2009–2023年青海省其他感染性腹泻的时空分布模式及发病率趋势：基于监测的分析

《Frontiers in Public Health》：Spatiotemporal patterns and incidence trends of other infectious diarrhea in Qinghai Province, 2009–2023: a surveillance-based analysis

　　摘要
背景：虽然其他类型传染性腹泻（OID）在中国的发生率持续上升，但在高海拔地区的流行病学特征研究尚不充分。青海省位于青藏高原，为分析独特气候条件下的OID模式提供了重要的背景。
方法：我们研究了2009年至2023年间青海省报告的OID发病率数据。通过Joinpoint回归和Loess（STL）分解进行季节-趋势分析，同时使用了空间自相关性、聚类分析、热点分析、重心偏移模型和标准差椭圆等方法。
结果：2009年至2023年间，共有58,717例OID病例报告，其中2020年有一例死亡。总体发病率显著增加，年均变化率为7.11%（95%置信区间：2.03%?13.43%，p = 0.008）。女性发病率的增长更为明显（年均变化率为9.11%，95%置信区间：1.03%?17.83%，p = 0.026），而男性则为5.94%（95%置信区间：?2.26%至14.83%，p = 0.160）。存在显著的区域差异；尽管西宁市和海东市的发病率最高，但海北市的增长速度最快（年均变化率为15.71%，p < 0.001）。研究发现年龄分布呈双峰状，5岁以下儿童和老年人的发病率最高，且儿童的发病率增长最快。空间分析显示存在显著的正空间自相关性，Moran's I值范围为0.404至0.643（所有p < 0.001），表明西宁市和海东市为主要的高高聚集区，涉及八个县。标准差椭圆分析显示主要聚集区以西宁和海东为中心，具有东北-西南方向的空间轴。发病率中心在整个研究期间始终集中在西宁市以南的东部地区，呈现出稳定波动、显著向西南方向迁移和逐渐回归核心区域的模式。
结论：青海省的OID发病率显著上升，表现出明显的空间聚集性和人口统计学差异。这些生态学发现提示需要优先针对这些地区（西宁、海东）和人群（5岁以下儿童、老年人）采取公共卫生干预措施，并进一步研究环境和医疗保健相关的影响因素。

1. 引言
其他传染性腹泻（OID）在中国被列为丙类法定传染病，包括由不同于引起霍乱、细菌性痢疾、伤寒、副伤寒和阿米巴痢疾的微生物引起的腹泻疾病（1, 2）。2004年至2017年，中国大陆的OID年均发病率为60.64/100,000，尤其是2006年以后（年均变化率为4.12，95%置信区间：2.06–6.21）（3）。福建省2005-2021年报告了388,636例OID病例，年均发病率为60.3/100,000，显示出持续上升趋势、季节性变化以及与气象因素的关联，其中2岁以下儿童占病例的50.7%，浙江省也记录了类似的增长趋势，凸显了对地区公共卫生系统的日益严峻挑战（4, 5）。腹泻疾病继续对全球健康构成重大威胁，尤其是在亚洲和非洲的幼儿中（6）。2021年估计有117万人死于腹泻疾病，它们仍然是5岁以下儿童的主要死因之一。腹泻疾病的常见风险因素包括受污染的水和卫生条件差；此外，低出生体重也被确定为使儿童更容易受到严重或频繁腹泻感染的风险因素，而不是腹泻疾病本身的直接后果（7）。此外，在资源有限的环境中，腹泻的病例管理和监测系统往往不足，这凸显了加强这些系统的紧迫性（8-11）。因此，对OID的流行病学监测和控制技术进行全面研究具有重要的公共卫生意义。近年来OID发病率的持续上升轨迹强调了进行专门区域分析的必要性。这项研究对于制定有效的、针对具体情况的策略以减少发病率和死亡率至关重要（12）。
