📄 medicine

Predicting the distribution of 16 tick species in Japan and its association with the occurrence of tick-borne diseases

Door landelijke veldonderzoeken te combineren met soortverdelingsmodellering, heeft deze studie de eerste uitgebreide kaarten van 16 teeksoorten in Japan vastgesteld, waarbij werd onthuld dat sneeuwdiepte een belangrijke omgevingsdeterminant is en waarbij significante correlaties werden aangetoond tussen de voorspelde bezettingsgraden van specifieke vectorteken en het voorkomen van daarmee geassocieerde door teken overgedragen ziekten.

Oorspronkelijke auteurs: Mebuki Ito, Yuma Ohari, Yuki Ohsugi, Yurie Taya, Naoki Hayashi, Shohei Ogata, Kodai Kusakisako, Yongjin Qiu, Nariaki Nonaka, Keita Mizuma, Shiho Torii, Masahiro Kajihara, Hokkaido University Tick Hunt

Gepubliceerd 2026-07-15

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Mebuki Ito, Yuma Ohari, Yuki Ohsugi, Yurie Taya, Naoki Hayashi, Shohei Ogata, Kodai Kusakisako, Yongjin Qiu, Nariaki Nonaka, Keita Mizuma, Shiho Torii, Masahiro Kajihara, Hokkaido University Tick Hunting Team, Keita Matsuno, Ryo Nakao

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je Japan voor als een enorme, uitgestrekte puzzel bestaande uit 47 verschillende stukjes (prefecturen), die zich uitstrekt van het ijzige noorden tot het tropische zuiden. Lange tijd hadden wetenschappers slechts kleine, wazige snapshots van waar teken leefden in deze puzzel. Ze wisten dat er hier wat teken waren en daar wat andere, maar ze hadden niet het volledige plaatje. Deze studie is als het eindelijk leggen van de hele puzzel om precies te zien waar 16 verschillende soorten teken rondhangen over het hele land.

De Grote Tekenjacht
Tussen 2013 en 2025 ging een enorm team van onderzoekers (het "Hokkaido University Tick Hunting Team" en vrienden) op een landelijke schattenjacht. Ze bezochten 1.018 verschillende plekken in 3ya prefecturen. Door een simpele maar effectieve truc te gebruiken—het door het gras slepen van een stuk flanellen stof om de kleine beestjes te vangen—verzamelden ze maar liefst 22.416 teken.

De Kristallen Bol: Voorspellen waar teken leven
Het team heeft de teken niet alleen geteld; ze gebruikten een superintelligent computerprogramma genaamd Maxent om te fungeren als een kristallen bol. Ze voerden gegevens over het weer, de hoogte van het land en hoe de bossen eruit zagen in het programma. Het doel? Om te voorspellen waar teken zouden kunnen leven, zelfs op plaatsen die het team nog niet had bezocht.

De computer leerde enkele fascinerende regels over de vastgoedmarkt van teken:

De Sneeuwregel: Voor zes van de tekensoorten was de hoeveelheid sneeuw in de winter de belangrijkste baas van allemaal. Diepe sneeuw helpt sommige noordelijke teken te overleven (als een warme deken), maar is een verboden zone voor zuidelijke teken.
De Bosfactor: De meeste teken houden van bossen, of het nu breedbladige bossen of dennenbossen zijn.
De Hoogtefactor: Hogere bergen zijn over het algemeen minder uitnodigend voor veel tekensoorten.

De Grote Onthulling: Noord versus Zuid
De kaarten die het team maakte, laten een duidelijke splitsing zien in de wereld van de teken:

De Noordelijke Crew: Teken zoals Ixodes pavlovskyi en Ixodes persulcatus zijn de koningen van het koele noorden en de hoge bergen. Dit zijn de soorten die je zou vinden in Hokkaido en de besneeuwde toppen van Honshu.
De Zuidelijke Crew: Teken zoals Haemaphysalis flava en Amblyomma testudinarium geven de voorkeur aan de warmere, zuidelijke regio's.

De Stippen Verbinding: Teken en Ziekte
Dit is het belangrijkste deel: het team wilde weten of deze kaarten konden helpen bij het voorspellen van ziekten. Ze vergeleken hun tekenkaarten met de officiële registers van vijf specifieke door teken overgedragen ziekten die in Japan zijn gemeld.

De resultaten waren een sterke match:

Noordelijke Ziekten: De ziekten die vooral in het noorden voorkomen (Lymeziekte, tekenencefalitis en relapsing fever) kwamen perfect overeen met de kaarten van de noordelijke Ixodes-teken. De computer suggereert dat waar deze teken zijn, deze ziekten waarschijnlijk ook te vinden zullen zijn.
Zuidelijke Ziekten: De ziekten die het zuiden treffen (Severe fever with thrombocytopenia syndrome, oftewel SFTS, en de Japanse gevlekte koorts) kwamen overeen met de zuidelijke teken zoals Haemaphysalis flava.

