本文内容如下e-collection /主题问题:

公共卫生和监测的创新方法(246) JMIR主题期:新冠肺炎特刊(2151) 传染病(非性传播疾病/性传播疾病)(1247) 主题发布:新型冠状病毒(COVID-19)爆发快速报告(1357) 爆发和大流行的准备和管理(1484) 卫生及预防感染(246) 流行病学(96) 预防和促进健康(457)

发表在在第八卷， 6号（2022）: 6月

本文的预印本(早期版本)可在https://preprints.www.mybigtv.com/preprint/35343，首次出版．
2019冠状病毒病大流行期间中国法定传染病流行的时间特征变化:基于人群的监测研究

2019冠状病毒病大流行期间中国法定传染病流行的时间特征变化:基于人群的监测研究

2019冠状病毒病大流行期间中国法定传染病流行的时间特征变化:基于人群的监测研究

本文作者:

细细赵1 2 3 作者:Orcid； 李美嘉4 作者:Orcid； 名称Haihambo4 作者:Orcid； Jianhua金5 作者:Orcid； 沂蒙曾6、7 作者:Orcid； 锦衣邱8 作者:Orcid； Mingrou郭9、10 作者:Orcid； 余姚市朱11 作者:Orcid； Zhirui李12 作者:Orcid； 嘉鑫刘13 作者:Orcid； 益腾14 作者:Orcid； Sixiao李15 作者:Orcid； Ya-nan赵16 作者:Orcid； Yanxiang股份曹1 2 3 作者:Orcid； Xuemei王1 2 3 作者:Orcid； Yaqiong李1 2 3 作者:Orcid； 米歇尔·高17 作者:Orcid； 小杨冯18 作者:Orcid； 产物汉9、10 作者:Orcid
文章 作者 引自(4) Tweetations (4) 指标

    原始论文

    1首都医科大学附属北京安定医院国家精神障碍临床研究中心，北京

    2首都医科大学人脑保护先进创新中心，北京

    3.首都医科大学北京安定医院精神障碍北京市重点实验室，北京

    4比利时布鲁塞尔自由大学心理学院和神经科学研究中心

    5中山大学中山医学院，中国广州

    6北京师范大学认知神经科学与学习国家重点实验室，北京

    7IDG/麦戈文脑研究所，北京师范大学，中国北京

    8北京师范大学人工智能学院，北京

    9中国科学院深圳先进技术研究院脑认知与脑疾病研究所，中国深圳

    10中国科学院脑连接组与行为广东省重点实验室，神经精神调节深圳市重点实验室和脑科学协同创新中心，深圳

    11北京大学环境科学与工程学院，北京

    12保定市第一中心医院，中国保定市

    13美国华盛顿州西雅图市华盛顿大学心理学系

    14爱丁堡大学心理、哲学和语言科学学院，英国爱丁堡

    15英国利兹大学艺术学院音乐学院

    16中国中医科学院针灸研究所，中国北京

    17WM Therapeutics有限公司，北京，中国

    18北京大学第六医院精神卫生研究所，北京

    这些作者的贡献相同

    通讯作者:

    韩传良，博士

    脑认知与脑疾病研究所

    深圳先进技术研究院

    中国科学院

    学园大道1068号

    南山区深圳大学城

    深圳,518055

    中国

    电话:86 18800129802

    电子邮件:hanchuanliang2014@163.com


    背景:2019年首次报告新冠肺炎疫情，中国政府第一时间采取了严格有效的防控措施。

    摘要目的:非药物干预措施(npi)也可能影响其他传染病的发病率。然而，这种减少背后的潜在解释尚不清楚。因此，在本研究中，我们旨在研究COVID-19预防政策对中国其他传染病(主要是乙类传染病)的影响。

    方法:从中华人民共和国国家卫生健康委员会的公共数据集中提取了2017年至2021年23种法定传染病的时间序列数据集。计算疫情前后各传染病的峰谷振幅、感染选择性、首选爆发时间、振荡强度等指标。

    结果:我们发现，COVID-19防控政策对其他传染病的爆发有很强的、显著的减少作用。在严格防控措施下，疫情发生后出现明显的事件相关波谷(ERT)，其下降幅度与疫情发生前的感染选择性和偏好爆发时间有关。我们还计算了COVID-19爆发前后的振荡强度，发现它在COVID-19爆发前明显更强，并且与槽幅无关。

    结论:我们的研究结果直接表明，COVID-19的预防政策对控制大多数B类传染病具有直接的额外效益，并且几个因素(感染选择性，首选爆发时间)可能有助于减少暴发。这项研究可以指导非药物干预措施的实施，以控制更广泛的传染病。

    中国生物医学工程学报;2010;31 (6):563 - 563

    doi: 10.2196/35343

    关键字

    乙类传染病； 新型冠状病毒肺炎； 与事件相关的槽； 感染的选择性； 振荡； 公共卫生干预措施； 流感大流行； 监测； 卫生政策； 流行病学； 预防政策； 公共卫生； 风险防范


