Cíl: Cílem této práce bylo analyzovat vztah mezi novými případy klinické formy klíšťové encefalitidy a různými meteorologickými a sezonními prediktory. Materiál a metodika: Modelování vychází z národních dat České republiky za období 2001–2016 v denním rozlišení, a to z hodnot průměrné teploty, průměrné relativní vlhkosti vzduchu a počtu případů klíšťové encefalitidy klasifikovaných podle data prvních příznaků. Používají se čtyři varianty negativně binomického modelu z třídy zobecněných aditivních modelů. Základní model dává výskyt klíšťové encefalitidy do souvislosti se zpožděnou průměrnou denní teplotou okolí a denní průměrnou relativní vlhkostí vzduchu a jejich interakcí se zpožděním odrážejícím inkubační dobu a další faktory. Hodnota zpoždění byla odhadnuta optimalizačním postupem založeným na Akaikeho informačním kritériu. Model také zahrnuje vliv sezony a vliv dne v týdnu. Pro zvýšení biologické věrohodnosti byl základní model rozšířen a byl použit distributed lag model, který zohledňuje možné časově proměnlivé účinky meteorologických proměnných a zahrnuje více zpoždění. Výsledky: Statisticky nejvýznamnějším efektem je sezonnost v rámci roku a pak interakce teploty a relativní vlhkosti vzduchu. Vztah obou meteorologických faktorů a jejich interakce se mění v průběhu sezony aktivity hladových klíšťat Ixodes ricinus. To také mění podmínky výskytu nových klinických případů klíšťové encefalitidy. Časově proměnlivý vliv meteorologických faktorů na výskyt klíšťové encefalitidy vykazuje netriviální změny v průběhu roku. V období před polovinou kalendářního roku (kolem 22. týdne) je efekt nižší, poté následuje zvýšení až do 35. týdne. Závěr: Byly vyvinuty flexibilní modely s kvantitativně charakterizovanými vlivy teploty, vlhkosti vzduchu a jejich interakce, se zpožděním efektu odhadnutým optimalizačním procesem. Výkonnost finálního modelu byla zkontrolována pomocí nezávislých dat, aby se ověřila možnost využití výsledků ke zlepšení predikce rizika nárůstu klinických případů klíšťové encefalitidy.

Objectives: The aim of this work was to analyze the relationship between new cases of clinical tick-borne encephalitis (TBE) and various meteorological and seasonal predictors. Material and Methods: The modelling is based on national data from the Czech Republic for the period 2001–2016 in daily resolution, namely on average temperatures, average relative air humidity and the number of TBE cases classified according to the date of the first symptoms. Four variants of a negative binomial model from the generalized additive model class are used. The basic model relates the occurrence of TBE to the lagged ambient daily average temperature and daily average relative air humidity and their interaction with the lag reflecting the incubation period and other factors. The lag value was estimated via the optimization procedure based on Akaike information criterion. The model also includes the effect of the season and the effect of the day of the week. To increase the biological plausibility, the basic model has been expanded to account for possible time-varying effects of meteorological variables and to incorporate multiple lags. Results: The most statistically significant effect is the within-year seasonality and then the interaction of the temperature and relative air humidity. The relationship of both meteorological factors and their interactions vary throughout the activities season of the hostquesting Ixodes ricinus. This also changes the conditions of occurrence of the new clinical cases of TBE. The time-varying effect of meteorological factors on the incidence of TBE shows non-trivial changes within a year. In the period before the middle of the calendar year (around the week 22) the effect decreases, then it is followed by an increase until the week 35. Conclusion: Flexible models were developed with quantitatively characterized effects of temperature, air humidity and their interaction, with the delay of the effect estimated through the optimization process. Performance of the model with multiple lags was checked using independent data to verify the possibility of using the results to improve the prediction of the risk of clinical cases of TBE uprise.

Czech Hydrometeorological Institute Prague

Institute of Computer Science Czech Academy of Sciences Prague

National Institute of Public Health Prague

Vliv meteorologických faktorů na riziko infekce klíšťovou encefalitidou