern China and eastern China and had obvious spatial positive correlation. The incidence in Hunan Province was from high to low and high aggregation, and prevention and control efforts should be maintained. The incidence in Guizhou Province was from low to high aggregation, and attention should be paid to the spread of disease in surrounding provinces. Meteorological, social development, economic-cultural factors all affected AHC incidence to varying degrees, and the interaction of these increased the incidence risk, among which the interaction between average annual temperature and other factors has strong strengthening effect. Conclusions The spatial and temporal distribution of AHC incidence is not uneven and was affected by various social and environmental factors. The spatial autocorrelation analysis and geographical detector model can effectively explore the spatiotemporal characteristics and influencing factors of AHC, which perform important roles in the focused and targeted prevention and control. -
急性出血性结膜炎(acute hemorrhagic conjunctivitis, AHC)俗称“红眼病”，是一种主要由肠道病毒70型(human enterovirus 70, EV70)、柯萨奇病毒A24变异株(coxsackievirus A24 variant, CV-A24v)以及腺病毒引起的具有极强传染性的眼病。该病潜伏期短，主要通过患者眼部分泌物污染手、物品、水等患病。近几十年来，全球有很多国家暴发了AHC，例如印度、印度尼西亚、巴西、非洲大部分国家[1-2]。大部分AHC的研究[3-6]集中在流行病学特征以及分子病原学分析，其时空分析以及多因素影响研究在全球范围内都是缺乏的。此外，在空间水平上也从未出现过对AHC相关影响因素做交互作用的例子，这也是地理探测器的优势。
地理探测器是探索空间分异，并且揭开背后驱动力的一组重要的统计学方法。其核心思想是基于以下的假设：如果某个因素对另一个因素具有重要的影响，那么在空间分布上这2个因素具有相似性[7]。地理探测器有诸多优势，例如它基于非线性假设，并且探索交互关系时不必预先知晓因子间是相加还是相乘关系，此外还可以避免共线性，而且因子无论是定性资料还是定量资料都可以进行分析。目前地理探测器已应用于生活的各个方面，比如公共健康、环境、区域规划等[8-13]。本研究利用2011-2017年中国大陆AHC发病数据以及同期环境因子资料，运用空间自相关分析以及地理探测器的方法，旨在揭示该病的时间空间分布规律以及影响其流行的环境因子。
1. 资料与方法
1.1 资料来源
2011-2017年中国大陆AHC的发病资料来源于公共卫生科学数据中心。同期气象数据来自中国气象数据共享网络(http://data.cma.cn)，其他因子数据主要来源于《中国统计年鉴》。选择的指标主要为4个维度层，前3个主要为社会因素，社会各方面因素对传染病的发展一直发挥着重要作用，最后的气象维度最终选取了气象方面主要的4个代表指标[14]。数据包含31个省(自治区、直辖市)。见表 1。
表 1 急性出血性结膜炎环境影响因子指标描述Table 1. Description of environmental factors for acute hemorrhagic conjunctivitis目标层 维度层 指标层 AHC社会环境影响因子 社会发展 X1：人口密度(人/km2) X2：城镇人口比重(%) 经济文化 X3：人均GDP(元) X4：人均受教育年限(年) 卫生医疗 X5：医疗卫生机构数(个) X6：卫生技术人员(万人) 气象条件 X7：年均气温(℃) X8：年均相对湿度(%) X9：年均降雨量(mm) X10：年均日照时数(h) 注：GDP：国内生产总值(gross domestic product)。 1.2 分析方法
1.2.1 空间自相关