    由新型冠状病毒引起的非典型肺炎于2019年12月首次报告[1-4]，随后于2020年2月12日被世界卫生组织(世卫组织)命名为“COVID-19”。后来，COVID-19的人际传播被证实，导致全球大流行的爆发[5-13]。疫情爆发后，中国政府立即采取行动，实施严格的公共卫生政策[14]，如封锁、隔离措施和保持社交距离。国内和国际旅行受到限制，大规模集会减少，公共娱乐场所和学校关闭。政府还要求人们提高警惕，采取个人预防措施，如洗手和戴医用口罩。在这些政策下，中国的COVID-19感染人数急剧下降，这种情况一直持续到最近[15-17]。除COVID-19疫情外，其他致命传染病也发生了疫情[18]，这一点可能被忽视了。在中国，国家传染病监测系统一直在记录其他疾病的暴发[19]。传染病分为须呈报的A、B和c类。按照这种分类，B类须呈报的疾病有可能引起严重的流行病爆发，例如乙型肝炎病毒[20.]、猩红热[21]，麻疹[22]和狂犬病[23-25]。值得注意的是，新冠肺炎被列为B类疾病。

    在COVID-19大流行期间，在疫苗可用之前，地方和国际政府依赖于非药物措施。不像疫苗或药物，它们受到供应和后勤的限制[26]，非药物干预措施(npi)可能对多种传染病产生更广泛的影响。以流感病毒为例。人类对它几乎没有免疫力，这使得它在人与人之间迅速传播。在缺乏有效疫苗对人们进行免疫的情况下，国家倡议是控制大流行病的最佳战略之一。几项研究发现，预防COVID-19和其他npi的政策可以减少流感感染人数[17，27-29]、肺结核[30.，31]，以及其他一些疾病[32，33]在很大程度上，而流行病的特征不仅局限于感染病例的静态数量，而且还局限于流行病的时间动态。虽然常识表明，病例数可能会减少，但国家行动计划实施后传染性流行病的时间特征并没有精确界定。问题是，在一贯和严格的预防政策下，这种减少是否会反弹或仅降至零。需要新的分析指标来明确界定。有一些时间动态特征，如传染病在一年内的调谐曲线[34-37]和流行病的频谱图[38-42]用傅立叶方法分析。每月感染病例的调整曲线说明了每次疾病爆发的基本概况，并直接反映了每月的情况，但它缺乏定量特征(例如，感染选择性和首选爆发时间)，这些特征是由调整曲线高度概括的，缺乏进一步的分析。虽然这些时间指标在以往的研究中已经提到，但在新冠肺炎疫情期间，它们在严格的国家行动计划下是如何变化的，以及它们在多大程度上促进了国家行动计划下感染病例的减少，目前还不清楚。

    鉴于此，在本研究中，我们调查了npi对其他B类传染病的影响。我们从中华人民共和国国家卫生健康委员会公开数据集中提取了2017 - 2021年23种法定乙类传染病的时间序列数据[43]。在新冠肺炎大流行期间，中国的严格npi一直存在，这可以用牛津COVID-19政府应对追踪器的严格指数来描述[44]。我们预计在疫情爆发和随后的COVID-19干预措施之后，大多数B类传染病会出现一个显著的低谷，我们将其定义为事件相关低谷(ERT)。ERT可用于调查几种感染的波动，这些感染在没有干预的情况下被时间锁定在一个事件上。然后，我们探讨了感染选择性和传染病爆发的首选月份如何影响ERT。最后，我们计算了每种传染病的振荡强度，并比较了COVID-19爆发前后的振荡强度。


    数据和来源

    2017年4月至2021年9月，中国大陆23种法定传染病每月报告和确诊病例的时间序列数据来自中华人民共和国国家卫生健康委员会。该数据集向全球公众开放，并由中国疾病预防控制中心(CDC)每月报告。这23种疾病是:艾滋病毒/艾滋病、肝炎(包括甲型肝炎病毒);乙型肝炎病毒;丙型肝炎病毒;和戊型肝炎病毒(HEV)、麻疹、出血热、登革热和重症登革热、狂犬病、日本脑炎、炭疽、志贺氏杆菌种虫害或痢疾阿米巴、肺结核、伤寒和副伤寒、百日咳、新生儿破伤风、猩红热、布鲁氏菌病、淋病、梅毒螺旋体钩端螺旋体病、血吸虫病和疟疾。数据采样率为每月1个时间点(每年12个时间点)，来自中华人民共和国国家卫生健康委员会月度报告。我们用2个标准来选择这些疾病。首先，近年来每个月的最大感染病例数应大于10例。其次，时间点应在相关年份内持续公开报道。考虑到新冠肺炎也被归为B类，我们主要感兴趣的是其他B类传染病如何受到新冠肺炎相关政策的影响。我们没有纳入A类疾病，因为它们的发病率很低。C类疾病，如流感，没有被包括在内，因为它们的致命性和可控性较低，不会像B类疾病那样造成同样的影响。

    中国政府应对指标取自牛津COVID-19政府应对追踪系统[44]。在这项工作中，我们使用了严格性指数(所有关闭指标，如封锁政策和旅行禁令，以及记录公共信息运动和接触者追踪的卫生系统政策)，它记录了封锁式政策的严格程度。该指数对政府回应的水平进行评分，评分范围在0到100之间。得分越高，说明政府干预越严格(多媒体附录1)。

