تاريخ الاستلام: 19 نوفمبر 2023
تاريخ القبول: 24 أبريل 2024
تاريخ النشر على الإنترنت: 08 مايو 2024
(A) تحقق من التحديثات

خلال جائحة مرض فيروس كورونا 2019 (COVID-19)، أعادت ظهور متغيرات مختلفة من فيروس كورونا المتسبب في متلازمة التنفس الحادة الوخيمة 2 (SARS-CoV-2) تشكيل ديناميات انتقال الأمراض المعدية الأخرى. بشكل ملحوظ، شهدت نشاط الإنفلونزا في الولايات المتحدة انخفاضًا كبيرًا قبل مايو . يُعزى هذا الانخفاض إلى حد كبير إلى التنفيذ الواسع لتدابير الصحة العامة والاجتماعية (PHSMs) لمكافحة COVID-19. على سبيل المثال، أدى الاستخدام الواسع للكمامات وفرض التباعد الجسدي إلى تقليل انتقال الأمراض المعدية التنفسية (RIDs) بشكل فعال من خلال الحد من انتشار الرذاذ التنفسي . بالإضافة إلى ذلك، نجحت قيود السفر في السيطرة على انتشار الأمراض المنقولة بالدم والأمراض المنقولة جنسيًا
(BSTDs)، والأمراض المعدية الحيوانية المنشأ (ZIDs) . علاوة على ذلك، ساهم تحسين نظافة اليدين بشكل غير مباشر في تقليل انتقال الأمراض المعدية المعوية (IIDs) .

على الرغم من أن العديد من الدراسات المنشورة قد حللت تأثير PHSMs على الأمراض المعدية القابلة للإبلاغ (NIDs)، لا يزال هناك فجوة كبيرة في فهمنا لهذه العلاقة. ركزت معظم هذه الدراسات بشكل أساسي على تأثير PHSMs في مراحلها المبكرة وميّلت إلى تجاهل التأثير المحتمل لـ PHSMs ذات المدد المختلفة. بالإضافة إلى ذلك، ركزت معظم الدراسات المنشورة بشكل أساسي على تأثير PHSMs على RIDs وIIDs الشائعة، مع تحليل كمي محدود على BSTDs وZIDs . بعد أن أنهت الحكومة الصينية سياستها “الصفر الديناميكي لـ COVID” في

أكتوبر ، ظهرت وباء من متغير أوميكرون BA.2. ومع ذلك، كانت هناك أبحاث محدودة تحلل أنماط الأمراض المعدية الأخرى خلال هذه الفترة.

في هذه الدراسة، استنادًا إلى بيانات NIDs المقدمة من المركز الصيني لمكافحة الأمراض والوقاية منها (CDC) من 2008 إلى 2019، استخدمنا نماذج سلاسل زمنية متعددة، مثل نموذج الشبكة العصبية، ونموذج السلاسل الزمنية الهيكلية بايزي، ونموذج النبي، ونموذج التنعيم الأسي (ETS)، ونموذج المتوسط المتحرك التكاملي الذاتي الموسمي (SARIMA)، ونموذج هجين يجمع بين SARIMA وETS وSTL (تحليل الاتجاهات الموسمية باستخدام لويس)، ومكونات الشبكة العصبية، لتحليل اتجاهات انتقال 24 NIDs. كان الهدف هو التنبؤ باتجاهات انتقال 24 NIDs بدون PHSMs وانتقال SARS-CoV-2 من 2020 إلى 2023، تليها مقارنة مع البيانات الواقعية لتحليل تأثير NIDs خلال فترات مختلفة. بالإضافة إلى ذلك، أجرينا تحليل مجموعة
لتحديد NIDs الحساسة لـ PHSMs، وتحليل الارتباط المتبادل لفك شفرة العلاقة بين مؤشر صرامة PHSMs وتأثيرها على NIDs.

من يناير 2008 إلى ديسمبر 2023، تم الإبلاغ عن 105,647,377 حالة من 24 NIDs في البر الرئيسي الصيني. كانت IIDs الأكثر انتشارًا (45.24%)، تليها BSTDs (31.10%) وRIDs (22.45%). كانت ZIDs الأقل إبلاغًا (1.21%). كانت HFMD، التهاب الكبد B، الإسهال المعدي، والسل من أكثر الأمراض شيوعًا، حيث تمثل من الحالات (الشكل 1A).

خلال فترة ما قبل الوباء، كانت موسمية IIDs تزداد بشكل رئيسي خلال الصيف والخريف، لكن هذا النمط ليس عالميًا لـ

الشكل 1 | الاتجاهات الزمنية والحدوث التراكمي لأربع فئات من الأمراض المعدية القابلة للإبلاغ (NIDs) في الصين من يناير 2008 إلى ديسمبر 2023.
A الحدوث التراكمي لـ 24 NIDs مصنفة حسب طرق انتقالها، على مدار الفترة من يناير 2008 إلى ديسمبر 2023. تمثل حجم ولون كل كتلة الحالات التراكمية ومجموعة الأمراض، على التوالي. الإيدز (متلازمة نقص المناعة المكتسب)، لا تشمل عدوى فيروس نقص المناعة البشرية. تشمل الزحار الزحار البكتيري وزحار الأميبا. الحمى المعوية تُعرف أيضًا بحمى التيفوئيد وحمى بارا التيفوئيد. HFRS
حمى نزفية مع متلازمة الكلى؛ JE التهاب الدماغ الياباني؛ HFMD مرض اليد والقدم والفم؛ AHC التهاب الملتحمة النزفي الحاد. B تم تقسيم منحنيات الوباء لأربع فئات من NIDs إلى 5 فترات متميزة: فترة ما قبل الوباء (يناير 2008 إلى ديسمبر 2019)، فترة PHSMs I (يناير 2020 إلى مارس 2020)، فترة PHSMs II (أبريل 2020 إلى أكتوبر 2022)، فترة الوباء (نوفمبر 2022 إلى يناير 2023)، وفترة ما بعد الوباء (فبراير 2023 إلى ديسمبر 2023). C نسبة الحدوث الشهري لأربع مجموعات من NIDs.

الشكل 2 | التغير الزمني في الحدوث الشهري للأمراض المعدية القابلة للإبلاغ (NIDs) في الصين من يناير 2008 إلى ديسمبر 2023. A، B الأمراض المعدية المعوية. C، D الأمراض المنقولة بالدم والأمراض المنقولة جنسيًا.
E، F الأمراض المعدية التنفسية. G، H الأمراض المعدية الحيوانية المنشأ.
A، C، E، G تم تقسيم منحنيات الوباء في فترة الدراسة إلى 5 فترات متميزة: فترة ما قبل الوباء (يناير 2008 إلى ديسمبر 2019)، فترة PHSMs I (يناير 2020 إلى مارس 2020)، فترة PHSMs II (أبريل 2020 إلى أكتوبر 2022)،
فترة الوباء (نوفمبر 2022 إلى يناير 2023)، وفترة ما بعد الوباء (فبراير 2023 إلى ديسمبر 2023). B، D، F، H الحدوث الشهري المنظم لكل NIDs، مع كثافة اللون تشير إلى حجم الحدوث الشهري المنظم. يتم حساب التنظيم كفرق بين حدوث NID الشهري ومتوسط الحدوث الشهري، مقسومًا على الانحراف المعياري للحدوث. القيم خارج النطاق -5 إلى 10 يتم الإشارة إليها بصندوق أسود، مع تلك التي تتجاوز 10 محددة بـ *.
جميع IIDs (الشكل 2A، B). أظهرت أمراض محددة مثل التهاب الكبد E، والزحار، والحمى المعوية تقلبات موسمية مميزة. بلغ التهاب الكبد E ذروته من يناير إلى مايو (الشكل التوضيحي 5)، بينما بلغ التهاب الحمى المعوية والزحار ذروته من مايو إلى نوفمبر (الشكل التوضيحي 31، الشكل التوضيحي 27). كانت HFMD ملحوظة لذرواتها نصف السنوية والنمط المتناوب الملحوظ الذي أظهرته عبر السنوات الفردية والزوجية. نظرًا لارتفاع حدوث HFMD مقارنةً بـ IIDs الأخرى، أثر هذا التغيير نصف السنوي بشكل كبير على الاتجاه الإجمالي الملحوظ في

كان هناك تباين ملحوظ في حدوث مرض اليد والقدم والفم (HFMD) بين المناطق الشمالية والجنوبية من الصين، حيث أبلغت المقاطعات الجنوبية عن حالات أكثر بكثير من نظيراتها الشمالية (الشكل التكميلي 1). بالإضافة إلى ذلك، أظهر فيروس التهاب الكبد A موسمية أكثر وضوحًا قبل عام 2012، والتي تضاءلت بعد ذلك، مصحوبة بانخفاض مستمر في الحدوث الشهري بعد عام 2012 (الشكل التكميلي 30). أدى تفشي شديد بشكل خاص من سبتمبر إلى أكتوبر 2010 إلى تسجيل 273,924 حالة.
عدوى التهاب الملتحمة النزفي الحاد (AHC) عبر الصين (الشكل التوضيحي 28). جميع المناطق باستثناء التبت شهدت زيادة في AHC، واستمرت ذروات الحالات في 30 مقاطعة المتبقية لمدة 1-2 شهر (الشكل التوضيحي 4). كانت مقاطعتي قوانغشي وقوانغدونغ الأكثر تسجيلاً للحالات، حيث سجلت 79,977 و69,839 حالة، على التوالي، خلال هذه الفترة. لمزيد من المعلومات التفصيلية، انظر البيانات التكميلية 1.

أظهرت الأمراض المنقولة جنسياً (BSTDs) انخفاضًا متكررًا سنويًا في فبراير، ومع ذلك لم تكشف البيانات الوبائية عن قمم موسمية مميزة. تراوحت الحوادث الشهرية لهذه الأمراض بين 10,000 و20,000 حالة من 2008 إلى 2016. حدثت نقطة تحول ملحوظة في 2017 عندما تم الإبلاغ عن أكثر من 2.1 مليون حالة، وتم توثيق زيادة مستدامة في الحوادث (الأشكال 1B و2D). على وجه التحديد، زادت الحالات المبلغ عنها سنويًا من الزهري والتهاب الكبد C لمدة 11 عامًا متتاليًا خلال فترات ما قبل الوباء، بمتوسط زيادات سنوية بلغت 7.22% و7.46% على التوالي. علاوة على ذلك، زادت حالات الإيدز بسرعة، حيث ارتفعت من 12,409 حالات في 2008 إلى 72,630 حالة في 2019، مع زيادة سنوية متوسطة بلغت 17.43% (الشكل التوضيحي 36). كانت هناك تباينات إقليمية في الإبلاغ عن الإيدز، حيث كانت بارزة في البداية في مقاطعتي هنان وقوانغشي، ثم حدث تحول في السنوات التالية حيث تجاوزت مقاطعة سيتشوان قوانغشي بعد 2014، وبلغت ذروتها عند 17,869 حالة في 2019 (الشكل التوضيحي 12). كان التهاب الكبد B، الأكثر إبلاغًا عنه من بين الأمراض المنقولة جنسياً، يتركز بشكل أساسي في مقاطعتي هنان وقوانغدونغ، وقد شهد انخفاضات قصيرة في الحالات المبلغ عنها بين 2013 و2016. ومع ذلك، بحلول 2019، اقتربت الحوادث من مستويات 2011. مقابل 1,252,236) (الشكل التوضيحي 8). علاوة على ذلك، كانت النمط المتقلب الذي لوحظ في BSTDs مدفوعًا بشكل رئيسي بفيروس التهاب الكبد B، الذي كان له ذروات موسمية في مارس من كل عام منذ 2012 واستمر حتى 2020. ومن الجدير بالذكر أن فيروس التهاب الكبد B، والزهري، والتهاب الكبد C، والسيلان، والإيدز شهدوا جميعًا انخفاضًا دوريًا كل فبراير من 2010 إلى 2019، والذي كان مركزًا في 31 محافظة (الشكل 2D، الأشكال التوضيحية 8-12).

على العكس من ذلك، حافظت حالات الأمراض المعدية على تباين موسمي أقصى، حيث تراوحت الحوادث الشهرية من 100,000 إلى 250,000 حالة (الشكل 2E، F). كانت الحصبة الألمانية مكونًا مهمًا من حالات الأمراض المعدية قبل عام 2013. ومع ذلك، فقد انخفضت معدلاتها وموسميتها تدريجيًا. أدت تفشي الحصبة الألمانية من مارس إلى يونيو 2019 إلى تسجيل 25,736 حالة على مستوى البلاد (الشكل التكميلية 16). شهدت جميع المقاطعات، باستثناء تشجيانغ، التبت، تيانجين، و تشينغهاي، زيادة في الحالات، حيث سجلت تشونغتشينغ (4334 حالة) وهونان (3733 حالة) أكبر عدد من الحالات. كما أظهرت حالات السل نمطًا موسميًا ملحوظًا، حيث تم الإبلاغ عن أقل عدد من الحالات سنويًا في يناير أو فبراير (الشكل التكميلية 13). ومع ذلك، على مستوى تاريخ البداية، كان يتم عادةً تسجيل أدنى معدل في نوفمبر وديسمبر من كل عام. أظهرت حالات النكاف والحُمَيرَاء ذروتين كل عام، من أبريل إلى يوليو ومن نوفمبر إلى يناير، مع اختلافات إقليمية ملحوظة. كان النكاف يتركز بشكل رئيسي في غوانغدونغ، مع زيادة حادة في هنان وهونان من 2017 إلى 2019 (الشكل التكميلية 14). نمت حالات الحُمَيرَاء، التي كانت تتركز بشكل أساسي في شاندونغ، بشكل مطرد من 28,507 حالات في 2008 إلى 83,028 حالة في 2019 (الشكل التكميلية 15). ومن الجدير بالذكر أن حالات السعال الديكي ارتفعت من أقل من 5000 سنويًا خلال 2008-2014 إلى 30,727 في 2019، خاصة في شاندونغ وغوانغدونغ (الشكل التكميلية 17). لمزيد من المعلومات التفصيلية، يرجى الرجوع إلى الجدول التكميلية 1.

كانت الأنماط الموسمية للأمراض المعدية الناشئة من 2008 إلى 2020 مشابهة لتلك الخاصة بالأمراض المعدية التقليدية ولكن مع قمم أقل وضوحًا. أظهرت أربعة من أصل سبعة أمراض معدية ناشئة (باستثناء حمى الضنك والإيكينوكوكوسيس) موسمية واضحة. كانت التيفوس منتشرة على مدار السنة، حيث بلغت ذروتها في الخريف قبل عام 2014، بشكل رئيسي في مقاطعة يونان. في الملاريا، تم عكس النجاح التدريجي لجهود الإبادة في اتجاه انخفاض الحدوث، خاصة بعد عام 2011. تغيرت مواسم الذروة للأمراض المعدية الناشئة، حيث أصبحت البروسيلوز، وحمى النزف مع متلازمة الكلى، والتهاب الدماغ الياباني هي السائدة. كانت هذه الأمراض لها أعداد مشابهة من الحالات المبلغ عنها ولكن مواسم الذروة تمتد من مارس إلى يوليو، ومن أكتوبر إلى يناير، ومن يونيو إلى سبتمبر، على التوالي. مما أدى إلى منحنى موسمي أكثر تجانسًا، يفتقر إلى
قمم تقليدية مرتبطة بـ ZIDs. ومن الجدير بالذكر أن هناك حالة شاذة من ZIDs في عام 2014 تعود أساسًا إلى تفشي حمى الضنك في مقاطعة قوانغدونغ (الأشكال 1B، 2G، الشكل التكميلي 20). ارتفعت الحالات المبلغ عنها في سبتمبر وأكتوبر 2014 إلى 14,759 و28,796 على التوالي، وهو زيادة كبيرة عن 1289 و1473 حالة في نفس الأشهر من عام 2013 (الشكل التكميلي 44، البيانات التكملية 1). لمزيد من المعلومات التفصيلية، يرجى الرجوع إلى الجدول التكميلي 1.

قبل عام 2020، أظهرت الأمراض المنقولة جنسياً والأمراض المعدية زيادة في نسبة الحالات خلال فصل الشتاء والربيع، حيث تمثل أكثر من من NIDs. هذا انخفض إلى أقل من في الصيف والخريف بسبب انتشار حالات الأمراض المعدية. ومع ذلك، انخفضت حالات الأمراض المعدية المبلغ عنها بشكل كبير خلال فترة التدابير الصحية العامة I (من يناير 2020 إلى مارس 2020) وفترة التدابير الصحية العامة II (من أبريل 2020 إلى أكتوبر 2022)، بينما عادت حالات الأمراض المنقولة بالبعوض/الأمراض المعدية بسرعة بعد انخفاض أولي، متجاوزة 50% من الحالات المبلغ عنها خلال فترات التدابير الصحية العامة (الشكل 1C).

