中国公共卫生

项目	分类	$ \overline{x}\pm s $	Min	P₂₅	P₅₀	P₇₅	Max
手足口病周发病数/例	总体	675.04±1 089.81	0.00	79.00	338.00	900.50	10 308.00
	男童	403.54±656.85	0.00	47.50	200.00	532.00	6 302.00
	女童	271.50±433.56	0.00	31.50	140.00	363.50	4 030.00
	0～3岁	518.15±691.38	0.00	47.25	239.50	579.00	4 231.00
	4～5岁	156.89±228.29	0.00	22.00	97.00	248.75	1 793.00
气象因素	Temp/℃	23.73±4.96	8.20	19.62	24.61	28.20	31.17
	RH/%	75.83±9.56	34.57	70.21	77.86	82.79	94.43
	WS/（m/s）	1.83±0.43	0.90	1.53	1.76	2.01	4.69
	THI	72.65±8.01	48.72	65.99	73.48	80.34	83.87
	AT/℃	30.17±7.46	8.57	24.11	30.69	37.38	41.03

项目	分类	$ \overline{x}\pm s $	Min	P₂₅	P₅₀	P₇₅	Max
手足口病周发病数/例	总体	675.04±1 089.81	0.00	79.00	338.00	900.50	10 308.00
	男童	403.54±656.85	0.00	47.50	200.00	532.00	6 302.00
	女童	271.50±433.56	0.00	31.50	140.00	363.50	4 030.00
	0～3岁	518.15±691.38	0.00	47.25	239.50	579.00	4 231.00
	4～5岁	156.89±228.29	0.00	22.00	97.00	248.75	1 793.00
气象因素	Temp/℃	23.73±4.96	8.20	19.62	24.61	28.20	31.17
	RH/%	75.83±9.56	34.57	70.21	77.86	82.79	94.43
	WS/（m/s）	1.83±0.43	0.90	1.53	1.76	2.01	4.69
	THI	72.65±8.01	48.72	65.99	73.48	80.34	83.87
	AT/℃	30.17±7.46	8.57	24.11	30.69	37.38	41.03

模型	分类	RMSE	MAE	R²值
基础模型		211.109	117.654	0.942
单因素气象模型	Temp-lag1周	201.366	124.251	0.948
	Temp-lag2周	179.915	108.290	0.958
	Temp-lag3周	198.247	109.551	0.949
	RH-lag1周	187.578	108.094	0.954
	RH-lag2周	177.457	97.873	0.959
	RH-lag3周	192.759	116.391	0.952
复合气象模型	THI-lag1周	188.818	114.580	0.954
	THI-lag2周	185.061	103.817	0.956
	THI-lag3周	203.225	115.100	0.947
	AT-lag1周	188.580	106.641	0.954
	AT-lag2周	202.828	109.633	0.947
	AT-lag3周	198.942	122.623	0.949

模型	分类	RMSE	MAE	R²值
基础模型		211.109	117.654	0.942
单因素气象模型	Temp-lag1周	201.366	124.251	0.948
	Temp-lag2周	179.915	108.290	0.958
	Temp-lag3周	198.247	109.551	0.949
	RH-lag1周	187.578	108.094	0.954
	RH-lag2周	177.457	97.873	0.959
	RH-lag3周	192.759	116.391	0.952
复合气象模型	THI-lag1周	188.818	114.580	0.954
	THI-lag2周	185.061	103.817	0.956
	THI-lag3周	203.225	115.100	0.947
	AT-lag1周	188.580	106.641	0.954
	AT-lag2周	202.828	109.633	0.947
	AT-lag3周	198.942	122.623	0.949

深圳市手足口病发病趋势预测：基于气象滞后效应与LSTM模型

PDF下载

江凡 ¹^,² , 温莹 ² , 宋丽霞 ² , 程雁鹏 ² , 陈志高 ² , 张振 ² , 路滟 ²^,^*^,^* , 吕秋莹 ¹^,²^,^*^,^*

中国公共卫生 | 调查报告与分析 2026,42(6): 715-721

收起

中国公共卫生 |调查报告与分析 2026 , 42 (6) : 715 -721

深圳市手足口病发病趋势预测：基于气象滞后效应与LSTM模型

全屏

江凡¹^,², 温莹², 宋丽霞², 程雁鹏², 陈志高², 张振², 路滟²^,^*^,^*, 吕秋莹¹^,²^,^*^,^*

作者信息

¹南方医科大学公共卫生学院，广州 510000

²深圳市疾病预防控制中心传染病预防控制所，深圳 518073

通讯作者:

路滟，E-mail：luyan_72@163.com

吕秋莹，E-mail：sandylv1980@126.com

作者简介:

江凡（1999—），硕士在读，研究方向：传染病预防与控制

Prediction of hand, foot and mouth disease incidence trends in Shenzhen based on meteorological lag effect and LSTM model

Fan JIANG¹^,², Ying WEN², Lixia SONG², Yanpeng CHENG², Zhigao CHEN², Zhen ZHANG², Yan LU², Qiuying LV¹^,²

Affiliations

¹School of Public Health, Southern Medical University, Guangzhou 510000, China

²Institute of Infectious Disease Prevention and Control, Shenzhen Center for Disease Control and Prevention, Shenzhen 518073, China

Corresponding Author:

LV Qiuying, E-mail: sandylv1980@126.com;

LU Yan, E-mail: luyan_72@163.com

出版时间: 2026-06-10 doi: 10.11847/zgggws1147394

文章导航

摘要

收起

目的

基于气象滞后效应与长短期记忆网络（LSTM）模型对广东省深圳市手足口病发病趋势进行预测，为建立更科学、精准的气象疾病风险预警系统提供方法学支撑。

方法

收集中国疾病预防控制系统中2015年1月1日—2024年12月31日深圳市523周的手足口病法定传染病报告卡数据，以周统计≤5岁儿童手足口病病例353 046例，整合周均气温（Temp）、相对湿度（RH）、温湿指数（THI）、体感温度（AT）、风速（WS）等气象参数，通过Spearman秩相关分析筛选显著相关变量构建基础模型（仅病例数）、单因素模型（病例+滞后1～3周Temp/RH）和复合模型（病例+滞后1～3周THI/AT）3种LSTM模型，以均方根误差（RMSE）、平均绝对误差（MAE）和决定系数（R²）评估和比较模型性能。

结果

测试集对比分析结果显示，引入气象因素的所有模型均优于基础模型（RMSE=211.109，MAE=117.654，R²=0.942）；在单因素模型中，温度滞后2周（Temp-lag2周）模型表现最佳（RMSE=179.915，MAE=108.290，R²=0.958），相对湿度滞后2周（RH-lag2周）模型在所有模型中最优（RMSE=177.457，MAE=97.873，R²=0.959）；在复合模型中，温湿指数滞后2周（THI-lag2周）模型最佳（RMSE=185.061，MAE=103.817，R²=0.956），但仍略逊于RH-lag2周模型；RH-lag2周模型在预测2025年前20周发病趋势时呈双峰结构（第10周与第15周），与2024年春季高峰峰型高度一致，且较2015—2024年平均高峰期（第9～35周）整体显著前移。

结论

基于滞后2周RH构建的LSTM模型可有效表征湿热环境对肠道病毒存活与传播的促进作用，显著提升手足口病发病趋势预测精度。

关键词

手足口病 / 发病趋势 / 气象滞后效应 / 长短期记忆网络（LSTM）模型 / 预测 / 深圳市

Abstract

收起

Objective

To predict the incidence trends of hand, foot and mouth disease (HFMD) in Shenzhen city, Guangdong province based on the meteorological lag effect and the long short-term memory (LSTM) model, thereby providing methodological support for establishing a more scientific and accurate meteorological disease risk early warning system.

Methods

Data from 523 weeks (January 1, 2015 to December 31, 2024) of HFMD case reports in the China Disease Control and Prevention Information System were collected. A total of 353 046 HFMD cases in children aged ≤5 years were aggregated weekly. Meteorological parameters, including average weekly temperature (Temp), relative humidity (RH), temperature-humidity index (THI), apparent temperature (AT), and wind speed (WS), were integrated. Significant correlated variables were screened by Spearman rank correlation analysis to construct three types of LSTM models: a baseline model (case count only), single-factor models (case count + Temp/RH lagged 1–3 weeks), and composite models (case count + THI/AT lagged 1–3 weeks). Model performance was evaluated and compared via the root mean square error (RMSE), mean absolute error (MAE), and coefficient of determination (R²).