(1) 全局自相关分析：可以分析研究的事物或者现象在整个研究区域是否具有自相关性，本研究中使用莫兰指数(Moran's I)来衡量。Moran's I的取值范围为[-1, 1]，当其绝对值越大时，相关程度就越强。取值为正，说明观察值之间为空间正相关；取值为负为空间负相关；取值为0则说明不具有空间相关性。(2)局部自相关分析：可以分析研究的事物或者现象在局部区域中是否具有自相关性，本研究使用局部Moran's I来衡量。最终结果使用空间关联的局部指标(local indicators of spatial association, LISA)聚集图来进行展示。LISA聚集图主要分为以下4类，高高聚集(省份和邻近省份发病率都较高)、高低聚集(高发病率省份被低发病率省份所包围)、低高聚集(低发病率省份被高发病率省份所包围)、低低聚集(省份以及邻近省份发病率都较低)。
1.2.2 地理探测器
主要分为以下4个探测器，因子探测、交互作用探测、风险区探测以及生态探测。本研究采用前3种探测器对AHC以及各环境因子之间的关系进行分析。(1)因子探测：是用来探索某因子x解释了多少属性y的空间变异性，主要用q统计量来衡量，其公式如下：
$$ q=1-\frac{\sum\limits_{h=1}^{L} N_{h} \sigma_{h}^{2}}{N \sigma^{2}}=1-\frac{S S W}{S S T} $$ (1) 式中：h为分类分区数；Nh和N为类和全区的单元数；SSW为类的方差和，SST为全区的总方差。q的取值范围为[-1, 1]，值越大则说明因子x对属性y的解释力就越大。(2)交互作用探测：是用来分析2个因子之间的交互作用是否会对属性y产生影响，如有影响是增强还是减弱作用。其原理主要是比较因子X1与X2的q值和2因子重叠形成的新图层的q值，以此分析交互作用。(3)风险区的探测：是用来分析各个分区类别中属性y的均值是否具有统计学差异。
1.3 统计学方法
利用Excel 2019软件对数据进行汇总整理；运用ArcGIS 10.8软件进行空间自相关分析；利用Excel编制的地理探测器软件(http://geodetector.cn/)进行影响因素分析。检验水准α=0.05。
2. 结果
2.1 AHC的时空分布
2011-2017年，中国共有247 977例AHC的病例。时间分布上，AHC的年发病率较为平缓，其中2014年出现一个发病率最高；并且AHC发病主要集中在每年的夏秋季节，尤其在2011年以及2014年夏秋季节与冬春季节发病波动较大。见图 1。
图 1 2011-2017年中国大陆AHC发病时间分布Figure 1. The incidence time distribution of AHC in China from 2011 to 2017在空间分布上，2011-2017年AHC的发病主要集中在湖北省、安徽省、广西壮族自治区以及海南省等。而新疆维吾尔自治区、内蒙古、东北三省(黑龙江省、吉林省、辽宁省)以及山东省在研究年份中发病率较其他省、自治区、直辖市较低。总体而言，AHC的发病主要集中在中南地区以及华东地区，在中国温度带的划分中，主要集中在热带、亚热带以及小部分暖温带。见图 2。
图 2 2011-2017年中国大陆AHC发病空间分布Figure 2. Spatial distribution of AHC in China from 2011 to 20172.2 自相关分析
中国大陆2011-2017年AHC的发病率的全局Moran's I均为正值，年变化波动较小，且经假设检验后，差异均有统计学意义(均有P < 0.05)，可以说明中国AHC在空间分布上具有聚集性，并不是随机分布的。见表 2。
表 2 2011-2017年AHC发病率全局自相关分析Table 2. Global autocorrelation analysis of the incidence of AHC from 2011 to 2017年份(年) Moran's I值 Z值 P值 2011 0.154 1 2.620 9 0.008 8 2012 0.179 3 2.902 9 0.003 7 2013 0.169 8 2.835 2 0.004 5 2014 0.203 9 3.243 9 0.001 2 2015 0.166 9 2.810 8 0.004 9 2016 0.149 1 2.562 6 0.010 4 2017 0.157 6 2.799 8 0.005 1 2011-2017 0.186 6 3.060 7 0.002 2 局部相关分析结果可知，中国大陆AHC的发病率存在局部空间聚集性。对于湖南省而言，从2011-2012年的高高聚集，即湖南省和周边省份发病率都较高，到2013-2017年的低高聚集，即湖南省的发病率低于周边省份。而对于贵州省而言，有从2011-2014年低高聚集到2015-2017年高高聚集的趋势。总体而言，广西壮族自治区、广东省、海南省以及重庆市年均都为高高聚集，特别是广西壮族自治区、广东省、海南省这三省在2011-2017年中每年都是高高聚集的片状分布；另外，内蒙古、东北三省以及山东省年均都为低低聚集。见图 3。