خلال فترة تدابير الصحة العامة، نفذت الحكومة العديد من تدابير الصحة العامة، ودخلت جميع الأمراض المعدية غير المتوطنة مرحلة انخفاض الانتشار (الشكل 2). كان من الصعب التمييز بين ما إذا كانت الانخفاضات الملحوظة في الحدوث ناتجة عن الخصائص الجوهرية للأمراض أو تأثير تدابير الصحة العامة. لمعالجة ذلك، تم تطوير نماذج زمنية منفصلة، وتم اختيار النموذج الأمثل بناءً على أكبر مؤشر مركب موحد. دمج هذا المؤشر خطأ الجذر التربيعي المتوسط (RMSE) ومتوسط النسبة المئوية المطلقة للخطأ (MAPE) ومتوسط النسبة المئوية المطلقة المتناظر للخطأ (SMAPE). في مجموعة بيانات الاختبار، كانت نماذج الشبكة العصبية هي الأمثل للحمى المعوية ومتلازمة الفشل الكلوي الحاد (الشكل 3G، S). تفوقت نماذج ETS وSARIMA لثلاثة أمراض معدية غير متوطنة (الشكل 3C، F، P) وثمانية أمراض معدية غير متوطنة (الشكل 3B، J، K، L، O، Q، T، W)، على التوالي. كما تم تطبيق النموذج الهجين على ثمانية أمراض معدية غير متوطنة، بما في ذلك مرض اليد والقدم والفم، والتهاب الكبد A، والتهاب الكبد E، والزُهري، والنكاف، والحمى المالطية، والملاريا، والتهاب الدماغ الياباني (الشكل 3A، D، E، I، N، R، U، X). بالإضافة إلى ذلك، كان النموذج الهيكلي البايزي فعالاً للأمراض بما في ذلك التهاب الكبد B، والسل، والإيكينوكوكوس (الشكل 3H، M، V). ومع ذلك، لم يتم اختيار نموذج Prophet، على الرغم من قدراته، كنموذج أمثل لأي من الأمراض المعدية غير المتوطنة الأربعة والعشرين (الشكل 3).

من خلال مقارنة النتيجة المتوقعة مع البيانات الواقعية خلال فترة PHSMs I، باستثناء التهاب الكبد A، الذي زاد بمقدار 522 حالة ( ) (الشكل 4F)، شهدت الـ 23 NIDs الأخرى انخفاضات في الحالات تتراوح من إلى شهدت الحمى اليدوية، وحمى الضنك، والحصبة الألمانية، والحمى القرمزية أكبر انخفاضات (الشكل 4A، T، P، O)، مع انخفاضات بلغت 82,279 (-70.46%)، 245 (-70.19%)، 3466 (-67.07%) و 11,460 ( ) الحالات، على التوالي (الشكل 5). كانت RIDs الأكثر تأثراً، مع تباين واسع في نسبة الحدوث المعدلة (IRR)، تتراوح من 0.16 إلى 0.74. من بينها، كان التأثير على السل هو الأدنى، مع IRR المعدل الوسيط 0.74 (نطاق الربيع بين الربعين [IQR]: 0.69-0.81) (الشكل 4M، الجدول التكميلي 2). بالمقابل، كان التأثير على BSTDs مستقراً نسبياً، مع IRRs المعدلة الوسيطة تتراوح من 0.50 إلى 0.74 (الشكل 5F، الجدول التكميلي 2).

منذ أبريل 2020، مع اعتماد سياسة “صفر كوفيد الديناميكية” وتخفيف قيود السفر بين المدن من قبل الحكومة الصينية، دخلت الأنماط الوبائية للأمراض مرحلة جديدة، فترة تدابير الصحة العامة والاجتماعية. . يتميز هذه الفترة باتجاهات مميزة في حدوث الأمراض، والتي يمكن تصنيفها بشكل عام إلى 4 أنواع. النوع الأكثر شيوعًا يشمل أمراضًا مثل الإسهال المعدي (الشكل 4B)، الزحار (الشكل 4C)، التهاب الكبد الحاد (الشكل 4D)، التهاب الكبد A (الشكل 4F)، الحمى المعوية (الشكل 4G)، الزهري (الشكل 4I)، التهاب الكبد C (الشكل 4J)، الإيدز (الشكل 4L)، السل (الشكل 4M)، النكاف (الشكل 4N)، الحمى القرمزية (الشكل 40) و JE (الشكل 4X). أظهرت هذه الأمراض أنماطًا موسمية أو غير منتظمة مع اتجاه عام نحو انخفاض الحالات. النوع الثاني يُلاحظ عادةً بين الأمراض المعدية ذات الأهمية (ZIDs) والأمراض المنقولة جنسيًا (BSTDs) التي حافظت إما على أنماطها الموسمية أو غير المنتظمة مع تغيير طفيف بشكل عام. ) أو شهدت زيادة في الحالات المبلغ عنها. يتضمن هذا النوع التهاب الكبد B (الشكل 4H)، السيلان (الشكل 4K)، البروسيلا (الشكل 4R)، متلازمة الفشل الكلوي الحاد (الشكل 4S)، داء الكيسات المائية (الشكل 4V) والتيفوس (الشكل 4W). يتضمن النوع الثالث الأمراض غير المعدية مثل مرض اليد والقدم والفم (الشكل 4A)، التهاب الكبد E (الشكل 4E)، السعال الديكي

الشكل 3 | تحليل الأداء المقارن لمختلف نماذج السلاسل الزمنية على بيانات الحدوث الشهرية لـ 24 مرضًا معديًا قابلًا للإبلاغ (NIDs) في مجموعة البيانات الاختبارية. A-G الأمراض المعدية المعوية. H-L الأمراض المنقولة بالدم والأمراض المنقولة جنسيًا. M-Q الأمراض المعدية التنفسية. R-X الأمراض المعدية الحيوانية. تم تطوير المؤشر القياسي المقارن من خلال دمج الجذر التربيعي لمتوسط الخطأ (RMSE) ومتوسط النسبة المئوية المطلقة للخطأ (MAPE) ومتوسط النسبة المئوية المطلقة المتناظر للخطأ (SMAPE)، حيث تشير القيمة الأعلى إلى النموذج الأمثل لمرض معين. ETS التنعيم الأسي؛ SARIMA
نموذج الانحدار الذاتي المتكامل المتحرك الموسمي؛ هجين: مزيج من SARIMA وETS وSTL (تحليل الاتجاهات والموسمية باستخدام لويس) ونماذج الشبكات العصبية؛ متلازمة نقص المناعة المكتسب (AIDS) دون تضمين عدوى فيروس نقص المناعة البشرية. تشمل الزحار الزحار البكتيري وزحار الأميبا. الحمى المعوية تُعرف أيضًا بحمى التيفوئيد وحمى الباراتيفوئيد. الحمى النزفية مع متلازمة الكلى (HFRS)، التهاب الدماغ الياباني (JE)، مرض اليد والقدم والفم (HFMD)، التهاب الملتحمة النزفي الحاد (AHC).

الشكل 4 | التوقعات والوقائع الفعلية لحدوث 24 مرضًا معديًا قابلًا للإبلاغ (NIDs) في الصين. A-G الأمراض المعدية المعوية. H-L الأمراض المنقولة بالدم والأمراض المنقولة جنسيًا. M-Q الأمراض المعدية التنفسية. R-X الأمراض المعدية الحيوانية. الإيدز (متلازمة نقص المناعة المكتسب)، لا تشمل عدوى فيروس نقص المناعة البشرية. تشمل الزحار الزحار البكتيري وزحار الأميبا. الحمى المعوية تُعرف أيضًا بحمى التيفوئيد وحمى البارتي التيفوئيد.
حمى. HFRS حمى نزفية مع متلازمة الكلى، JE التهاب الدماغ الياباني، HFMD مرض اليد والقدم والفم، AHC التهاب الملتحمة النزفي الحاد. كل لوحة مقسمة إلى خمس فترات: فترة ما قبل الوباء (يناير 2008 إلى ديسمبر 2019)، فترة PHSMs الأولى (يناير 2020 إلى مارس 2020)، فترة PHSMs الثانية (أبريل 2020 إلى أكتوبر 2022)، فترة الوباء (نوفمبر 2022 إلى يناير 2023)، وفترة ما بعد الوباء (فبراير 2023 إلى ديسمبر 2023).

عدوى فيروس نقص المناعة البشرية. الإسهال يتضمن الإسهال البكتيري وإسهال الأميبا. الحمى المعوية تُعرف أيضًا بحمى التيفوئيد وحمى التيفوئيد الفرعية. HFRS الحمى النزفية مع متلازمة الكلى، JE التهاب الدماغ الياباني، HFMD مرض اليد والقدم والفم، AHC التهاب الملتحمة النزفي الحاد.
(الشكل 4Q)، والملاريا (الشكل 4U)، التي أظهرت في البداية انخفاضًا في الانتشار ولكنها عادت بعد ذلك تدريجيًا إلى اتجاهاتها الطبيعية. على عكس الأمراض غير المعدية الأخرى، قدمت الحصبة الألمانية وحمى الضنك اتجاهًا فريدًا خلال فترة التدابير الصحية العامة الثانية، حيث اقتربت الحالات المبلغ عنها من الصفر (الشكل 4P، T). تم استبعاد مجموعة بيانات الحصبة الألمانية المستخدمة للاختبار في المرحلة الأولى وإعادة التدريب في المرحلة الثانية من بيانات عام 2019 بسبب التأثير الكبير لتفشي الحصبة الألمانية في عام 2019 على النماذج (الشكل التوضيحي التكميلي 50). ومع ذلك، حتى مع هذا الاستبعاد، أظهر الفرق بين البيانات الملاحظة والنتائج المتوقعة تأثيرًا كبيرًا على الحصبة الألمانية خلال هذه الفترة (الشكل 4P).

في ديسمبر 2022، أوقفت الحكومة الصينية سياسة “صفر كوفيد الديناميكية”. على غرار الاتجاهات خلال فترة PHSMs الأولى، شهدت 23 مرضًا معديًا غير محدد، باستثناء التهاب الدماغ الياباني، انخفاضًا حادًا في الحدوث (الشكل 2). حتى داء البروسيلات، الذي كان لديه نمو مرتفع باستمرار خلال فترة PHSMs الثانية، شهد انخفاضًا في معدل الحدوث المعدل إلى 0.58 في ديسمبر 2022 (الشكل 6H). كان حدوث مرض اليد والقدم والفم خلال فترة الوباء أكبر من فترة PHSMs الأولى (80,864 مقابل 34,487) (الشكل 4A)، بينما كان بالنسبة للأمراض المعدية الأخرى أقل (الشكل 4B-G، الجدول التكميلي 2). من بين الأمراض المعدية التنفسية، كان السعال الديكي مرضًا خاصًا له معدل حدوث أعلى من فترة PHSMs الأولى (4,336 مقابل 2,753) (الشكل 6Q، الجدول التكميلي 2). ومع ذلك، بعد وباء متغير SARS-CoV-2 في البر الرئيسي للصين، عادت بعض الأمراض المعدية غير المحددة إلى أنماط ما قبل الوباء. أظهر مرض اليد والقدم والفم (الشكل 5A)، والتهاب الملتحمة الحاد (الشكل 5A)، والتهاب الكبد B (الشكل 5B) علامات على الانتعاش، لا سيما مع تفشي كبير لالتهاب الملتحمة الحاد في سبتمبر 2023، مما أسفر عن 125,264 حالة. كان هذا التفشي، الذي جاء في المرتبة الثانية بعد تفشي سبتمبر 2010، يؤثر بشكل أساسي على المقاطعات الجنوبية، حيث كانت غوانغدونغ هي مركز الوباء (الشكل التكميلي 4). بالإضافة إلى ذلك، وصل السعال الديكي إلى أعلى معدل حدوث مسجل منذ عام 2008، مع 9,126 حالة من أكتوبر إلى ديسمبر 2023، وكانت أيضًا مركزة في غوانغدونغ (الشكل التكميلي 17).

باختصار، انخفضت نسبة حالات الأمراض غير المعدية بشكل ملحوظ خلال فترات التدخلات الصحية العامة وفترات الوباء. من بين الأمراض المنقولة جنسياً، شهد فيروس نقص المناعة البشرية/الإيدز أكبر انخفاض، مع معدل معدل الخطر النسبي المعدل الوسيط 0.73 (نطاق الربيع:
0.59-0.80، ) خلال فترات إدارة الصحة العامة والأوبئة، والتي انخفضت أكثر إلى 0.64 (IQR: ) في فترة ما بعد الوباء (الشكل 6C). كما شهدت معدلات الإصابة بالأمراض انخفاضات كبيرة، حيث أظهرت السل أقل انخفاض ( 0.88 ، النطاق الربعي: 0.84-0.92، )، بينما أظهرت مؤشرات الأمراض الأخرى انخفاضات ملحوظة ومستدامة حتى في فترة ما بعد الوباء (الشكل 6E). انخفضت حالات الحصبة الألمانية وحمى الضنك بشكل حاد، حيث أظهرت الأولى معدلات خطر معدلة تصل إلى 0.05 (نطاق الربع: 0.02-0.08، ) خلال الفترات السابقة و 0.03 (IQR: ) في فترة الوباء؛ كانت نسبة الخطر المعدلة لحمى الضنك 0.01 (نطاق الربيع: ) خلال الفترات السابقة و 0.10 (IQR: ، ) بعد ذلك. وعلى العكس، فإن المعدل من الأمراض المعدية مثل البروسيلا، الملاريا، الإيكينوكوكوس، التيفوئيد، والتهاب الدماغ الياباني تم الإبلاغ عن زيادة (الشكل 6G-H). كانت جميع الأمراض المعدية المعدلة لها معدل الإصابة النسبي أقل من 1، باستثناء التهاب الكبد E، الذي كان لديه في البداية معدل إصابة نسبي معدل وسطي قدره 0.91 (نطاق الربيع: خلال فترات إدارة الصحة العامة والأوبئة، ولكن في فترة ما بعد الوباء، كانت الوسيط المعدل ارتفع إلى 1.17 (IQR: )، مما يشير إلى انتعاش في الحدوث (الشكل 6A).

تحليل التجميع لحدوث الحالات الشهرية خلال فترة ما قبل الوباء صنف التهاب الكبد الوبائي B، والسل، والإسهال المعدي، ومرض اليد والقدم والفم في مجموعة ذات حدوث مرتفع، وهو تباين صارخ مع 20 مرضًا غير معدٍ تم تصنيفها كمجموعة ذات حدوث منخفض (الأشكال 7A و1A). تم تحسين التجميع بناءً على التعديلات. تم تحديد 4 مجموعات منفصلة، حيث كانت حمى الضنك والحصبة الألمانية مجموعتين فرديتين بسبب أنماطها الوبائية المميزة (الشكل 7B)، بينما شكلت الحمى القرمزية والسعال الديكي ومرض اليد والقدم والفم، والنكاف، والملاريا، والتهاب الدماغ الياباني مجموعة تشير إلى قابلية مشتركة لتدابير الصحة العامة. بدت 16 مرضًا معديًا آخر أقل تأثرًا بتدابير الصحة العامة (الشكل 7C). كانت المجموعات 1 و3 و4، التي تتكون في الغالب من الأمراض المعدية التنفسية والأمراض المعدية الزهرية، تستجيب بشكل كبير لتدابير الصحة العامة، دون تمثيل من فئة الأمراض المعدية البكتيرية، مما يعكس الاتجاه العام (الشكل 7B).

الشكل 6 | النسب المعدلة لحدوث الأمراض المعدية القابلة للإبلاغ (NIDs) في الصين من يناير 2020 إلى ديسمبر 2023. A، B توزيع وتغيرات في النسب النسبية للأمراض المعدية المعوية. C، D توزيع وتغيرات في النسب النسبية للأمراض المنقولة بالدم والأمراض المنقولة جنسياً.
توزيع E و F والتغيرات في النسب النسبية للأمراض المعدية التنفسية.
توزيع G و H والتغيرات في النسب النسبية للأمراض المعدية الحيوانية المنشأ.

أ، ج، هـ، غ توزيع النسبة النسبية المعدلة لـ 24 NIDs خلال فترات مختلفة. النقطة والخط يمثلان القيمة الوسيطة ونطاق الربيع بين الربعين (IQR) على التوالي. تتراوح فترات PHSMs والأوبئة من يناير 2020 إلى يناير 2023. )، ويمتد فترة ما بعد الوباء من فبراير 2023 إلى ديسمبر 2023 ( ).

التركيز على مرض اليد والقدم والفم، انخفاض تراكمي ملحوظ لـ تمت ملاحظة حالات (48.86%) خلال فترات تدابير الصحة العامة، مما يشير إلى حدوث مرتفع مصحوب بحساسية كبيرة لتدابير الصحة العامة (الجدول التكميلي 2). عرضت سبعة أمراض معدية أخرى كلاً من انخفاض في الحدوث وارتفاع في حساسية تدابير الصحة العامة، بما في ذلك حمى الضنك، والحصبة الألمانية، والحُمَيراء، والسعال الديكي، والنكاف، والملاريا، والتهاب الدماغ الياباني. أظهرت تحليل الارتباط المتبادل أن الارتباط بين صرامة تدابير الصحة العامة واختلافات الحدوث لحمى الضنك (الشكل 7D)، والحُمَيراء (الشكل 7F)، ومرض اليد والقدم والفم (الشكل 7H)، والنكاف (الشكل 7I)، والملاريا (الشكل 7J)، والتهاب الدماغ الياباني (الشكل 7K) حدث في نفس الشهر. ومع ذلك، أظهرت الملاريا فقط معامل ارتباط معتدل قدره 0.42 دون فترة تأخير، مما يشير إلى علاقة زمنية مباشرة مع صرامة تدابير الصحة العامة (الشكل 7J). بلغ الارتباط بين صرامة تدابير الصحة العامة والحدوث للحصبة الألمانية ذروته، مع معامل ارتباط قدره 0.14، بعد فترة تأخير مدتها 3 أشهر، وانخفض إلى 0.10 دون تأخير (الشكل 7E). ومن الجدير بالذكر أن السعال الديكي أظهر أقصى معامل ارتباط قدره 0.08 عند فترة تأخير مدتها شهر واحد، وانخفض أكثر إلى 0.06 دون تأخير، وكلاهما يشير إلى ارتباط ضئيل (الشكل 7G).