Results

Comparative analysis on the test set showed that all the models incorporating meteorological factors outperformed the baseline model (RMSE = 211.109, MAE = 117.654, R² = 0.942). Among the single-factor models, the model with Temp lagged by 2 weeks (Temp-lag2) performed best (RMSE = 179.915, MAE = 108.290, R² = 0.958), and the model with RH lagged by 2 weeks (RH-lag2) was optimal among all the models (RMSE = 177.457, MAE = 97.873, R² = 0.959). Among the composite models, the model with THI lagged by 2 weeks (THI-lag2) performed best (RMSE = 185.061, MAE = 103.817, R² = 0.956) but was slightly inferior to the RH-lag2 model. The RH-lag2 model predicted a bimodal pattern (peaks at weeks 10 and 15) for the HFMD incidence trends in the first 20 weeks of 2025, which closely matched the spring peak pattern of 2024 and showed a significant overall shift forward compared to the average peak period (weeks 9–35) from 2015 to 2024.

Conclusions

The LSTM model constructed based on RH lagged by 2 weeks effectively characterizes the promoting effects of a hot and humid environment on the survival and transmission of enteroviruses, significantly improving the prediction accuracy of HFMD incidence trends.

Key words

hand, foot and mouth disease / incidence trend / meteorological lag effect / long short-term memory model / prediction / Shenzhen city

引用本文

江凡, 温莹, 宋丽霞, 程雁鹏, 陈志高, 张振, 路滟, 吕秋莹. 深圳市手足口病发病趋势预测：基于气象滞后效应与LSTM模型. 中国公共卫生, 2026 , 42 (6) : 715 -721 . DOI: 10.11847/zgggws1147394

Fan JIANG, Ying WEN, Lixia SONG, Yanpeng CHENG, Zhigao CHEN, Zhen ZHANG, Yan LU, Qiuying LV. Prediction of hand, foot and mouth disease incidence trends in Shenzhen based on meteorological lag effect and LSTM model[J]. Chinese Journal of Public Health, 2026 , 42 (6) : 715 -721 . DOI: 10.11847/zgggws1147394

正文

收起

手足口病是由肠道病毒引起的急性肠道传染病，常见于˂5岁儿童，临床症状主要表现为手、足、口部红色丘疹，传染性强^[1]，可通过粪口、飞沫及密切接触传播^[2]。主要流行毒株为肠道病毒71型（enterovirus71, EV71）、柯萨奇病毒A16型（coxsackievirusA16, CA16）和柯萨奇病毒A6型（coxsackievirusA6, CVA6）^[3]，广东省深圳市2008—2020年平均发病率为312.25/10万^[4]，自2016年8月EV71疫苗推广后，流行优势株逐渐由EV71转为CA16和CVA6，但因不同型别间缺乏交叉保护，发病率仍呈上升趋势。深圳市属沿海亚热带季风气候，全年高温高湿，适合肠道病毒生存繁殖，流行强度高，且具有明显季节性，2015—2019年发病呈双峰分布（第9～35周和36～47周），与广州市峰期一致^[5]，在托幼机构等人群密集地易引发聚集性疫情。国内外研究表明手足口病发病与温度（temperature, Temp）和相对湿度（relative humidity, RH）等气象因素存在非线性及滞后效应，如“J形”“U形”关联^[6]。长短期记忆网络（long short-term Memory, LSTM）是特殊的循环神经网络，能捕捉复杂非线性时间序列特征，已用于多种传染病预测^[7]，但有关结合气象因素开展手足口病周发病趋势预测的研究较少。本研究基于中国疾病预防控制系统2015年1月1日—2024年12月31日深圳市523周≤5岁手足口病法定报告病例数据，结合同期深圳市气象中心监测的周平均Temp、RH和风速（wind speed, WS）等资料构建融合气象滞后效应的LSTM预测模型，旨在揭示气象因子对手足口病传播的时滞影响及其在发病预测中的作用，为亚热带城市建立气象疾病风险预警体系、合理配置公共卫生资源提供科学依据。结果报告如下。

