Estimating Plasmodium falciparum Parasite Rate using Test Positivity Rate from 2016-2024: Health Management Information Systems in Uganda

该研究通过结合乌干达卫生设施检测阳性率与调查数据，构建多水平逻辑回归模型，成功实现了 2016 至 2024 年疟疾原虫感染率的高时空分辨率月度估算，为在调查频率下降背景下利用卫生信息系统数据优化疟疾监测提供了高效且具成本效益的替代方案。

要点

这篇论文讲述了一个关于**如何用“医院里的日常数据”来实时绘制“疟疾地图”**的故事。

想象一下，乌干达的疟疾防控部门就像是一个巨大的交响乐团指挥。为了指挥好乐团（控制疟疾），指挥需要知道每个乐手（每个地区）现在的演奏状态（疟疾感染率）是强是弱。

1. 过去的困境：只能听“年度录音”

以前，指挥想知道哪里演奏得不好，只能靠定期的“现场录音”（也就是大规模的入户调查，如 DHS 或 MIS 调查）。

• 缺点：这些录音太贵了，几年才录一次。而且，录音只能录到几岁的小孩子，听不到大人。
• 结果：指挥在两次录音之间的漫长岁月里，就像是在盲猜。等发现某个地区“演奏走调”了（爆发疫情），往往已经太晚了。

2. 新的发现：利用“医院挂号单”

这篇论文的作者们发现，其实医院里每天都在产生海量的**“挂号单”和“化验单”**（即健康管理系统 HMIS 数据）。

• 挂号单：有多少人来看发烧？
• 化验单：其中有多少人被确诊为疟疾？
• 化验阳性率 (TPR)：这就是“确诊人数 / 总检测人数”。

核心问题：这些“化验单”能直接代表整个地区的真实感染率吗？

• 比喻：这就好比你想通过“医院里感冒病人的比例”来推算“整个城市有多少人感冒”。但这有个大问题：只有生病且愿意去医院的人才会被统计。如果大家都怕去医院，或者医院没药了，这个数据就会失真。

3. 作者的“魔法配方”：把“挂号单”变成“全景地图”

作者们开发了一个聪明的“翻译器”（数学模型），把医院的“化验单数据”翻译成了真实的“疟疾感染率（PfPR）”。

他们是怎么做的呢？

1. 校准（对表）：他们先拿过去几年的“现场录音”（入户调查数据）和“医院挂号单”放在一起对比。就像给翻译器做训练，让它知道：“哦，原来当医院里 30% 的发烧病人确诊时，实际上整个社区可能有 15% 的人感染了。”
2. 加入“调味剂”（修正偏差）：为了让翻译更准，他们加入了一个关键指标——“重症比例”。
   • 比喻：如果一个地区去医院的人里，重症病人比例很高，说明大家病得很重，或者大家平时不太去医院（只有病重了才去）。这个指标帮助模型修正了“谁去医院”带来的偏差。
3. 平滑处理：医院的数据有时候像过山车（今天人多，明天人少），模型通过“平滑”处理，把短期的噪音过滤掉，看清长期的趋势。

4. 成果：从“模糊照片”到"4K 实时直播”

通过这个模型，乌干达的疟疾防控部门现在拥有了：

• 高分辨率：不再只看国家或大区的平均数，而是能看清每一个县、甚至每个月的情况。
• 实时性：不再是几年前的旧闻，而是2016 年到 2024 年的连续动态数据。
• 发现隐藏的细节：
  • 比如，Pader 地区在雨季感染率会像潮水一样上涨。
  • West Nile 地区在 2024 年因为加强了防蚊措施，感染率像跳水一样大幅下降。
  • 有些地区虽然整体看起来还好，但内部不同县城的情况却天差地别（就像一个大城市，有的街区很安全，有的街区很危险）。

5. 为什么这很重要？

• 省钱又高效：不需要每次都花大价钱做入户调查，利用医院现有的数据就能监控。
• 反应更快：一旦某个地区的数据出现异常（比如感染率突然飙升），指挥部可以立刻派兵（投放药物、蚊帐）去那里，而不是等几年后的调查报告出来。
• 应对未来：随着大规模调查变得越来越难做（因为钱不够或局势不稳定），这种利用日常数据的方法将成为救命稻草。

总结

这篇论文就像教给了乌干达的疟疾防控部门一副**“透视眼镜”**。他们不再需要等到几年后拆开信封看调查结果，而是能透过医院每天产生的海量“挂号单”，实时、清晰地看到疟疾在每一个村庄的跳动，从而更精准、更快速地打赢这场抗疟战役。

技术摘要

这是一份关于利用乌干达卫生管理信息系统（HMIS）数据估算疟疾流行率的详细技术总结。

论文标题

利用 2016-2024 年测试阳性率（TPR）估算恶性疟原虫寄生虫率（PfPR）：乌干达卫生管理信息系统的应用

1. 研究背景与问题 (Problem)

• 疟疾管理的挑战： 乌干达的疟疾传播具有高度异质性，国家疟疾控制项目（NMCP）需要高频次、高分辨率的传播数据来制定“次国家级定制化（SNT）”干预策略。
• 现有数据的局限性：
  • 调查数据（如 MIS、DHS）： 虽然能准确估算人群中的寄生虫率（PfPR），但成本高、频率低（通常几年一次）、空间覆盖稀疏，且主要局限于 5 岁以下儿童，无法提供实时的月度监测。
  • 卫生设施数据（HMIS）： 数据收集频繁（周/月）、覆盖范围广，但属于被动监测，存在偏差（受就医行为、检测率、非疟疾发热疾病影响），且缺乏直接转换为人群感染率（PfPR）的标准化方法。
• 核心问题： 如何建立一种统计模型，将 HMIS 中常规收集的测试阳性率（TPR）转化为准确的、高分辨率的PfPR估算值，以填补调查数据之间的空白，支持实时决策。

