2011-2012年武威市凉州区胃癌时空特征分析

目的 探究2011-2012年武威市凉州区胃癌发病的时空分布特征。方法 利用空间经验贝叶斯平滑、时空扫描统计量分析方法,对胃癌发病数据进行分析。结果 平滑后的胃癌发病率高低值地区分布集中,有明显的聚集趋势。纯空间扫描与时空扫描均探测到该地区胃癌发病存在聚集性,纯空间扫描结果包括永昌镇、五和乡、洪祥镇等三个聚集区,扫描时间为2011-2012年;时空扫描同样得到三个聚集区,但在聚集区类别和大小上与空间扫描存在差异,其聚集时间为2011年1月1日～2011年12月31日。男女性时空扫描结果表明男女性胃癌发病也具有聚集性,且女性聚集区范围大于男性。结论 武威市胃癌发病持续走高,防控工作严峻。结合空间经验贝叶斯平滑、时空扫描统计量方法,能够克服区域人口间的差异,准确的找出胃癌空间分布特征及时空聚集性。     

多水平贝叶斯模型在灵璧县食道癌死亡率空间分布模式研究中应用

目的采用多水平贝叶斯模型研究2005-2010年灵璧县各村庄食道癌死亡率空间分布特征,通过纳入空间相邻关系,评价村庄空间结构对村庄别食道癌死亡率交互影响作用,为探索分析食道癌危险因素提供依据。方法数据来源于灵璧县2005-2010年死因调查数据集。其中2005-2007年为回顾性调查数据,2008-2010年为常规监测数据。本研究使用约克和莫莉模型（besag,york and mollie model,BYM）,采用蒙特卡罗马科夫链算法进行统计模拟获取各参数的后验估计值,计算2005-2010年各村食道癌死亡的相对标准化死亡比（standardmortality ratio,SMR）和相对危险度（relative risk,RR）,并确定食道癌死亡的高聚集区。结果食道癌死亡SMR高值地区仍然主要聚集在灵璧县中部,特别是中东区域。行政村食道癌RR>1.0的后验概率>0.80者也主要分布在这些区域。BYM将食道癌相对危险度的空间变异分为空间聚集性变异和异质性方差两部分后,发现在灵璧县中东部存在一个高发聚集区,位于奎濉河流经灵璧县的中下游地区,同时在该县西北部存在一个低发区域。...     

时空扫描统计量在人口死亡空间分布特征中的应用

目的采用基于Poisson模型的时空扫描统计量方法对2012-2014年绵阳市各乡镇人口死亡的时空分布特征进行研究。方法以乡镇为单位收集整理2012-2014年绵阳市的死亡监测数据及人口数据;采用时空扫描统计软件Sa TScan 9.6用于对整理的数据进行回顾性时空扫描统计,使用Arc GIS 10.5将扫描结果进行可视化。结果 2012-2014年绵阳市人口死亡累计77 936例,年均死亡率为548.1/10万。时空扫描结果显示,在2012-2014年绵阳市人口死亡存在空间聚集性,分别探测到了15类、10类、12类聚集区。其中2012、2013年的显著聚集区域主要为三台县的各乡镇,2014年的聚集区域则为江油市的各乡镇。结论绵阳市的人口死亡存在时空聚集性,时空聚集性分析有助于更深入地了解人口死亡的时空分布规律,为进一步探索绵阳市人口死亡影响因素提供依据。     