    道德的考虑

    在本研究中，我们使用了中华人民共和国国家卫生健康委员会的公开数据。我们的研究没有对人类参与者进行任何干预。本研究经首都医科大学北京安定医院伦理委员会批准。

    新冠肺炎疫情前后的波谷和波峰

    我们定义了一个名为ERT的新概念，它起源于神经科学中的事件相关电位(ERP) [45]。应急计划描述了具体事件对减少传染病数量的直接影响。这一事件可以是药物或非药物干预，以防止传染病的传播。在本研究中，具体事件是在新冠肺炎疫情爆发时实施的强防控政策，这是一个NPI。这是新冠肺炎疫情爆发后6个月期间爆发的最低爆发增长率。疫情前波谷幅值为疫情前3年期间感染的最低值(公式1)，疫情前后波峰幅值(公式2)为疫情前后感染的最高值。我们还将波谷比指数计算为疫情前后波谷比(式3)。

    波谷振幅= arg min(疫情爆发后感染病例数)(1)
    峰值振幅= arg max(疫情爆发后感染病例数)(2)
    槽比指数=疫情爆发前感染病例数/疫情爆发后感染病例数(3)

    COVID-19疫情前后每月感染病例的调整曲线

    每月感染病例的调整曲线说明了中国每种疾病爆发的基本概况，以历史数据为基础，直观地反映了每个月的情况。我们假设本研究中包括的所有传染病在多年的观察中每年都有类似的趋势(多媒体附录2)，与以往的研究相似[18]。因此，我们将月平均感染病例数计算成一条调谐曲线(式4)。本研究中每种传染病在COVID-19爆发前后都有一条调谐曲线，一年内的振荡模式清晰。

    调谐曲线月=总感染病例数月) / N (4)

    其中N是年数。

    COVID-19前后流行爆发的首选月份和选择性

    定义了疾病的两个指标:首选月份和感染选择性(式5)，这两个指标是一年中疾病引起的流行病传染特性的重要指标。首选月份指数定义为一年中感染病例最多的月份。感染选择性指数定义为(1 -一年中感染病例的最小数与最大数之比)。如果选择性指数接近于1，这意味着疫情只发生在特定的月份。如果选择性指数接近于0，则表示疫情全年都在发生。

    选择性指数= 1 - [min(年平均感染病例)/max(年平均感染病例)](5)

    功率谱分析

    传染病的振荡特性是流行病有规律波动和复发的重要指标。为了更好地量化这些波动，我们使用了频谱分析。在传染病领域的经典和现代研究中也使用了类似的方法[38-42]和其他一些生物研究[46，47]。频谱分析是一种基于傅里叶变换将复杂信号分解为更简单信号的技术(公式6)。许多生物信号可以表示为不同频率的各种简单信号的和，并产生不同频率信号的信息(如幅度、功率、强度、相位)。

    功率谱密度(PSD;利用Chronux工具箱采用多锥度法计算COVID-19爆发前后各传染病的方程7)[48]，一个开源的数据分析工具箱[49]。计算时间序列数据(每种疾病感染病例)在2017-2020年和2020-2021年两个时间段的功率谱。

    其中WT(t)在任意时间段内为1，在其他地方为0,t以任意时间t=t为中心0．

    相关分析

    我们采用Pearson相关性来衡量COVID-19爆发前后几个指标(ERT、选择性、振荡强度和平均感染人数)之间的关系。波谷比与选择性、功率变化与感染数变化、功率变化与波谷幅度变化的相关分析也采用Pearson相关。采用Spearman相关法测定疫情前后波谷振幅与波峰振幅之间的关系。意义(P值)的相关性用Bonferroni校正进行校正。

    统计分析

    我们进行了独立抽样t检验比较新冠肺炎疫情爆发前后各指标(波谷幅度、波峰幅度)的差异，检验不同偏好爆发时间的疾病之间波谷比的差异。成对的t比较疫情前后的振荡功率和平均感染人数。


    月度数据

    本研究分析了2017年4月至2021年9月中国大陆23种法定乙类传染病确诊病例的月度数据。在新冠肺炎疫情爆发后，大多数B类传染病都有一个明显的突发性低谷，我们将其定义为ERT(见图1A代表3个典型例子)。中国的严格指数显示，在新冠肺炎大流行期间，中国严格的npi一直存在(多媒体附录1)，这使我们能够分析COVID-19爆发后的长期影响。

    ‎
    图1所示。2019冠状病毒病暴发前后的传染病(A) 2017年至2021年三个例(丙型肝炎病毒、结核病和淋病)的每月感染病例。垂直虚线后的曲线具体显示了COVID-19爆发后的感染病例。(B)疫情前后的归一化平均感染病例数。(C)疫情前后波谷幅度(左)和波峰幅度(右)(**为P< . 01)。(D)疫情前后归一化波谷(左)与峰值(右)的关系。
    查看此图

    中国新冠肺炎疫情严格防控后出现重大事件相关低谷期

    我们展示了几例在COVID-19暴发后具有明显ERT的疾病(丙型肝炎病毒、结核病和淋病);看到图1A，你看多媒体附录3治疗所有疾病。为了在一个名义上共同的尺度上比较所有疾病的时间序列，我们将感染人数的时间序列归一化，方法是减去COVID-19之前的平均感染人数，并将其除以其标准差。因此，所有疾病在COVID-19之前的平均感染人数为0 (图1B)。该模式显示COVID-19爆发后确诊病例明显而突然减少(见图1B).为了调查波峰和波谷是否会因疫情而发生变化，我们比较了疫情前后波峰和波谷的差异(应对COVID-19的政策)。结果表明，两个峰的振幅(P< 0.01)和槽(P< 0.01)显著降低，这表明疫情强烈地缓和了振荡幅度(见图1C)。然后，我们计算了疫情发生前后的归一化波谷之间的相关性，我们发现，疫情发生后的波谷具有显著相关性(r=0.88，P<.001)与之前的波谷不相关(r= -0.15，P=相关性较高;看到图1D)。