1　资料与方法

收起

1.1　资料来源

收集中国疾病预防控制系统2015年1月1日—2024年12月31日深圳市手足口病法定传染病报告卡中的相关数据，内容包括性别、年龄、职业类型、发病时间和疾病诊断等。根据《国际疾病与相关健康问题统计分类第十版（The International Statistical Classification of Diseases and Related Health Problems 10th Revision, ICD-10）》^[8]，手足口病编码为B08.400。同期周平均Temp、RH和WS等气象因素监测数据来源于深圳市气象数据中心。本研究经深圳市疾病预防控制中心伦理委员会审查批准（批号：深疾伦字〔2020〕第002A号）。

1.2　统计分析

1.2.1　LSTM模型

LSTM网络作为循环神经网络（Recurrent Neural Network，RNN）的一种衍生模型，独特的记忆单元和精巧的门控机制使其能对时间序列信息有效捕捉。LSTM通过其内部结构有效规避了传统RNN在长期时间序列学习中遇到的梯度消失或梯度爆炸问题^[9]，适用于复杂时间序列的预测，具体公式为^[10]：遗忘门：

$ {f}_{t}=\sigma ({W}_{f}\cdot \left[{\mathrm{C}}_{t-1},{h}_{t-1},{x}_{t}\right]+{b}_{f} $

；输入门：

$ {i}_{i}=\sigma ({W}_{i}\cdot\left[{\mathrm{C}}_{t-1}, {h}_{t-1},{x}_{t}\right]+{b}_{i} $

；输出门：

$ {o}_{t}=\sigma ({W}_{o}\cdot \left[{\mathrm{C}}_{t-1},{h}_{t-1},{x}_{t}\right]+{b}_{o}) $

；单元输入：

$ \widetilde{{\mathrm{C}}_{t}}=\mathrm{tanh}({W}_{o}\cdot \left[{h}_{t-1},{x}_{t}\right]+{b}_{t}) $

；单元输出：

$ {\mathrm{C}}_{t}={f}_{t}\times {\mathrm{C}}_{t-1}+(1-{f}_{t})\times \widetilde{{\mathrm{C}}_{t}} $

；隐藏层输出：

$ {h}_{t}={o}_{t}\times \mathrm{t}\mathrm{a}\mathrm{n}\mathrm{h}\left({\mathrm{C}}_{t}\right) $

。其中，

$ W $

为权重，

$ \mathit{\mathrm{\mathit{b}}} $

为偏置项，

$ \mathrm{\sigma } $

是Sigmoid 激活函数。长期记忆

$ {\mathrm{C}}_{t-1} $

、上一个隐藏状态输出

$ {h}_{t-1} $

和当前输入

$ {x}_{t} $

共同作用产生新的长期记忆

$ {\mathrm{C}}_{t} $

与新隐藏状态输出

$ {h}_{t} $

，实现预测。在此之间，遗忘门通过利用权重

$ {W}_{f} $

与sigmoid激活函数确定需要遗忘多少信息，输出门利用

$ \mathrm{t}\mathrm{a}\mathrm{n}\mathrm{h} $

激活函数为新的长期记忆创建新输入

$ \widetilde{{\mathrm{C}}_{t}} $

与隐藏状态输出

$ {h}_{t} $

，该输出可被传递到下一个隐藏状态或输出神经元以实现预测。

1.2.2　数据处理

1.2.2.1　气象数据选择

手足口病病毒在湿热环境中的存活时间延长^[11]，此外WS可影响飞沫传播^[12]，因此选择周平均Temp、RH和WS作为单因素模型因素。为了防止数据驱动的变量筛选可能引发的过拟合问题，本研究也采用复合气象指标来构建LSTM模型。使用Temp、RH、WS计算复合气象指标温湿指数（temperature-humidity index, THI）和体表温度（apparent temperature, AT）。（1）THI：是综合考虑温度与湿度对人体或动物舒适度影响的指标。