无锡市手足口病时空聚集性分析及气象因素研究

目的 分析江苏省无锡市手足口病(Hand-Foot-Mouth Disease,HFMD)流行的时空分布特征,探讨气象因素对HFMD发病的影响,为HFMD的防控提供科学依据。方法 应用时空聚类分析确定HFMD及重症HFMD患者的聚集区域和高发时段,用负二项分布模型分析HFMD发病与气象因素的关联。结果〓无锡市2009-2014年共报告HFMD患者79 571例,年均发病率为196.99/10万,2012年及2014年为2个发病高峰年,无锡市HFMD存在两个季节性发病高峰(4-7月和11-12月)。时空聚集分析显示无锡市HFMD1号聚集区相对危险度(Relative Risk,RR)为1.96,共覆盖25个乡镇,主要位于城区及城乡结合部,高发时段为2011年5月10日-2014年12月22日;2号聚集区RR为3.47,共覆盖22个乡镇,主要位于远郊及农村地区,高发时段为2014年3月25日-2014年7月21日。重症HFMD 1号聚集区RR为4.04,共覆盖17个乡镇,主要位于远郊及农村地区;2号聚集区RR为2.53,共覆盖17个乡镇,主要位于城区及城乡结合部。控制了“年”因素后,月平均气温每升高1℃,HFMD月发病数上升4.27%(95%CI:0.59%-8.10%)。结论 无锡市HFMD发病呈周期性及季节性分布特征;HFMD及重症HFMD发病不是随机分布,存在明显时空聚集的特点;气温为HFMD发病的危险因素。     

上海松江2006-2011年新登记肺结核时空分布规律及影响因素

目的 了解上海市松江区2006-2011年新登记肺结核(tuberculosis,TB)的时空分布规律及其影响因素.方法 收集2006-2011年TB相关信息,应用时空扫描统计量探测TB的时空聚集区,应用Logistic回归模型分析影响TB聚集区形成的危险因素.结果 松江区2006-2011年新登记2 916例TB,单纯空间扫描统计显示全部TB及全部菌阳TB均在车墩镇聚集,本地TB及本地菌阳TB的空间聚集区为西南部的五个镇(新浜、石湖荡、小昆山、泖港和永丰),流动TB的聚集区为车墩镇,流动菌阳TB的聚集区为车墩镇、叶榭镇和泖港镇.时空扫描统计量显示松江区肺结核病例在2007-2008年出现聚集现象,聚集区域为工业区所在地的车墩镇和新桥镇.对于本地患者,农民职业者及就诊延误与空间聚集区呈独立相关;流动患者中,职业为蓝领工人、年龄小于60岁及来源于中国中西部地区是形成空间聚集区的危险因素.结论 松江区TB的分布具有一定的时空聚集性.东部工业区是流动TB的聚集区域,西南五镇是本地TB的聚集区域,TB防控的工作重点应聚焦于这些区域;流动人口是TB聚集的重要因素,应重点关注.     

2009 - 2015年淮安市食管癌发病时空聚集性分析

目的 探讨淮安市食管癌发病时空分布特征,为食管癌的规范化防治提供新思路。方法 收集2009 - 2015年淮安市食管癌发病数据,计算发病率及空间自相关性,采用时空扫描统计进行空间聚集性分析。结果 2009 - 2015年淮安市食管癌发病率呈波动变化,平均发病率为66.07/10万。纯空间扫描统计发现2个食管癌发病聚集区,分别是洪泽区和淮安区;时空扫描探测到的一类聚集区为洪泽区,聚集时间为2012年,二类聚集区为淮安区,聚集时间为2010 - 2011年。男女性的扫描结果与总体食管癌发病时空扫描结果相似,男性聚集区范围大于女性,聚集时间多为2009 - 2012年。结论 淮安市食管癌发病存在明显的时空聚集性,探索出的高发区域能够为进一步研究相关风险因素与食管癌发病的关联提供基础,对淮安市食管癌区域性防治具有一定的指导意义。     

甘肃省2009-2013年丙型病毒性肝炎发病的时空聚集性探测研究

目的 了解2009-2013年甘肃省丙型病毒性肝炎(丙肝)报告发病率的时空分布特征及探测发病聚集区域。方法 利用甘肃省2009-2013年传染病网络直报系统中丙肝的发病率数据, 使用GeoDa分析丙肝在甘肃省县(区)水平上的全局/局部自相关性, 并用SaTScan软件探测其时空聚集特征。结果 2009-2013年甘肃省丙肝发病率存在全局系相关性, 局部自相关性分析, 发病热点区域为金昌市、武威市、张掖市和兰州市部分县(区), 冷点区域主要分布在定西市、陇南市、平凉市、甘南州及酒泉市、庆阳市、白银市、天水市部分县(区)。时空探测结果显示: 2009-2010年发病存在时空聚集性, 高发病聚集区为天水市秦州区和麦积区, 低发病聚集区最大可能分布在定西市临洮县和临夏州的部分县(区)。2011-2013年高发病聚集区为张掖市、金昌市、武威市、兰州市和白银市的部分县(区), 低发病聚集区主要分布在定西市、天水市、平凉市、陇南市和庆阳市的部分县(区)。结论 2009-2013年甘肃省丙肝发病率存在时空聚集性, 高发病集聚区和低发病聚集区分布随时间变化, 高发病区域主要分布在甘肃省中西部。     