Hoe Zeker Zijn We?
Het team heeft niet alleen gegokt; ze hebben hun kristallen bol getest. Ze controleerden hun voorspellingen aan de hand van oude records van teken gevonden door andere wetenschappers van 1911 tot 2021. Voor 10 van de 16 tekensoorten waren de voorspellingen van de computer zeer accuraat en haalden ze de "goede" drempelwaarden voor betrouwbaarheid.

Het artikel merkt echter voorzichtig op dat voor sommige ziekten, zoals tekenencefalitis (TBE), zeer weinig gevallen zijn gerapporteerd (slechts 8 in de dataset). Omdat de gegevens zo schaars zijn, suggereert het team dat hun verband voor TBE veelbelovend is, maar gepaard gaat met veel onzekerheid. Ze wijzen er ook op dat hoewel de kaarten een sterke link laten zien, ze niet kunnen verklaren waarom iemand ziek wordt door alleen naar een kaart te kijken; andere factoren, zoals hoeveel herten er rondlopen of hoeveel mensen de bossen bezoeken, spelen ook een rol.

De Kern van het Verhaal
Deze studie heeft niet alleen teken gevonden; het heeft de eerste ooit gemaakte, hoogresolutiekaart gebouwd van waar 16 verschillende tekensoorten leven over heel Japan. Door aan te tonen dat deze kaarten overeenkomen met waar ziekten daadwerkelijk voorkomen, suggereert het team dat deze kaarten een krachtig nieuw hulpmiddel zijn. Ze zijn geen magische genezing, maar ze zijn een vitale gids om te begrijpen waar tekenbedreigingen als volgende kunnen opduiken, waardoor gemeenschappen een stap voor kunnen blijven.

Technische Samenvatting: Het voorspellen van de distributie van 16 tekensoorten in Japan en de associatie met het voorkomen van door teken overdraagbare ziekten

Probleemstelling
Door teken overdraagbare ziekten vormen een aanzienlijk risico voor de volksgezondheid in Japan, gekenmerkt door sterke ruimtelijke heterogeniteit vanwege de diverse klimaatzones van het land, variërend van subarctisch tot subtropisch. Terwijl specifieke ziekten zoals het ernstig koorts met trombocytopenie syndroom (SFTS) en de Japanse gevlekte koorts (JSF) veel voorkomen in de warmere zuidelijke regio's, zijn andere ziekten zoals de ziekte van Lyme (LD), tekenencefalitis (TBE) en terugkerende koorts (RF) grotendeels beperkt tot de koelere noordelijke gebieden. Ondanks de kritieke behoefte aan uitgebreide distributiegegevens om het risico op ziekten te voorzien, zijn de bestaande gegevens over tekenonderzoek in Japan gefragmenteerd, gelokaliseerd en maken ze vaak gebruik van inconsistente bemonsteringsmethoden. Dit gebrek aan landelijke gegevens belemmert een effectieve voorbereiding op de volksgezondheid. De studie adresseert de beperking van het extrapoleren van lokale modellen naar het gehele archipel door te streven naar het genereren van de eerste uitgebreide, landelijke distributiemodellen voor 16 belangrijke tekensoorten en het evalueren van hun bruikbaarheid bij het voorspellen van het voorkomen van vijf meldingsplichtige door teken overdraagbare ziekten.

Methodologie
De studie maakte gebruik van een meerstapsbenadering waarbij uitgebreide veldgegevens werden gecombineerd met Species Distribution Modeling (SDM) en statistische regressieanalyse:

Gegevensverzameling: Teken werden verzameld met de flagging-methode op 1.018 locaties in 39 prefecturen in Japan tussen 2013 en 2025. In totaal werden 22.416 teken behorend tot 23 soorten geïdentificeerd. De aanwezigheidsgegevens werden ruimtelijk gefilterd om pseudo-replicatie te voorkomen, waarbij 16 soorten met ten minste 10 aanwezigheidslocaties werden behouden voor modellering.
Omgevingsvariabelen: Achtentwintig omgevingsvariabelen (klimaat, topografie en landschap) werden aanvankelijk overwogen. Om multicollineariteit te beperken, werden de variabelen gereduceerd tot 17 met behulp van de Variance Inflation Factor (VIF)-analyse (drempelwaarde < 10). Belangrijke variabelen omvatten 19 bioclimatische variabelen, de jaarlijkse maximale sneeuwdiepte, hoogte, helling en landbedekkingspercentages (bijv. loofbos, stedelijke bedekking).
Species Distribution Modeling (SDM): Maxent (Maximum Entropy) modellen werden gebruikt om potentiële geschikte habitats te voorspellen op een resolutie van 1 km.
- Bias-correctie: Een gladgestreken bias-oppervlak gebaseerd op Gaussian kernel density estimation van de bemonsteringslocaties werd gebruikt om de selectie van achtergrondpunten te wegen, rekening houdend met regionale variaties in de inspanning van de bemonstering.
- Modelselectie: Modellen werden getraind op 75% van de gegevens en getest op 25%. Prestaties werden geëvalueerd met behulp van AUC, True Skill Statistic (TSS), Continuous Boyce Index (CBI) en $\Delta$ AUC (het verschil tussen de trainings- en test-AUC) om overfitting te detecteren. Verklarende variabelen werden sequentieel verwijderd om de modelprestaties te optimaliseren op basis van hiërarchische criteria die prioriteit geven aan een lage $\Delta$ AUC en een hoge CBI.
Validatie: Voorspelde distributies werden gevalideerd tegen een onafhankelijke dataset van historische tekenverzamelingsgegevens (1911–2021) samengesteld door Morishima et al. (2025).
Ziekte-associatieanalyse:
- Ruimtelijke overlap: Schoener's D en Warren's I metrieken werden berekend om de ruimtelijke overlap tussen de tekenoccupatietarieven en de incidentiecijfers van ziekten (SFTS, TBE, JSF, LD, RF) op prefecturaal niveau te beoordelen.
- Regressieanalyse: Generalized Linear Models (GLM) en Generalized Additive Models (GAM) werden gefit om de relatie tussen tekenoccupatietarieven en het aantal ziektegevallen te onderzoeken. Bij de modelselectie werd rekening gehouden met overdispersie (met behulp van negatief binomiale verdelingen) en ruimtelijke autocorrelatie (met behulp van ruimtelijke smooths voor SFTS en JSF).