图 3 2011-2017年AHC发病率的LISA聚集图Figure 3. LISA aggregation of incidence of AHC from 2011 to 20172.3 地理探测器
2.3.1 因子探测
因子探测器分析了环境因子对AHC发病的解释能力。因子探测器得出了所有纳入的环境因子与AHC发病的q值，并且相对应的均有P < 0.05，即说明影响差异有统计学意义。其中，对AHC发病率的解释力较强的环境因子，从强到弱依次是：年均气温、年均相对湿度、年均降水量、年均日照时数、人均GDP、城镇人口比重、人口密度、人均受教育年限等。综上可知，AHC发病与气象因素、社会发展以及经济文化因素关系较为密切。见图 4。
图 4 各环境因子对AHC发病的解释力Figure 4. The explanatory power of environmental factors on the incidence of AHC2.3.2 发病风险探测
基于因子探测器得出对AHC发病具有重要影响的因子，发病风险探测器可以得出每个环境因子发病风险最大的范围以及和其他区比较是否有统计学差异。每个环境因子的最高发病风险区域各有特点，其中，X1(人口密度)、X7(年均气温)以及X8(年均相对湿度)的高发区和各自其他4区进行比较，差异均具有统计学意义(均有P＜0.05)。人口密度的高发区为3区(229.31~446.47人/km2)，在中国大陆2011-2017年，位于此范围较频繁的省市有：广东省、河南省、江苏省、浙江省等。年均气温的高发区为5区(20.69~25.43 ℃)，且此区发病率均值和其他因子相比最高。在研究范围内，此指标常位于此范围的有：广东省、广西壮族自治区、海南省等。年均相对湿度的高发区为1区(77.89%~86.49%)，2011-2017年此指标频繁位于天津市、河北省、山西省、宁夏回族自治区、北京市等。见表 3。
表 3 AHC各环境因子的发病风险Table 3. The risk of environmental factors for the incidence of AHC因子 高发区(取值范围) 高发区发病率均值 与高发区有显著差异的分区 人口密度(人/km2) 3(229.31~446.47) 3.651 0 1、2、4、5 城镇人口比重(%) 3(36.41~48.87) 3.330 4 1、2、5 人均GDP(元) 5(16 413~34 674) 3.325 2 1、2、4 人均受教育年限(年) 1(7.52~8.65) 3.103 6 2、4、5 医疗卫生机构数(个) 5(30 998~49 874) 3.641 5 1、2、3 卫生技术人员(万人) 3(24.60~37.59) 3.924 2 1、2、4 年均气温(℃) 5(20.69~25.43) 8.906 8 1、2、3、4 年均相对湿度(%) 1(77.89~86.49) 5.863 0 2、3、4、5 年均降雨量(mm) 4(1 898.53~2 412.58) 6.823 9 1、2、5 年均日照时数(h) 5(930.64~1 385.29) 4.020 0 2、3 2.3.3 交互作用探测
交互探测器主要用来分析两因子间的交互作用对AHC发病的影响。各个环境因子之间的两两交互作用对发病的影响均比单独作用时增强了，且X7(年均气温)与其他因子的相互作用表现出较强的增强效应。例如，X7(年均气温)与X3(人均GDP)的交互作用最大，为0.766 8；其次为X7(年均气温)和人口X1(密度之间)的交互作用，为0.749 1。见表 4。
表 4 AHC不同环境因子交互作用Table 4. Interaction of different environmental factors in AHC因子 人口密度(人/km2) 城镇人口比重(%) 人均GDP (元) 人均受教育年限(年) 医疗卫生机构数(个) 卫生技术人员(万人) 年均气温(℃) 年均相对湿度(%) 年均降雨量(mm) 年均日照时数(h) 人口密度 0.096 9 城镇人口比重 0.206 0 0.100 7 人均GDP 0.170 6 0.141 2 0.104 9 人均受教育年限 0.157 6 0.115 5 0.155 0 0.088 2 医疗卫生机构数 0.629 9 0.377 1 0.236 2 0.406 7 0.048 6 卫生技术人员 0.475 2 0.286 4 0.243 3 0.392 0 0.146 9 0.066 9 年均气温 0.749 1 0.743 4 0.766 8 0.618 1 0.639 5 0.733 9 0.548 7 年均相对湿度 0.403 5 0.450 6 0.477 5 0.400 6 0.521 4 0.579 1 0.613 5 0.313 7 年均降雨量 0.581 4 0.548 5 0.518 3 0.389 5 0.492 1 0.585 8 0.615 6 0.358 1 0.293 6 年均日照时数 0.331 4 0.352 2 0.317 9 0.242 5 0.373 3 0.433 9 0.627 6 0.445 5 0.513 4 0.146 9 3. 讨论