2004-2011年云南省注射吸毒者艾滋病流行的时空分析

目的 分析2004-2011年间云南省注射吸毒者艾滋病流行的时空聚集性.方法 利用空间自相关分析和时空扫描方法,对2004-2011年间云南省各个地区报告的注射吸毒途径感染的艾滋病病例数据进行分析,计算其空间分布的全局和局部自相关系数、相对危险度及对数似然比.结果 空间自相关分析显示云南省注射吸毒者艾滋病感染的空间相关性较强,2004-2011年间开远市、陇川县、蒙自县、个旧市等13个县市区为热点区域.SatScan时空扫描侦测出5类聚集区,其中瑞丽市、盈江县、芒市、陇川县聚集的可能性最大(RR=12.98,LLR=4 901.22),个旧市、开远市为第2可能聚集区(RR=12.11,LLR=3 468.14),大理市和昆明市东川区为第3、第5可能聚集区.富民县、西山区、五华区、盘龙区、安宁市、官渡区构成2008年后唯一时空聚集区,为第4可能聚集区.结论 初步判断艾滋病在云南省注射吸毒者中的流行情况有所缓解,防控策略可有所调整.利用时空分析技术对艾滋病监测数据进行时空聚集性研究可以为艾滋病流行趋势的判断和防治效果的评价提供依据.     

2004-2011年云南省注射吸毒者艾滋病流行的时空分析

目的分析2004-2011年间云南省注射吸毒者艾滋病流行的时空聚集性。方法利用空间自相关分析和时空扫描方法,对2004-2011年间云南省各个地区报告的注射吸毒途径感染的艾滋病病例数据进行分析,计算其空间分布的全局和局部自相关系数、相对危险度及对数似然比。结果空间自相关分析显示云南省注射吸毒者艾滋病感染的空间相关性较强,2004-2011年间开远市、陇川县、蒙自县、个旧市等13个县市区为热点区域。SatScan时空扫描侦测出5类聚集区,其中瑞丽市、盈江县、芒市、陇川县聚集的可能性最大（RR=12.98,LLR=4 901.22）,个旧市、开远市为第2可能聚集区（RR=12.11,LLR=3 468.14）,大理市和昆明市东川区为第3、第5可能聚集区。富民县、西山区、五华区、盘龙区、安宁市、官渡区构成2008年后唯一时空聚集区,为第4可能聚集区。结论初步判断艾滋病在云南省注射吸毒者中的流行情况有所缓解,防控策略可有所调整。利用时空分析技术对艾滋病监测数据进行时空聚集性研究可以为艾滋病流行趋势的判断和防治效果的评价提供依据。     

2010 - 2017年佛山市南海区手足口病流行特征及时空聚集性分析

目的 分析佛山市南海区2010 - 2017年手足口病流行特征,探索其在时间、空间上的变化趋势,为该病的防控工作提供参考。方法 对2010 - 2017年南海区手足口病疫情进行描述性分析,使用移动流行区间法（MEM）判断手足口病流行季节,使用时空扫描方法搜索手足口病时间、空间聚集区域。结果 2010 - 2017年,南海区平均报告发病率为611.23/10万,男、女性别比1.61∶1。年龄最大58岁,最小不足10 d,中位年龄2岁。2010 - 2014年,疫情呈快速上升趋势,其后疫情有所回落,每年4月底 - 8月是手足口病流行高峰期,MEM模型显示,18周以后,手足口病疫情呈现快速上升趋势,疫情高峰一般出现在每年第20周左右,疫情高峰持续约为14周（95%CI为9.81～20.03周）。时空扫描统计显示,2013年4 - 8月桂城街道、大沥镇为第一类时空聚集区（LLR = 4 238.37,相对危险度为3.64）,2014年5 - 9月九江镇、西樵镇及丹灶镇是为第二类疫情时空聚集区（LLR = 3 322.50,相对危险度为2.84）。结论 手足口是南海区报告数最多的传染病,个别病例可以发展为重症甚至死亡,是南海区重点预防的传染病。     