في هذه الدراسة، أجرينا دراسة نمذجة على 24 NIDs، وقمنا بتحليل خصائص الانتقال عبر 5 فترات: فترة ما قبل الجائحة،

فترات التدابير الصحية العامة I، فترات التدابير الصحية العامة II، فترة الوباء، وفترة ما بعد الوباء. علاوة على ذلك، تم استخدام تحليل التجمع والتحليل المتقاطع لتقييم تأثير التدابير الصحية العامة على ديناميات الأمراض المعدية الجديدة. كشفت نتائجنا عن أنماط موسمية مميزة في الأمراض المعدية الجديدة المختلفة، تتفاوت عبر الفترات المدروسة. شهدت 24 مرضًا معديًا جديدًا باستثناء التهاب الكبد A انخفاضات كبيرة خلال فترة التدابير الصحية العامة I وفترة الوباء. خلال فترة التدابير الصحية العامة II، أظهرت فقط التهاب الكبد B، والسيلان وبعض الأمراض المعدية الجديدة مثل البروسيلا، ومتلازمة الفشل الكلوي الحاد، والإيكينوكوكوز، والحمى التيفية انخفاضات محدودة، بينما شهدت الأمراض المعدية الجديدة الأخرى أكثر من يقل.

علاوة على ذلك، كشفت تحليل مقارن للبيانات المتوقعة والملاحظة عن 8 أمراض معدية غير متعلقة بالفيروسات (NIDs) عرضة لتدابير الصحة العامة والاجتماعية (PHSMs)، بما في ذلك حمى الضنك، والحصبة الألمانية، والحُمَيراء، والسعال الديكي، ومرض اليد والقدم والفم (HFMD)، والنكاف، والملاريا، والتهاب الدماغ الياباني (JE) (الشكل 7D-K). ومع ذلك، أظهرت فقط HFMD، والنكاف، والملاريا، وJE ارتباطًا معتدلًا أو ضعيفًا، بينما لم تُظهر الأمراض الأربعة الأخرى أي ارتباط مع مؤشر صرامة PHSMs مع معامل ارتباط مطلق أقل من 0.2. تم تصنيف حمى الضنك والحصبة الألمانية (الشكل 7D، E) باستمرار كفئات متميزة، سواء تم ملاحظتهما في فترة PHSMs الثانية حيث يتم تصنيفهما كأمراض معدية غير متعلقة بالفيروسات مع حالات مُبلغ عنها تقترب من الصفر، أو في تحليل التجمع. ويرجع ذلك أساسًا إلى أن كل من الحدوث الفعلي ومعدل الإصابة المعدل قريبان من الصفر، بغض النظر عن كيفية تغير مؤشر صرامة PHSMs (الشكل 6E، G).

الشكل 7 | تحليل التجمع والارتباط المتبادل للأمراض المعدية القابلة للإبلاغ (NIDs) القابلة للتأثر بتدابير الصحة العامة. A شجرة التجمع لحدوث 24 NIDs شهريًا خلال فترة ما قبل الوباء (يناير 2008 إلى ديسمبر 2019). الجزء الأحمر يمثل تجمع الحدوث العالي، والبني يمثل تجمع الحدوث المنخفض. B، C مخطط تشتت التجمع لنسب حدوث الحالات المعدلة لوغاريتميًا (IRR) لـ 24 NIDs خلال فترات تدابير الصحة العامة (يناير 2020 إلى أكتوبر 2023).

تحليل الارتباط المتقاطع D-K بين الانخفاض في الحدوث ومؤشر صرامة تدابير الصحة العامة والاجتماعية. الإيدز (متلازمة نقص المناعة المكتسب)، دون احتساب عدوى فيروس نقص المناعة البشرية. تشمل الزحار الزحار البكتيري وزحار الأميبا. الحمى المعوية تُعرف أيضًا بحمى التيفوئيد وحمى البارتييفوئيد. HFRS الحمى النزفية مع متلازمة الكلى، JE التهاب الدماغ الياباني، HFMD مرض اليد والقدم والفم، AHC التهاب الملتحمة النزفي الحاد.

علاوة على ذلك، أظهرت الحمى القرمزية والسعال الديكي معاملات ارتباط منخفضة بسبب الموسم الواضح في التباين بين الحدوث المرصود والمُتوقع. على وجه التحديد، أظهرت اختلافات كبيرة خلال مايو إلى يونيو ويوليو إلى أغسطس في فترة تدابير الصحة العامة والاجتماعية، على التوالي، مما يتناقض مع الفروق الطفيفة في الأشهر الأخرى (الشكل 5C، الشكل التكميلي 49). مثل هذه الموسمية تضعف الارتباط بين مؤشر صرامة تدابير الصحة العامة والاجتماعية واختلاف الحدوث. لتوضيح تأثير الحصبة الألمانية، قمنا بتوقع الحدوث من 2019 إلى 2023 استنادًا إلى نماذج ETS وSARIMA والنماذج الهجينة، التي أدت بشكل جيد على مجموعة بيانات الاختبار مع مؤشر موحد مركب مشابه (1.92 مقابل 1.73 مقابل 1.63) (الشكل 3R). أظهرت النتائج من هذه النماذج باستمرار انخفاضًا كبيرًا في انتشار الحصبة الألمانية، كما يتضح من انخفاض الوسيط المعدل لمعدل الحدوث النسبي إلى أقل من 0.2 خلال فترات تدابير الصحة العامة والاجتماعية وفترات الوباء (الشكل التكميلي 49).

من بين الأمراض المعدية الجديدة التي كانت عرضة لتدابير الصحة العامة، كانت مرض اليد والقدم والفم هو المرض الوحيد الذي سجل معدل حدوث مرتفع وكان عرضة لتدابير الصحة العامة، حيث أظهر انخفاضات كبيرة على مدار معظم الفترات، باستثناء ذروات موسمية غير متوقعة من أكتوبر إلى نوفمبر 2020 ومن يونيو إلى يوليو 2023.
(الشكل 5A). تشير هذه الأنماط غير المنتظمة في مرض اليد والقدم والفم إلى تغيرات وبائية معدلة ليس فقط خلال فترات تدابير الصحة العامة ولكن أيضًا في فترة ما بعد الوباء. يجب التحقق من الشذوذات الملحوظة باستخدام بيانات من عام 2024 لتحديد ما إذا كانت هذه الشذوذات هي قمم صغيرة مضخمة أو تحولات في حدوث القمم الكبرى التي يُتوقع عادةً في السنوات الزوجية من يونيو إلى يوليو. ومن الجدير بالذكر أن الملاريا فقط أظهرت معامل ارتباط معتدل قدره 0.42 دون فترة تأخير (الشكل 7J). كان الانخفاض في حالات الملاريا يُعزى بشكل رئيسي إلى قيود السفر الصارمة. الملاريا هي مرض ينتقل عن طريق البعوض وقد تم القضاء عليه في الصين وينتشر بشكل أساسي من قبل المسافرين الدوليين الذين يصابون في دول أخرى. .

أظهر تحليل الارتباط المتقاطع أن أعلى معاملات الارتباط النسبية لفيروس اليابان (JE) ومرض اليد والقدم والفم (HFMD) والنكاف والملاريا حدثت في نفس الشهر، مما يشير إلى أن هذه الأمراض تأثرت بشكل مباشر بعد تنفيذ تدابير الصحة العامة والاجتماعية (PHSMs). يمكن أن يُعزى هذا التأثير إلى الفعالية الفورية لتدابير الصحة العامة والاجتماعية في السيطرة على انتشار هذه الأمراض، التي تنتقل بشكل أساسي من خلال الاتصال المباشر وقطرات التنفس. قد يرتبط الاستجابة السريعة لهذه الأمراض لتدابير الصحة العامة والاجتماعية أيضًا بمدتها القصيرة نسبيًا.
فترات الحضانة، التي تسمح بتغيير ديناميات الانتقال بعد تنفيذ تدابير الصحة العامة، لتعكس بسرعة. ومع ذلك، أظهرت الحمى اليابانية، والنكاف، والحصبة الوردية، والحصبة susceptibility لتدابير الصحة العامة، ولم يحدث أي انتعاش يتجاوز التوقعات أو الاتجاهات الوبائية خلال فترة ما قبل الوباء. لا يمكن أن يُعزى هذا الانخفاض فقط إلى تدابير الصحة العامة أو تأثير نظام مراقبة الأمراض القابلة للإبلاغ الوطني. من المحتمل أن يفسر زيادة تغطية التطعيم بلقاح السحائي متعدد السكريات (MPV) ولقاحات الحصبة والنكاف والحصبة الوردية (MMR) الاتجاهات الملحوظة في حالات الحمى اليابانية والنكاف والحصبة الوردية. علاوة على ذلك، فإن حدوث الحمى القرمزية لم يزداد فقط بشكل تدريجي في الصين (الشكل 40)، بل زاد أيضًا في عدة دول أوروبية بين سبتمبر ونوفمبر. . هذا يبرز الحاجة إلى استمرار المراقبة والبحث في ديناميات انتقاله.

التغيرات الموسمية الملحوظة في حالات العدوى الجديدة التي لوحظت خلال فترة ما قبل الوباء تعود أساسًا إلى التفاعل بين نماذج الانتقال وأنماط السلوك. تظهر الأمراض المعدية مثل النكاف انتشارًا أعلى خلال فصل الشتاء. ، وهو اتجاه يُعزى إلى زيادة تكرار التجمعات الداخلية في أماكن مغلقة دون التباعد الجسدي، مما يسهل انتقال الفيروس بالإضافة إلى ذلك، فإن انخفاض الرطوبة ودرجة الحرارة المنخفضة في الشتاء يزيدان من القابلية للإصابة بالتهابات الجهاز التنفسي العلوي. ثالثًا، قد تؤثر التغيرات الموسمية أيضًا على الاستجابات المناعية، مما يزيد من القابلية للإصابة بالعدوى في أوقات معينة من السنة. تشهد حالات العدوى الجديدة انخفاضًا كبيرًا خلال فترة التدابير الصحية العامة I (الشكل 1B)، وهو ما يمكن أن يُعزى إلى تضافر عدة عوامل. لقد زاد ظهور جائحة COVID-19 بشكل كبير من وعي الجمهور وحرصه تجاه الأمراض المعدية، مما أدى إلى اعتماد واسع النطاق لغسل اليدين وارتداء الكمامات. ، مما قد يكون قد قلل بشكل مباشر من التعرض للعوامل الممرضة. على الرغم من أن السكان حافظوا على عادات النظافة الجيدة منذ أبريل 2020، إلا أن الانخفاض في بعض الأمراض المعدية غير المتنقلة مثل مرض اليد والقدم والفم والإسهال المعدي بدأ يتقلص (الشكل 5). قد يكون هذا الملاحظة نتيجة لتخفيف تدابير الصحة العامة، مما أدى إلى زيادة التفاعلات الاجتماعية، وهجرة السكان، وإمكانية انتقال الأمراض المعدية غير المتنقلة. مثلما حدث في فترة PHSMs الأولى، تم ملاحظة انخفاض في NIDs أيضًا خلال فترة الوباء، والذي قد يُعزى إلى انخفاض حركة إصابات متغير أوميكرون BA.2. ، جنبًا إلى جنب مع زيادة الميل لارتداء الكمامات. بالإضافة إلى ذلك، امتدت الامتثال لتدابير الصحة العامة حتى للأفراد المعرضين للخطر، حتى في غياب إنفاذ الحكومة. ساهم هذا الالتزام الجماعي بشكل كبير في الانخفاض الملحوظ في انتقال الفيروسات التنفسية. مؤكداً فعالية تدابير الصحة العامة في احتواء الأمراض المعدية.

إن الاعتراف بالتأثيرات على حدوث الأمراض المعدية الجديدة خلال جائحة كوفيد-19 أمر ضروري. لا يمكن أن تُعزى التغيرات الملحوظة في الأمراض المعدية الجديدة فقط إلى التحولات الفعلية في الحدوث، بل من المحتمل أيضًا أن تتأثر بعوامل تؤدي إلى زيادة التقارير الناقصة. تشمل هذه العوامل الاضطرابات في نظام الإبلاغ عن الأمراض المعدية الجديدة وتغيرات في سلوك البحث عن الرعاية الصحية. على وجه الخصوص، قد يكون العمل المكثف وإعادة توجيه العاملين في الصحة المجتمعية نحو مهام الوقاية من كوفيد-19 قد أدى إلى تقارير مفقودة عن أمراض أخرى. بالإضافة إلى ذلك، غيرت شدة الجائحة سلوك البحث عن الرعاية الصحية، حيث قلل بعض الأفراد من تكرار استشاراتهم الطبية. أبلغت دراسة في الصين عن انخفاض في زيارات المرضى الخارجيين خلال فبراير-يونيو .

تفاوت تأثير تدابير الصحة العامة والاجتماعية عبر الأمراض ذات أنماط الانتقال المختلفة. أظهرت الأمراض المعدية التنفسية، ولا سيما مرض اليد والقدم والفم والنكاف، قابلية ملحوظة لتدابير الصحة العامة والاجتماعية. . على العكس، كان تأثير تدابير الصحة العامة والسلوكيات الاجتماعية على الأمراض المعدية أقل محدودية، وهو ما يتماشى مع نتائج الأبحاث السابقة. بالنسبة لمعظم RIDs، فإن تنفيذ تدابير الصحة العامة والاجتماعية (PHSMs) قلل بشكل كبير من انتقالها (الشكل 5E)، مما يؤكد الدراسات السابقة حول فعالية تدابير الصحة العامة والاجتماعية في السيطرة على هذه الأمراض. . يمكن أن يُعزى هذا الانخفاض إلى الطريق الرئيسي لانتقال هذه الأمراض، وهو قطرات الجهاز التنفسي، التي يمكن إدارتها بفعالية من خلال تدابير مثل ارتداء الكمامات، والتباعد الجسدي، وتحسين
التهوية. على النقيض من ذلك، فإن الأمراض التي تنتقل عن طريق الاتصال المباشر (BSTDs)، والتي تنتقل بشكل أساسي من خلال الاتصال المباشر مع سوائل الجسم المصابة، قد لا تكون فعالة في التخفيف من هذه التدابير. من المهم أن نلاحظ، مع ذلك، أنه بينما يكون الوسيط المعدل كانت معدلات الإصابة بفيروس نقص المناعة البشرية، والزهري، والتهاب الكبد C، والتهاب الكبد B عمومًا أقل من 1 خلال فترات إدارة الصحة العامة والأوبئة (الشكل 6C)، مما يشير إلى تأثير مخفف، لكن هذا لا يعني أن هذه الأمراض كانت غير متأثرة تمامًا. ومن المثير للاهتمام أن معدل الإصابة بالسيلان قد زاد خلال عام 2021 (الشكل 4K)، ربما بسبب فترة حضانته القصيرة. ، مما أدى إلى استجابات سريعة لبرامج الصحة العامة. بالمقابل، بالنسبة لأمراض مثل الإيدز، والزهري، والتهاب الكبد C، والتهاب الكبد B، التي تظهر عادة فترات حضانة أطول (أكثر من شهر) قد يحدث تأخير كبير بين ظهور الأعراض والإبلاغ عنها.

تؤثر قيود السفر بشكل كبير على انتقال الأمراض المدارية مثل حمى الضنك والملاريا، التي تنتقل عن طريق البعوض وتكون حساسة للحالات المستوردة. في الشتاء، تساعد الظروف غير الملائمة للبعوض في كبح هذه الأمراض في معظم أنحاء الصين. خلال فترات تدابير الصحة العامة والطوارئ، كانت القيود الدولية الصارمة على السفر، جنبًا إلى جنب مع التزامن بين فترة العزل وفترة الحضانة لحالات حمى الضنك والملاريا المستوردة، تسهل بشكل متكرر اكتشاف هذه الحالات خلال فترة الحجر الصحي. نتيجة لذلك، انخفضت بشكل ملحوظ تفشي هذه الأمراض المحلية خلال فترات تدابير الصحة العامة. ومع ذلك، زادت داء البروسيلات (الشكل 4R)، وهو مرض زونوتيكي آخر، بشكل كبير خلال فترة تدابير الصحة العامة الثانية، لا سيما في المقاطعات الشمالية مثل شينجيانغ، قانسو (الشكل التكميلية 18)، ومنغوليا الداخلية. هذا الارتفاع يعود أساسًا إلى عدم كفاية تطعيم الحيوانات ونقص اللحوم الذي أدى إلى توسيع قطعان الأغنام والممارسات الزراعية وتربية الدواجن في المنازل، مما زاد من الاتصال بين البشر والحيوانات وزاد من خطر الإصابة بالبروسيلا. منطقة أخرى تتطلب الانتباه هي التيفوس، وهو مرض ينتقل عن طريق الطفيليات. منذ عام 2017، أظهر معدل الإصابة بالتيفوس اتجاهًا متزايدًا باستمرار (الشكل 4W). يمكن أن يُعزى هذا الارتفاع إلى عوامل مثل التغيرات في سلوك الإنسان التي تزيد من التعرض للناقلات، والتحضر، أو تغير المناخ. يتطلب الأمر مزيدًا من التحقيق في الأسباب المحددة وراء هذه الزيادة لتطوير استراتيجيات تحكم فعالة.