$ \begin{split} \mathrm{T}\mathrm{H}\mathrm{I}=&(1.8\times \mathrm{T}\mathrm{e}\mathrm{m}\mathrm{p}+32)-(0.55-0.55\times \mathrm{R}\mathrm{H}\times 0.01)\times \\&(1.8\times\mathrm{T}\mathrm{e}\mathrm{m}\mathrm{p}-26)\\[-1pt]\end{split}$

(1)

（2）AT：综合考虑了气温、相对湿度和风速对人体感受温度的影响。

$ \begin{split} \mathrm{A}\mathrm{T}=&\mathrm{T}\mathrm{e}\mathrm{m}\mathrm{p}+ 0.33\times \left(\frac{\mathrm{R}\mathrm{H}}{100}\right)\times 6.105\times\\&\mathrm{e}\mathrm{x}\mathrm{p}\left(\frac{17.27\times \mathrm{T}\mathrm{e}\mathrm{m}\mathrm{p}}{237.7+\mathrm{T}\mathrm{e}\mathrm{m}\mathrm{p}}\right)-\mathrm{W}\mathrm{S}\times 0.7\end{split} $

(2)

1.2.2.2　数据整理

本研究根据手足口病在儿童群体中的流行病学分布特征确定病例纳入标准。基于2013—2022年传染病监测数据，≤5岁年龄组占确诊病例总数的93.65%^[13]，因此将研究对象限定于≤5岁的儿童群体。基于ISO 8601周历规范以周一为周起始日^[14]，整理和统计每周发病数与周气象数据指标。对2组数据进行时间维度匹配处理，形成覆盖10个完整流行病学年度的完整时间序列数据集。

1.2.2.3　LSTM模型建立（图1）

以每周发病数作为一个时间序列，时间序列长度为523周，结合流行病学特征即手足口病潜伏期的3～5 d与气象滞后效应构建出3种共13个模型：基础模型：仅使用周发病数；单因素气象模型：发病数+滞后1～3周Temp/RH；复合气象模型：发病数+滞后1～3周THI/AT，数据拆分遵循90%训练集（前471周）、10%测试集（后52周）原则，采用Standard Scaler进行标准化处理，通过滑动窗口法将序列转换为监督学习格式，定义历史窗口长度为4，即输入前4个时间步的输入变量特征，输出下一时间步的周发病数，隐藏层通过超参数搜索确定（32、64、128、256），支持多层堆叠（1～3层），层间采用20% Dropout防止过拟合，通过Adam优化器最小化测试集MSE确定最优配置，早停机制监控300训练轮次（图1）。筛选最优模型进行2025年前20周发病预测，未来的气象因素采用历史同期4周均值填充，避免引入额外预测误差。评价指标使用平均绝对误差（mean absolute error, MAE）、均方根误差（root mean squared error, RMSE）和决定系数（coefficient of determination, R²）。RMSE和MAE值越小，R²值越接近1，模型效果越好。

1.2.2.4　统计软件

应用Python 3.8软件进行统计分析，对周发病数与5项气象参数（Temp、RH、WS、THI、AT）开展双变量Spearman秩相关分析，评估各气象变量与发病数之间的关联强度，基于TensorFlow和Keras软件包构建LSTM模型,检验水准为双侧检验α=0.05。

2　结　果

收起

2.1　深圳市2015—2024年≤5岁儿童手足口病周平均发病数和气象因素基本特征（表1、图2）

深圳市2015—2024年共报告≤5岁手足口病新发病例353 046例，周平均发病数为（675.04±1 089.81）例。其中，男童211 054例（59.78%），女童141 992例（40.22%）；0～3岁222 376例（62.99%），4～5岁130 670例（37.01%）；幼托机构儿童95 575例（27.07%），散居儿童257 471例（72.93%）。深圳市2015—2024年周平均Temp和RH均存在明显的季节性波动，THI夏季最高，AT与Temp变化趋势一致，WS总体保持在较低水平；手足口病发病数在2015—2019年每年呈典型的双峰流行特征（9～35周和36～47周），而2020—2024年的流行模式则转变为单峰分布（13～33周）（图2）。