2001—2009年武威市凉州区胃癌发病和死亡状况分析

目的探讨武威市凉州区胃癌发病、死亡特征及其流行趋势。方法死亡资料来自全国第三次死因抽样调查武威市凉州区资料,发病资料来自武威市凉州区恶性肿瘤登记报告。结果 2001—2009年武威市凉州区胃癌平均粗发病率为105.49/10万,平均粗死亡率为90.87/10万,发病死亡比值为0.86(发病率/死亡率)。男女性粗发病率性比值为3.60,粗死亡率性比值为2.24。男女性发病、死亡率经统计学检验均有显著性差异(P<0.01)。结论武威市凉州区胃癌发病和死亡均呈现高水平状态,男性高于女性,发病高峰年龄男女性均在70岁组,死亡高峰年龄男女性均在80岁组。     

A simulation study of three methods for detecting disease clusters

Background  

Cluster detection is an important part of spatial epidemiology because it can help identifying environmental factors associated with disease and thus guide investigation of the aetiology of diseases. In this article we study three methods suitable for detecting local spatial clusters: (1) a spatial scan statistic (SaTScan), (2) generalized additive models (GAM) and (3) Bayesian disease mapping (BYM). We conducted a simulation study to compare the methods. Seven geographic clusters with different shapes were initially chosen as high-risk areas. Different scenarios for the magnitude of the relative risk of these areas as compared to the normal risk areas were considered. For each scenario the performance of the methods were assessed in terms of the sensitivity, specificity, and percentage correctly classified for each cluster.     

2001—2010年武威市凉州区恶性肿瘤发病特征及其流行趋势分析

目的探讨武威市凉州区恶性肿瘤发病特征及其流行趋势,为肿瘤防治规划的制定和防治效果的评价提供依据。方法资料来自肿瘤登记报告,粗发病率、人口调整率、截缩率和累积率等,统计指标按照《中国肿瘤登记工作指导手册》介绍的方法进行,两个率的比较采用χ2检验。结果 2001—2010年恶性肿瘤粗发病率为231.5/10万,中国人口调整率为208.6/10万,性比值(男/女)为1.9,男女性粗发病率经统计学检验,χ2=2126.38,P<0.01。男性前9位恶性肿瘤发病顺位依次为胃癌、食管癌、肺癌、肝癌、大肠癌、白血病、脑肿瘤、恶性淋巴瘤和胰腺癌,前9位恶性肿瘤占男性全部恶性肿瘤发病的90.1%;女性前11位恶性肿瘤发病顺位依次为胃癌、食管癌、乳腺癌、肺癌、大肠癌、宫颈癌、肝癌、恶性淋巴瘤、脑肿瘤、白血病和胰腺癌,前11位恶性肿瘤占女性全部恶性肿瘤发病的81.8%。年龄别发病率有随着年龄增长而升高的趋势。结论武威市凉州区恶性肿瘤发病呈上升趋势,胃癌、食管癌、肺癌和女性乳腺癌是武威市凉州区肿瘤防治的重点。     

How does Poisson kriging compare to the popular BYM model for mapping disease risks?

Background

Geostatistical techniques are now available to account for spatially varying population sizes and spatial patterns in the mapping of disease rates. At first glance, Poisson kriging represents an attractive alternative to increasingly popular Bayesian spatial models in that: 1) it is easier to implement and less CPU intensive, and 2) it accounts for the size and shape of geographical units, avoiding the limitations of conditional auto-regressive (CAR) models commonly used in Bayesian algorithms while allowing for the creation of isopleth risk maps. Both approaches, however, have never been compared in simulation studies, and there is a need to better understand their merits in terms of accuracy and precision of disease risk estimates.