本研究通过探索2011-2017年AHC发病的时间特点，得出其季节以及年份发病特征。对该病进行空间分布制图，得到中国大陆各地每年发病分布差异。为了解其空间相关性以及聚集特点从而更好地落实重点区域的防控，进行了空间自相关分析。为研究空间分异的特点，探讨空间分异的影响机制，使用了地理探测器进行分析。其中因子探测器能识别有解释力的因子，发病风险探测器能得到各因子更为准确的发病风险范围，而交互作用探测器能分析两因子交互时发病是否发生变化。
本研究发现：在时间维度上，2011-2017年，AHC的年发病率较为平缓。在2014年出现一个小高峰，有研究[15]也有同样的结果，是因为2014年AHC突发公共卫生事件报告了23起(2013-2020年共报告38起)。AHC发病主要集中在每年的夏秋季节，可能与这个时候的开学和农忙活动有关[16]。在空间维度上，2011-2017年该病在湖北省、安徽省、广西壮族自治区以及海南省等地发病率居于前列，应加强防控力度。然而新疆维吾尔自治区、内蒙古、东北三省(黑龙江省、吉林省、辽宁省)以及山东省发病率和其他地区相比较低。总体而言，AHC的发病主要集中在中南地区以及华东地区，在中国温度带的划分中，主要集中在中国热带、亚热带以及小部分暖温带。以上，可能与AHC病原体适宜湿润温暖的季风气候有关[17-18]。在空间自相关方面，说明了AHC发病率存在空间正相关以及局部聚集。对于湖南省而言，发病聚集特征从高高聚集到低高聚集，可能与近年来防控力度提高有关；而贵州省从低高聚集到高高聚集的趋势，受到了周围省份的影响，应该加强防控力度。广西壮族自治区、广东省、海南省这3个地区每年都是高高聚集的片状分布，也应更为重视这一片区的防控。
本研究利用地理探测器的3个部分发现：第一个部分，因子探测器得出对发病解释力较强的环境因子有年均气温、年均相对湿度、年均降水量、年均日照时数、人均GDP、城镇人口比重等。本研究发现AHC发病季节性强，与气象因素最为相关，特别和温度、湿度联系密切，其次是社会发展以及经济文化因素[19]；第二个部分，发病风险探测器得到每个环境因子的发病风险区域各有差异，其中X1(人口密度)、X7(年均气温)以及X8(年均相对湿度)的高发区和其他区比较均有差异。人口密度的高发区为3区(229.31~446.47人/km2)，位于此范围较频繁的省市有：广东省、河南省、江苏省、浙江省等。这些省份均是人口密度较高的地区，人口密集是传播AHC的危险因素[20]。年均气温的高发区为5区(20.69~25.43 ℃)，且此区较所有因子发病率均值最高，此指标常位于此范围的有：广东省、广西壮族自治区、海南省等。年均相对湿度的高发区为1区(77.89%~86.49%)，此区发病率均值居第2，此指标频繁位于此区域的有：天津市、河北省、山西省、宁夏回族自治区、北京市等。综上区域要更加注重AHC防控。最后一个部分，交互作用探测器发现因子两两交互作用均增强对AHC发病的影响，年均气温与其他因子的相互作用增强效应表现最强, 说明气象和社会其他因素的协同作用对AHC发病影响强。
综上所述，气象以及社会发展、经济文化，特别是气象方面，对AHC的发病产生了重要的影响。各地区AHC的发病，空间联系密切，有聚集特征，要想最终防控好AHC，离不开每个区域的共同努力，鼎力合作。一方面，发病率高、发病率有逐年上升趋势或者周边有高发病率省份的都是疾病防控的重点区域，应加强监测力度，完善防控策略，实施防控措施；另一方面，对于低发病率的区域，也不应放松警惕，应持续监测，提高公共卫生应急水平。
本研究弥补了AHC在时空以及影响因素方面的空缺，为该病的理论研究和现实防控提供了科学参考。但本文尚未对AHC时空分布动态进行分析，接下来的研究可在这方面加强，为该病的防控贡献更多的力量。
-
图 1 2011-2017年中国大陆AHC发病时间分布
Figure 1. The incidence time distribution of AHC in China from 2011 to 2017
图 2 2011-2017年中国大陆AHC发病空间分布
Figure 2. Spatial distribution of AHC in China from 2011 to 2017
图 3 2011-2017年AHC发病率的LISA聚集图
Figure 3. LISA aggregation of incidence of AHC from 2011 to 2017
图 4 各环境因子对AHC发病的解释力
Figure 4. The explanatory power of environmental factors on the incidence of AHC
表 1 急性出血性结膜炎环境影响因子指标描述
Table 1. Description of environmental factors for acute hemorrhagic conjunctivitis
目标层 维度层 指标层 AHC社会环境影响因子 社会发展 X1：人口密度(人/km2) X2：城镇人口比重(%) 经济文化 X3：人均GDP(元) X4：人均受教育年限(年) 卫生医疗 X5：医疗卫生机构数(个) X6：卫生技术人员(万人) 气象条件 X7：年均气温(℃) X8：年均相对湿度(%) X9：年均降雨量(mm) X10：年均日照时数(h) 注：GDP：国内生产总值(gross domestic product)。 