العودة الملحوظة لالتهاب الملتحمة الحاد (AHC) والسعال الديكي في فترة ما بعد الجائحة تستحق الملاحظة. بعد أن كانت تعاني من معدل إصابة منخفض نسبيًا، شهدت كلا المرضين انتعاشًا كبيرًا وغير متوقع بعد الوباء. تسبب فيروس الأمعاء بشكل أساسي في تفشي AHC في جنوب الصين في سبتمبر 2023. ومن الجدير بالذكر أن تفشي AHC حدث أيضًا في باكستان والهند بسبب فيروس كوكساكي A24 في سبتمبر ويوليو، على التوالي. يمكن أن يُعزى هذا التصعيد غير المتوقع لمرض السعال الديكي إلى عدة عوامل، بما في ذلك تخفيف تدابير الصحة العامة، وزيادة القابلية للإصابة بسبب COVID-19، أو حتى الطفرات الفيروسية المحتملة. وصل مرض السعال الديكي إلى أعلى معدل حدوث له منذ عام 2008 في ديسمبر 2023 في الصين ويشهد انتعاشًا عالميًا. بالإضافة إلى العوامل المذكورة، قد يسهم انخفاض مناعة السكان بسبب نقص التطعيم في عودة انتشار السعال الديكي. .

لدراستنا عدة قيود. أولاً، ركزنا على 24 مرضًا غير معدٍ بدلاً من جميع الأمراض المعدية، مما ترك فجوة معينة في دراسة الأمراض التنفسية. نظرًا لاستبعاد الإنفلونزا بسبب اعتمادها على المراقبة الاستباقية. ، هذا لا يقلل من الاستنتاج العام للدراسة. تستمر الأمراض المعدية النادرة في إظهار معدل حدوث مرتفع وهي عرضة بشكل ملحوظ للتدابير الصحية العامة. اختيار 24 مرضًا نادر الحدوث عالي المعدل لهذه الدراسة يدل على الاتجاهات الأوسع التي لوحظت عبر جميع الأمراض النادرة. بالإضافة إلى ذلك، تعتمد تحليلاتنا على تقارير الأمراض النادرة الشهرية، التي يتم تحديثها بشكل متكرر ولكن قد تقدم تأخيرات في الإبلاغ، خاصة بالنسبة لأمراض مثل السل. لمعالجة ذلك، قمنا بإدراج بيانات من مصادر تتحدث ببطء أكبر (الأشكال التكميلية 25-48)، ووجدنا عدم وجود اختلافات موسمية ملحوظة في تواريخ البداية والإبلاغ للأمراض النادرة الأخرى الـ 23. ومع ذلك، لوحظت تناقضات في الحالات المبلغ عنها لبعض الأمراض (مثل التهاب الكبد B، التهاب الكبد C، السل) (الأشكال التكميلية 8، 10، 13)، وقد يكون ذلك بسبب أخطاء في جمع البيانات، أو اختلافات إحصائية، أو عوامل أخرى.

لم يتم الإبلاغ عن هذه التباينات سابقًا، ويستدعي الأمر مزيدًا من الانتباه. إن التحقيق الإضافي والتوضيح الرسمي أمران حاسمان لتسوية هذه التباينات وضمان دقة البيانات. ومع ذلك، كانت تحليلاتنا تعتمد بشكل أساسي على التقارير، حيث تم دعم تحليل بيانات بدء المرض بشكل رئيسي من خلال تحليل التوزيع الجغرافي، مما يقلل من تأثير هذه التباينات على استنتاجاتنا الرئيسية. كما قمنا بتطوير تطبيق ويب لتسهيل تحليل القراء بناءً على بيانات مخصصة.https://kanggle.shinyapps.io/auto-tsmodel/). ثالثًا، يجب الاعتراف بالقيود الجوهرية لنماذج السلاسل الزمنية. تشمل هذه القيود عدم القدرة على التقاط الأحداث المفاجئة وغير المتوقعة والأثر المباشر لتدابير التدخل على انتقال المرض. تعتمد هذه النماذج أيضًا على افتراضات حول كون البيانات ثابتة وتتبع اتجاهات معينة. لذلك، عند مقارنة نتائجنا مع تلك الواردة في دراسات أخرى، من الضروري أخذ هذه القيود بعين الاعتبار بعناية.

كشفت أبحاثنا أن تنفيذ تدابير الصحة العامة والاجتماعية استجابة لمتغيرات SARS-CoV-2 المختلفة يمكن أن يؤثر بشكل كبير على ديناميات انتقال معظم الأمراض المعدية الجديدة. ومن المثير للاهتمام أنه على الرغم من تخفيف جميع تدابير الصحة العامة والاجتماعية من قبل الحكومة الصينية، لم يكن هناك انتعاش كبير فوري في الأمراض المعدية الجديدة خلال فترة الوباء. تشير هذه التمويلات إلى أن ممارسات العزل الذاتي الواسعة بعد وباء أوميكرون BA.2 كان لها تأثير مؤقت في كبح انتقال الأمراض المعدية الأخرى. ومع ذلك، تلا هذه الفترة من انخفاض الانتقال زيادة في الحالات المبلغ عنها من أمراض مثل مرض اليد والقدم والفم، والتهاب الملتحمة الحاد، والسعال الديكي. كما أفادت دراسات أخرى بـ زيادة في إصابات الإنفلونزا خلال موسم 2022-2023 . هذه الظاهرة، التي تُعرف باسم “فجوة المناعة”، تبرز فعالية التدابير الصحية العامة متعددة الأبعاد. بينما خففت من انتقال فيروس SARS-CoV-2، قللت هذه التدابير أيضًا من التعرض لمسببات الأمراض المختلفة. قد يكون هذا التعرض المنخفض قد أدى إلى تحفيز غير كافٍ لجهاز المناعة، مما قد يضعف مناعة السكان مقارنة بمستويات ما قبل الوباء. تؤكد نتائجنا أنه بينما تقدم التدابير الصحية العامة حلاً فعالاً على المدى القصير للسيطرة على انتشار الأمراض المعدية، فإن استخدامها على المدى الطويل له عواقب غير مقصودة تتمثل في تقليل مناعة السكان، مما قد يخلق ظروفًا لتفشي واسع النطاق في المستقبل. إن النهج الأكثر استدامة وطويل الأمد يركز على تطوير وتنفيذ واسع النطاق للقاحات فعالة، مشابهة لنموذج لقاح MPV وMMR الناجح. .

تم تحديد معايير اختيار الأمراض بناءً على البيانات التي تم جمعها من نظام الإبلاغ الوطني عن الأمراض المعدية في الصين (NNDSS)، والذي يتضمن معلومات من 31 مقاطعة، باستثناء منطقة هونغ كونغ الإدارية الخاصة، ومنطقة ماكاو الإدارية الخاصة، ومقاطعة تايوان. تم إنشاء نظام NNDSS في عام 2004 وقد تم تحسينه بشكل كبير لمراقبة العديد من الأمراض المعدية الجديدة. اعتبارًا من ديسمبر 2023، تم تضمين بيانات من 41 مرضًا معديًا غير تقليدي، ولكن فقط 30 مرضًا منها كان لديها أكثر من 20,000 حالة تم الإبلاغ عنها خلال فترة الدراسة (من يناير 2008 إلى ديسمبر 2023). تم استبعاد COVID-19 و5 أمراض معدية غير تقليدية أخرى بسبب نقص البيانات. على وجه التحديد، تم استبعاد الإنفلونزا من التحليل لأن اكتشافها يعتمد على أنظمة مراقبة متخصصة. تم القضاء تقريبًا على إنفلونزا A(H1N1)، وتم إزالتها من التقارير الشهرية بعد نوفمبر 2013 (البيانات التكميلية 1). كما تم استبعاد “التهاب الكبد الآخر” الذي يشمل الحالات التي تم تشخيصها سريريًا ولكن لم يتم تأكيدها كأنواع التهاب الكبد A أو B أو C أو D أو E من تحليلنا. نظرًا لأن معدل حدوث “التهاب الكبد الآخر” قد تأثر بشكل كبير بتطور قدرات الاختبار في المختبرات والمستشفيات. لقد أدت التقدمات التكنولوجية إلى تراجع تدريجي في حالات ‘التهاب الكبد الأخرى’ (البيانات التكميلية 1). علاوة على ذلك، فإن الأمراض مثل البلهارسيا والحصبة، التي تقترب من الإزالة في الصين، وقد تم وصفها مؤخرًا بانتشار نسبي منخفض. لم تؤخذ أيضًا في الاعتبار في التحليل.

تتبنى هذه الدراسة منهجية نمذجة لفحص أنماط 24 مرضًا معديًا بما في ذلك مرض اليد والقدم والفم، الإسهال المعدي، الزحار، التهاب الكبد الحاد، التهاب الكبد E، التهاب الكبد A، الحمى المعوية، التهاب الكبد B، الزهري، التهاب الكبد C، السيلان، الإيدز، السل، النكاف، الحمى القرمزية، الحصبة الألمانية، السعال الديكي، البروسيلا، متلازمة الفشل الكلوي الوبائي، حمى الضنك، الملاريا، الإيكينوكوكوز، التيفوس ومرض اليابان. تم تصنيف هذه الأمراض إلى 4 فئات بناءً على طرق انتقالها الرئيسية: الأمراض المعدية المعوية، الأمراض المنقولة جنسيًا، الأمراض المعدية التنفسية، والأمراض الحيوانية المنشأ. على وجه التحديد، تشمل الأمراض المعدية المعوية مرض اليد والقدم والفم، الإسهال المعدي، الزحار، التهاب الكبد الحاد، التهاب الكبد E، التهاب الكبد A والحمى المعوية. تشمل الأمراض المنقولة جنسيًا التهاب الكبد B، الزهري، التهاب الكبد C، السيلان والإيدز. تشمل الأمراض المعدية التنفسية السل، النكاف، الحمى القرمزية، الحصبة الألمانية والسعال الديكي. أخيرًا، تشمل الأمراض الحيوانية المنشأ البروسيلا، متلازمة الفشل الكلوي الوبائي، حمى الضنك، الملاريا، الإيكينوكوكوز، التيفوس ومرض اليابان (الشكل 1A).

تم جمع البيانات الوطنية لهذه الدراسة بشكل منهجي من تقارير NIDs الشهرية التي نشرتها اللجنة الوطنية للصحة في الصين. كانت هذه التقارير، التي تجمع البيانات من NNDSS بناءً على تاريخ الإبلاغ، متاحة منذ يناير 2004. ومع ذلك، نظرًا لعدم استقرار مصادر بيانات NNDSS في سنواتها الأولى، لم تتضمن تحليلاتنا التقارير السابقة على يناير 2008. تمتد فترة الدراسة من يناير 2008 إلى ديسمبر 2023. ومن الجدير بالذكر أنه بالنسبة لبعض NIDs المحددة، مثل HFMD وAHC والإسهال المعدي والنكاف والحصبة الألمانية والإيكينوكوكوس والحمى، تم جمع البيانات بواسطة NNDSS من يناير 2008 إلى فبراير 2009 ولكن لم يتم عكسها في تقارير NIDs الشهرية. بالنسبة لهذه الأمراض، اعتمدنا على البيانات المقدمة من مركز بيانات العلوم الصحية العامة في الصين (CPHSDC)، الذي تديره مراكز السيطرة على الأمراض والوقاية منها في الصين، والذي يجمع أيضًا البيانات من NNDSS بناءً على تاريخ البداية ويشمل بيانات NID المبكرة. ومع ذلك، من الجدير بالذكر أن تقارير NID الشهرية يتم تحديثها بشكل متكرر في الشهر التالي لتعكس تاريخ الإبلاغ عن الحالات، بينما يتم تحديث البيانات المقدمة من CPHSDC عادةً بوتيرة أبطأ، أحيانًا تستغرق سنوات. بالنظر إلى فترة الحضانة القصيرة نسبيًا لهذه الأمراض السبع غير المعدية وعدم وجود فرق كبير في الحدوث من 2010 إلى 2021 (الأشكال التكميلية 1، 2، 4، 14، 16، 22 و23)، من الواضح أن تأثير هذه البيانات على نتائج البحث ضئيل.

بالإضافة إلى ذلك، قدمت CPHSDC بيانات NIDs على مستوى المقاطعات حتى ديسمبر 2020. بالنسبة للبيانات الإقليمية بعد هذا التاريخ، قمنا باستخراج المعلومات من تقارير NIDs الشهرية التي نشرتها CDCs أو لجان الصحة الإقليمية. نظرًا للاختلافات في توفر البيانات وعرضها عبر المقاطعات، قدمت 11 مقاطعة فقط بيانات جداول أو أرقام كاملة للجمهور من يناير 2021 فصاعدًا: آنهوي، تشونغتشينغ، قانسو، قوانغدونغ، هنان، جيانغسو، شاندونغ، شنغهاي، سيتشوان، شينجيانغ، وزhejiang. لم تسفر تحليل البيانات المتبقية من 20 مقاطعة عن سجلات بيانات كاملة بسبب عوامل مختلفة، بما في ذلك غياب جداول NID التفصيلية. ) أو الوصول العام المقيد ( ).

تم تقسيم فترة الدراسة إلى فترات متميزة لتتوافق مع المراحل المختلفة لوباء SARS-CoV-2 في الصين. الفترة الممتدة من يناير 2008 إلى ديسمبر 2019 تُسمى فترة ما قبل الوباء، مما يعكس المشهد الوبائي قبل ظهور SARS-CoV-2. تم تقسيم ظهور الوباء والاستجابة اللاحقة لتدابير الصحة العامة والاجتماعية إلى عدة مراحل. الفترة من يناير 2020 إلى مارس 2020 تمثل فترة تدابير الصحة العامة والاجتماعية الأولى، مما يعكس الاستجابة المبكرة لتفشي المرض. . تتبع هذه الفترة الفترة من أبريل 2020 إلى أكتوبر 2022، والتي تُسمى فترة التدابير الصحية العامة الثانية، والتي تتميز بتدابير مستمرة تهدف إلى السيطرة على انتشار الفيروس. يعتمد التمييز بين فترة التدابير الصحية العامة الأولى وفترة التدابير الصحية العامة الثانية بشكل أساسي على إنهاء عمليات الإغلاق في ووهان، مما يمثل تحولًا كبيرًا في استراتيجيات السيطرة. تتوافق الفترة الانتقالية إلى فترة الوباء، التي تمتد من نوفمبر 2022 إلى يناير 2023، مع تحول الحكومة الصينية بعيدًا عن استراتيجية “صفر كوفيد الديناميكية”. تُعرف المرحلة النهائية، من فبراير 2023 إلى ديسمبر 2023، بأنها فترة ما بعد الوباء.
محدد بانخفاض ملحوظ في معدل إيجابية اختبارات COVID-19، مما يشير إلى تقليل في انتقال الفيروس .

بالنظر إلى اختلاف شدة تدابير الصحة العامة والاجتماعية عبر هذه الفترات المختلفة، استخدمنا مؤشر الصرامة لقياس الشدة الوطنية لتدابير الصحة العامة والاجتماعية. يعتمد هذا المؤشر المركب على 13 مؤشرًا لاستجابة السياسات، بما في ذلك إغلاق المدارس، إغلاق أماكن العمل، حظر السفر، سياسات الاختبار، تتبع المخالطين، ارتداء الكمامات، وسياسات اللقاحات. يتم تطبيع المؤشر على مقياس يتراوح من 0 إلى 100، مما يوفر مقياسًا قويًا لشدة تدابير الصحة العامة والاجتماعية على مر الزمن. يمكن العثور على معلومات مفصلة حول مصادر بيانات NID وروابط المواقع للتقارير الشهرية لـ NID في البيانات التكميلية 1. لضمان دقة البيانات وموثوقيتها في هذا التحليل، خضعت جميع مجموعات بيانات NID لعملية تحقق عشوائية مزدوجة التعمية من قبل عدة مؤلفين.

