2014—2023年重庆市沙坪坝区其他感染性腹泻病流行特征分析和趋势预测

doi:10.12183/j.scjpm.2026.0796

摘要/Abstract

摘要： 目的分析重庆市沙坪坝区其他感染性腹泻病（OID）流行特征和预测发病趋势,为科学防控提供理论参考。方法基于2014—2023年沙坪坝区OID数据,使用描述性流行病学方法和空间自相关方法分析疾病特征,趋势分析使用Joinpoint回归,趋势预测使用乘积季节性差分自回归滑动平均模型（Seasonal Autoregressive Integrated Moving Average Model,SARIMA）和BP神经网络模型（Back Propagation Neural Network,BPNN）。结果 2014—2023年沙坪坝区累计报告病例为40 377例,年均报告发病率为331.78/10万。全人群报告发病率2014—2018年呈现上升趋势（APC=10.30%,P=0.14）,2018—2023年呈显著下降趋势（APC=-11.88%,P=0.02）。发病呈明显双峰分布,主峰为11月至次年2月,次峰为6—8月。男性年均报告发病率为361.45/10万高于女性的312.71/10万（χ²=6 740,P<0.05）。以5岁以下儿童为主,轮状病毒为优势病原。BPNN的MAE和RMSE均小于SARIMA模型,BPNN预测2024年11月—2025年1月将出现高峰,月发病率为26.54/10万~31.73/10万。结论沙坪坝区OID流行病学疾病负担仍为严重,应持续做好监测预警、风险评估和健康宣教工作。BPNN模型在OID发病预测中效果优于SARIMA模型。

关键词: 腹泻, 轮状病毒, 空间分析, 回归分析, 时间序列分析, 神经网络

Abstract: Objective To analyze the epidemiological characteristics and forecast the incidence trends of other infectious diarrhea (OID) in the Shapingba District of Chongqing, in order to provide an empirical basis for evidence-based prevention and control strategies. Methods Utilizing OID surveillance data from 2014 to 2023 in Shapingba District, this study employed descriptive epidemiological and spatial autocorrelation methods to characterize the disease patterns. Joinpoint regression analysis was conducted to assess temporal trends. Furthermore, a Seasonal Autoregressive Integrated Moving Average (SARIMA) model and a Back Propagation Neural Network (BPNN) model were developed and compared for forecasting future incidence. Results A cumulative total of 40 377 OID cases were reported in Shapingba District from 2014 to 2023, corresponding to an average annual incidence rate of 331.78 per 100 000 population. The overall reported incidence exhibited an increasing trend from 2014 to 2018 (APC=10.30%, P=0.14), followed by a significant decreasing trend from 2018 to 2023 (APC=-11.88%, P=0.02). The disease displayed a distinct bimodal seasonal distribution, with a primary peak from November to February and a secondary peak from June to August. The average annual reported incidence was significantly higher in males (361.45/100 000) than in females (312.71/100 000) (χ²=6 740, P<0.05). Children under five years of age constituted the most affected population group, and rotavirus was the predominant etiological agent. In a comparative evaluation of predictive models, the BPNN model demonstrated superior performance, with lower MAE and RMSE values than the SARIMA model. The BPNN model forecasts an epidemic peak between November 2024 and January 2025, with projected monthly incidence rates ranging from 26.54 to 31.73 per 100 000 population. Conclusion The epidemiological burden of OID in Shapingba District remains substantial, warranting sustained implementation of surveillance, early warning systems, risk assessment, and health education initiatives. The BPNN model proves to be a more effective tool for forecasting OID incidence compared to the SARIMA model.

Key words: Diarrhea, Rotavirus, Spatial analysis, Regression analysis, Time series analysis, Neural networks

中图分类号:

R183.4

胡倩, 徐茜, 杨连建, 支倩. 2014—2023年重庆市沙坪坝区其他感染性腹泻病流行特征分析和趋势预测[J]. 华南预防医学, 2026, 52(7): 796-800.

Hu Qian, Xu Qian, Yang Lianjian, Zhi Qian. Epidemiological characteristics and trend prediction of other infectious diarrhea in Shapingba District, Chongqing, 2014-2023[J]. South China Journal of Preventive Medicine, 2026, 52(7): 796-800.