下载: 导出CSV
表 2 2011-2017年AHC发病率全局自相关分析
Table 2. Global autocorrelation analysis of the incidence of AHC from 2011 to 2017
年份(年) Moran's I值 Z值 P值 2011 0.154 1 2.620 9 0.008 8 2012 0.179 3 2.902 9 0.003 7 2013 0.169 8 2.835 2 0.004 5 2014 0.203 9 3.243 9 0.001 2 2015 0.166 9 2.810 8 0.004 9 2016 0.149 1 2.562 6 0.010 4 2017 0.157 6 2.799 8 0.005 1 2011-2017 0.186 6 3.060 7 0.002 2
下载: 导出CSV
表 3 AHC各环境因子的发病风险
Table 3. The risk of environmental factors for the incidence of AHC
因子 高发区(取值范围) 高发区发病率均值 与高发区有显著差异的分区 人口密度(人/km2) 3(229.31~446.47) 3.651 0 1、2、4、5 城镇人口比重(%) 3(36.41~48.87) 3.330 4 1、2、5 人均GDP(元) 5(16 413~34 674) 3.325 2 1、2、4 人均受教育年限(年) 1(7.52~8.65) 3.103 6 2、4、5 医疗卫生机构数(个) 5(30 998~49 874) 3.641 5 1、2、3 卫生技术人员(万人) 3(24.60~37.59) 3.924 2 1、2、4 年均气温(℃) 5(20.69~25.43) 8.906 8 1、2、3、4 年均相对湿度(%) 1(77.89~86.49) 5.863 0 2、3、4、5 年均降雨量(mm) 4(1 898.53~2 412.58) 6.823 9 1、2、5 年均日照时数(h) 5(930.64~1 385.29) 4.020 0 2、3
下载: 导出CSV
表 4 AHC不同环境因子交互作用
Table 4. Interaction of different environmental factors in AHC
因子 人口密度(人/km2) 城镇人口比重(%) 人均GDP (元) 人均受教育年限(年) 医疗卫生机构数(个) 卫生技术人员(万人) 年均气温(℃) 年均相对湿度(%) 年均降雨量(mm) 年均日照时数(h) 人口密度 0.096 9 城镇人口比重 0.206 0 0.100 7 人均GDP 0.170 6 0.141 2 0.104 9 人均受教育年限 0.157 6 0.115 5 0.155 0 0.088 2 医疗卫生机构数 0.629 9 0.377 1 0.236 2 0.406 7 0.048 6 卫生技术人员 0.475 2 0.286 4 0.243 3 0.392 0 0.146 9 0.066 9 年均气温 0.749 1 0.743 4 0.766 8 0.618 1 0.639 5 0.733 9 0.548 7 年均相对湿度 0.403 5 0.450 6 0.477 5 0.400 6 0.521 4 0.579 1 0.613 5 0.313 7 年均降雨量 0.581 4 0.548 5 0.518 3 0.389 5 0.492 1 0.585 8 0.615 6 0.358 1 0.293 6 年均日照时数 0.331 4 0.352 2 0.317 9 0.242 5 0.373 3 0.433 9 0.627 6 0.445 5 0.513 4 0.146 9
下载: 导出CSV
-
[1] Sousa IP, Burlandy FM, Ferreira JL, et al. Re-emergence of a coxsackievirus A24 variant causing acute hemorrhagic conjunctivitis in Brazil from 2017 to 2018[J]. Arch Virol, 2019, 164(4): 1181-1185. DOI: 10.1007/s00705-019-04157-5. [2] Gopalkrishna V, Patil PR, Kolhapure RM, et al. Outbreak of acute hemorrhagic conjunctivitis in Maharashtra and Gujarat states of India, caused by Coxsackie virus A-24 variant[J]. J Med Virol, 2007, 79(6): 748-753. DOI: 10.1002/jmv.20886. [3] 蒯文和, 李涛, 刘吉祥, 等. 宁夏2004-2018年急性出血性结膜炎流行病学特征分析[J]. 