Results

Besag, York and Mollie's (BYM) model and Poisson kriging (point and area-to-area implementations) were applied to age-adjusted lung and cervix cancer mortality rates recorded for white females in two contrasted county geographies: 1) state of Indiana that consists of 92 counties of fairly similar size and shape, and 2) four states in the Western US (Arizona, California, Nevada and Utah) forming a set of 118 counties that are vastly different geographical units. The spatial support (i.e. point versus area) has a much smaller impact on the results than the statistical methodology (i.e. geostatistical versus Bayesian models). Differences between methods are particularly pronounced in the Western US dataset: BYM model yields smoother risk surface and prediction variance that changes mainly as a function of the predicted risk, while the Poisson kriging variance increases in large sparsely populated counties. Simulation studies showed that the geostatistical approach yields smaller prediction errors, more precise and accurate probability intervals, and allows a better discrimination between counties with high and low mortality risks. The benefit of area-to-area Poisson kriging increases as the county geography becomes more heterogeneous and when data beyond the adjacent counties are used in the estimation. The trade-off cost for the easier implementation of point Poisson kriging is slightly larger kriging variances, which reduces the precision of the model of uncertainty.

Conclusion

Bayesian spatial models are increasingly used by public health officials to map mortality risk from observed rates, a preliminary step towards the identification of areas of excess. More attention should however be paid to the spatial and distributional assumptions underlying the popular BYM model. Poisson kriging offers more flexibility in modeling the spatial structure of the risk and generates less smoothing, reducing the likelihood of missing areas of high risk.     

An examination of five spatial disease clustering methodologies for the identification of childhood cancer clusters in Alberta, Canada

Cluster detection is an important part of spatial epidemiology because it may help suggest potential factors associated with disease and thus, guide further investigation of the nature of diseases. Many different methods have been proposed to test for disease clusters. In this paper, we study five popular methods for detecting spatial clusters. These methods are Besag-Newell (BN), circular spatial scan statistic (CSS), flexible spatial scan statistic (FSS), Tango's maximized excess events test (MEET), and Bayesian disease mapping (BYM). We study these five different methods by analyzing a data set of malignant cancer diagnoses in children in the province of Alberta, Canada during 1983-2004. Our results show that the potential clusters are located in the south-central part of the province. Although, all methods performed very well to detect clusters, the BN and MEET methods identified local as well as general clusters.     

How to interpret and choose a Bayesian spatial model and a Poisson regression model in the context of describing small area cancer risks variations

BackgroundThe statistical Bayesian approach is widely used in disease mapping and Poisson regression. Results differ depending on the underlying hypothesis. Our objective is to give a comprehensive presentation of the tools that can be used to interpret results and choose between the different hypotheses. Data from the Isere cancer registry (France) illustrate this presentation.MethodWe consider, first, Bayesian models for disease mapping. Classic heterogeneity (Potthoff-Whithinghill statistic) and spatial autocorrelation tests (Moran statistic) of the SIRs, the DIC criteria of the different Bayesian models and finally the comparison of the empirical variance of the unstructured and structured heterogeneity components of the BYM model are considered. The last two criteria are considered for Bayesian Poisson regression including a covariate. Mapping the components of the BYM model with a covariate is also considered.ResultsFour cancer sites (prostate, lung, colon-rectum and bladder) in men diagnosed during the 1998–2007 period are used to illustrate our presentation. We show that the different criteria used to interpret and to choose a model give coherent results.ConclusionA relevant interpretation of results is a necessary step in choosing the best-adapted Bayesian model. This choice is easy to make with criteria such as the DIC. The comparison of the empirical variance of the unstructured and structured heterogeneity components of the BYM model is also informative.     

