监测预警基础56-八小篇搞懂DLNM之5：疾控的应用场景有哪些？|传染病|八小篇搞懂dlnm|疾控

系列简介

这是我们一系列原创技术贴，从易到难，每天学习一点。所有内容均为疾控数据分析、科研论文相关，或者说很多和现在的热门监测预警相关，所以我们这个系列就叫“监测预警基础”。

之前很多老师反馈这种小专题的形式特别好，可以一口气彻底学透一种方法，好的，我们又来了！

这次是分布滞后非线性模型，我们初步计划用8小节左右的内容讲通它的前世今生，以及如何使用。所以我们这个小专题的名字就叫做《八小篇搞懂DLNM》

今天是第5小篇——先讲一讲应用的场景，下一节我们再开始实操

上一篇我们拆解了 DLNM 的核心原理与交叉基函数，搞懂了它 “同时拟合非线性 + 滞后效应” 的底层逻辑。很多同行看完会问：原理听明白了，这个模型在我们疾控的日常业务和科研里，到底能解决哪些具体问题？

今天我们就紧扣疾控核心工作场景，盘点 DLNM 最常用、最落地的 5 大应用方向，每个场景都讲清业务痛点、DLNM 的解决思路和实际价值，帮你找到自己工作中的切入点。

这是 DLNM 在疾控领域最基础、最广泛的应用，也是传染病监测工作的核心需求。

1.业务痛点
我们都知道气象因素会影响传染病流行，比如 “降温后流感增多”“高温天手足口高发”。但传统分析方法只能得到粗略的相关性，回答不了更精细的问题：比如到底多少摄氏度是发病的转折点？低温和高温的风险幅度差多少？气象因素的影响会滞后几天出现？峰值在第几天？持续多久？不同温度区间，发病风险的变化速率一样吗？
这些问题，线性模型、单滞后分析都给不出准确答案。
2.DLNM 的解决思路
DLNM 可以完整刻画 “气象因素→传染病发病” 的三维关系：
暴露维度：拟合温度、湿度、降雨等因素与发病数的非线性曲线，识别风险最低的 “最适气象区间”，分别量化低温、高温的相对危险度，精准找到风险拐点。滞后维度：连续呈现从滞后 0 天到最大滞后期的效应变化，定位效应峰值时间，评估效应持续周期。累积效应：计算整个流行周期内，气象因素带来的总发病风险，量化驱动强度。
3.典型疾控应用
呼吸道传染病：分析温度、湿度对流感、肺炎的影响，多呈 J 型 / U 型曲线，低温效应通常滞后 3~7 天达峰，为冬春季防控时机提供依据。肠道传染病：分析温度、降雨对手足口、痢疾的影响，高温驱动效应明显，滞后周期多为 1~2 周，可解释夏秋季流行高峰的形成机制。虫媒传染病：分析温度、降雨量对疟疾、登革热的影响，温度同时影响媒介发育和病原体增殖，滞后效应更长，可为媒介防控时机提供数据支撑。

预警是疾控的核心职能之一，而阈值的科学性，直接决定了预警的灵敏度和实用性。

1.业务痛点
传统的高温健康预警、寒潮预警等，阈值多基于气象等级划分，缺乏本地人群健康数据的量化支撑；同时预警发布时机也多靠经验，常常出现 “预警早了没反应、预警晚了来不及” 的问题。
2.DLNM 的解决思路
DLNM 为预警阈值制定提供了 “基于健康风险” 的量化路径：
第一定阈值：基于暴露 - 反应曲线，找到发病 / 死亡风险显著升高的拐点温度，作为本地健康预警的气象阈值，而不是直接套用通用气象标准。
第二定时机：根据滞后效应的达峰时间，确定最佳预警提前期。比如效应峰值在滞后 2 天，就可以提前 2~3 天发布预警，为防控措施预留窗口。
第三分级预警：根据不同暴露水平的风险强度，划分轻度、中度、重度预警等级，匹配分级防控措施。
3.实际价值
比如通过 DLNM 分析本地日平均气温与全因死亡的关系，发现气温≥32℃时死亡风险显著上升，就可以将 32℃定为本地高温健康预警的启动阈值；结合效应滞后 2 天达峰的规律，提前 3 天发布预警，指导重点人群防护、医疗机构准备。这种基于本地健康数据的预警阈值，比通用气象标准更贴合本地人群特征，预警的针对性和防控效果都会显著提升。