宁夏医科大学学报, 2020, 42(3): 279-282. DOI: 10.16050/j.cnki.issn1674-6309.2020.03.012.Kuai WH, Li T, Liu JX, et al. Analysis of epidemiological characteristics of acute hemorrhagic conjunctivitis in Ningxia from 2004 to 2018[J]. J Ningxia Med Univ, 2020, 42(3): 279-282. DOI: 10.16050/j.cnki.issn1674-6309.2020.03.012. [4] 白春林, 马蓓蓓, 余青, 等. 宜昌市2005-2014年急性出血性结膜炎流行特征[J]. 公共卫生与预防医学, 2015, 26(4): 61-63. https://www.cnki.com.cn/Article/CJFDTOTAL-FBYF201504018.htmBai CL, Ma BB, Yu Q, et al. Epidemiological characteristics of acute hemorrhagic conjunctivitis in Yichang city from 2005 to 2014[J]. J of Pub Health and Prev Med, 2015, 26(4): 61-63. https://www.cnki.com.cn/Article/CJFDTOTAL-FBYF201504018.htm [5] Shukla D, Kumar A, Srivastava S, et al. Molecular identification and phylogenetic study of coxsackievirus A24 variant isolated from an outbreak of acute hemorrhagic conjunctivitis in India in 2010[J]. Arch Virol, 2013, 158(3): 679-684. DOI: 10.1007/s00705-012-1520-7. [6] De W, Huanying Z, Hui L, et al. Phylogenetic and molecular characterization of coxsackievirus A24 variant isolates from a 2010 acute hemorrhagic conjunctivitis outbreak in Guangdong, China[J]. Virol J, 2012, 9: 41. DOI: 10.1186/1743-422x-9-41. [7] 王劲峰, 徐成东. 地理探测器: 原理与展望[J]. 地理学报, 2017, 72(1): 116-134. DOI: 10.11821/dlxb201701010.Wang JF, Xu CD. Geodetectors: principles and prospects[J]. Acta Geographica Sinica, 2017, 72(1): 116-134. DOI: 10.11821/dlxb201701010. [8] 宋海慧, 余卓渊, 丁晓彤, 等. 森林脑炎时空分布特征和环境影响因素分析[J]. 地球信息科学学报, 2020, 22(12): 2371-2382. doi: 10.12082/dqxxkx.2020.190511Song HH, Yu ZY, Ding XT, et al. Spatial and temporal distribution characteristics and environmental factors of forest encephalitis[J]. Journal of Geo-information Science, 2020, 22(12): 2371-2382. doi: 10.12082/dqxxkx.2020.190511 [9] 潘梦华, 黄斌, 黎燕宁. 基于核密度和地理探测器的南宁市手足口病空间聚集及影响因素[J]. 中华疾病控制杂志, 2020, 24(11): 1269-1274, 1331. DOI: 10.16462/j.cnki.zhjbkz.2020.11.006.Pan MH, Huang B, Li YN. Spatial clustering and influencing factors of hand, foot and mouth disease in Nanning city based on nuclear density and geographic detector[J]. Chin J Dis Control Prev, 2020, 24 (11): 1269-1274, 1331. DOI: 10.16462/j.cnki.zhjbkz.2020.11.006. [10] Gao JB, Yuan J, Yaakov A. Contribution analysis on spatial tradeoff/synergy