在像青海这样的高海拔地区，地理隔离和医疗资源分布不均可能会加剧疾病负担，这种必要性尤为突出（13-15）。高海拔环境特有的机制可能影响疾病传播，包括缺氧引起的肠道免疫变化、由于永久冻土条件导致的卫生基础设施有限，以及气候变化对病原体存活的影响（16, 17）。然而，这些假设的机制需要进一步研究。这项研究对于制定有效的、针对具体情况的策略以减少发病率和死亡率至关重要（18）。尽管已有针对东部沿海省份的国家和区域OID监测研究，但在高海拔地区的全面研究仍然有限。现有研究主要集中在特定病原体或短期暴发上，缺乏结合时间分解和先进空间方法的长期时空分析。此外，以往的研究尚未系统地研究青藏高原背景下OID的空间聚集模式和中心点迁移动态。本研究通过提供青海省（青藏高原东北部的代表性高海拔地区）的长期时空分析，结合Joinpoint回归、季节-趋势分析、空间自相关性分析、标准差椭圆和重心偏移建模，以确定关键人群、高风险区域和空间演变模式，为区域特定的监测和预防策略提供依据。

2. 材料与方法
2.1 研究区域
青海省位于中国西部的青藏高原东北部，面积约为720,000平方公里，平均海拔超过3,000米（19, 20）。气候呈大陆性干燥特征，冬季漫长寒冷，夏季短暂凉爽，年降水量低。其他传染性腹泻在青海省始终位列五大法定传染病之一，尤其是5岁以下儿童的发病率特别高。独特的高海拔环境、寒冷的气候和全省医疗资源分配不均，强调了进行区域特定OID研究的必要性，以制定有针对性的预防策略（21）。
2.2 数据来源
发病率数据来自中国疾病预防控制信息系统的国家法定传染病监测系统。所有医院和社区卫生中心都必须通过网络上的国家法定传染病报告系统报告病例。无论是临床诊断病例（基于症状和流行病史）还是实验室确认病例，都必须进行报告。该系统在省级和国家层面进行常规的质量控制检查，包括每月的数据验证和年度完整性评估。
使用“发病日期”和“当前地址”作为查询条件，我们提取了2009年1月至2023年12月青海省所有45个县的月度和年度OID数据。未使用特定的ICD编码，因为监测系统采用基于临床和实验室标准的标准化病例分类系统。所有符合研究期间国家病例定义的报告OID病例均被纳入；未进行任何排除。监测数据完整，没有任何县或年份的缺失值。
年度按年龄分层的人口分母直接从青海省统计局获得；未使用人口普查估计值。本研究中报告的所有发病率均为粗率，计算方法为报告病例数除以相应的人口分母，再乘以100,000。未计算年龄标准化率，因为主要目标是描述实际疾病负担和人口趋势，以用于公共卫生规划。地图数据由青海省地质调查局提供。本研究中使用的地图比例尺为1:100,000,000，准确反映了该地区的行政划分。
研究数据构成公共卫生领域的常规匿名监测信息。在收集和存储阶段，数据均按照国家公共卫生数据管理协议进行了去标识处理。所有个人可识别信息都被完全删除，仅保留了汇总数据——具体来说是县级地理划分和疾病发病率统计。因此，不存在个人隐私泄露的风险。根据中国的《涉及人类的生物医学研究伦理审查措施》，因此免除了伦理审查和知情同意的要求。
2.3 病例定义
根据中华人民共和国国家卫生委员会发布的国家监测协议（WS 271-2007），OID定义为由细菌、病毒、寄生虫或真菌引起的腹泻疾病，不包括导致霍乱、细菌性痢疾、伤寒、副伤寒和阿米巴痢疾的病原体，包括临床诊断病例（24小时内出现3次或更多稀便或水样便）和实验室确认的病原体病例，所有病例都必须通过网络上的国家法定传染病报告系统报告（13）。在整个研究期间（2009–2023年），核心病例定义和报告规则保持不变。
2.4 统计方法
2.4.1 Joinpoint回归分析
选择Joinpoint回归模型来分析青海省的OID发病率模式，因为它能够检测到显著的趋势转折点。识别这些转折点对于理解传染病的长期多阶段动态至关重要。该模型将一系列连续的线性段应用于数据，每个段代表一个特定的趋势阶段。采用网格搜索方法（GSM）来确定这些转折点的最佳数量和位置（22, 23）。该方法有助于计算年均变化率（APC），用于量化每个段内的趋势速度，以及年均变化率（AAPC），用于概括整个研究期间的总体趋势速度。对于规律分布的数据采用线性模型，而对于服从泊松或指数分布的数据则采用对数线性模型（24, 25）。通过蒙特卡洛排列测试和加权贝叶斯信息标准确定最佳模型。本研究使用了一个数据完整性较高的基于人口的监测登记系统；因此，不需要对缺失数据进行特殊处理。APC大于0表示期间呈上升趋势，而负APC表示下降趋势。模型表示如下：