نموذج سلسلة زمنية واحد فقط غير كافٍ لالتقاط أنماط الوباء لجميع الأمراض الأربعة والعشرين بسبب الخصائص الوبائية المتنوعة والتوزيعات الزمنية المختلفة للأمراض المعدية. لذلك، تشمل التوقعات الجماعية نموذج الشبكة العصبية، نموذج السلاسل الزمنية الهيكلية البايزية، نموذج بروفيت، نموذج ETS، نموذج SARIMA، والنموذج الهجين (الذي يجمع بين مكونات SARIMA وETS وSTL والشبكة العصبية). كل نموذج له مزايا تعتمد على الخصائص الوبائية المحددة للأمراض المختلفة. يتميز نموذج الشبكة العصبية بقدرته على التقاط الاتجاهات غير الخطية والعلاقات المعقدة. يتعامل نموذج بروفيت تلقائيًا مع الاتجاهات طويلة الأجل، والموسمية، وتأثيرات العطلات. تعالج نماذج السلاسل الزمنية الهيكلية البايزية عدم اليقين والعشوائية؛ نموذج ETS مناسب لتنعيم البيانات والتوقعات قصيرة الأجل؛ ونموذج SARIMA يأخذ في الاعتبار الاتجاهات والموسمية والمصطلحات الذاتية في الوقت نفسه. من خلال دمج المتوسطات الموزونة لنماذج الشبكة العصبية وSTL وETS وSARIMA، يمكن أن يلتقط النموذج الهجين بشكل أفضل الاتجاهات الوبائية للأمراض المعدية المختلفة.

نموذج الشبكة العصبية. استخدمنا شبكة عصبية ذات تغذية أمامية مع مدخلات متأخرة وطبقة مخفية واحدة تحتوي على نصف عدد الخلايا العصبية في طبقة المدخلات. تم تدريب عدة شبكات بأوزان عشوائية أولية مميزة، وتمت متوسط توقعاتها. تم ضبط الشبكة للتنبؤ بخطوة واحدة، بينما تم اشتقاق التوقعات متعددة الخطوات بشكل تكراري. .

نموذج ETS. تم تحديد المعلمات الثلاثة لنموذج ETS تلقائيًا باستخدام معيار تحسين الاحتمالية اللوغاريتمية، مسترشدًا بمعيار معلومات أكايكي المصحح (AICc). .

نموذج SARIMA. معلمات نموذج SARIMA ( ) ( تم اختيار (s) بشكل منهجي باستخدام خوارزمية تدريجية مستندة إلى AICc، مدعومةً بوظيفة “auto.arima” من حزمة “forecast” في (الإصدار 4.3.2، الفريق الأساسي، فيينا، النمسا .

نموذج هجين. نهجنا الهجين يجمع بين القوة التنبؤية لنماذج SARIMA وETS وSTL والشبكات العصبية. من خلال تخصيص أوزان لتوقع كل نموذج أساسي وفقًا لمعدل خطأه خارج العينة وتطبيعها لتكون مجموعها واحدًا، نقوم بإعادة ضبط هذه الأوزان سنويًا لتتناسب بشكل أفضل مع أنماط المرض المتطورة. .

نموذج السلاسل الزمنية الهيكلية البايزية. تم تنفيذ هذه النماذج باستخدام حزمة “bsts” في R (الإصدار 4.3.2، فريق R الأساسي، فيينا، النمسا)، مع تضمين مكونات هيكلية للاتجاه، والموسمية، وتأثيرات الانحدار. تم اختيار القيم الأولية عبر طريقة بايز التجريبية، وأجرينا 500 محاكاة MCMC لضمان التقارب. .

نموذج بروفيت. يستخدم بروفيت نموذجًا إضافيًا لتناسب الاتجاهات غير الخطية مع مكونات للموسمية السنوية والأسبوعية واليومية، بالإضافة إلى العطلات. نموذج بروفيت، المتاح في R، يتفوق مع البيانات.
تظهر أنماط موسمية قوية وتتعامل بشكل جيد مع البيانات المفقودة، وتحولات الاتجاه، والقيم غير العادية .

لتقدير الاتجاه الوبائي الأساسي لـ 24 مرضًا معديًا غير متوطن من يناير 2020 إلى ديسمبر 2023 (دون تدخلات الصحة العامة و انتقال فيروس SARS-CoV-2)، استخدمت هذه الدراسة نهج نمذجة من مرحلتين باستخدام بيانات تاريخية عن حدوث الأمراض المعدية غير المتوطنة. شكلت بيانات حدوث الأمراض المعدية غير المتوطنة الشهرية من يناير 2008 إلى ديسمبر 2017 مجموعة بيانات التدريب للنماذج الأساسية. تم استخدام الفترة اللاحقة، من يناير 2018 إلى ديسمبر 2019، كمجموعة بيانات اختبار لتقييم الأداء التنبؤي لهذه النماذج. تم تطبيق تنعيم لابلاس في نمذجة المرحلتين، والذي يتضمن إضافة 0.1 حالة إلى بيانات الحدوث لكل شهر، لمعالجة الحالات المبلغ عنها صفر في بعض الأشهر. لم تحل هذه التعديلات مشكلة الحدوث الصفري فحسب، بل حسنت أيضًا استقرار النموذج من خلال ضمان عدم وجود نقاط بيانات إدخال فارغة. عند بناء النموذج، من المتوقع أن ينخفض الناتج المتوقع بمقدار 0.1.

لتقييم أداء نماذج السلاسل الزمنية على مجموعات البيانات الاختبارية، استخدمنا ثلاثة مقاييس تقييم: RMSE و MAPE و SMAPE. يعتبر RMSE ذا قيمة لقدرته على تسليط الضوء على الأخطاء الكبيرة، مما يشير إلى خطورة الانحرافات الكبيرة في التوقعات. ومع ذلك، يفتقر RMSE إلى الحساسية الاتجاهية وقد يبالغ في تأثير القيم الشاذة الكبيرة. تساعد عدم حساسية المقياس وقياس الأخطاء كنسب مئوية في MAPE على التفسير، على الرغم من أن دقته تتناقص عندما تقترب القيم الفعلية من الصفر، مما يؤدي إلى تشويه محتمل للأخطاء. يعالج SMAPE هذه المشكلة من خلال معاقبة التوقعات الزائدة والتوقعات الناقصة بشكل متساوٍ، لكنه لا يزال حساسًا للقيم الشاذة وقد يواجه تحديات في الحالات التي تكون فيها القيم الفعلية والتوقعات صفرًا. في هذه الدراسة، قمنا بتجميع هذه المقاييس في مؤشر مركب واحد ذو وزن متساوٍ. بالإضافة إلى ذلك، خضعت هذه المؤشرات، كل منها بحساسيات نطاق فريدة، لعملية تحويل لتوحيد قيمها من أجل التحليل المقارن باستخدام التطبيع z. تم تحديد المؤشر الموحد الشامل من خلال الصيغة التالية:

هنا، يمثل المؤشر الموحد للنموذج في المرض ، و يشير إلى قيمة المؤشر (RMSE، MAPE أو SAMPE) للنموذج في المرض و تشير إلى المتوسط والانحراف المعياري للمؤشر في المرض ، على التوالي. تضمن هذه العملية القياسية أن أداء كل نموذج عبر الأمراض المختلفة والمقاييس قابل للمقارنة. تم اعتبار النموذج الذي يمتلك أعلى مؤشر موحد لمرض معين عبر 6 نماذج هو النموذج الأمثل لذلك المرض ضمن هذا التحليل. بالإضافة إلى ذلك، لتعزيز موثوقية تحليلنا عبر نماذج مختلفة للأمراض غير المعدية، استخدمنا تقنيات التحقق المتبادل. وقد شمل ذلك تقسيم بيانات التدريب إلى مجموعات فرعية لتناسب النموذج وتقييمه. امتدت مجموعات بيانات التدريب من 6 إلى 10 سنوات، في حين تم إنشاء مجموعات بيانات الاختبار بعد عامين من مجموعة بيانات التدريب (الجدول التكميلي 3).

بعد إنشاء النموذج الأمثل، قمنا بإعادة تدريب النموذج باستخدام بيانات من 2008 إلى 2019. ثم تم تطبيق النموذج للتنبؤ بحدوث مختلف الأمراض المعدية منذ يناير 2020. من خلال مقارنة النتائج المتوقعة مع الحدوث الفعلي، قمنا بحساب معدلات العائد الداخلي للتدخلات الصحية العامة (IRRs) لمختلف الأمراض غير المعدية. الصيغة المستخدمة لحساب معدل العائد الداخلي هي نسبة الحدوث خلال التدخلات الصحية العامة إلى الحدوث بدون التدخلات الصحية العامة:

في هذه الدراسة، كان نموذج السلاسل الزمنية المستخدم أحيانًا ينتج قيمًا سلبية، خاصة عندما كانت الحوادث منخفضة. تم تعديل جميع القيم السلبية في التحليل إلى 0 لمعالجة هذه المشكلة. إلى
لتحسين نهجنا وتقليل مشكلة قيم الحدوث الصفري، قمنا بتطبيق تنعيم لابلاس لضبط حسابات IRR:

المعدل يحدد تأثير تدابير الصحة العامة والاجتماعية على خطر حدوث المرض. يشير معدل الخطر النسبي المعدل الذي يقل عن 1 إلى أن تدابير الصحة العامة والاجتماعية يمكن أن تقلل من الخطر، بينما يشير معدل أكبر من 1 يشير إلى أن أنظمة إدارة الصحة العامة يمكن أن تزيد من المخاطر. أهمية الفرق بين المعدل المعدل تم تقييم 1 باستخدام اختبارات ويلكوكسون ذات العينتين بمستوى دلالة 0.05. علاوة على ذلك، لتصنيف NIDs إلى مجموعات متميزة بناءً على حدوثها في فترة ما قبل الوباء ومعدل الخطر النسبي المعدل في فترات PHSMs، تم تطبيق تحليل التجمع. استخدم هذا التحليل تجميع k-الأبعاد الهرمي استنادًا إلى المسافة الإقليدية وطريقة Ward.D2، والتي تم استخدامها أولاً لتقسيم الشجرة الهرمية إلى k مجموعات. بعد ذلك، تم حساب مراكز كل مجموعة واستخدمت كمركز أولي للتجمع في خوارزمية k-الأبعاد استنادًا إلى المسافة الإقليدية. استنادًا إلى بيانات الحدوث من 2008 إلى 2019، تم تقسيم الأمراض غير المعدية إلى فئات عالية ومنخفضة الحدوث من خلال هذا التحليل العنقودي. بالإضافة إلى ذلك، من خلال تحليل التجميع المعدل لوغاريتميًا تم تصنيف الأمراض بشكل تقريبي إلى فئتين: الأمراض غير المعدية التي تكون أقل عرضة للتدابير الصحية العامة، وتلك التي تكون أكثر عرضة للتدابير الصحية العامة.

لفهم تأثير تدابير الصحة العامة والممارسات الاجتماعية (PHSMs) على حدوث الأمراض المعدية الجديدة (NIDs) بشكل شامل، تم إجراء تحليل الارتباط المتبادل لتقييم العلاقة بين صرامة تدابير الصحة العامة والممارسات الاجتماعية ولوغاريتمات معدلات الإصابة المعدلة. مع الأخذ في الاعتبار التباينات في فترات الحضانة للأمراض المعدية المختلفة وتأثيرات التأخير المحتملة لتدابير الصحة العامة والممارسات الاجتماعية، استخدمنا تحليل الارتباط المتبادل لتحليل التأثيرات المجمعة لمؤشر الصرامة الشهري، سواء بدون تأخير أو مع تأخير من 1 إلى 6 أشهر، على المعدلات المعدلة. كان الهدف من هذا النهج الشامل هو تحليل العلاقات الزمنية والعلاقات السببية بين مستويات صرامة تدابير الصحة العامة والوقاية من الأمراض وتقلبات حدوث الأمراض المعدية، من خلال استخدام تصنيف منهجي لمعاملات الارتباط لتحديد حجم العلاقات: غير مرتبطة (أقل من 0.2)، ضعيفة (من 0.2 إلى 0.4)، معتدلة (من 0.4 إلى 0.6)، وقوية (أكثر من 0.6). .

لم يكن من الضروري الحصول على موافقة أخلاقية للبيانات المستخدمة في هذه الدراسة. جميع بيانات NIDs متاحة للجمهور على مواقع الويب الخاصة بلجنة الصحة ومراكز السيطرة على الأمراض والوقاية منها وCPHSDC. كما أن مؤشر صرامة PHSMs متاح للجمهور في Our world in data.https://ourworldindata.org/مؤشر صرامة كوفيد). تم إجراء جميع التحليلات الإحصائية باستخدام R (الإصدار 4.3.2؛ فريق R، فيينا، النمسا).

معلومات إضافية حول تصميم البحث متاحة في ملخص تقارير مجموعة نيتشر المرتبط بهذه المقالة.

بيانات الحدوث الشهرية لـ 24 NIDs المستخدمة في هذه الدراسة متاحة من خلال مستودع GitHub (https://github.com/xmusphlkg/code_PHSM)، وبيانات إضافية 1. بيانات حدوث الأمراض المعدية القابلة للإبلاغ على المستوى الوطني في الصين متاحة أيضًا على figshare (https://doi.org/10.6084/m9.figshare.24589608). تم توفير بيانات المصدر في هذه الورقة.

كود R المستخدم في التحليل الإحصائي وإنشاء الأشكال متاح أيضًا في مستودع GitHub (https://github.com/xmusphlkg/ code_PHSM) وزينودو .

يود المؤلفون أن يعبروا عن امتنانهم لجميع أعضاء فريق مركز السيطرة على الأمراض الذين ساهموا بخبراتهم ودعمهم في هذا المشروع. شكر خاص لكُن سو من مركز السيطرة على الأمراض في مقاطعة تشونغتشينغ لتقديمه رؤى وإرشادات قيمة. تم دعم هذه الدراسة جزئيًا من قبل برنامج الدعم الذاتي لمختبر غوانغتشو (SRPG22-007) الذي منح لت.م.ك، وبرنامج البحث والتطوير الوطني الرئيسي في الصين (2021YFC2301604) الذي منح لت.م.ك، وصندوق البحث الأساسي للجامعات المركزية (20720230001) الذي منح لت.م.ك، وصندوق تطوير العلوم والتكنولوجيا في فوجيان (2023Y0004) الذي منح لت.م.ك، وبرنامج البحث والتطوير الرئيسي في مقاطعة جيانغشي، الصين (20232BBG70020) الذي منح لت.إكس.إكس. من المهم أيضًا الاعتراف بمساهمات حزمة مطور الطلاب من GitHub، التي كانت دعمها لا يقدر بثمن في إكمال هذا التحليل.

تصور: ت.م.س، ت.س.س، ك.ج.ل، ج.ر، ل.ل. التحقيق: ك.ج.ل، ج.ر، و.ت.س، ل.ل، ي.ك.ز، ح.م.ق، ح.ل، ح.ج.و، ر.س.ز، ب.أ، ي.و، ز.س.ز. المنهجية: ك.ج.ل، ل.ل، ج.ر، ت.م.س، ح.ج.و. البرمجيات: ك.ج.ل، ي.ك.ز، ح.ج.و، ز.س.ز، ح.ل. التحقق: و.ت.س، ك.ج.ل، ل.ل، ت.س.س. الكتابة – المسودة الأصلية: ك.ج.ل، ج.ر، ل.ل. الكتابة – المراجعة والتحرير: ت.م.س، و.ت.س، ر.س.ز، ب.أ، ي.و، ح.م.ق، ت.س.س. جميع المؤلفين قرأوا ووافقوا على النسخة النهائية.

يعلن المؤلفون عدم وجود مصالح متنافسة.

معلومات إضافية النسخة الإلكترونية تحتوي على مواد إضافية متاحة فيhttps://doi.org/10.1038/s41467-024-48201-8.

يجب توجيه المراسلات والطلبات للحصول على المواد إلى تيانشين شيانغ أو تيانمو تشين.

معلومات مراجعة الأقران تشكر مجلة Nature Communications المراجع(ين) المجهول(ين) على مساهمتهم في مراجعة هذا العمل. يتوفر ملف مراجعة الأقران.

معلومات إعادة الطباعة والتصاريح متاحة علىhttp://www.nature.com/reprints

ملاحظة الناشر: تظل شركة سبرينجر ناتشر محايدة فيما يتعلق بالمطالبات القضائية في الخرائط المنشورة والانتماءات المؤسسية.