2.2　深圳市2015—2024年气象因素与≤5岁儿童手足口病周发病数相关性分析

Spearman相关性分析结果显示，周平均Temp、RH、THI和AT均与深圳市≤5岁儿童手足口病周平均发病数呈正相关（r=0.641、0.266、0.636、0.632，均P<0.001）。

2.3　深圳市2025年≤5岁儿童手足口病周发病数预测（表2、图3～4）

以基础模型为参照，所有添加气象因素的模型均优于该模型。Temp单因素模型中滞后2周（Temp-lag2周）效果最优，较基础模型RMSE下降31.194，MAE下降9.364，R²提升0.016；RH单因素模型中也是滞后2周（RH-lag2周）效果最优，较基础模型RMSE下降33.652，MAE下降19.781，R²提升0.017，但湿度模型优于温度模型。THI复合气象模型中滞后2周（THI-lag2周）效果最优，较基础模型RMSE下降26.048，MAE下降13.837，R²提升0.014；AT复合气象模型中滞后1周（AT-lag1周）效果最优，较基础模型RMSE下降22.529，MAE下降11.013，R²提升0.012，但二者均未超过基础气象最优模型（RH-lag2周）。各模型测试集上预测结果具体见表2。综合RMSE、MAE和R²指标选择较优模型（图3），最终选择Temp-lag2周、RH-lag2周和THI-lag2周与基础模型对2025年前20周发病趋势进行预测，结果如图4所示，4个模型均能较好地捕捉到2024年手足口病发病趋势，而添加了气象因素的模型提高了在预测发病高峰时的精确度；基础模型与Temp-lag2周模型在预测2025年前20周手足口病发病趋势时呈单相上升趋势，未出现典型春季高峰，但Temp-lag2周模型的上升趋势高于基础模型；RH-lag2周模型呈现双峰分布（第10周与第15周），峰型与2024年历史曲线高度相似，THI-lag2周模型为单峰结构于第8周达峰；气象模型的预测峰值集中于第6～14周，较2015—2024年均值第9～35周显著前移。

3　讨　论

收起

深圳市地处中国南海之滨，河流多，为亚热带海洋性季风气候，每年春季（2—4月）为“回南天”，且夏季高温多雨，空气湿度较大，该时间段与深圳市手足口病流行季基本重合，提示手足口病流行很可能与Temp和RH相关。本研究结果显示，深圳市2015—2024年≤5岁儿童手足口病周平均发病数与周平均Temp和RH均呈正相关（r=0.641和0.266，均P<0.001），与多项研究^[15–16]结果一致，提示温湿条件是影响手足口病传播的重要环境因素。本研究结果还显示，深圳市≤5岁儿童手足口病在2015—2019年发病高峰呈双峰分布，发病趋势与其他亚热带沿海城市相似^[17]，2020—2024年只有1个发病高峰，与福建省2009—2022年的研究结果一致^[18]。

新加坡的一项研究发现，手足口病风险与Temp和降雨量均存在非线性和阈值效应，当最高气温>32 ℃时发病风险显著增加，而降雨量过大反而可能降低风险，且以1～2周滞后效应最为显著^[19]，这与本研究观察到的温湿度正相关以及lag2周模型最佳的结果一致；马来西亚全国数据显示，流行高度同步但季节性不规则，气象因素作用有限，而学校放假与人口行为因素影响更大^[20]；日本的研究则发现，Temp与手足口病发病风险呈倒V型关系，中高温时发病风险上升，极端高温反而抑制其传播^[21]。以上国外研究进一步证实了手足口病与气象因素之间的非线性与滞后关系，同时也强调了人群免疫和行为模式在不同气候带下的差异作用，与本研究中深圳市的研究结果具有较强的可比性。