    感染选择性和首选爆发时间与COVID-19爆发前后的低谷比密切相关

    传染病爆发的基本特性(感染选择性和首选爆发时间)可能影响ERT。为了进一步明确可能导致ERT的潜在因素，我们通过定义2个指标来确定传染病在一年内的振荡特性:感染选择性和传染病的首选爆发时间。我们选取了3种具有不同选择性的传染病作为例子(图2A、B;看到多媒体附录4对所有疾病)。感染选择性指数定义为(1 -一年中感染病例的最小数与最大数之比)。如果选择性指数更接近于1，那么调谐曲线的形状更清晰(例如，日本脑炎)，反之亦然(例如，HEV)。首选月份指数定义为一年中感染病例最多的月份。结果显示，新冠肺炎疫情发生后感染选择性显著增加，疫情前后感染选择性呈正相关(Bonferroni校正;图2C)。当我们比较爆发前的选择性和槽比时，我们发现感染选择性越强，槽比越小(图2在控制首选爆发时间的情况下，我们还对感染选择性和槽比进行了偏相关分析，结果显著(r= -0.58;P= 04)。然而，感染选择性与季节混淆的谷比之间的关联较弱。

    ‎
    图2。(A) 2017 - 2021年日本脑炎、猩红热、戊型肝炎3例月感染病例分析。垂直虚线后的曲线具体显示了COVID-19爆发后的感染病例。(B) a图时间序列数据对应的疫情爆发前(浅色曲线)和疫情爆发后(深色曲线)计算的一年中每个月的感染病例数。(C)疫情爆发前后的选择性散点图。(D)选择性(前)与槽比(后/前)之间的关系。
    查看此图

    新冠肺炎疫情前后感染与振荡功率的关系

    我们利用功率谱分析(图3A和3B;看到多媒体附录5对所有疾病)。然后，我们探讨了COVID-19爆发前后感染病例与其相应振荡功率强度之间的关系。结果表明:振荡强度(r=0.83;P<.001)，平均感染病例数(r=0.95;P<.001)与疫情发生后各项指标呈显著正相关(图3C)，表明爆发前振荡功率越强，爆发后振荡功率越强。平均感染病例也是如此。

    为了确定疫情前后振荡功率的差异以及疫情前后平均感染病例的差异，我们还对数据进行了拆分，并对疫情前后的指标进行了比较。与我们的假设一致，结果显示，在COVID-19爆发后，振荡功率和平均感染病例均有所下降(图3D)。我们进一步研究了感染人数变化与波谷幅度之间的功率变化关系。结果表明，功率变化与感染数变化呈显著相关(r=0.92;P<措施)。振荡功率变化越大，确诊病例数变化越大(图3E)。然而，功率的变化与波谷幅度的变化无关(r= -0.37，P=。08with Bonferroni correction;图3F).综上所述，从振荡功率和平均感染病例来看，新冠肺炎疫情减少了乙类法定传染病的暴发。

    ‎
    图3。疫情前后感染与振荡功率的关系(A) 2017 - 2021年狂犬病、痢疾、布鲁氏菌病3例感染病例分析垂直虚线后的曲线具体代表COVID-19爆发后的感染病例。(B) a图时间序列数据对应的疫情爆发前(浅色曲线)和疫情爆发后(深色曲线)计算的功率谱。(C)疫情爆发前后功率(左)和平均感染人数(右)的散点图。(D)疫情前后振荡功率(左)和平均感染病例(右)的直方图。(E)功率变化与感染数变化的散点图。(F)功率变化和波谷幅度变化的散点图。
    查看此图

    主要研究结果

    在这项研究中，我们定义了几个新的概念和稳健的指标(ERT，感染的选择性，爆发的首选时间，传染病的振荡强度)来量化和捕捉中国传染病爆发和事件相关波动的时间特征。结果表明，在严格的公共卫生政策下，大多数B类传染病在疫情暴发后出现了明显的ERT。我们进一步发现，ERT与疾病的性质有关，如它们的感染选择性和首选爆发时间。然而，它们的振荡强度在某种程度上是不相关的。我们还比较了新冠肺炎疫情发生前后传染病的这些指标。新冠肺炎疫情对传染病的影响是降低了波谷振幅、平均感染病例和振荡强度，但增加了传染病的选择性(见图4)。

    ‎
    图4。主要发现摘要。从4个图中可以看出，疫情对传染病的影响表现为波谷幅度、平均感染病例和振荡强度下降，但季节性选择性增加。
    查看此图

    与前期工作比较

    据我们所知，这是第一个系统地调查COVID-19疫情对中国其他B类传染病时间特征影响的研究，包括呼吸道传染病和其他类型的传染病，如性传播、体液传播、消化道传播、接触传播和蚊子传播。本研究的主要贡献是提出了一些新的概念，如ERT、传染病的选择性、首选爆发时间和感染振荡的功率强度。以前的一些研究调查了中国几种传染病的基本性质[18，22-25，50-52]和世界各国[39，40，53-55]，缓解COVID-19的国家行动计划可能会影响流感和其他呼吸道疾病的传播动态[17，27-29，56，57]。然而，以前的研究并没有使用特定的时间指数来量化这种减少。我们首先在传染病领域定义了应急响应，以捕捉与公共卫生事件相关的强有力干预措施的直接影响，例如疾病暴发的预防政策。在研究未来某些特定干预措施的效果时，ERT可以测量时间特征，与简单的还原数相比，增加了一个维度(时间动态)。