环境健康风险评估是疾控的重要业务方向，核心是回答 “某种环境因素，到底导致了多少发病 / 死亡”。

1.业务痛点

计算超额发病、归因死亡，是环境健康监测的常规工作。但如果用线性模型计算，会严重低估极端温度、极端污染的健康损害 —— 因为极端区间的风险上升速率远快于线性假设。同时，如果只算单日效应，不考虑多日累积滞后效应，也会大幅低估总健康负担。

2.DLNM 的解决思路
DLNM 是当前环境健康归因分析的金标准方法之一：
第一，基于拟合好的暴露 - 反应曲线，计算不同暴露水平对应的累积相对危险度；第二，结合人群的暴露分布数据，分别计算高温、低温等不同区间的归因发病数、归因分值（AF）；第三，可以分季节、分人群（老人、儿童、慢病患者）开展分层分析，识别高风险人群。
3.典型疾控应用
全国疾控系统常规开展的温度相关死亡归因分析，核心方法就是 DLNM。通过它可以量化：本地每年因高温、低温分别导致多少例超额死亡；温度相关死亡在总死亡中的占比是多少；高温和低温哪个的健康负担更大，重点防控方向是什么。这些结果是制定环境健康政策、评估气候变化健康影响的核心数据支撑。

高温热浪、寒潮、持续强降雨等极端天气事件，是公共卫生应急的重点场景，也是近年气候变化背景下的高频风险。

1.业务痛点
不同强度、不同持续时长的极端天气，健康影响差异巨大。比如持续 3 天的轻度热浪，和持续 7 天的重度热浪，死亡风险完全不是一个量级。传统方法很难精准量化 “强度 + 持续时间” 共同带来的累积健康损害，也就难以为分级应急响应提供依据。
2.DLNM 的解决思路

第一强度分层分析：将极端天气按强度分级，分别拟合不同等级下的滞后效应曲线，量化不同强度的风险差异；

第二，累积效应评估：计算极端事件持续期间的总累积风险，明确持续天数与健康损害的剂量反应关系；

第三，效应持续时间：评估极端事件结束后，健康风险还会持续多久，指导应急响应的终止时机。

3.实际价值
比如通过分析发现：本地重度热浪的累积死亡风险是轻度热浪的 2~3 倍，且效应持续时间延长 1 倍；持续超过 5 天的热浪，风险会出现加速上升。基于这些结论，就可以制定分级应急响应方案：轻度热浪启动常规健康提示，中度热浪启动重点人群防护，重度热浪启动公共卫生应急响应，让防控资源匹配风险等级。

传统传染病预警多基于历史发病数据，对外部驱动因素的利用不充分，预警提前量有限，对流行拐点的预判能力不足。

1.业务痛点
常用的控制图法、ARIMA 时间序列模型，本质是 “用历史发病预测未来发病”，对气象因素等外部驱动变量的整合能力弱；即便加入气象因素，也多是简单线性项，没法捕捉滞后非线性的真实效应，预测提升效果有限。
2.DLNM 的解决思路
将 DLNM 的分析结果融入预警模型，实现 “发病趋势 + 气象驱动” 的联合预测：
第一，用 DLNM 拟合好气象因素的滞后非线性效应，将其作为协变量纳入 ARIMA、Prophet 等时间序列预测模型；第二，也可以将 DLNM 提取的效应特征，作为输入变量融入机器学习预警模型，提升模型对流行高峰的预判能力。
3.实际价值
比如在手足口病预警模型中，加入温度、湿度的 DLNM 滞后效应项后，模型对流行高峰的预测提前量可以从 3 天提升至 7 天，预警准确率也会显著提升。它能让传染病预警从 “看到异常再报警” 的事后报警，向 “预判流行趋势” 的提前预警升级，真正发挥 “防未病” 的作用。

总结一下，DLNM 的核心价值，就是把 “环境暴露→健康效应” 这个黑箱彻底打开：它不仅能告诉你风险有多大，还能告诉你风险什么时候来、持续多久、总负担有多重，完美契合疾控 “预防为主、关口前移” 的工作逻辑。

从基础的病因研究，到业务化的预警、应急、评估，DLNM 已经是疾控领域认可度最高、适用性最广的分析工具之一，也是疾控科研人员、监测预警人员的必备技能。

原理和场景都讲透了，接下来就进入大家最期待的实操环节。下一篇我们开始手把手带教，从 R 包安装、数据格式准备到模型拟合，带你跑通第一个 DLNM 模型，附完整可复制的代码和逐行注释。