E(y|x)=e^β0+β1x+δ1(x?τ1)+... δk(x?τk)+E(y|x)=e^β0+β1x+δ1(x?τ1)+... δk(x?τk)+(1)
E(y|x)=e^β+β1x+δ1(x?τ1)+... δk(x?τk)+E(y|x)=e^β+β1x+δ1(x?τk)+(2)
公式1适用于线性模型，公式2适用于对数线性模型；e表示自然对数的底数，β0表示截距，β1表示回归系数。本研究主要使用了对数线性模型。通过蒙特卡洛排列测试（显著性水平为0.05）确定最佳连接点数量。由于时间点的数量限制，所有分析最多允许一个连接点。使用网格搜索方法（GSM）确定转折点的最佳数量和位置。连接点回归软件（版本5.0.2；美国马里兰州贝塞斯达的国家癌症研究所）采用加权最小二乘法估计，以考虑不同人口分母引起的异方差性。
2.4.2 空间分析
Moran's I指数（包括全局和局部版本）是一种量化指定区域内观察值之间空间自相关性的统计量。它在医学统计和其他领域广泛用于评估空间依赖性（26, 27）。Moran's I值为1表示完美的正空间相关性，而值为?1表示完美的负空间相关性。本研究使用全局Moran's I指数分析全局空间自相关性，并使用LISA聚类图可视化局部空间自相关性（28）。对于全局和局部Moran's I计算，我们构建了一阶Queen连续性空间权重矩阵（基于共享边界和顶点），并进行行标准化。使用499次蒙特卡洛排列评估统计显著性。空间权重矩阵定义为共享边界或顶点的县被视为邻居。对每个权重矩阵进行行标准化，确保每个县的权重之和为一。直接使用未经标准化的原始发病率（每100,000人口），因为Moran's I不受尺度影响，标准化不会影响空间自相关系数。所有空间分析均使用ArcGIS Pro（版本3.0；美国加利福尼亚州雷德兰兹，Esri公司）进行。局部聚类图识别出四种类型的空间关联：高高聚集区（高发病率县被高发病率县包围）、低低聚集区、高低异常值和低高异常值。未进行单独的热点分析（例如Getis-Ord Gi*），因为该研究的重点在于识别空间自相关模式，而不是检测具有高值的统计显著热点。

2.4.3 重心偏移模型和标准偏差椭圆
标准偏差椭圆是一种用于描述空间疾病分布整体形态的经典方法。它克服了仅关注单点运动的重心偏移模型的局限性。这种方法利用了四个关键参数：椭圆中心、长轴、短轴和旋转角度（29）。这些要素共同全面反映了疾病分布的集中度、空间范围和方向特征。每年的病例重心计算如下所示：
ˉX=Σnn?1wixi
ˉY=Σni?1wiyi
∑ni?1wi
Xˉ=Σn?1nwixi
∑n?1nwi
Yˉ=Σi?1nwiyi
（3）
其中（xi, yi）是县i的坐标，wi是县i的发病率。标准偏差椭圆的参数（中心、长轴、短轴、旋转角度）用于描述空间分布特征。椭圆中心与病例重心对齐，长轴表示空间传播的主要方向，短轴反映了垂直方向上的空间扩散，旋转角度量化了主要分布轴的方向。重心迁移的解释反映了疾病负担空间中心的随时间变化（30）。
在同一时期，椭圆中心与感染性腹泻的病例重心紧密对齐，代表了该疾病的空间核心锚点。长轴作为椭圆的最长直径，指示了空间传播的主要方向（31, 32）。较长的长轴意味着更大的扩散范围和沿该方向的更大分散。相反，作为最短直径的短轴对应于次要的分布方向，其长度与该方向的紧凑性成反比。长轴与短轴的较大比例表明具有更明显的方向性的带状空间模式。旋转角度测量的是长轴与真北之间的角度，直接量化了主要分布方向的具体方向。这些参数在分析实践中被广泛使用（33）。

2.4.4 统计分析
青海省的传染病（OID）发病率和死亡率数据使用Microsoft Excel 2019进行了汇总。使用Origin 2024制作了发病率的双轴图。采用Joinpoint回归软件（版本5.0.2）来检查青海省不同地区和年龄段的OID年度变化，主要指标为APC、AAPC及其95%置信区间（CIs）。空间分析使用ArcGIS Pro（版本3.0）进行。STL（使用Loess的季节-趋势分解）应用于月度OID发病率数据，以将时间序列分解为趋势、季节和残差分量，假设季节分量在不同年份之间保持不变，并使用局部加权回归提取趋势分量。此分析使用R软件（版本4.5.1；奥地利维也纳的R Foundation for Statistical Computing）进行。