    本研究的另一个新颖发现是，我们还建立了ERT与其他一些重要指标(选择性和振荡性)之间的联系，这些指标在以前的工作中被忽视。在本研究中，我们发现ERT与选择性(图2D)一种传染性疾病，它提供了一种新的理解，即如何更容易控制流行病(当疾病具有高选择性时)。在未来，传染性选择性将发挥比以前更重要的作用，特别是当与疾病的调节曲线相结合时。它将描绘每种疾病的基本特性的新图景，并为预防和控制流行病提供更实际的指导。以前的一些研究也分析了传染病的振荡特性[18，22-25，38-40，53-55，58-60]，这可以由自然[11，61，62]和人的[63-68)因素。然而，以往的研究没有系统地探讨COVID-19措施或其他npi控制流行病对传染病振荡强度的影响。我们的研究结果表明，在COVID-19爆发后，振荡强度明显减弱，同时伴随着平均感染的减少。这一发现支持了概念混合模型[18]。我们还发现，疫情前的振荡强度与波谷变化不相关，这进一步表明ERT与某些季节性因素无关，而更多地与COVID-19疫情的测量有关。以人群为基础的流行病的振荡现象将成为公共卫生研究的新动力。未来，该指数可以与更多的自然和人为因素联系起来，有助于构建一个更通用的受刺激模型来解释历史和预测未来的情况。

    限制

    我们研究的一个局限性是，我们使用的数据来自整个中国大陆，而不是针对不同省份或城市，这可能缺乏空间分辨率。我们研究的另一个局限性是，结果是基于宏观的，而不是基于大多数B类传染病的微观观点。需要进一步的研究来阐明COVID-19大流行的更深层次的潜在机制。有了这些发现，我们可以更好地向政府提供在实现群体免疫之前进行干预的最佳时机的建议，从而帮助制定符合目的的政策。

    结论

    总之，这项研究开发了一种新的、潜在的通用方法来揭示传染病的动态。传染病的传播力和严重程度有规律地波动。在传染病领域引入应急反应概念可以更好地反映与以往公共卫生事件有关的干预措施的直接影响。我们的研究结果证实，及早开始强有力的公共卫生干预措施对其他传染病有额外的好处。

    致谢

    我们感谢中华人民共和国国家卫生健康委员会提供关于23种乙类传染病病例的公开数据集。本研究由北京市医院临床技术创新与研究计划(XMLX201805)、北京市医院研发项目(PX2021068)和人脑保护先进创新中心项目(3500-12020137)资助。

    作者的贡献

    CH, ML和XZ构思和设计了这项研究。CH、ML、NH、YZ、JJ、ZL参与文献检索。CH、JL、JT、SL、YZ、XZ、XW和YL参与了数据收集。CH、YC、MG、XF、JQ和MG参与了数据分析和结果解释。所有作者都参与了论文的撰写。

    利益冲突

    共同作者声明，该研究是在没有任何商业或财务关系的情况下进行的，这可能被解释为潜在的利益冲突。

    ‎
    多媒体附录1

    2020年1月后中国的严格程度指数(数据来自牛津COVID-19政府应对追踪器)。

    PNG文件，48kb
    ‎
    多媒体附录2

    所有感染病例的年平均值。HIV:人类免疫缺陷病毒;甲型肝炎病毒;HBV:乙型肝炎病毒;HCV:丙型肝炎病毒;戊型肝炎病毒。

    PNG文件，448 KB
    ‎
    多媒体附录3

    所有疾病每月感染病例。HIV:人类免疫缺陷病毒;甲型肝炎病毒;HBV:乙型肝炎病毒;HCV:丙型肝炎病毒;戊型肝炎病毒。

    PNG文件，369kb
    ‎
    多媒体附录4

    2019冠状病毒病暴发前(灰色)和之后(黑色)所有感染病例的年平均值。HIV:人类免疫缺陷病毒;甲型肝炎病毒;HBV:乙型肝炎病毒;HCV:丙型肝炎病毒;戊型肝炎病毒。

    PNG文件，383kb
    ‎
    多媒体附录5

    所有感染病例在COVID-19爆发之前(灰色)和之后(黑色)的功率谱。HIV:人类免疫缺陷病毒;甲型肝炎病毒;HBV:乙型肝炎病毒;HCV:丙型肝炎病毒;戊型肝炎病毒。