Belangrijkste bijdragen en resultaten

Landelijke distributiekaarten: De studie heeft succesvol de eerste uitgebreide distributiemodellen voor 16 tekensoorten over de Japanse archipel gegenereerd. De modellen vertoonden een robuuste prestatie, waarbij de meeste soorten een AUC > 0,7 en TSS > 0,4 bereikten.
Omgevingsdeterminanten: De analyse identificeerde de jaarlijkse maximale sneeuwdiepte als een fundamentele determinant van de tekendistributie, wat de hoogste procentuele bijdrage opleverde voor zes soorten.
- Zuidelijke soorten: Soorten met een zuidelijke distributie (bijv. Haemaphysalis spp.) vertoonden een negatieve correlatie met de sneeuwdiepte.
- Noordelijke soorten: Soorten met een noordelijke distributie (bijv. Ixodes spp.) vertoonden een positieve correlatie met de sneeuwdiepte, waarschijnlijk door de thermische isolatievoordelen voor de overwintering.
- Andere significante variabelen waren onder meer bosbedekking (positief effect) en hoogte (negatief effect voor veel Haemaphysalis-soorten).
Externe validatie: Tien van de 16 soorten vertoonden een goede voorspellende prestatie wanneer ze werden gevalideerd tegen onafhankelijke historische records, wat de robuustheid van de modelleringsaanpak bevestigt.
Ziektecorrelatie: Regressieanalyses toonden significante correlaties aan tussen de occupatietarieven van specifieke vectortekenen en de gerapporteerde gevallen van vijf ziekten:
- Noordelijke ziekten (LD, RF, TBE): De distributies van Ixodes pavlovskyi en Ixodes persulcatus stemden nauw overeen met het voorkomen van deze ziekten. I. pavlovskyi en I. persulcatus waren de belangrijkste voorspellers voor respectievelijk LD en RF.
- Zuidelijke ziekten (SFTS, JSF): Haemaphysalis flava werd geïdentificeerd als de primaire voorspeller voor JSF, terwijl H. flava en Amblyomma testudinarium sterke voorspellers waren voor SFTS.
- De regressieresultaten voor SFTS en JSF waren consistent met eerdere moleculaire surveillancegegevens waar deze pathogenen waren geïsoleerd of gedetecteerd in de overeenkomstige tekensoorten.

Betekenis en claims
De auteurs stellen dat deze studie de eerste uitgebreide ruimtelijke overview biedt van de tekendistributies in Japan, waarmee een kritiek gat in de epidemiologische gegevens wordt opgevuld. De primaire betekenis ligt in de demonstratie dat voorspelde tekenoccupatieratio's dienen als sterke voorspellers voor het voorkomen van endemische door teken overdraagbare ziekten.

De studie stelt dat de gegenereerde kaarten dienen als basisinformatie voor het anticiperen op het voorkomen van door teken overdraagbare ziekten in de regio. Door de relatie tussen specifieke vectordistributies en ziekte-incidentie vast te stellen, bieden de modellen een praktisch instrument voor regionale paraatheid. De auteurs merken op dat hoewel de studie op prefecturaal niveau opereert en geen micro-schaalfactoren (zoals menselijke activiteitspatronen of de distributie van vertebraten-reservoirs) incorporeert, de sterke afstemming tussen de macro-schaal distributiemodellen en de werkelijke ziekte-incidentie het nut van deze kaarten voor de planning van de volksgezondheid valideert. Bovendien suggereren de auteurs dat deze kaarten kunnen helpen bij het identificeren van potentiële vectoren en risicogebieden mochten er in de toekomst nieuwe door teken overdraagbare pathogenen worden gedetecteerd.

Meer zoals dit