3 结果
3.1 青海省OID的流行病学概述
从2009年到2023年，青海省共报告了58,717例OID病例，根据每年年中常住人口估算值计算得出的平均年发病率为每10万人66.78例。仅记录了一例死亡病例，发生在2020年。根据2009–2023年的监测数据，病例数量和OID发病率总体呈上升趋势，特别是在2020年之后增幅显著。报告的病例数从2009年的1,688例增加到2023年的6,172例，发病率从每10万人30.45例上升到103.74例，增长了240.69%。详细数据见表1和图1。青海省的具体位置和海拔高度显示在图2中。
表1
年份 病例数 年平均发病率（/105） 死亡人数 年死亡率（/105）
2009 1,688 30.45 0.00
2010 2,375 42.62 0.00
2011 2,837 50.42 0.00
2012 4,165 73.31 0.00
2013 4,213 73.50 0.00
2014 3,462 59.92 0.00
2015 3,894 66.74 0.00
2016 4,571 77.68 0.00
2017 4,404 74.27 0.00
2018 3,546 59.26 0.00
2019 4,353 72.16 0.00
2020 5,497 90.43 0.01
2021 4,288 72.38 0.00
2022 3,252 54.75 0.00
2023 6,172 103.74 0.00
2009–2023 58,717 66.78 10.00
图1 2009–2023年青海省OID的年平均发病率
图2 中国青海省的地理位置和地形特征。（a）显示青海省地理位置的中国地图。（b）按海拔高度颜色编码的青海省海拔地图。（c）按坡度颜色编码的青海省坡度地图

3.2 时间趋势
3.2.1 年度趋势分析
如表2所示，2009年至2023年青海省的OID发病率总体呈显著上升趋势。Joinpoint回归分析确定2012年为统计上的转折点（p < 0.05），这为将研究时期分为两个不同的时间阶段提供了客观依据：2009–2012年和2012–2023年。2012年之前是快速增长的时期，之后几年的增长速度放缓。
表2
变量 年份 APC值（95% CI）% AAPC值/% p值
男性 2009–2012 26.84（?15.11, 89.53） 5.94（?2.26, 14.83） 0.16
2012–2023 0.86（?3.08, 4.97）
女性 2009–2012 31.47（?10.87, 93.93） 9.11（1.03, 17.83） 0.02
2012–2023 3.69（0.26, 7.26）
总体 2009–2012 28.20（4.07, 108.97） 7.11（2.03, 13.43） 0.008
2012–2023 1.98（?16.95, 6.34）
*APC的p值小于0.05。
APC表示年度百分比变化；AAPC表示平均年度百分比变化。
女性的增长趋势更为明显且具有统计学意义，而男性的总体趋势未达到统计显著性。所有性别都表现出类似的时间模式，即2012年之前的急剧上升和之后的温和增长，但2012年之后的趋势仅在女性中显著。

3.2.2 季节分解分析
应用于月度OID发病率数据的STL揭示了不同的时间成分。趋势成分从2009年到2019年总体呈波动上升，2019年达到峰值，随后略有下降，2020年再次上升。季节成分显示出一致的年度周期性，证实了OID具有冬季高峰和夏季低谷的强烈季节性模式。残差成分围绕零随机波动，表明趋势和季节成分捕获了数据中的主要信息（图3）。
图3 2009–2023年青海省每月OID发病率的STL分解

3.3 人口统计模式
3.3.1 青海省总体发病率的Joinpoint回归分析