    PNG文件，378kb
    1. 黄超，王勇，李旭，任磊，赵军，胡勇，等。武汉市新型冠状病毒感染患者临床特征分析Lancet 2020 Feb;395(10223):497-506。［CrossRef］
    2. 李强，关旭，吴鹏，王旭，周磊，童勇，等。武汉新型冠状病毒感染的肺炎早期传播动态分析中国生物医学工程学报，2016,33 (3):391 - 391 [J]免费全文] [CrossRef] [Medline］
    3. 王辉，王忠，董勇，常荣，徐超，于鑫，等。中国武汉2019年冠状病毒病病例数的相位调整估计Cell discover 2020 Feb 24;6(1):10 [免费全文] [CrossRef] [Medline］
    4. 王东，周敏，聂霞，邱伟，杨敏，王霞，等。2019年中国冠状病毒病流行病学特征及传播模式中国生物医学工程学报;2009;31 (5):825 - 827 [J]免费全文] [CrossRef] [Medline］
    5. 田宏，刘毅，李毅，吴超，陈斌，Kraemer MUG，等。中国新冠肺炎疫情前50天传播控制措施调查Science 2020 May 08;368(6491):638-642 [免费全文] [CrossRef] [Medline］
    6. 朱宁，张东，王伟，李旭，杨斌，宋杰，等。2019年中国肺炎患者的新型冠状病毒。中国生物医学工程学报，2016,31(8):727-733。［CrossRef］
    7. 吴健，梁凯，梁建民。源自中国武汉的2019-nCoV疫情的临近预测和潜在的国内和国际传播:模型研究。柳叶刀2020 Feb;395(10225):689-697。［CrossRef] [Medline］
    8. 杨L，丹尼尔Z.三种疫苗前反应。PLoS One 2021;16(5):e0251349 [j]免费全文] [CrossRef] [Medline］
    9. Spina S, Marrazzo F, Migliari M, Stucchi R, Sforza A, Fumagalli R.意大利米兰紧急医疗系统对COVID-19疫情的响应。柳叶刀2020年3月;395(10227):e49-e50。［CrossRef］
    10. 在意大利面对Covid-19:疫情前线的道德、后勤和治疗。中华医学杂志，2016,31(2):379 - 379。［CrossRef］
    11. 韩超，李敏，海汉波N，巴布纳P，刘强，赵旭，等。COVID-19复发性爆发的机制:一项基于模型的研究非线性动力学学报，2013,18 (2):1169-1185 [j]免费全文] [CrossRef] [Medline］
    12. Martinez-Alvarez M, Jarde A, Usuf E, Brotherton H, Bittaye M, Samateh AL，等。西非的COVID-19大流行。《柳叶刀全球健康》2020;8(5):e631-e632。［CrossRef］
    13. Dawood FS, Ricks P, Njie GJ, Daugherty M, Davis W, Fuller JA，等。基于网络监测的大流行前COVID-19全球流行病学观察:横断面分析《柳叶刀与感染杂志》，2020;20(11):1255-1262。［CrossRef］
    14. 韩超，刘毅，唐杰，朱毅，贾格超，杨松。从中国内地第一阶段疫情经验看全球新冠肺炎感染和康复病例增长规律灾害风险科学学报，2020,18(4):497-507。［CrossRef］
    15. 杨建军，杨建军，杨建军，杨建军，等。新型冠状病毒病死率曲线饱和状态下的幂函数特征分析。medRxiv 2020。［CrossRef］
    16. 唐JW。2019冠状病毒病:解读科学证据——不确定性、混乱和延误。中国生物医学工程学报(英文版);20(1):653 [j]免费全文] [CrossRef] [Medline］
    17. 冯磊，张涛，王强，谢勇，彭志，郑健，等。COVID-19疫情对中美两国流感的影响及干预措施中华医学会学报(英文版);2009;12(1):3249 [j]免费全文] [CrossRef] [Medline］
    18. 韩超，李敏，海汉波，曹勇，赵霞。2004 - 2020年中国大陆23种法定传染病振荡特性的启示。PLoS One 2021 Jun 9;16(6):e0252803 [j]免费全文] [CrossRef] [Medline］
    19. 奥尔蒂斯E，克兰西CM。利用信息技术提高美国医疗保健的质量。卫生服务研究2003年4月;38(2):xi-xxii [免费全文] [CrossRef] [Medline］
    20. 陈松，李军，王东，冯华，黄丽，赵玲。中国乙型肝炎疫情应引起更多关注。柳叶刀2018年4月;391(10130):1572。［CrossRef］
    21. 刘毅，陈涛，叶林，罗毅，徐伟，秦思，等。猩红热在中国卷土重来:一项为期13年的基于人群的监测研究中华医学杂志，2018;18(8):903-912。［CrossRef］
    22. 罗涛，苏米A，周达，卡莫克，于波，赵东，等。中国某大城市麻疹控制规划对疾病流行周期结构影响的研究。中华流行病学杂志，2010;39(2):257-264。［CrossRef］
    23. 马超，郝霞，邓辉，吴锐，刘健，杨勇，等。2009 - 2015年陕西省狂犬病再发情况分析。中华医学杂志，2017;39(9):1511-1519。［CrossRef] [Medline］
    24. 张勇，Vrancken B，冯毅，Dellicour S，杨强，杨伟，等。云南省狂犬病毒的跨界传播、谱系移位和进化速率估算病毒学报，2017,03;14(1):102 [J]免费全文] [CrossRef] [Medline］
    25. 田宏，冯毅，Vrancken B, Cazelles B，谭宏，Gill MS，等。中国农村家犬再发狂犬病传播动力学研究。PLoS Pathog 2018 Dec 6;14(12):e1007392 [j]免费全文] [CrossRef] [Medline］
    26. 李建军，李建军，李建军，李建军。针对COVID-19的疫苗接种和非药物干预措施:一项数学模型研究。《柳叶刀感染与疾病杂志》;21(6):793-802。［CrossRef］
    27. 黄秋生，Wood T, Jelley L, Jennings T, Jefferies S, Daniells K, NPIsImpactOnFlu Consortium，等。COVID-19非药物干预措施对新西兰流感和其他呼吸道病毒感染的影响中国农业大学学报(自然科学版);2009;12(1):1001 [j]免费全文] [CrossRef] [Medline］
    28. 凌宝杰，李建明，吴元勇，曾国坤，李建明，方伟文，等。香港2019冠状病毒病和流感非药物干预措施的影响评估:一项观察性研究柳叶刀公共卫生2020年5月17日;5(5):e279-e288 [j]免费全文] [CrossRef] [Medline］
    29. 吴丹，陆军，刘勇，张志，罗磊。新型冠状病毒肺炎防控措施对流感预防的积极作用。中华流行病学杂志[J]; 2010; 29 (5): 344 - 344 [J]免费全文] [CrossRef] [Medline］
    30. 肖小宫，吴高桥，王平松，加多塔，加藤。新型冠状病毒肺炎大流行与日本结核病真实发病率。中国生物医学工程学报(英文版);31 (3):559 - 561 [J]免费全文] [CrossRef] [Medline］
    31. 陈斌，王敏，黄霞，谢敏，潘磊，刘宏，等。新冠肺炎防控措施下中国法定传染病发病率变化Front Public Health 2021 Oct 15;9:728768 [免费全文] [CrossRef] [Medline］
    32. 耿明，张辉，于磊，吕超，王涛，车涛，等。2019冠状病毒病大流行期间中国法定传染病发病率变化Nat comm2021 Nov 26;12(1):6923 [j]免费全文] [CrossRef] [Medline］
    33. Dadras O, Alinaghi SAS, Karimi A, MohsseniPour M, barzary A, Vahedi F，等。COVID-19预防程序对其他常见感染的影响:系统综述Eur J Med Res 2021 july 03;26(1):67 [免费全文] [CrossRef] [Medline］
    34. 王铮，刘勇，李勇，王刚，lourenpado J, Kraemer M，等。1984 - 2010年中国海南气温上升与疟疾发病率的关系:纵向队列研究《柳叶刀:地球健康》，2022;6(4):e350-e358。［CrossRef］