الوصول المفتوح هذه المقالة مرخصة بموجب رخصة المشاع الإبداعي النسب 4.0 الدولية، التي تسمح بالاستخدام والمشاركة والتكيف والتوزيع وإعادة الإنتاج بأي وسيلة أو صيغة، طالما أنك تعطي الائتمان المناسب للمؤلفين الأصليين والمصدر، وتوفر رابطًا لرخصة المشاع الإبداعي، وتوضح ما إذا كانت هناك تغييرات قد أُجريت. الصور أو المواد الأخرى من طرف ثالث في هذه المقالة مشمولة في رخصة المشاع الإبداعي الخاصة بالمقالة، ما لم يُشار إلى خلاف ذلك في سطر الائتمان للمواد. إذا لم تكن المادة مشمولة في رخصة المشاع الإبداعي الخاصة بالمقالة وكان استخدامك المقصود غير مسموح به بموجب اللوائح القانونية أو يتجاوز الاستخدام المسموح به، فستحتاج إلى الحصول على إذن مباشرة من صاحب حقوق الطبع والنشر. لعرض نسخة من هذه الرخصة، قم بزيارةhttp://creativecommons.org/رخصة/بواسطة/4.0/.
© المؤلف(ون) 2024

Received: 19 November 2023
Accepted: 24 April 2024
Published online: 08 May 2024
(A) Check for updates

During the coronavirus disease 2019 (COVID-19) pandemic, the emergence of various severe acute respiratory syndrome coronavirus 2 (SARS-CoV-2) variants has reshaped the transmission dynamics of other infectious diseases. Notably, influenza activity in the United States experienced a significant reduction before May . This decline is largely attributed to the widespread implementation of public health and social measures (PHSMs) to combat COVID-19. For instance, the widespread use of face masks and enforcement of physical distancing have effectively reduced the transmission of respiratory infectious diseases (RIDs) by limiting the spread of respiratory droplets . Additionally, travel restrictions have successfully controlled the spread of bloodborne and sexually transmitted diseases
(BSTDs), and zoonotic infectious diseases (ZIDs) . Furthermore, improved hand hygiene has indirectly contributed to a decrease in the transmission of intestinal infectious diseases (IIDs) .

Although many published studies have analyzed the impact of PHSMs on notifiable infectious diseases (NIDs), there remains a significant gap in our understanding of this relationship. Most of these studies have focused primarily on the impact of PHSMs in their early stages and have tended to overlook the potential impact of PHSMs of varying durations. Additionally, most published studies have predominantly concentrated on the impact of PHSMs on common RIDs and IIDs, with limited quantitative analysis on BSTDs and ZIDs . After the Chinese government ended its “dynamic zero-COVID” policy in

October , an epidemic of Omicron BA. 2 variant emerged. However, there has been limited research analyzing the patterns of other infectious diseases throughout this period.

In this study, based on the NIDs data provided by the Chinese Center for Disease Control and Prevention (CDC) from 2008 to 2019, we employed multiple time series models, such as the neural network model, Bayesian structural time series model, prophet model, exponential smoothing (ETS) model, seasonal autoregressive integrated moving average (SARIMA) model, and hybrid model that combine SARIMA, ETS, STL (seasonal and trend decomposition using loess), and neural network components, to analyze the transmission trends of 24 NIDs. The objective was to forecast the transmission trends of 24 NIDs without PHSMs and SARS-CoV-2 transmission from 2020 to 2023, followed by a comparison with real-world data to analyze the impact of NIDs during different periods. Additionally, we conducted a cluster
analysis to identify NIDs susceptible to PHSMs, and a cross-correlation analysis to decipher the relationship between PHSMs stringency index and the impact on NIDs.

From January 2008 to December 2023, 105,647,377 cases of 24 NIDs were reported in Chinese mainland. IIDs were the most prevalent (45.24%), followed by BSTDs (31.10%) and RIDs (22.45%). The least reported were ZIDs (1.21%). HFMD, hepatitis B, infectious diarrhea, and tuberculosis were the most common diseases, accounting for of cases (Fig. 1A).

During the pre-epidemic period, the seasonality of IIDs mainly increases during summer and fall, but this pattern is not universal for

Fig. 1 | Temporal trends and cumulative incidence of four categories of notifiable infectious diseases (NIDs) in China from January 2008 to December 2023.
A Cumulative incidence of 24 NIDs categorized by their respective modes of transmission, over the period from January 2008 to December 2023. The size and color of each block represent the cumulative cases and disease group, respectively. AIDS (acquired immune deficiency syndrome), not including human immunodeficiency virus infections. Dysentery includes bacterial dysentery and ameba dysentery. Enteric fever is also known as typhoid fever and paratyphoid fever. HFRS
hemorrhagic fever with renal syndrome; JE Japanese encephalitis; HFMD hand, foot and mouth disease; AHC acute hemorrhagic conjunctivitis. B Epidemic curves for the four categories of NIDs were segmented into 5 distinct periods: pre-epidemic period (January 2008 to December 2019), PHSMs period I (January 2020 to March 2020), PHSMs period II (April 2020 to October 2022), epidemic period (November 2022 to January 2023), and post-epidemic period (February 2023 to December 2023). C Percentage of monthly incidences for the four groups of NIDs.

Fig. 2 | Temporal variation in the monthly incidence of notifiable infectious diseases (NIDs) in China from January 2008 to December 2023. A, B Intestinal infectious diseases. C, D Bloodborne and sexually transmitted diseases.
E, F Respiratory infectious diseases. G, H Zoonotic infectious diseases.
A, C, E, G Epidemic curves in the study period were segmented into 5 distinct periods: pre-epidemic period (January 2008 to December 2019), PHSMs period I (January 2020 to March 2020), PHSMs period II (April 2020 to October 2022),
epidemic period (November 2022 to January 2023), and post-epidemic period (February 2023 to December 2023). B, D, F, H The normalized monthly incidence for each NIDs, with color intensity indicating the magnitude of the normalized monthly incidence. Normalization is calculated as the difference between the monthly NID incidence and the monthly average incidence, divided by the standard deviation of the incidence. Values outside the -5 to 10 range are denoted by a black box, with those exceeding 10 marked by *.
all IIDs (Fig. 2A, B). Specific diseases such as hepatitis E, dysentery, and enteric fever each exhibited distinct seasonal fluctuations. Hepatitis E peaked from January to May (Supplementary Fig. 5), while enteric fever and dysentery peaked from May to November (Supplementary Fig. 31, Supplementary Fig. 27). HFMD was notable for its biannual peaks and the remarkable alternating pattern it exhibited across odd and even years. Due to the greater incidence of HFMD than other IIDs, this biennial alteration heavily influenced the aggregate trend observed in

IIDs (Fig. 2B). There was a notable disparity in HFMD incidence between the northern and southern regions of China, with southern provinces reporting considerably more cases than their northern counterparts (Supplementary Fig. 1). Additionally, hepatitis A demonstrated more pronounced seasonality before 2012, which subsequently diminished, accompanied by a steady decline in monthly incidence after 2012 (Supplementary Fig. 30). A particularly severe outbreak from September to October 2010 led to 273,924 reported
acute hemorrhagic conjunctivitis (AHC) infections across China (Supplementary Fig. 28). All regions except for Tibet experienced a sore in AHC, and peaks in the remaining 30 provinces lasted 1-2 months (Supplementary Fig. 4). Guangxi and Guangdong provinces had most cases, which are 79,977 and 69,839 cases, respectively, during this period. For detailed information, see Supplementary Data 1.

BSTDs demonstrated a recurrent annual trough in February, yet the epidemiological data did not reveal distinct seasonal peaks. The monthly incidence of these diseases ranged between 10,000 and 20,000 cases from 2008 to 2016. A notable inflection point occurred in 2017 when more than 2.1 million cases were reported, and a sustained increase in incidence was documented (Figs. 1B and 2D). Specifically, the annual reported cases of syphilis and hepatitis C increased for 11 consecutive years during pre-epidemic periods, averaging yearly increases of 7.22% and 7.46%, respectively. Furthermore, the incidence of AIDS increased rapidly, increasing from 12,409 cases in 2008 to 72,630 cases in 2019, with an average annual increase of 17.43% (Supplementary Fig. 36). Regional disparities in AIDS reporting were evident, initially prominent in Henan and Guangxi provinces, and a shift in the following years as Sichuan province surpassed Guangxi after 2014, peaking at 17,869 cases in 2019 (Supplementary Fig. 12). Hepatitis B, the most reported BSTD, primarily concentrated in Henan and Guangdong provinces, experienced brief declines reported cases between 2013 and 2016. However, by 2019, the incidence approached 2011 levels 2019 ( vs. 1,252,236) (Supplementary Fig. 8). Moreover, fluctuating pattern observed in BSTDs was mainly driven by hepatitis B, which had peak seasons in March each year since 2012 and continued until 2020. Notably, hepatitis B, syphilis, hepatitis C, gonorrhea, and AIDS collectively experienced a cyclic trough every February from 2010 to 2019, which was concentrated in 31 provinces (Fig. 2D, Supplementary Figs. 8-12).

Conversely, RIDs maintained a maximal seasonal variation, with monthly incidences varying from 100,000 to 250,000 cases (Fig. 2E,F). Rubella was a significant component of RIDs before 2013. However, its incidence and seasonality have gradually decreased. A rubella outbreak from March to June 2019 resulted in 25,736 reported cases nationwide (Supplementary Fig. 16). All provinces, excluding Zhejiang, Tibet, Tianjin, and Qinghai, saw an increase in cases, with Chongqing ( 4334 cases) and Hunan ( 3733 cases) reporting the most cases. Tuberculosis also exhibited a noteworthy seasonal pattern, with the fewest cases reported annually in January or February (Supplementary Fig. 13). However, at the onset date level, the lowest incidence was typically recorded in November and December each year. Mumps and scarlet fever both showed two peaks each year, from April to July and November to January, with notable regional differences. Mumps was mainly concentrated in Guangdong, with a sharp increase in Henan and Hunan from 2017 to 2019 (Supplementary Fig. 14). Scarlet fever, primarily in Shandong, grew steadily from 28,507 cases in 2008 to 83,028 cases in 2019 (Supplementary Fig. 15). Notably, pertussis cases surged from under 5000 annually during 2008-2014 to 30,727 in 2019, particularly in Shandong and Guangdong (Supplementary Fig. 17). For more detailed information, please refer to Supplementary Table 1.

The seasonal patterns of ZIDs from 2008 to 2020 were similar to those of IIDs but with less pronounced peaks. Four out of the seven ZIDs (excluding dengue fever and echinococcosis) displayed clear seasonality (Fig. 2G, H). Typhus was prevalent year-round, peaking in autumn before 2014, mainly in Yunan province (Supplementary Fig. 23). In malaria, the gradual success of eradication efforts has been reflected in a decreasing incidence trend, particularly after 2011 (Supplementary Fig. 21). The peak seasons of ZIDs shifted, with brucellosis, hemorrhagic fever with renal syndrome (HFRS), and Japanese encephalitis (JE) becoming predominant. These diseases had similar numbers of reported cases (Fig. 1A) but peak seasons spanning March to July, October to January, and June to September, respectively (Supplementary Figs. 18, 19 and 24). Which led to a more homogenized seasonality curve, lacking the
traditional peaks associated with ZIDs. Notably, an outlier of ZIDs in 2014 primarily attributed to a dengue fever outbreak in Guangdong province (Figs. 1B, 2G, Supplementary Fig. 20). Reported cases in September and October 2014 surged to 14,759 and 28,796 respectively, a significant increase from the 1289 and 1473 cases in the same months of 2013 (Supplementary Fig. 44, Supplementary Data 1). For more detailed information, please refer to Supplementary Table 1.

Before 2020, BSTDs and RIDs showed an increase in the proportion of cases during winter and spring, accounting for more than of NIDs. This fell to less than in summer and autumn due to the prevalence of IIDs. However, reported IID cases significantly decreased during the PHSMs period I (from January 2020 to March 2020) and PHSMs period II (from April 2020 to October 2022), while reported BSTD/RID cases quickly resurged after an initial decline, exceeding 50% of reported cases during the PHSMs periods (Fig. 1C).

During PHSMs period I, the government implemented numerous PHSMs, and all NIDs entered a low-prevalence phase (Fig. 2). Distinguishing whether the observed incidence decreases were due to the diseases’ inherent characteristics or the impact of PHSMs was challenging. To address this, separate time series models were developed, with the optimal model selected based on the greatest composite standardized index. This index integrated root mean square error (RMSE), mean absolute percentage error (MAPE), and symmetric mean absolute percentage error (SMAPE). In the test dataset, neural network models were optimal for enteric fever and HFRS (Fig. 3G, S). ETS and SARIMA models excelled for three NIDs (Fig. 3C, F, P) and eight NIDs (Fig. 3B, J, K, L, O, Q, T, W), respectively. The hybrid model also applied to eight NIDs, including HFMD, AHC, hepatitis E, syphilis, mumps, brucellosis, malaria, and JE (Fig. 3A, D, E, I, N, R, U, X). Additionally, the Bayesian structural model was effective for diseases including hepatitis B, tuberculosis, and echinococcosis (Fig. 3H, M, V). However, the Prophet model, despite its capabilities, was not selected as the optimal model for any of the 24 NIDs (Fig. 3).

By comparing the forecasted result with the real-world data during PHSMs period I, except for hepatitis A, which increased by 522 cases ( ) (Fig. 4F), the other 23 NIDs saw case reductions ranging from to . HFMD, dengue fever, rubella, and scarlet fever experienced the most significant decreases (Fig. 4A, T, P, O), with drops of 82,279 (-70.46%), 245 (-70.19%), 3466 (-67.07%) and 11,460 ( ) cases, respectively (Fig. 5). RIDs were the most affected, with wide heterogeneity in the adjusted incidence relative ratio (IRR), ranging from 0.16 to 0.74 . Among them, the impact on tuberculosis was lowest, with a median adjusted IRR of 0.74 (interquartile range [IQR]: 0.69-0.81) (Fig. 4M, Supplementary Table 2). In contrast, the impact on the BSTDs was relatively stable, with the median adjusted IRRs ranging from 0.50 to 0.74 (Fig. 5F, Supplementary Table 2).

Since April 2020, with the adoption of the “dynamic zero-COVID” policy and the relaxation of intercity travel restrictions by the Chinese government, the epidemiological patterns of diseases have entered a new phase, PHSMs period . This period is characterized by distinct trends in disease incidence, which can be broadly categorized into 4 types. The most common type includes diseases such as infectious diarrhea (Fig. 4B), dysentery (Fig. 4C), AHC (Fig. 4D), hepatitis A (Fig. 4F), enteric fever (Fig. 4G), syphilis (Fig. 4I), hepatitis C (Fig. 4J), AIDS (Fig. 4L), tuberculosis (Fig. 4M), mumps (Fig. 4N), scarlet fever (Fig. 40) and JE (Fig. 4X). These diseases demonstrated seasonal or irregular patterns with an overall decreasing trend in cases. The second type is commonly observed among ZIDs and BSTDs which either maintained their seasonal or irregular patterns with a minor overall change ( ) or experienced an increase in reported cases. This type includes hepatitis B (Fig. 4H), gonorrhea (Fig. 4K), brucellosis (Fig. 4R), HFRS (Fig. 4S), echinococcosis (Fig. 4V) and typhus (Fig. 4W). The third type includes NIDs like HFMD (Fig. 4A), hepatitis E (Fig. 4E), pertussis

Fig. 3 | Comparative performance analysis of various time series models on the monthly incidence data for 24 notifiable infectious diseases (NIDs) in the test dataset. A-G Intestinal infectious diseases. H-L Bloodborne and sexually transmitted diseases. M-Q Respiratory infectious diseases. R-X Zoonotic infectious diseases. The comparative standardized index was developed by integrating the root mean square error (RMSE), mean absolute percentage error (MAPE), and symmetric mean absolute percentage error (SMAPE), where a higher value signifies the optimal model for a specific disease. ETS exponential smoothing; SARIMA
seasonal autoregressive integrated moving average; Hybrid: combined SARIMA, ETS, STL (seasonal and trend decomposition using loess), and neural network models; AIDS (acquired immune deficiency syndrome) not including human immunodeficiency virus infections. Dysentery includes bacterial dysentery and ameba dysentery. Enteric fever is also known as typhoid fever and paratyphoid fever. HFRS hemorrhagic fever with renal syndrome, JE Japanese encephalitis, HFMD hand, foot and mouth disease, AHC acute hemorrhagic conjunctivitis.

Fig. 4 | Forecasted and actual incidence of 24 notifiable infectious diseases (NIDs) in China. A-G Intestinal infectious diseases. H-L Bloodborne and sexually transmitted diseases. M-Q Respiratory infectious diseases. R-X Zoonotic infectious diseases. AIDS (acquired immune deficiency syndrome), not including human immunodeficiency virus infections. Dysentery includes bacterial dysentery and ameba dysentery. Enteric fever is also known as typhoid fever and paratyphoid
fever. HFRS hemorrhagic fever with renal syndrome, JE Japanese encephalitis, HFMD hand, foot and mouth disease, AHC acute hemorrhagic conjunctivitis. Each panel is divided into five periods: pre-epidemic period (January 2008 to December 2019), PHSMs period I (January 2020 to March 2020), PHSMs period II (April 2020 to October 2022), epidemic period (November 2022 to January 2023), and postepidemic period (February 2023 to December 2023).

human immunodeficiency virus infections. Dysentery includes bacterial dysentery and ameba dysentery. Enteric fever is also known as typhoid fever and paratyphoid fever. HFRS hemorrhagic fever with renal syndrome, JE Japanese encephalitis, HFMD hand, foot and mouth disease, AHC acute hemorrhagic conjunctivitis.
(Fig. 4Q), and malaria (Fig. 4U), which initially showed a decrease in prevalence but subsequently exhibited a gradual return to their normal trends. Distinct from other NIDs, rubella, and dengue fever presented a unique trend during PHSMs period II, with reported cases nearing zero (Fig. 4P, T). The rubella dataset used for testing in the first stage and retraining in the second stage excluded the 2019 data due to the significant impact of the 2019 rubella outbreak on the models (Supplementary Fig. 50). However, even with this exclusion, the difference between observed data and forecasted outcomes revealed a significant impact on rubella during this period (Fig. 4P).