不同地区的发病率水平和趋势存在显著差异。西宁市和海东市的年平均发病率分别为每10万人100.09例和61.84例。在自治州中，黄南藏族自治州（每10万人52.44例）和海南藏族自治州（每10万人48.74例）的发病率处于中等水平。相比之下，其他地区的发病率相对较低，海北藏族自治州为每10万人32.18例，果洛藏族自治州为每10万人34.40例，海西蒙古族藏族自治州为每10万人20.60例，玉树藏族自治州的发病率最低，为每10万人18.23例（表3）。
表3
地区 年平均发病率（/105） 病例总数
第1部分 第2部分
AAPC值/% p值
年份 APC值（95% CI）/% p值
年份 APC值（95% CI）/%
西宁 100.09 34,925 2009–2012 31.13（4.97, 114.47）
2012–2023 0.61（?14.81, 3.91） 6.49（1.38, 12.65） 0.019
海东 61.84 13,311 2009–2012 21.83（6.16, 53.77）
2012–2023 3.22（?6.09, 5.57） 6.95（4.05, 9.85） < 0.001
海北 32.18 1,349 2009–2012 43.45（4.37, 282.02）
2012–2023 9.13（?24.67, 27.07） 15.71（7.38, 31.46） < 0.001
黄南 52.44 2,127 2009–2012 47.41（0.89, 366.19）
2012–2023 6.22（?28.09, 26.78） 13.95（4.26, 31.44） < 0.001
海南 48.74 3,321 2009–2012 21.20（?2.91, 78.28）
2012–2023 ?0.28（?19.09, 21.32） 3.98（?0.93, 9.15） 0.129
果洛 34.40 1,036 2009–2021 8.80（?34.55, 365.20）
2021–2023 35.83（?11.76, 87.36） 12.30（4.26, 37.76） < 0.001
玉树 18.23 1,101 2009–2021 1.71（?33.65, 262.82）
2021–2023 43.55（0.62, 94.47） 6.84（?1.38, 27.14） 0.103
海西 20.69 1,542 2009–2012 45.79（?4.16, 382.19）
2012–2023 1.19（?34.45, 20.29） 9.43（?1.61, 27.17） 0.074
2009–2023年青海省各地区OID发病率的Joinpoint回归分析。
*APC的p值小于0.05。
APC表示年度百分比变化；AAPC表示平均年度百分比变化。
Joinpoint回归分析显示，青海省大多数地区的发病率呈上升趋势，AAPC值范围为3.98%至15.71%。增长最显著的地区是海北藏族自治州（AAPC = 15.71%，p < 0.001）、黄南藏族自治州（AAPC = 13.95%，p < 0.001）和果洛藏族自治州（AAPC = 12.30%，p < 0.001）。分阶段分析表明，大部分地区在2009年至2012年间发病率迅速上升。西宁市、海东市、海北藏族自治州和黄南藏族自治州的AAPC值超过20%，具有统计显著性（p < 0.05）。2012年至2023年间，除果洛和玉树藏族自治州外，大多数地区的增长放缓或出现小幅波动。这两个地区在2021–2023年间发病率再次上升，AAPC值分别为35.83%和43.55%。

3.3.2 按年龄组的发病率和Joinpoint回归分析
2009年至2023年，青海省不同年龄组的发病率水平和长期趋势存在显著差异。年龄段的年发病率特征是最初上升，随后随着年龄增长而下降，婴儿和老年人属于高风险人群。最高年平均发病率出现在0~<5岁（每10万人890.45例）和5~<10岁（每10万人46.92例）组。5岁以后，发病率急剧下降，在整个青少年和成年期保持较低水平。从40岁开始，发病率逐渐回升，≥80岁组的发病率再次超过每10万人25例（表4）。