本研究中，LSTM模型在考虑滞后效应时，其表现优于自回归积分滑动平均模型（autoregressive integrated moving average, ARIMA）和季节性差分自回归滑动平均模型（seasonal autoregressive integrated moving average, SARIMA）等传统时间序列模型。除AT外，其余因子均呈现lag2周>lag1周>lag3周的规律，其中RH-lag2周模型预测效果最佳，此结果与手足口病潜伏期（3～5 d）及病毒在物体表面存活时间（7～10 d）^[22]高度一致，体现了模型结果的生物学合理性。Temp-lag2周模型虽仅次于RH-lag2周模型，但预测误差主要集中在高温区间。已有研究表明，Temp与手足口病的关系并非线性，而更可能呈现倒V型或阈值效应，即在中高温范围内风险升高，但在极端高温下因儿童户外活动减少或病毒生存条件受限而导致风险下降^{[21, 23–24]}，因此高温区间的误差集中是预期现象也与国际研究结论相符。而THI-lag2周模型虽在复合模型中表现最优，但并未超越单因素气象模型，提示温湿度简单线性组合可能存在信息损失，难以完整反映不同气象因子的异质性作用。

综上所述，本研究基于气象滞后效应和LSTM模型，采用深圳市2015—2019年气象因素和≤5岁儿童手足口病周报告数据对未来周发病趋势进行短期预测，不仅考虑到气象因素对当前周次手足口病发病趋势的影响，还考虑到气象因素滞后作用，为手足口病进入流行周期后深圳市医疗卫生服务应对就诊病例快速增加发出预警、居民风险指数发布及时评估建立科学的技术支撑。但结果仍存在一定的局限性，如本研究采用历史气象均值进行未来值填充，未能考虑气候变化趋势对预测结果的影响，也未考虑疫苗接种覆盖率动态变化对传播链的阻断作用。因此，未来可结合气候模型的气象趋势预测和实时更新的疫苗接种覆盖率，并采用多模型融合与滚动更新的方式，以更精准捕捉气候变化和免疫干预的影响，从而提升手足口病短期预测的准确性。

参考文献

收起

文献

收起

参考文献引证文献

排序方式：

吕秋莹, 曹彬, 陈志高, 等. 2016—2020年深圳市传染病类突发公共卫生事件流行特征分析[J]. 医学动物防制, 2022, 38(5): 440-443, 447.

Nayak G, Bhuyan S K, Bhuyan R, et al. Global emergence of Enterovirus 71: a systematic review[J]. Beni-Suef University Journal of Basic and Applied Sciences, 2022, 11(1): 78.

李小平, 吴亦栋, 周俊, 等. 柯萨奇病毒A组16型病毒株VP1基因序列测定及进化分析研究[J]. 中国全科医学, 2018, 21(5): 546-550.

梁兆毅, 孟君, 张艳炜, 等. 深圳市2008—2020年手足口病流行特征及EV71疫苗接种对其发病率影响[J]. 中国公共卫生, 2023, 39(2): 249-252.

李云峰, 钟苑芳, 邓惠云. 2010年—2019年广东沙井手足口病流行特征分析[J]. 江苏卫生事业管理, 2021, 32(2): 266-268.

Guo Z J, Wang Y, Li Y S, et al. Impact of meteorological factors on the incidence of hand-foot-mouth disease in Yangzhou from 2017 to 2022: a time series study[J]. Frontiers in Public Health, 2023, 11: 1278516.

Nadda W, Boonchieng W, Boonchieng E. Influenza, dengue and common cold detection using LSTM with fully connected neural network and keywords selection[J]. BioData Mining, 2022, 15(1): 5.

北京协和医院, 世界卫生组织国际分类家族合作中心. 疾病和有关健康问题的国际统计分类第十次修订本[M]. 董景五, 译. 2版. 北京: 人民卫生出版社, 2008.

Hochreiter S, Schmidhuber J. Long short-term memory[J]. Neural Computation, 1997, 9(8): 1735-1780.

王松, 张野, 吴亚东. 网络拓扑结构可视化方法研究与发展[J]. 网络与信息安全学报, 2018, 4(2): 2018014.

孟浩蓉, 赵庆龙, 黄飙, 等. 广东省、安徽省和吉林省体感温度与手足口病发病的关系及其空间异质性分析[J]. 中华流行病学杂志, 2021, 42(3): 520-526.

Hu Y H, Peng S Y, Su B J, et al. Laboratory studies on the infectivity of human respiratory viruses: experimental conditions, detections, and resistance to the atmospheric environment[J]. Fundamental Research, 2024, 4(3): 471-483.