    35. 张翔，侯峰，李翔，周磊，刘勇，张涛。2005 - 2014年中国乙类法定传染病监测数据研究。中华流行病学杂志[J]; 2016;48:7-13 [J]免费全文] [CrossRef] [Medline］
    36. 桂军，刘志，张涛，华强，姜志，陈斌，等。2008-2012年浙江省手足口病流行病学特征及时空聚类分析PLoS One 2015 Sep 30;10(9):e0139109 [j]免费全文] [CrossRef] [Medline］
    37. 张欣，侯峰，乔志，李欣，周磊，刘勇，等。2009 - 2014年中国C类法定传染病的时空趋势分析BMJ Open 2016 Oct 17;6(10):e011038 [j]免费全文] [CrossRef] [Medline］
    38. Anderson RM, Grenfell BT, May RM。传染病发病率的振荡波动和疫苗接种的影响:时间序列分析。地球物理学报，1984,12月19日;93(3):587-608 [J]免费全文] [CrossRef] [Medline］
    39. Broutin H, gu gan JF, Elguero E, Simondon F, Cazelles B.百日咳种群动态的大规模比较分析:周期性、同动性和疫苗接种的影响。中华流行病学杂志，2005;16(6):559 - 567。［CrossRef] [Medline］
    40. A Sumi A, Kamo K, Ohtomo N, Kobayashi N.疫苗接种对日本麻疹流行周期结构影响的研究。中华微生物学杂志2007;11 (9):805-814 [j]免费全文] [CrossRef] [Medline］
    41. 李建军，李建军，李建军，等。基于人口统计数据的简单流行病模型的研究。社会科学进展[j]; 2011; 27 (1):1 - 7 [j]免费全文] [CrossRef] [Medline］
    42. Pons-Salort M, Grassly NC。血清型特异性免疫解释了由人类肠道病毒引起的疾病的发病率。Science 2018 Aug 24;361(6404):800-803 [j]免费全文] [CrossRef] [Medline］
    43. 中华人民共和国国家卫生健康委员会。URL:http://www.nhc.gov.cn/[2022-06-17]访问
    44. 布拉瓦尼克政府学院的OxCGRT团队。牛津COVID-19政府应对追踪器。URL:https://covidtracker.bsg.ox.ac.uk/[2022-06-17]访问
    45. 赵霞，李宏，王娥，罗霞，韩超，曹强，等。工作记忆缺陷在不同成人ADHD结果中的神经关联:一项事件相关电位研究。前沿精神病学2020年5月1日;11:348 [免费全文] [CrossRef] [Medline］
    46. 韩超，王涛，杨毅，吴毅，李毅，戴伟，等。多个伽马节律在初级视觉皮层中携带不同的空间频率信息。PLoS Biol 2021 Dec 21;19(12):e3001466 [j]免费全文] [CrossRef] [Medline］
    47. 韩超，王涛，吴毅，李毅，杨毅，李磊，等。初级视觉皮层中具有局部、水平和反馈连接的不同伽马振荡的产生和调制:大规模网络的模型研究。神经物理学报;2011;21:851 - 856 [j]免费全文] [CrossRef] [Medline］
    48. 珀西瓦尔DB，瓦尔登AT。物理应用的光谱分析:多锥度和传统的单变量技术。剑桥:剑桥大学出版社;1993.
    49. Chronux分析软件。URL:http://chronux.org[2022-06-17]访问
    50. 张霞，张涛，杨美华，李霞。四种时间序列模型在流行病学监测数据中的应用与比较。PLoS One 2014 Feb;9(2):e88075 [j]免费全文] [CrossRef] [Medline］
    51. 陈敏，张超，孔丹，潘慧，张鑫，陈敏。2015-2017年上海市猩红热易感人群中化脓性链球菌携带情况调查。生物医学杂志2018;06(11):89-97。［CrossRef］
    52. 卢强，丁志，吴超，吴华，林杰。2008 - 2017年浙江省0 ~ 14岁儿童报告的法定传染病流行病学特征分析。国际环境与公共卫生杂志2019年1月09日;16(2):168 [J]免费全文] [CrossRef] [Medline］
    53. 好的PE，克拉克森JA。百日咳的季节影响。中华流行病学杂志1986;15(2):237-247。［CrossRef] [Medline］
    54. De Greeff SC, Dekkers ALM, Teunis P, Rahamat-Langendoen JC, Mooi FR, De Melker HE。百日咳时间序列的季节性模式。中华流行病学杂志，2009;37(10):1388-1395。［CrossRef］
    55. 使用流行病学特征估计百日咳免疫持续时间。PLoS Pathog 2009 Oct 30;5(10):e1000647 [j]免费全文] [CrossRef] [Medline］
    56. Rana MS, Usman M, Alam MM, Ikram A, Salman M, Zaidi SSZ等。COVID-19预防措施对巴基斯坦其他传染性和非传染性呼吸道疾病的影响。中国生物医学工程学报;2009;32 (5):391 - 391 [J]免费全文] [CrossRef] [Medline］
    57. 林荣荣，周安，何海军。COVID-19期间新加坡肺炎球菌病发病率的下降中国生物医学工程学报;2009;31 (6):819 - 821 [J]免费全文] [CrossRef] [Medline］
    58. Gunning CE, Ferrari MJ, Erhardt EB, Wearing HJ。儿童疾病隐蔽性发病率的证据。生物学报2017年8月30日;284(1861):20171268 [j]免费全文] [CrossRef] [Medline］
    59. Bhattacharyya S, Ferrari MJ, Bjørnstad ON。物种间的相互作用可能有助于解释百日咳动态的不稳定周期性。流行病2018年6月;23:64-70 [免费全文] [CrossRef] [Medline］
    60. Hitz DA, Tewald F, Eggers M. 2008年至2018年德国百日咳季节性波德特菌模式。中国生物医学工程学报(英文版);20(1):444 [j]免费全文] [CrossRef] [Medline］
    61. 田慧，于平，Cazelles B，徐磊，谭华，杨杰，等。华中地区汉滩病毒在人-动物界面暴发的年际周期受温度和降雨控制。中国科学d辑，2017,30 (3):349 - 349 [j]。免费全文] [CrossRef] [Medline］
    62. 李建军，李建军，李建军，等。自然灾害与传染性疾病的关联分析。中华卫生杂志，2020;30(5):928-935 [J]免费全文] [CrossRef] [Medline］
    63. 约克JA，伦敦WP。麻疹、水痘和腮腺炎反复发作。2接触率和随机效应的系统差异。中华流行病学杂志，2003;19(6):469-482。［CrossRef] [Medline］
    64. 好的PE，克拉克森JA。英格兰和威尔士的麻疹——1:季节性模式背后的因素分析。国际流行病学杂志1982;11(1):5-14。［CrossRef] [Medline］
    65. 张建军，张建军，张建军，等。撒哈拉以南非洲的麻疹动态。Nature 2008 Feb 07;451(7179):679-684。［CrossRef] [Medline］
    66. Bharti N, Tatem AJ, Ferrari MJ, gris RF, Djibo A, Grenfell BT。利用夜间灯光图像解释尼日尔麻疹的季节性波动。Science 2011 Dec 09;334(6061):1424-1427 [免费全文] [CrossRef] [Medline］
    67. 张建军，张建军。基于非完全疫苗接种的传染病模型。数学与计算机学报，2019(8);162:97-114。［CrossRef］
    68. 病毒感染的季节性:机制和未知。中华临床微生物学杂志，2012;18(10):946-954 [j]免费全文] [CrossRef] [Medline］