of Karst soil conservation and water retention for various geomorphological types: geographical detector application[J]. Ecological Indicators, 2021, 125: 107470. DOI: 10.1016/j.ecolind.2021.107470. [11] Huang S, Xiao L, Zhang Y, et al. Interactive effects of natural and anthropogenic factors on heterogenetic accumulations of heavy metals in surface soils through geodetector analysis[J]. Sci Total Environ, 2021, 789: 147937. DOI: 10.1016/j.scitotenv.2021.147937. [12] 赵永玉, 阿里木江·卡斯木, 高鹏文, 等. 基于地理探测器的乌鲁木齐市城区扩展及影响因素分析[J]. 干旱区地理, 2021, 44(6): 1729-1739. https://www.cnki.com.cn/Article/CJFDTOTAL-GHDL202106021.htmZhao YY, Ali KSM, Gao PW, et al. Analysis of urban expansion and its influencing factors in Urumqi based on geographic detector[J]. Arid Land Geography, 2021, 44(6): 1729-1739. https://www.cnki.com.cn/Article/CJFDTOTAL-GHDL202106021.htm [13] 张若琰, 刘卫东, 宋周莺. 基于地理探测器的中国国家级开发区时空演化过程及其驱动力研究[J]. 自然资源学报, 2021, 36(10): 2672-2683. DOI: 10.314971/zrzyxb.20211015.Zhang RY, Liu WD, Song ZY. Spatial-temporal evolution and driving forces of National development zones in China based on geographic detectors[J]. Journal of Natural Resources, 2021, 36(10): 2672-2683. DOI: 10.314971/zrzyxb.20211015. [14] 关尽忠, 柴晓东. 新发现传染病与社会因素的探讨[J]. 口岸卫生控制, 2002, (1): 33-40. https://www.cnki.com.cn/Article/CJFDTOTAL-KAWS200201021.htmGuan JZ, Chai XD. Study on newly discovered infectious diseases and social factors[J]. Port Health Control, 2002, (1): 33-40. https://www.cnki.com.cn/Article/CJFDTOTAL-KAWS200201021.htm [15] 胡停停, 赵鹤鹤, 段晓健, 等. 2013-2020年我国急性出血性结膜炎流行特征及暴发疫情分析[J]. 疾病监测, 2021, 36(5): 440-444. DOI: 10.3784/jbjc.202011130385.Hu TT, Zhao HH, Duan XJ, et al. Epidemiological characteristics and outbreak of acute hemorrhagic conjunctivitis in China from 2013 to 2020[J]. Disease Surveillance, 2021, 36(5): 440-444. DOI: 10.3784/jbjc.202011130385. [16] 孙大鹏, 丁淑军, 林艺, 等. 山东2005-2013年急性出血性结膜炎流行特征分析[J]. 中国公共卫生, 2016, 32(1): 15-18. https://www.cnki.com.cn/Article/CJFDTOTAL-ZGGW201601007.htmSun DP, Ding SJ, Lin Y, et al. Epidemiological characteristics of acute hemorrhagic conjunctivitis in Shandong province from 2005 to 2013[J]. Chin J Public Health, 2016, 32(1): 15-18. https://www.cnki.com.cn/Article/CJFDTOTAL-ZGGW201601007.htm [17] 刘翠娟, 朱海城, 高淑萍, 等. 