In December 2022, the Chinese government stopped the “dynamic zero-COVID” policy . Similar to trends during PHSMs period I, 23 NIDs except for JE saw a sharp initial decline in incidence (Fig. 2). Even brucellosis, which had consistently high growth during PHSMs period II, saw its adjusted IRR drop to 0.58 in December 2022 (Fig. 6H). The incidence of HFMD during the epidemic period was greater than during PHSMs period I (80,864 vs. 34,487) (Fig. 4A), while for other IIDs, it was lower (Fig. 4B-G, Supplementary Table 2). Among RIDs, pertussis was a special disease with a higher incidence than in PHSMs period I (4,336 vs. 2,753) (Fig. 6Q, Supplementary Table 2). However, following the SARS-CoV-2 variant epidemic in the Chinese mainland, some NIDs reverted to pre-epidemic patterns. HFMD (Fig. 5A), AHC (Fig. 5A), and hepatitis B (Fig. 5B) showed signs of resurgence, notably with a substantial AHC outbreak in September 2023, resulting in 125,264 cases. This outbreak, second only to the September 2010 outbreak, predominantly affected the southern provinces, with Guangdong being the epicenter. (Supplementary Fig. 4). Additionally, pertussis reached its highest incidence registered since 2008, with 9,126 cases from October to December 2023, also concentrated in Guangdong (Supplementary Fig. 17).

In summary, the incidence of NIDs notably declined during the PHSMs and epidemic periods. Among BSTDs, AIDS experienced the most significant reduction, with a median adjusted IRR of 0.73 (IQR:
0.59-0.80, ) during PHSMs and epidemic periods, which further decreased to 0.64 (IQR: ) in the postepidemic period (Fig. 6C). RIDs also experienced substantial declines, with tuberculosis showing the smallest reduction ( 0.88 , IQR: 0.84-0.92, ), while other RIDs displayed notable and sustained decreases even in the post-epidemic period (Fig. 6E). Rubella and dengue fever cases plummeted, with the former showing adjusted IRRs as low as 0.05 (IQR: 0.02-0.08, ) during previous periods and 0.03 (IQR: ) in the epidemic period; the adjusted IRR for dengue fever was 0.01 (IQR: ) during previous periods and 0.10 (IQR: , ) thereafter. Conversely, the adjusted of ZIDs such as brucellosis, malaria, echinococcosis, typhus, and JE reported increased (Fig. 6G-H). All IIDs had adjusted IRR lower than 1, except for hepatitis E, which initially had a median adjusted IRR of 0.91 (IQR: during PHSMs and epidemic periods, but in the post-epidemic period, the median adjusted increased to 1.17 (IQR: ), indicating a rebound in the incidence (Fig. 6A).

Clustering analysis of monthly incidence during pre-epidemic period categorized hepatitis B, tuberculosis, infectious diarrhea, and HFMD into a high-incidence group, a stark contrast to the 20 NIDs classified as low-incidence group (Figs. 7A and 1A). Refined clustering based on adjusted identified 4 discrete clusters, with dengue fever and rubella as individual clusters due to their distinct epidemiological patterns (Fig. 7B), while scarlet fever, pertussis, HFMD, mumps, malaria, and JE formed a cluster suggestive of shared PHSMs susceptibility. The other 16 NIDs appeared to be less affected by PHSMs (Fig. 7C). Clusters 1, 3, and 4, predominantly comprising RIDs and ZIDs, were significantly responsive to PHSMs, with no representation from the BSTD category, mirroring the general trend (Fig. 7B).

Fig. 6 | Adjusted incidence relative ratios (IRR) of 24 notifiable infectious diseases (NIDs) in China from January 2020 to December 2023. A, B Distribution and changes in relative ratios for intestinal infectious diseases. C, D Distribution and changes in relative ratios for bloodborne and sexually transmitted diseases.
E, F Distribution and changes in relative ratios for respiratory infectious diseases.
G, H Distribution and changes in relative ratios for zoonotic infectious diseases.

A, C, E, G The distribution of the adjusted relative ratio of 24 NIDs during different periods. The point and line depict the median value and interquartile range (IQR), respectively. The PHSMs and epidemic periods range from January 2020 to January 2023 ( ), and the post-epidemic period ranges from February 2023 to December 2023 ( ).

Focusing on HFMD, a notable cumulative decrease of cases (48.86%) was observed during PHSMs periods, indicating a high incidence coupled with substantial PHSMs susceptibility (Supplementary Table 2). Seven other NIDs displayed both low incidence and high PHSMs sensitivity, including dengue fever, rubella, scarlet fever, pertussis, mumps, malaria, and JE. Cross-correlation analysis indicated that the correlation between PHSMs stringency and the incidence differences for dengue fever (Fig. 7D), scarlet fever (Fig. 7F), HFMD (Fig. 7H), mumps (Fig. 7I), malaria (Fig. 7J), and JE (Fig. 7K) occurred in the same month. Nevertheless, only malaria showed a moderate correlation coefficient of 0.42 without lag time, suggesting a direct temporal relationship with PHSMs stringency (Fig. 7J). The correlation between PHSM stringency and incidence for rubella peaked, with a correlation coefficient of 0.14 , after a 3 -month lag, decreasing to 0.10 without delay (Fig. 7E). Notably, pertussis exhibited a maximum correlation coefficient of 0.08 at a one-month lag, decreasing further to 0.06 with no lag, both of which are indicative of a minimal association (Fig. 7G).

In this study, we conducted a modeling study on 24 NIDs, and analyzed transmission characteristics across 5 periods: pre-pandemic period,

PHSMs period I, PHSMs period II, epidemic period, and post-epidemic period. Furthermore, cluster and cross-correlation analysis were used to evaluate the impact of PHSMs on NIDs dynamics. Our findings revealed distinct seasonal patterns in different NID, varying across the studied periods. 24 NIDs except for hepatitis A experienced significant reductions during PHSMs period I and the epidemic period. During the PHSMs period II, only hepatitis B, gonorrhea and certain ZIDs like brucellosis, HFRS, echinococcosis, and typhus showed limited declines, other NIDs experienced more than decreases.

Furthermore, a comparative analysis of forecasted and observed data revealed 8 NIDs susceptible to PHSMs, including dengue fever, rubella, scarlet fever, pertussis, HFMD, mumps, malaria, and JE (Fig. 7D-K). However, only HFMD, mumps, malaria, and JE exhibited moderate or weak correlation, while the other 4 NIDs showed no association with the PHSMs stringency index with an absolute correlation coefficient less than 0.2. Dengue fever and rubella (Fig. 7D, E) were consistently classified as distinct categories, whether they were observed in PHSMs period II where they are categorized as NIDs with reported cases nearing zero, or in cluster analysis. This is mainly because both the actual incidence and adjusted IRR are close to zero, regardless of how the PHSMs stringency index varied (Fig. 6E, G).

Fig. 7 | Cluster and cross-correlation analysis of notifiable infectious diseases (NIDs) susceptible to PHSMs. A Cluster tree of the monthly incidence of 24 NIDs during pre-epidemic period (January 2008 to December 2019). The red part represents the high-incidence cluster, and the brown represents the low-incidence cluster. B, C Cluster scatterplot of the logarithmically adjusted incidence relative ratios (IRR) of 24 NIDs during PHSMs periods (January 2020 to October 2023).

D-K Cross-correlation analysis between the reduction in incidence and the PHSMs stringency index. AIDS (acquired immune deficiency syndrome), not including human immunodeficiency virus infections. Dysentery includes bacterial dysentery and ameba dysentery. Enteric fever is also known as typhoid fever and paratyphoid fever. HFRS hemorrhagic fever with renal syndrome, JE Japanese encephalitis, HFMD hand, foot and mouth disease, AHC acute hemorrhagic conjunctivitis.

Furthermore, scarlet fever and pertussis showed low correlation coefficients due to the pronounced seasonality in the disparity between observed and forecasted incidence. Specifically, they displayed significant variations during May to June and July to August in the PHSMs period, respectively, contrasting with minor differences in other months (Fig. 5C, Supplementary Fig. 49). Such seasonality undermines the correlation between the PHSMs stringency index and the incidence difference. To elucidate the impact of rubella, we forecasted the incidence from 2019 to 2023 based on the ETS, SARIMA, and hybrid models, which performed well on the test dataset with a similar composite standardized index (1.92 vs. 1.73 vs. 1.63) (Fig. 3R). Findings from these models consistently demonstrated a significant decline in the prevalence of rubella, as evidenced by the median of the adjusted IRR falling below 0.2 during the PHSMs and epidemic periods (Supplementary Fig. 49).

Among the NIDs that were susceptible to PHSMs, HFMD was the only disease with a high incidence and susceptible to PHSMs, showing substantial declines throughout most periods, except for unexpected seasonal peaks from October to November 2020 and June to July 2023
(Fig. 5A). These irregular patterns in HFMD suggest altered epidemiological trends not only during PHSMs periods but also in the postepidemic period. The anomalies observed need to be validated with data from 2024 to determine whether these anomalies are amplified minor peaks or shifts in the occurrence of major peaks typically expected in even-numbered years from June to July. Notably, only malaria exhibited a moderate correlation coefficient of 0.42 without a lag time (Fig. 7J). The decrease in malaria cases was mainly attributed to strict travel restrictions. Malaria is a mosquito-borne disease that has been eliminated in China and is primarily spread by international travelers who are infected in other countries .

Cross-correlation analysis revealed that the highest relative correlation coefficients for JE, HFMD, mumps, and malaria occurred within the same month, suggesting that these diseases were immediately impacted following the implementation of PHSMs. This impact can be attributed to the immediate effectiveness of PHSMs in controlling the spread of these diseases, which are primarily transmitted through direct contact and respiratory droplets. The rapid response of these diseases to PHSMs may also be related to their relatively short
incubation periods, which allows changes in transmission dynamics following the implementation of PHSMs to be quickly reflected. However, JE, mumps, scarlet fever, and rubella demonstrated susceptibility to PHSMs, and no resurgence exceeding the forecasted or epidemic trends during the pre-epidemic period. This decline cannot be solely attributed to PHSMs or the influence of the National Notifiable Diseases Surveillance System (NNDSS). The increased vaccination coverage of meningococcal polysaccharide vaccine (MPV) and measles, mumps, and rubella (MMR) vaccines likely explains the trends observed in JE, mumps and rubella cases . Moreover, the incidence of scarlet fever not only has been gradually increasing in China (Fig. 40), but has also increased in multiple European countries between September and November . This emphasizes the need for continued surveillance and research on its transmission dynamics.

The observed seasonal variations in NIDs observed during the preepidemic period are primarily due to the interplay between transmission models and behavioral patterns . RIDs such as mumps show a higher prevalence during the winter , a trend attributed to increased frequency of indoor gatherings in enclosed spaces without physical distancing, which facilitates virus transmission . Additionally, the low humidity and cooler temperature in winter increase vulnerability to RIDs of the upper respiratory tract . Third, seasonal variations may also impact immune responses, potentially increasing susceptibility to infections at certain times of the year . NIDs experience substantial decrease during PHSMs period I (Fig. 1B), which can be attributed to a confluence of factors. The advent of the COVID-19 pandemic significantly heightened public awareness and vigilance towards infectious diseases, prompting the widespread adoption of handwashing and mask-wearing , which may have directly reduced exposure to pathogens. Although residents have maintained good hygiene habits since April 2020, the decline in some NIDs such as HFMD and infectious diarrhea is starting to shrink (Fig. 5). This observation may be due to the relaxation of PHSMs, leading to increased social interactions, population migration and potential for NID transmission . Similar to PHSMs period I, a reduction in NIDs also observed during the epidemic period, which may attributed to the decreased mobility of Omicron BA. 2 variant infections , coupled with an increased propensity to wear masks. Additionally, compliance with PHSMs extended even to susceptible individuals, even in the absence of government enforcement. This collective adherence significantly contributed to the observed decrease in the transmission of respiratory viruses , underscoring the effectiveness of PHSMs in the containment of infectious diseases.

Acknowledging the impacts on NID incidence during the COVID19 pandemic is essential. The observed changes in NIDs cannot be solely attributed to actual shifts in incidence but are also likely affected by factors leading to increased underreporting. These factors include disruptions in the NNDSS and shifts in healthcare-seeking behaviors. Specifically, the high-intensity and redirection work of grassroots health personnel to COVID-19 prevention and control tasks may have resulted in missed reports of other diseases. Additionally, the severity of the pandemic altered healthcare-seeking behavior, with some individuals reducing their frequency of medical consultations. A study in China reported a decrease in outpatient visits during February-June .

The impact of PHSMs varied across diseases with different modes of transmission. RIDs, notably HFMD and mumps, displayed a pronounced susceptibility to PHSMs . Conversely, the impact of PHSMs on BSTDs was more limited, consistent with previous research findings . For most RIDs, the implementation of PHSMs significantly curtailed their transmission (Fig. 5E), reaffirming previous studies on the efficacy of PHSMs in controlling these diseases . This reduction can be attributed to the primary transmission route of these diseases, i.e., respiratory droplets, which can be effectively managed by measures such as mask-wearing, physical distancing, and improved
ventilation. In contrast, BSTDs, which are primarily transmitted through direct contact with infected bodily fluids, may not be as effectively mitigated by these measures . It is important to note, however, that while the median adjusted s for AIDS, syphilis, hepatitis C , and hepatitis B were generally less than 1 during PHSMs and epidemic periods (Fig. 6C), indicating a reduced impact, this does not imply that these diseases were entirely unaffected. Interestingly, the gonorrhea incidence increased during 2021 (Fig. 4K), potentially due to its short incubation period , which resulted in quick responses to PHSMs. In contrast, for diseases such as AIDS, syphilis, hepatitis C, and hepatitis B , which typically exhibit longer incubation periods (over a month) , a substantial delay between symptom onset and reporting may occur.

Travel restrictions significantly affect the transmission of ZIDs like dengue fever and malaria, which are mosquito-borne and sensitive to imported cases . In the winter, the inhospitable condition for mosquitos help suppress these diseases across most of China . During the PHSMs periods, stringent international travel restrictions, combined with the synchronization between the isolation period and the incubation period for imported cases of dengue fever and malaria, frequently facilitated the detection of these cases during quarantine . Consequently, local outbreaks of these diseases markedly decreased during PHSMs periods. However, brucellosis (Fig. 4R), another ZID, significantly increased during PHSMs period II, particularly in northern provinces such as Xinjiang, Gansu (Supplementary Fig. 18), and Inner Mongolia . This rise is primarily due to inadequate animal vaccination and a meat shortage that spurred the expansion of sheep herds, practitioners, and home poultry farming, thereby increasing humananimal contact and the risk of brucellosis . Another area requiring attention is typhus which is a disease transmitted by parasites. Since 2017, typhus incidence has shown a steadily increasing trend (Fig. 4W). This rise could be attributed to factors such as changes in human behavior that increase exposure to vectors, urbanization, or climate change . Further investigation into the specific causes of this increase is necessary to develop effective control strategies.

The significant resurgence of AHC and pertussis in the postpandemic period is noteworthy. Previously exhibiting a relatively low incidence, both diseases experienced unexpected large-scale rebounds after the epidemic. AHC, primarily caused by enteroviruses, instigated an outbreak in southern China in September 2023. Notably, AHC outbreaks also occurred in Pakistan and India due to Coxsackievirus A24 in September and July, respectively . This unexpected escalation of AHC and pertussis may be attributed to several factors, including relaxed PHSMs, increased susceptibility due to COVID-19, or even potential viral mutations. Pertussis reached its highest incidence since 2008 in December 2023 in China and is experiencing a global resurgence . Alongside the aforementioned factors, decreased population immunity due to under-vaccination may also contribute to the resurgence of pertussis .

Our study has several limitations. First, we focused on 24 NIDs instead of all infectious diseases, leaving a particular gap in the study of respiratory diseases. Since influenza was excluded due to its reliance on sentinel surveillance , this does not undermine the overall conclusion of the study. RIDs continue to exhibit high incidence and are notably susceptible to PHSMs. The selection of 24 high-incidence NIDs for this study is indicative of the broader trends observed across all NIDs. Additionally, our analysis relies on monthly NIDs reports, which are updated frequently but potentially introduce reporting delays, particularly for diseases such as tuberculosis. To address this, we incorporated data from slower-updating sources (Supplementary Figs. 25-48), finding no significant seasonality variations in onset and reporting dates for the other 23 NIDs. However, discrepancies in reported cases were observed for some diseases (e.g., hepatitis B, hepatitis C, tuberculosis) (Supplementary Figs. 8, 10, 13), potentially due to data collection errors, statistical differences, or other factors.

These discrepancies have not been previously reported, and further attention is warranted. Further investigation and official clarification are crucial for reconciling these discrepancies and ensuring data accuracy. However, our analyses were mainly based on reports, with disease onset data analysis primarily supplemented through geographical distribution analysis, mitigating the impact of these discrepancies on our main conclusions. We also developed a website application to facilitate reader analysis based on customized data (https://kanggle.shinyapps.io/auto-tsmodel/). Third, the inherent limitations of time-series models must be acknowledged. These limitations include the inability to capture sudden, unexpected events and the direct impact of intervention measures on disease transmission. These models also rely on assumptions about data being stationary and following certain trends. Therefore, when comparing our results with those from other studies, it is essential to consider these limitations with due diligence.