表4
地区 年平均发病率（/105） 病例总数
第1部分 第2部分
AAPC值/% p值
年份 APC值（95% CI）/% p值
年份 APC值（95% CI）/
西宁 100.09 34,925 2009–2012 31.13（4.97, 114.47）
2012–2023 0.61（?14.81, 3.91） 6.49（1.38, 12.65） 0.019
海东 61.84 13,311 2009–2012 21.83（6.16, 53.77）
2012–2023 3.22（?6.09, 5.57） 6.95（4.05, 9.85） < 0.001
海北 32.18 1,349 2009–2012 43.45（4.37, 282.02）
2012–2023 9.13（?24.67, 27.07） 15.71（7.38, 31.46） < 0.001
黄南 52.44 2,127 2009–2012 47.41（0.89, 366.19）
2012–2023 6.22（?28.09, 26.78） 13.95（4.26, 31.44） < 0.001
海南 48.74 3,321 2009–2012 21.20（?2.91, 78.28）
2012–2023 ?0.28（?19.09, 21.32） 3.98（?0.93, 9.15） 0.129
果洛 34.40 1,036 2009–2021 8.8为了评估模型的稳健性，分析在 prefecture（县级行政区）而非 county（县级）层面进行，结果显示出一致的空间聚集模式，其中xining和haidong地区仍然作为高-高聚集区。图4显示了2009年至2023年青海省OID（其他传染性腹泻）的LASA聚合图。3.4.3 标准偏差椭圆分析和重心迁移分析表明，从2009年到2023年，青海省其他传染性腹泻的发病率主要集中在xining和haidong两大城市周围。整体空间分布呈东北-西南方向，这表明该方向的传播最为显著。标准偏差椭圆分析进一步阐明了这一模式：在所有研究年份中，椭圆的长轴始终显著长于短轴，说明沿东北-西南方向的分布更为广泛且分散程度更高，而西北-东南方向的分布则相对集中。这种轴线长度的差异反映了由xining核心区域驱动的显著空间异质性。尽管椭圆形态随时间有所波动，表明空间范围有扩张和收缩的现象，但核心聚集区始终稳定地集中在xining附近，没有明显的区域移动。对重心迁移轨迹的分析显示，发病率重心始终位于xining市以南的区域。迁移路径呈现出明显的三阶段特征：稳定波动-显著移动-逐渐回归。2009年至2019年间，重心在xining附近的小范围内波动，表明空间分布相对稳定；2019年至2021年间，重心明显向西南方向移动，这是研究期间最大的迁移幅度；2021年至2023年间，重心逐渐向西北方向移动，回到了xining周边的初始分布区域。通过结合椭圆形态和重心变化，可以将2009年至2023年的发病率空间分布划分为两个阶段：2009-2019年为稳定期，椭圆形态波动最小，重心稳定在xining附近；2019-2023年为过渡期，重心显著向西南方向移动，椭圆形态也随之调整，之后逐渐回归到以xining为中心的核心区域（详见图5）。讨论部分指出，本研究首次对青海省高海拔地区其他传染性腹泻进行了全面的时空分析，发现发病率从2009年至2023年显著增加（年均增长率为7.11%，p = 0.008），东部城市走廊（xining和haidong）出现明显的空间聚集现象，年龄分布呈现双峰特征，主要集中在5岁以下儿童和老年人中。时间趋势分析表明2012年是青海省其他传染性腹泻发病率的关键转折点。2009-2012年的快速增长（年均增长率为28.20%）可能归因于2012年建立的食源性疾病监测网络的加强以及轮状病毒等病原体的活跃传播。随后2012-2023年的缓慢增长（年均增长率为1.98%）体现了公共卫生干预的有效性，特别是广泛的轮状病毒疫苗接种显著降低了幼儿的发病率。