张儒豪, 光旭, 何逸飞, 等. 2013—2022年广东省深圳市手足口病流行特征和病原学分析[J]. 疾病监测, 2024, 39(10): 1263-1269.

ISO. Date and time — Representations for information interchange — Part 1: basic rules: ISO 8601-1: 2019[M]. Geneva: ISO, 2019.

程超, 郑笑十, 潘佳丽, 等. 沈阳地区手足口病流行病学与气象关系探讨[J]. 中国小儿急救医学, 2021, 28(3): 241-243.

唐娜, 董洋洋, 马建, 等. 手足口病发病与气象因素相关性的meta分析[J]. 环境与健康杂志, 2021, 38(4): 294-299.

余婉玲, 吴兆伦, 陈志军, 等. 珠海市斗门区2013—2022年手足口病流行病学特征分析[J]. 中国当代医药, 2023, 30(34): 137-139, 144.

詹美蓉, 谢忠杭, 蔡少健, 等. 2009—2022年福建省手足口病变化趋势及时空聚集性分析[J]. 中国公共卫生, 2024, 40(9): 1040-1044.

Hii Y L, Rocklöv J, Ng N. Short term effects of weather on hand, foot and mouth disease[J]. PLoS One, 2011, 6(2): e16796.

Cox V M, Jahis R, Abu Bakar R S, et al. Spatio-temporal dynamics of hand, foot and mouth disease in Malaysia, 2009–2019[J]. PLoS Neglected Tropical Diseases, 2025, 19(6): e0013174.

Sumi A, Toyoda S, Kanou K, et al. Association between meteorological factors and reported cases of hand, foot, and mouth disease from 2000 to 2015 in Japan[J]. Epidemiology and Infection, 2017, 145(14): 2896-2911.

Rzeżutka A, Cook N. Survival of human enteric viruses in the environment and food[J]. FEMS Microbiology Reviews, 2004, 28(4): 441-453.

Zander K K, Mathew S, Carter S. Behavioural (mal) adaptation to extreme heat in Australia: implications for health and wellbeing[J]. Urban Climate, 2024, 53: 101772.

Chen B H, Sumi A, Toyoda S, et al. Time series analysis of reported cases of hand, foot, and mouth disease from 2010 to 2013 in Wuhan, China[J]. BMC Infectious Diseases, 2015, 15(1): 495.

2026年第42卷第6期

PDF下载

引用本文

BibTeX

文章信息

doi: 10.11847/zgggws1147394

接收时间：2025-03-12
首发时间：2026-10-23
出版时间：2026-06-10

补充材料

相关文章

文章信息

作者

出版历史

收稿日期：2025-03-12
修回日期：2025-10-10
录用日期：2026-01-19

基金

作者信息

¹南方医科大学公共卫生学院，广州 510000

²深圳市疾病预防控制中心传染病预防控制所，深圳 518073

通讯作者:

路滟，E-mail：luyan_72@163.com

吕秋莹，E-mail：sandylv1980@126.com

参考文献

分享链接

https://castjournals.cast.org.cn/joweb/zgggws/CN/10.11847/zgggws1147394

分享至

全文二维码

扫描看全文

引用本文

BibTeX

本文的引用情况

2种不同金属材料的力学参数

科 Family	属数 Number of genus	种数 Number of species	占总种数比例 Percentage of total species (%)	属 Genus	种数 Number of species	占总种数比例 Percentage of total species (%)
鹅膏菌科Amanitaceae	2	11	5.26	鹅膏菌属 Amanita	10	4.78
小菇科 Mycenaceae	2	12	5.74	丝盖伞属 Inocybe	5	2.39
多孔菌科 Polyporaceae	8	14	6.70	蜡蘑属 Laccaria	5	2.39
红菇科 Russulaceae	3	23	11.00	小皮伞属 Marasmius	6	2.87
				小菇属 Mycena	11	5.26
				光柄菇属 Pluteus	5	2.39
				红菇属 Russula	17	8.13
				栓菌属 Trametes	5	2.39

关闭全屏

BibTeX
EndNote
RefWorks
TxT