河源市2005-2019年急性出血性结膜炎流行特征[J]. 海峡预防医学杂志, 2021, 27(4): 39-40. https://www.cnki.com.cn/Article/CJFDTOTAL-HXYF202104017.htmLiu CJ, Zhu HC, Gao SP, et al. Epidemiological characteristics of acute hemorrhagic conjunctivitis in Heyuan City from 2005 to 2019[J]. Strait J Prev Med, 2021, 27(4): 39-40. https://www.cnki.com.cn/Article/CJFDTOTAL-HXYF202104017.htm [18] 李晨希, 吴群红, 刘欢, 等. SARIMA模型在广东省急性出血性结膜炎疫情预测中的应用[J]. 职业与健康, 2021, 37(18): 2522-2525. DOI: 10.13329/j.cnki.zyyjk.2021.0637.Li CX, Wu QH, Liu H, et al. Application of SARIMA model in epidemic prediction of acute hemorrhagic conjunctivitis in Guangdong Province[J]. Occupational and Health, 2021, 37 (18): 2522-2525. DOI: 10.13329/j.cnki.zyyjk.2021.0637. [19] 章显传, 刘桂英, 潘琼娇, 等. 温州市急性出血性结膜炎流行特征分析[J]. 预防医学, 2018, 30(8): 816-818. DOI: 10.19485/j.cnki.issn2096-5087.2018.08.015.Zhang XC, Liu GY, Pan QJ, et al. Epidemiological characteristics of acute hemorrhagic conjunctivitis in Wenzhou, China[J]. Prev Med, 2018, 30(8): 816-818. DOI: 10.19485/j.cnki.issn2096-5087.2018.08.015. [20] 黄江荣, 黄亚铭. 急性出血性结膜炎流行概况分析[J]. 现代医药卫生, 2015, 31(S1): 8-10. DOI: 10.3969/j.issn.1009-5519.2015.25.004.Huang JR, Huang YM. Analysis of epidemic situation of acute hemorrhagic conjunctivitis[J]. J Mod Med Health, 2015, 31(S1): 8-10. DOI: 10.3969/j.issn.1009-5519.2015.25.004. 期刊类型引用(9)
1. 张嘉陵，赵兴，郑艳泽，周鑫，支明，李海朋. 连云港市2011—2022年急性出血性结膜炎流行病学特征分析. 医学动物防制. 2025(04): 317-321 . 
百度学术2. 赵文文，韦弥青，苏永健，张家玮，戴诗燕，李海. 2005-2022年我国急性出血性结膜炎发病的长期趋势. 热带医学杂志. 2025(01): 124-128+145 . 百度学术3. 李雪梅，林凯，肖娜，古丽斯，龚泽龙，刘雅文，徐震东. 2014—2022年深圳市人腺病毒感染的急性结膜炎流行特征及影响因素分析. 上海预防医学. 2024(02): 138-142 . 百度学术4. 王加坤，郑文华，韩燕玲. 2005-2022年济南市急性出血性结膜炎流行特征分析. 社区医学杂志. 2024(11): 373-377 . 百度学术5. 张路钱，李欣欣，张梦妍，王舒，年云鹏，宁少奇. 2011―2023年陕西省急性出血性结膜炎流行特征及空间聚集性分析. 中华疾病控制杂志. 2024(10): 1184-1189 . 本站查看6. 袁琳琳，刘晓林，杨丽萍，王建醒，刘倜，寇增强. 2005—2022年山东省急性出血性结膜炎流行特征和空间分布分析. 国际病毒学杂志. 2024(05): 386-390 . 百度学术7. 姜泽鑫，常雪晴，朱文轩，朱琼，谢颖豪，吴成秋，刘富强. 2007年—2021年湖南省AHC流行特征及时空聚集性分析. 中南医学科学杂志. 2023(02): 206-209+253 . 百度学术8. 郑良，孙明浩，石圆，于胜男，王志强，李秀君. 2011—2019年山东省肾综合征出血热时空分布及影响因素. 山东大学学报(医学版). 2023(11): 104-110 . 百度学术9. 万丽，周小茜，王汐. 石家庄市2004—2022年肠道传染病流行特征分析. 现代预防医学. 2023(23): 4392-4397 . 百度学术其他类型引用(4)
-
下载:
点击查看大图
计量
- 文章访问数: 743
- HTML全文浏览量: 325
- PDF下载量: 66
- 被引次数: 13