2009年至2023年间，女性发病率的增幅（年均增长率为9.11%，p = 0.026）高于男性（年均增长率为5.94%，p = 0.160），这种差异可能与家庭暴露情况或就医行为有关，这一现象与其他中国省份（如湖南）的研究结果一致。生物学上，男女对肠道病原体的免疫反应存在差异，女性通常具有更强的免疫反应，但这也可能增加她們对炎症后遗症的易感性。社会层面，青海以农业和畜牧业为主的社区中，女性往往承担更多的育儿、食物准备和家庭水管理责任，从而增加了她们接触肠道病原体的风险。此外，女性的就医行为可能存在差异，她们更可能因急性疾病而寻求医疗帮助，导致报告率更高。空间上，青海省其他传染性腹泻的发病率存在显著异质性：发达且人口密集的xining市和haidong市年均发病率最高（分别为100.09和100.68/10万人），这可能与城市化、人口流动性和疾病风险有关。然而，如haibei、huangnan和golog等人均发病率较低的县却显示出快速上升的趋势（年均增长率均超过12%，p < 0.001）。这些发现提示高发病率地区应重点改进环境卫生、食品安全和托儿所管理，而快速发展中的地区则应优先提高初级诊疗能力和社区监测能力，以防疫情扩散。年龄特定分析显示发病率分布呈双峰特征，最高发病率集中在婴儿和幼儿（0-5岁）及老年人（≥80岁）群体中。值得注意的是，1-4岁群体的基线风险较高，并且在研究期间增长最快（年均增长率为10%以上）。因此，需要制定针对不同年龄段的预防策略，如推广母乳喂养、加强轮状病毒疫苗接种和在幼儿园开展健康教育。空间自相关性分析证实，其他传染性腹泻病例的分布具有稳定性，全球Moran's I值始终为正（0.404-0.643，所有p < 0.05），表明存在显著的正空间自相关。局部自相关分析显示xining和haidong市内部形成了高-高聚集区。这种空间模式可能与医疗资源可获得性、人口密度和健康教育覆盖率的区域差异有关。建议在聚集地区加强农村供水系统和城市供水网络的检查与改进，以确保饮用水的全面处理和消毒。分析显示，2009年至2023年间青海省其他传染性腹泻的分布高度集中于东部核心区域，未向西部或南部偏远地区扩散。这一模式与高人口密度、城市化、人口流动性和卫生基础设施限制密切相关，而疾病监测能力的提升进一步强化了这种聚集现象。研究过程分为三个阶段：初期与监测网络改善相关的扩张和向东移动；随后由于针对性干预措施导致的收缩和稳定；以及疫情期间人口流动恢复后向东南方向的迁移。因此，预防策略应侧重于东部核心区域的持续管理，包括加强饮用水监测、实施预防措施和建立跨县的协调机制。本研究系统分析了青海省高海拔地区的其他传染性腹泻特征，为了解特殊地理条件下的腹泻病传播提供了重要见解。研究发现xining和haidong市为核心聚集区，同时确定了易感人群（如幼儿和老年人）。这些结果不仅有助于青海省的公共卫生规划，也为全球高海拔地区腹泻病流行病学研究提供了借鉴。不同地区发病率的差异凸显了制定针对性预防策略和合理分配资源的必要性。本研究开发的综合分析框架结合了时间分解、空间自相关、标准偏差椭圆和重心迁移模型，为其他高海拔地区的类似研究提供了方法论参考。总之，2009年至2023年间青海省其他传染性腹泻发病率显著增加，表现出明显的时间和空间分布特征及人口统计特征。xining和haidong地区的高聚集现象提示需要加强城市环境卫生和食品安全监管；haibei、huangnan和golog的快速增长表明需要提升初级诊疗能力和社区监测。双峰年龄分布表明应优先为儿童接种轮状病毒疫苗，并为老年人群体提供针对性的健康教育。标准偏差椭圆分析显示重心稳定位于xining和haidong，强调了该地区需要持续的跨县协调机制来控制腹泻病。需要注意的是，本研究存在一些局限性：被动监测数据可能存在漏报或误分类现象，各县的报告完整性因医疗条件和诊断能力差异而异；生态研究设计无法推断个体风险因素；未纳入环境和社会经济协变量，限制了对驱动因素的探讨；县级分析可能掩盖了县内差异；使用未经年龄校正的粗糙发病率数据，影响了不同年龄结构地区的可比性；空间自相关分析假设了固定的空间权重矩阵，可能无法反映空间关系的时间变化。