2. 方法论 (Methodology)

• 数据来源：
  • 训练数据（PfPR）： 来自三项具有全国代表性的调查（2016 年 DHS、2018 年 MIS、2017-2019 年 LLINEUP 项目），包含约 45,396 名 5 岁以下儿童的个体水平数据。
  • 预测变量（TPR）： 来自乌干达 HMIS（基于 DHIS2 平台），涵盖 2015-2024 年约 4000 家卫生设施的数据。计算了每个“区 - 月”的测试阳性率（确诊疟疾病例/总检测数）。
  • 协变量： 探索了温度、降雨量、人口密度、到最近设施的步行时间以及重症疟疾病例比例（作为就医强度和疾病严重程度的代理指标）。
• 数据预处理：
  • 对 HMIS 原始数据进行插值和异常值处理。
  • 仅纳入数据报告完整性>50% 的设施。
  • 对 TPR 数据应用180 天平滑处理以减少短期波动噪声。
• 模型构建：
  • 采用多水平逻辑回归模型（Multi-level Logistic Regression）。
  • 因变量： 5 岁以下儿童的 PfPR（二值变量：0 或 1）。
  • 自变量： 平滑后的 TPR、重症病例比例，以及部分环境协变量（温度、降雨）。
  • 随机效应： 考虑了区级（District）和地区级（Region）的聚类效应。
  • 模型选择： 基于赤池信息量准则（AIC）和数据的可获取性（优先选择 HMIS 内部可实时更新的变量），最终选定包含平滑 TPR和重症病例比例的模型作为最终模型。
• 验证与预测：
  • 使用 Bootstrap 方法（1000 次模拟）生成置信区间。
  • 将模型预测值与观测到的调查 PfPR 进行相关性分析。
  • 生成 2016-2024 年乌干达所有区（District）的月度 PfPR 估算值，并加权汇总至地区和国家级。

3. 关键贡献 (Key Contributions)

• 建立了 TPR 到 PfPR 的转换模型： 首次在乌干达大规模验证了利用 HMIS 常规数据（TPR + 重症比例）来估算人群寄生虫率（PfPR）的可行性。
• 实现了高时空分辨率监测： 提供了月度、区级的疟疾流行率估算，填补了调查数据之间的时间空白，揭示了调查数据无法捕捉的短期季节性波动和干预效果。
• 平衡了准确性与实用性： 研究发现，仅使用 HMIS 内部数据（TPR + 重症比例）的模型表现（相关系数 R=0.79）与包含复杂环境协变量的模型（R=0.81）相当。这证明了该模型在无需外部环境数据的情况下即可高效运行，更适合常规项目决策。
• 应对调查频率下降的策略： 为在大规模家庭调查频率降低或中断的背景下，提供了一种具有韧性且成本效益高的替代监测方案。

4. 主要结果 (Results)

• 模型性能：
  • 预测 PfPR 与观测调查 PfPR 之间存在强正相关（Pearson 相关系数 $\rho = 0.79, p < 0.001$）。
  • 模型预测值与调查估计值在国家和区域层面高度一致。
• 时空异质性揭示：
  • 季节性： 模型成功捕捉到了与雨季（3-5 月，9-11 月）相关的流行率峰值。
  • 干预效果监测：
    • 2018 年： 全国范围内观察到流行率异常下降，与当时的干预措施一致。
    • West Nile 地区（2024）： 预测显示流行率从>30% 大幅下降至 8.7%，反映了该地区 2022 年开始的强化媒介控制措施的效果。
    • Lira 地区： 2020 年后流行率上升，与 2022 年停止室内滞留喷洒（IRS）有关。
  • 区域差异： 揭示了同一区域内不同区之间的巨大差异（例如 Lango 地区，区级估算值在 9.2% 到 51% 之间波动），这种异质性在区域级汇总数据中被掩盖。
• 偏差分析：
  • 2016 年 DHS 调查的观测值（30.7%）显著高于模型预测值（17.1%）。作者分析认为这可能是因为 2016 年 HMIS 系统尚处于起步阶段（数据质量较差），以及 DHS 使用 RDT（可能因抗原残留高估流行率）而模型训练数据混合了 RDT 和显微镜检查结果。

5. 意义与结论 (Significance)

• 政策制定支持： 该研究证明了 HMIS 数据在经过适当校准后，可以作为疟疾监测的可靠来源，支持乌干达及类似高负担国家进行实时的、次国家级的定制化干预（SNT）。
• 成本效益与韧性： 在面临政治不稳定、资源限制导致大规模调查难以持续的情况下，基于 HMIS 的建模提供了一种可持续、低成本的替代方案。
• 未来方向： 建议国家疟疾项目利用这些模型识别数据质量差的卫生设施，并针对模型预测与预期模式不符的区域进行针对性的主动调查，形成“监测 - 干预 - 再评估”的迭代循环。

总结： 该论文成功开发并验证了一种利用常规卫生设施数据估算疟疾人群感染率的方法，解决了传统调查数据时效性差的问题，为乌干达乃至全球疟疾消除工作提供了强有力的数据驱动决策工具。