参考文献

[1] Chen C, Guan Z, Huang C, et al.Epidemiological trends and hotspots of other infectious diarrhea (OID) in mainland China: A population-based surveillance study from 2004 to 2017[J]. Front Public Health, 2021, 9: 679853.
[2] 李欣, 靳金, 史雪宁, 等. 2010—2017年全国其他感染性腹泻空间聚集情况及预测[J]. 中华疾病控制杂志, 2022, 26(4): 376-379, 462.
[3] 赵丹妮, 陈金瓯, 李华昌, 等. 2019—2023年临沧市其他感染性腹泻病流行特征及时空聚集分析[J]. 华南预防医学, 2026, 52(1): 12-17, 24.
[4] 任婧寰, 王锐. 2017—2021年我国其他感染性腹泻突发公共卫生事件流行特征分析[J]. 热带病与寄生虫学, 2023, 21(1): 1-6, 29.
[5] 朱永海, 淮蓓, 胡飞燕, 等. 2016—2021年西安市其他感染性腹泻流行特征及病原检测结果分析[J]. 现代预防医学, 2022, 49(17): 3090-3095, 129.
[6] Hu H, Wang H, Wang F, et al.Prediction of influenza-like illness based on the improved artificial tree algorithm and artificial neural network[J]. Sci Rep, 2018, 8(1): 4895.
[7] 刘天, 姚梦雷, 黄继贵, 等. BP神经网络在传染病时间序列预测中的应用及其MATLAB实现[J]. 预防医学情报杂志, 2019, 35(8): 812-816, 821.
[8] 刘今, 孙进, 孙明丽, 等. 基于组合模型的手足口病发病趋势预测[J]. 中国卫生统计, 2023, 40(6): 892-896.
[9] 张楠楠. 2014—2018年天津市滨海新区其它感染性腹泻病流行病学特征分析[J]. 河南预防医学杂志, 2020, 31(4): 302-303, 326.
[10] 祝俊, 吴琦琳, 汪慧, 等. 2012—2022年贵州省黔南州其他感染性腹泻流行特征分析[J]. 华南预防医学, 2024, 50(10): 903-907.
[11] 杨琳, 赵寒, 李勤, 等. 2009—2019年重庆市其他感染性腹泻流行特征分析[J]. 热带病与寄生虫学, 2020, 18(3): 151-154, 187.
[12] 蒋书琴, 汪慧, 罗雷, 等. 2015—2020年广东省广州市其他感染性腹泻病原流行病学分析[J]. 疾病监测, 2022, 37(9): 1181-1186.
[13] 杨富强, 金媛, 潘欢弘, 等. 江西省2017—2022年其他感染性腹泻流行趋势和预测分析[J]. 中华流行病学杂志, 2023, 44(10): 1641-1645.
[14] 李粉粉, 罗银波, 黄丹钦, 等. 2013—2022年湖北省其他感染性腹泻病流行特征及时空聚集分析[J]. 现代预防医学, 2024, 51(1): 27-33.
[15] 杨培师, 杨敬源, 黄艳萍, 等. 2018—2022年贵州省其他感染性腹泻的流行病学特征分析[J]. 现代预防医学, 2023, 50(21): 3848-3854.
[16] 彭秀. 2018—2023年绵阳市涪城区其他感染性腹泻病流行病学与病原学特征分析[J]. 华南预防医学, 2025, 51(5): 558-561.
[17] 赵金华, 王卫军, 王学文, 等. 2010—2020年青海省其他感染性腹泻病病原及流行特征分析[J]. 现代预防医学, 2021, 48(17): 3073-3076.
[18] 杨栋, 张恒, 刘如春, 等. 长沙市2014—2018年其它感染性腹泻病流行病学特征分析[J]. 医学动物防制, 2020, 36(6): 544-546.
[19] 黄恩妙, 陈秀云, 姚梓烽. 2013—2017年中山市其它感染性腹泻病流行病学特征分析[J]. 热带医学杂志, 2019, 19(6): 793-795, 804.
[20] 张振, 李媛, 路滟, 等. 2010—2015年广东省深圳市其他感染性腹泻监测分析[J]. 疾病监测, 2017, 32(21): 836-841.
[21] 顾明明, 梁鸿镖, 胡雅飞, 等. 2012—2022年浙江省台州市其他感染性腹泻流行特征及长期变化趋势分析[J]. 疾病监测, 2023, 38(12): 1530-1534.
[22] 钱程, 顾敏华, 颜雅娟, 等. 2014—2023年江阴市其他感染性腹泻病的流行特征分析[J].华南预防医学, 2025, 51(3):315-318.
[23] Qu Q, Fang C, Zhang L, et al.A mumps model with seasonality in China[J]. Infect Dis Model, 2017, 2(1): 1-11.
[24] 李剑, 刘莉红, 何志勇, 等. BP神经网络和SARIMA模型在手足口病发病率预测中的比较[J]. 安徽预防医学杂志, 2023, 29(6): 454-458, 496.
[25] 刘天, 姚梦雷, 黄继贵, 等. BPNN神经网络模型和SARIMA模型在荆州市乙类传染病发病数中的预测效果比较[J]. 中国社会医学杂志, 2021, 38(1): 109-113.