武威市凉州区城镇居民高血压病流行病学调查

[目的]了解甘肃省武威市凉州区城镇居民高血压流行现状,为进一步控制高血压病奠定基础。[方法]由各社区卫生服务站对凉州区18岁以上城镇居民进行高血压患病情况普查。[结果]调查115734人,查出高血压患者24213例,患病率为20.92。男性高血压患病率为22.29,女性为19.54,男性高于女性,年龄分组显示患病率随年龄增加而增加。高血压知晓率为54.29,治疗率为42.13,控制率为11.89。[结论]凉州区城镇居民高血压患病率处于较高水平。在社区开展高血压防治是控制高血压日益增长趋势的关键。应对居民的生活方式、膳食结构采取综合干预措施。     

山东省1970-2013年肝癌死亡率空间聚集性分析及其变化趋势

目的 探讨1970-2013年山东省不同县（市、区）肝癌死亡率的空间聚集性及其变化趋势,为制定肝癌防控规划和措施提供依据。方法 肝癌死亡率数据取自山东死亡登记系统和全国三次死因回顾性调查数据。利用死亡率和年龄调整死亡率等指标描述不同年代肝癌变化趋势,采用死亡率差别分解法计算死亡率变化中人口因素和非人口因素的贡献值。采用ArcGIS 10.2软件用于空间分析,采用空间扫描统计软件SaTScan 9.4进行肝癌空间聚集分析。结果 2011-2013年山东省肝癌粗死亡率（29.89/10万）较1970-1974年（9.72/10万）和1990-1992年（22.08/10万）分别上升208.00%和35.37%,与2004-2005年（30.44/10万）相差不大。肝癌年龄标化死亡率呈现先升高后降低的趋势,2011-2013年标化死亡率（12.62/10万）较1970-1974年上升60.97%,较1990-1992年和2004-2005年分别下降22.38%和21.81%。不同年代肝癌死亡率的差别分析发现,20世纪70年代以来,肝癌粗死亡率总体呈上升趋势,人口因素在其中所占比例越来越大,人口因素对肝癌死亡率上升的贡献值从1990-1992年的3.38%,上升到2004-2005年的29.36%,2011-2013年达到了46.16%。而非人口因素对肝癌死亡率升高的贡献值呈下降趋势。从肝癌死亡率空间分布来看,不同县（市、区）肝癌粗死亡率差异较大,粗死亡率在9.33/10万～65.33/10万之间。采用空间扫描统计软件进行肝癌死亡率空间聚集分析可以发现多个肝癌高死亡率聚集区,2011-2013年主要聚集区分布在胶东半岛地区,覆盖青岛、烟台及威海市的20个县（市、区）,该聚集区内的肝癌死亡风险是其他区域的1.54倍。1970-1974年肝癌死亡率空间聚集性分布与2011-2013年结果明显不同,主要聚集区分布在山东省中、西部的大部分地区。结论 1970-2013年山东省肝癌死亡率发生了明显的时间和空间变化,应根据这些变化趋势以及其地理空间聚集性,进一步探索肝癌死亡的相关危险因素,为制定切实可行的肝癌区域化防控措施提供依据。     

Modelling of municipal mortality due to haematological neoplasias in Spain

OBJECTIVES: To study the geographical pattern of mortality caused by haematological tumours in Spain at the municipal level using three Bayesian models and to compare their goodness of fit. METHODS: The fitted Bayesian hierarchical models were: (1) the Besag York and Molliè (BYM) model; (2) a model based on zero-inflated Poisson (ZIP) distribution, which allowed a large number of event-free areas; and (3) a mixture of distributions that enabled discontinuities (jumps in the pattern) to be modelled. The three models allow smoothed relative risk maps to be obtained for the all countries. The goodness of fit was evaluated using the deviance information criteria. RESULTS: The three models yielded similar results. The ZIP model plotted a pattern almost identical with the BYM model. The goodness-of-fit criteria indicate that the mixture model is the one that best fits our data. Haematological tumours display a geographical pattern that could be partly explained by environmental determinants, as many of the highest-risk towns are located in heavily industrialised areas. CONCLUSIONS: The choice of one or another model has scant practical consequences. The pattern of distribution supports the hypothesis that differences in lifestyles, air/industrial pollution and migratory phenomena may determine the pattern of urban mortality due to these tumours.