    ‎
    导:与事件相关的槽
    乙肝病毒:乙型肝炎病毒
    丙肝病毒:丙型肝炎病毒
    戊肝病毒:戊型肝炎病毒
    NPI:药物干预

    编辑:A Mavragani, T Sanchez;提交01.12.21;由黄涛、王旭同行评议;对作者的评论02.02.22;收到09.04.22修订版本;接受24.05.22;发表23.06.22

    版权

    ©赵喜喜，李美佳，Naem Haihambo，金建华，曾一萌，邱锦毅，郭明柔，朱玉瑶，李志瑞，刘嘉欣，滕嘉怡，李思晓，赵亚楠，曹艳祥，王雪梅，李雅琼，高米歇尔，冯晓阳，韩传良。最初发表于JMIR公共卫生与监测(https://publichealth.www.mybigtv.com)， 2022年6月23日。

    这是一篇根据知识共享署名许可(https://creativecommons.org/licenses/by/4.0/)的条款发布的开放获取文章，该许可允许在任何媒介上不受限制地使用、分发和复制，前提是原始作品首次发表在JMIR公共卫生与监测上，并适当引用。必须包括完整的书目信息，到https://publichealth.www.mybigtv.com上原始出版物的链接，以及版权和许可信息。
    Baidu
    map