Our research revealed that the implementation of PHSMs in response to various SARS-CoV-2 variants can significantly impact the transmission dynamics of most NIDs. Intriguingly, despite the relaxation of all PHSMs by the Chinese government, there was no immediate significant resurgence in NIDs during the epidemic period. This funding suggests that widespread self-isolation practices after the Omicron BA. 2 epidemic had a temporary restraining effect on the transmission of other infectious diseases. However, this period of restricted transmission was followed by increased reported cases of diseases such as HFMD, AHC and pertussis. Other studies have also reported a increase in influenza infections during the 2022-2023 season . This phenomenon, referred to as the “immune gap,” highlights the “broad-spectrum” effectiveness of PHSMs. While they mitigated SARS-CoV-2 transmission, PHSMs also reduced exposure to various pathogens. This reduced exposure may have led to insufficient immune system stimulation, potentially weakening population immunity compared to pre-epidemic levels. Our findings emphasize that while PHSMs offer an effective short-term solution for controlling the spread of infectious diseases, their long-term use has the unintended consequence of potentially decreasing population immunity, which could create conditions for future large-scale outbreaks. A more sustainable, long-term approach prioritizes the development and widespread implementation of effective vaccines, similar to the successful model of the MPV and MMR vaccine .

The disease selection criteria were determined based on data collected by China’s NNDSS, which includes information from 31 provinces, excluding the Hong Kong Special Administrative Region (SAR), Macau SAR, and Taiwan province. The NNDSS was created in 2004 and has been significantly improved to monitor multiple NIDs . As of December 2023, data from 41 NIDs were included, but only 30 NIDs had more than 20,000 cases reported during the study period (from January 2008 to December 2023). COVID-19 and 5 other NIDs were excluded due to data deficiencies. Specifically, influenza was excluded from the analysis because its detection depends on specialized sentinel surveillance systems . Influenza A(H1N1) was virtually eliminated, and it was removed from monthly reports after November 2013 (Supplementary Data 1). “Other hepatitis” encompassing cases clinically diagnosed but not confirmed as hepatitis types A, B, C, D, or E, were also excluded from our analysis. Because the incidence of “other hepatitis” has been significantly influenced by the evolution of laboratory and hospital testing capabilities , technological advancements have led to a progressive decline of ‘other hepatitis’ cases (Supplementary Data 1). Moreover, diseases such as schistosomiasis and measles, which are nearing elimination in China and have been recently characterized by a relatively low prevalence , were also not considered in the analysis.

This study adopts a modeling methodology to examine the patterns of 24 NIDs including HFMD, infectious diarrhea, dysentery, AHC, hepatitis E, hepatitis A, enteric fever, hepatitis B, syphilis, hepatitis C, gonorrhea, AIDS, tuberculosis, mumps, scarlet fever, rubella, pertussis, brucellosis, HFRS, dengue fever, malaria, echinococcosis, typhus and JE. These diseases were categorized into 4 categories based on their primary modes of transmission: IIDs, BSTDs, RIDs, and ZIDs. Specifically, IIDs include HFMD, infectious diarrhea, dysentery, AHC, hepatitis E, hepatitis A and enteric fever. BSTDs include hepatitis B, syphilis, hepatitis C , gonorrhea and AIDS. RIDs include tuberculosis, mumps, scarlet fever, rubella and pertussis. Finally, ZIDs encompass brucellosis, HFRS, dengue fever, malaria, echinococcosis, typhus and JE (Fig. 1A).

National data for this study were systematically collected from the monthly NIDs reports published by the National Health Commission of China. These reports, aggregating data from the NNDSS based on reported date, have been available since January 2004. However, due to the instability of the NNDSS data sources in its early years, our analysis did not include reports prior to January 2008. The study period spans from January 2008 to December 2023. Notably, for specific NIDs, such as HFMD, AHC, infectious diarrhea, mumps, rubella, echinococcosis and typhus, data were collected by the NNDSS from January 2008 to February 2009 but were not reflected in the monthly NIDs Reports. For these diseases, we relied on data provided by the Chinese Public Health Science Data Center (CPHSDC), maintained by the Chinese CDC, which also aggregates data from the NNDSS based on onset date and includes early NID data. However, it is notable that the monthly NID reports are frequently updated the following month to reflect the reported date of cases, while data provided by the CPHSDC is typically updated at a slower pace, sometimes taking years. Considering the relatively short incubation period of these 7 NIDs and no significant incidence difference from 2010 to 2021 (Supplementary Figs. 1, 2, 4, 14, 16, 22 and 23), it is evident that the influence of these data on the research findings is minimal.

Additionally, the CPHSDC provided provincial-level NIDs data until December 2020. For provincial data beyond this date, we extracted information from the monthly NIDs reports published by provincial CDCs or health commissions. Due to discrepancies in data availability and presentation across provinces, only 11 provinces publicly provided complete data tables or figures from January 2021 onwards: Anhui, Chongqing, Gansu, Guangdong, Henan, Jiangsu, Shandong, Shanghai, Sichuan, Xinjiang, and Zhejiang. Analysis of the remaining 20 provinces did not yield complete data records due to various factors, including the absence of detailed NID tables ( ) or restricted public access ( ).

The study period was divided into distinct periods to align with the different phases of the SARS-CoV-2 epidemic in China. The period spanning from January 2008 to December 2019 is designated the preepidemic period, reflecting the epidemiological landscape before the emergence of SARS-CoV-2. The advent of the epidemic and the subsequent PHSMs response were segmented into several phases. The period from January 2020 to March 2020 marks PHSMs period I, reflecting the early response to the outbreak . This period is followed by the period from April 2020 to October 2022, termed PHSMs period II, characterized by sustained measures aimed at controlling the spread of the virus. The distinction between PHSMs period I and PHSMs period II is primarily based on the cessation of lockdowns in Wuhan, marking a significant shift in control strategies . The transition to the epidemic period, spanning November 2022 to January 2023, corresponds to the Chinese government’s shift away from the “dynamic COVID-zero” strategy . The final phase, from February 2023 to December 2023, is recognized as the post-epidemic period,
demarcated by a notable decrease in the positive rate of COVID-19 tests, indicating a reduction in viral transmission .

Considering the varying intensities of PHSMs across these different periods, we utilized the stringency index to measure the national intensity of PHSMs. This composite index is based on 13 policy response indicators, including school closures, workplace closures, travel bans, testing policies, contact tracing, face coverings, and vaccine policies. The index is normalized to a scale ranging from 0 to 100 , providing a robust measure of PHSM intensity over time . Detailed information about the sources of NID data and the website links for monthly NID reports can be found in Supplementary Data 1. To guarantee data accuracy and reliability in this analysis, all NID datasets underwent a randomized, double-blind verification process by multiple authors.

A single time series model alone is insufficient for capturing the epidemic patterns of all 24 diseases due to the diverse epidemiological characteristics and temporal distributions of different infectious diseases. Therefore, the ensemble forecasts include the neural network model, Bayesian structural time series model, Prophet model, ETS model, SARIMA model, and hybrid model (combine SARIMA, ETS, STL and neural network components). Each model has advantages depending on the specific epidemic characteristics of different diseases. The neural network model excels in capturing nonlinear trends and complex relationships. The Prophet model automatically handles long-term trends, seasonality, and holiday effects. Bayesian structural time series models address uncertainty and randomness; the ETS model is suitable for smoothing data and short-term forecasting; and the SARIMA model considers trends, seasonality, and autoregressive terms simultaneously. By combining the weighted averages of the neural network, STL, ETS, and SARIMA models, a hybrid model can better capture the epidemic trends of different infectious diseases.

Neural network model. We utilized a feed-forward neural network with lagged inputs and a single hidden layer, containing half as many neurons as the input layer. Multiple networks were trained with distinct initial random weights, and their forecasts were averaged. The network was calibrated for single-step predictions, while multistep projections were derived recursively .

ETS model. The three parameters of the ETS model were automatically determined using a log-likelihood optimization criterion, guided by the corrected Akaike information criterion (AICc) .

SARIMA model. The SARIMA model parameters ( ) ( ) s were systematically selected using a stepwise algorithm informed by the AICc, facilitated by the “auto.arima” function of the “forecast” package in (version 4.3.2, Core Team, Vienna, Austria) .

Hybrid model. Our hybrid approach synthesizes the predictive power of the SARIMA, ETS, STL, and neural network models. By assigning weights to the forecast of each base model according to its out-of-sample error rate and normalizing them to sum to unity, we recalibrate these weights annually to better align with the evolving disease patterns .

Bayesian structural time series model. These models were executed using the “bsts” package in R (version 4.3.2, R Core Team, Vienna, Austria), incorporating structural components for trend, seasonality, and regression effects. Priors were selected via the empirical Bayes method, and we conducted 500 MCMC simulations to ensure convergence .

Prophet model. Prophet employs an additive model to fit nonlinear trends with components for yearly, weekly, and daily seasonality, as well as holidays. The Prophet model, available in R, excels with data
exhibiting strong seasonal patterns and copes well with missing data, trend shifts, and atypical values .

To estimate the baseline epidemic trend of the 24 NIDs from January 2020 to December 2023 (without PHSMs and SARS-CoV-2 transmission), this study used a two-phase modeling approach using historical NID incidence data. The monthly NID incidence from January 2008 to December 2017 constituted the training dataset for the baseline models. The subsequent period, from January 2018 to December 2019, was utilized as the test dataset to evaluate the predictive performance of these models. Laplace smoothing was applied in two-phase modeling, involving the addition of 0.1 cases to the incidence data for each month, to address zero-reported cases in certain months. This adjustment not only resolved the zero-incidence issue but also improved model stability by ensuring no null input data points. Upon model construction, the forecasted outcome will decrease by 0.1.

To evaluate the performance of time series models on the test datasets, we employed three evaluation metrics: RMSE, MAPE and SMAPE. RMSE is valuable for its ability to highlight significant errors, indicating the seriousness of substantial deviations in predictions. However, the RMSE lacks directional sensitivity and may exaggerate the impact of large outliers. The scale-invariance and measurement of errors in percentages of MAPE aid in interpretability, although its accuracy diminishes when the actual values approach zero, leading to a potential distortion of errors. The SMAPE addresses this issue by equally penalizing overpredictions and underpredictions but is still sensitive to outliers and may face challenges in situations where both actual values and forecasts are zero. In this study, we aggregated these metrics into a single composite index of equal weight. Additionally, these indicators, each with unique range sensitivities, underwent a transformation process to standardize their values for comparative analysis using z-normalization. The comprehensive standardized index was delineated by following formula:

Here, represents the standardized index for model in disease , and indicates the value of index (RMSE, MAPE or SAMPE) for model in disease and denote the mean and standard deviation of index in disease , respectively. This normalization process ensures that the performance of each model across different diseases and indices is comparable. The model with the highest standardized index for a given disease across 6 models was considered the optimal model for that disease within this analysis. Additionally, to enhance the reliability of our analysis across various models for different NIDs, we employed cross-validation techniques. This involved dividing the training data into subsets for model fitting and evaluation. Training datasets spanned 6 to 10 years, with the test datasets being established 2 years after the training dataset (Supplementary Table 3).

After establishing the optimal model, we retrained the model using data from 2008 to 2019. The model was then applied to forecast the incidence of various infectious diseases since January 2020. By comparing the forecasted results with the real-world incidence, we calculated the IRRs of PHSMs for different NIDs. The formula for calculating the IRR is the ratio of the incidence during PHSMs to the incidence without PHSMs:

In this study, the time series model employed occasionally produced negative values, mainly when the incidence was low. All negative values in the analysis were adjusted to 0 to address this issue. To
further refine our approach and mitigate the issue of zero incidence values, we applied Laplace smoothing to adjust the IRR calculations:

The adjusted determines the impact of PHSMs on the risk of disease incidence. An adjusted IRR less than 1 indicates that PHSMs can reduce the risk, while an adjusted greater than 1 indicates that PHSMs can increase the risk. The significance of the difference between the adjusted and 1 was assessed using two-sample Wilcoxon tests with a significance level of 0.05 . Furthermore, to categorize NIDs into distinct groups based on their incidence in the pre-epidemic period and adjusted IRR in PHSMs periods, cluster analysis was applied. This analysis used hierarchical k-means clustering based on Euclidean distance and Ward.D2 method, which was first utilized to split the hierarchical tree into k clusters. Subsequently, the centroids of each cluster were calculated and served as the initial cluster center for the k -means clustering algorithm based on Euclidean distance . Based on incidence data from 2008 to 2019, NIDs were divided into high and low incidence categories through this cluster analysis. Additionally, through the clustering analysis of logarithmically adjusted , diseases were roughly classified into two categories: NIDs that are less susceptible to PHSMs, and those that are more susceptible to PHSMs.

To comprehensively understand the impact of PHSMs on the incidence of NIDs, cross-correlation analysis was conducted to assess the relation between the stringency of PHSMs and the logarithms of adjusted IRRs. Considering the variations in the incubation periods of different infectious diseases and the potential lag effects of PHSMs, we utilized a cross-correlation analysis to analyze the combined effects of the monthly stringency index, both without and with a lag of 1 to 6 months, on adjusted . The aim of this comprehensive approach was to dissect the temporal associations and causative relationships between PHSM stringency levels and NID incidence fluctuations, employing a systematic categorization of correlation coefficients to delineate the magnitude of associations: unrelated (below 0.2 ), weak ( 0.2 to 0.4 ), moderate ( 0.4 to 0.6 ), and strong (above 0.6 .

Ethical approval was not required for the data used in this study. All the data of NIDs are publicly available on the websites of Health Commission, CDC, and CPHSDC. The PHSMs stringency index is also publicly available in Our world in data (https://ourworldindata.org/ covid-stringency-index). All the statistical analyses were conducted using R (version 4.3.2; R Core Team, Vienna, Austria).

Further information on research design is available in the Nature Portfolio Reporting Summary linked to this article.

The monthly incidence data of 24 NIDs used in this study is accessible through the GitHub repository (https://github.com/xmusphlkg/code_ PHSM), and Supplementary Data 1. National notifiable infectious disease incidence data in China also available at figshare (https://doi.org/ 10.6084/m9.figshare.24589608). Source data are provided in this paper.

The R code used for statistical analysis and figure generation is also available at the GitHub repository (https://github.com/xmusphlkg/ code_PHSM) and Zenodo .

The authors extend their gratitude to all CDC staff members who contributed their expertise and support to this project. Special thanks are due to Kun Su from the Chongqing Provincial CDC for providing valuable insights and guidance. This study was partly supported by the Self-supporting Program of Guangzhou Laboratory (SRPG22-007) which granted for T.M.C., the National Key Research and Development Program of China (2021YFC2301604) which granted for T.M.C., the Fundamental Research Funds for the Central Universities (20720230001) which granted for TMC, the Fujian Science and Technology Development Funds (2023Y0004) which granted for T.M.C., and the Provincial Key Research and Development Program of Jiangxi, China (20232BBG70020) which granted for T.X.X. It is also important to recognize the contributions of GitHub Student Developer Pack, whose support has been invaluable in completing this analysis.

Conceptualization: T.M.C., T.X.X., K.G.L., J.R., L.L. Investigation: K.G.L., J.R., W.T.S., L.L., Y.K.Z., H.M.Q., H.L., H.J.W., R.X.Z., B.A., Y.W., Z.C.Z. Methodology: K.G.L., L.L., J.R., T.M.C., H.J.W. Software: K.G.L., Y.K.Z., H.J.W., Z.C.Z., H.L. Validation: W.T.S., K.G.L., L.L., T.X.X. Writing—original draft: K.G.L., J.R., L.L. Writing-review & editing: T.M.C., W.T.S., R.X.Z., B.A., Y.W., H.M.Q., T.X.X. All authors read and approved the final manuscript.

The authors declare no competing interests.

Supplementary information The online version contains supplementary material available at https://doi.org/10.1038/s41467-024-48201-8.

Correspondence and requests for materials should be addressed to Tianxin Xiang or Tianmu Chen.

Peer review information Nature Communications thanks the anonymous reviewer(s) for their contribution to the peer review of this work. A peer review file is available.

Reprints and permissions information is available at http://www.nature.com/reprints

Publisher’s note Springer Nature remains neutral with regard to jurisdictional claims in published maps and institutional affiliations.

Open Access This article is licensed under a Creative Commons Attribution 4.0 International License, which permits use, sharing, adaptation, distribution and reproduction in any medium or format, as long as you give appropriate credit to the original author(s) and the source, provide a link to the Creative Commons licence, and indicate if changes were made. The images or other third party material in this article are included in the article’s Creative Commons licence, unless indicated otherwise in a credit line to the material. If material is not included in the article’s Creative Commons licence and your intended use is not permitted by statutory regulation or exceeds the permitted use, you will need to obtain permission directly from the copyright holder. To view a copy of this licence, visit http://creativecommons.org/ licenses/by/4.0/.
© The Author(s) 2024