นอกจากนี้,กระท่อมยังมีหน้าที่ส่งเสริมการสร้างคอลลาเจนซึ่งสามารถเพิ่มความยืดหยุ่นและความแวววาวของผิวและช่วยซ่อมแซมเซลล์ผิวที่ถูกทำลายCistanche ฟีนิลเอทานอล ไกลโคไซด์มีผลกระทบอย่างมากต่อการควบคุมไทโรซิเนสกิจกรรมและผลกระทบต่อไทโรซิเนสแสดงให้เห็นว่าสามารถยับยั้งการแข่งขันและย้อนกลับได้ ซึ่งสามารถให้พื้นฐานทางวิทยาศาสตร์สำหรับการพัฒนาและใช้ประโยชน์จากส่วนผสมไวท์เทนนิ่งในซิสแตนช์ ดังนั้น cistanche จึงมีบทบาทสำคัญในผิวขาว. สามารถยับยั้งการสร้างเมลานินเพื่อลดการเปลี่ยนสีและความหมองคล้ำ และส่งเสริมการผลิตคอลลาเจนเพื่อปรับปรุงความยืดหยุ่นและความกระจ่างใสของผิว เนื่องจากการรับรู้ถึงผลกระทบเหล่านี้ของ cistanche อย่างกว้างขวาง ผลิตภัณฑ์เพื่อผิวขาวจำนวนมากจึงเริ่มใส่ส่วนผสมจากสมุนไพร เช่น Cistanche เพื่อตอบสนองความต้องการของผู้บริโภค ซึ่งจะเป็นการเพิ่มมูลค่าทางการค้าของ Cistanche ในผลิตภัณฑ์ปรับผิวขาว โดยสรุป บทบาทของ cistanche ในการทำให้ผิวขาวเป็นสิ่งสำคัญ ฤทธิ์ต้านอนุมูลอิสระและผลการผลิตคอลลาเจนสามารถลดการเปลี่ยนสีและความหมองคล้ำ เพิ่มความยืดหยุ่นและความแวววาวของผิว และทำให้ได้ผลการฟอกสีฟัน นอกจากนี้ยังมีการประยุกต์ใช้ Cistanche อย่างกว้างขวางในผิวขาวผลิตภัณฑ์แสดงให้เห็นว่าบทบาทในมูลค่าเชิงพาณิชย์นั้นไม่สามารถประเมินได้ต่ำเกินไป

คลิกที่ Cistanche ใดดีที่สุด

สำหรับข้อมูลเพิ่มเติม:

david.deng@wecistanche.com วอทแอพ:86 13632399501

ขับเคลื่อนแบบจำลองด้วยอนุกรมเวลาอุณหภูมิจริงแบบจำลองทางกลไกที่ขับเคลื่อนด้วยอุณหภูมิโดยมีการไกล่เกลี่ยของการป้องกันข้ามซีโรไทป์ชั่วคราว สามารถสร้างไดนามิกเชิงคุณภาพที่คล้ายคลึงกันกับที่สังเกตได้ในข้อมูล (เช่น ดูรูปที่ S12 ในภาคผนวก S1) ดังนั้นจึงสนับสนุนสมมติฐานที่ว่าอุณหภูมิมีส่วนสำคัญ บทบาท. อัตราส่วนระหว่างกรณีที่รายงานและผลลัพธ์แบบจำลองของเรา (ค่ามัธยฐานของ 0.11 ในทุกจังหวัดและช่วงเวลา) สูงกว่าเกือบ 30 เท่า (สำหรับการป้องกันข้าม 1 ปี) ที่ประเมินโดย Reich และเพื่อนร่วมงาน [19] (ค่ามัธยฐานระหว่าง 0.0037 และ 0.0120 ในทุกซีโรไทป์) บ่งชี้ว่าอัตราการส่งข้อมูลในแบบจำลองอาจค่อนข้างต่ำ อย่างไรก็ตาม ผลลัพธ์ของเรามีความทนทานต่อการเปลี่ยนแปลงในการส่งกำลัง (ดูหัวข้อ "การทดสอบความทนทาน" ในภาคผนวก S1) สำหรับการจำลอง 1 (โดยใช้อนุกรมเวลาอุณหภูมิสำหรับ 72 จังหวัด) WMF สำหรับเอาต์พุตของแบบจำลองมีการซิงโครไนซ์ที่มีนัยสำคัญทางสถิติตลอดเวลา (รูปที่ 2C) ความสัมพันธ์ของเพียร์สันและสเปียร์แมนระหว่างเอาต์พุตไข้เลือดออกแบบจำลองและข้อมูลไข้เลือดออก WMF (รูปที่ 2B และ 2C) คือ 0.29 (P=0.017) และ 0.32 (P=0.011) ตามลำดับ การที่ค่าสัมประสิทธิ์สหสัมพันธ์เหล่านี้มีนัยสำคัญทางสถิติ แต่ค่าสัมประสิทธิ์ระหว่างกรณีไข้เลือดออกกับอุณหภูมิไม่มีนัยสำคัญ แสดงว่าความไม่เชิงเส้นของอุณหภูมิที่เข้ารหัสในแบบจำลอง ร่วมกับการป้องกันข้าม เป็นองค์ประกอบที่สำคัญของการเปลี่ยนแปลงของไข้เลือดออก ค่าสัมประสิทธิ์สหสัมพันธ์เหล่านี้ยังคงมีนัยสำคัญสำหรับสมมติฐานที่แตกต่างกันเกี่ยวกับระยะเวลาเฉลี่ยของการป้องกันข้าม (ตาราง S1 ในภาคผนวก S1) มุมเฟสระหว่างอุณหภูมิและเอาต์พุตของแบบจำลองทั่วทั้งจังหวัดเป็นไปตามที่คาดไว้ สอดคล้องกันและมีนัยสำคัญทางสถิติในช่วงเวลาส่วนใหญ่ (รูปที่ 2E) WMF และ CWMF สำหรับเอาต์พุตแบบจำลองโดยใช้สมมติฐานที่แตกต่างกันเกี่ยวกับการป้องกันข้ามแสดงในรูปที่ S13 ในภาคผนวก S1 และแสดงว่าด้วยการป้องกันข้ามที่มีค่าเฉลี่ยนานขึ้น (เช่น 2 ปี) ความสอดคล้องในมุมของเฟสระหว่างไข้เลือดออกจำลองและอุณหภูมิจะต่ำกว่า กว่าด้วยการป้องกันข้ามที่สั้นกว่า ทั้ง WMF และ CWMF สำหรับเอาต์พุตของโมเดลมีเหตุการณ์การซิงโครไนซ์ที่โดดเด่นในช่วงต้นทศวรรษ 1970 ซึ่งเกิดขึ้นใหม่ในอุณหภูมิ คุณลักษณะนี้ไม่มีอยู่ใน WMF และ CWMF ที่ประเมินโดยใช้ข้อมูล (รูปที่ 2B และ 2D) นอกจากนี้ เรายังเปรียบเทียบความสัมพันธ์ระหว่างสเปกตรัมเวฟเล็ตของเอาต์พุตไข้เลือดออกแบบจำลองและข้อมูลไข้เลือดออกสำหรับแต่ละจังหวัด สำหรับช่วงเวลาซิงโครไนซ์ต่ำและสูงแยกกัน ความสัมพันธ์ในสภาวะซิงโครไนซ์สูงยังสูงกว่าในช่วงซิงโครไนซ์ต่ำอย่างมีนัยสำคัญ แต่ที่นี่ ความสัมพันธ์ซิงโครไนซ์ต่ำโดยเฉลี่ยจะมากกว่าความสัมพันธ์ซิงโครไนซ์ต่ำระหว่างข้อมูลอุณหภูมิและข้อมูลไข้เลือดออก (ดูตาราง S2 และรูป S16 ในภาคผนวก S1) ผลลัพธ์เหล่านี้แสดงให้เห็นว่าแบบจำลอง (ซึ่งรวมถึงไดนามิกของภูมิคุ้มกัน) จับกลไกที่เกิดขึ้นในแต่ละจังหวัดในช่วงซิงโครไนซ์ต่ำ และอธิบายการเปลี่ยนแปลงบางอย่างในไดนามิกหลายปีของไข้เลือดออกที่อุณหภูมิเพียงอย่างเดียวไม่สามารถทำได้

การไล่ระดับอุณหภูมิสามารถสร้างไดนามิกของไข้เลือดออกแบบอะซิงโครนัสได้สำหรับการทดลองในอุดมคติของการจำลอง 2 เราพบว่าด้วยค่าเฉลี่ยอย่างน้อย 1 ปีของการป้องกันข้ามชั่วคราวระหว่างซีโรไทป์ ไดนามิกของไข้เลือดออกที่เกิดขึ้นรวมถึงวัฏจักรหลายปี (รูปที่ 4A–4C) วัฏจักรที่เป็นผลอย่างสมบูรณ์จากไดนามิกของ ภูมิคุ้มกัน เนื่องจากที่นี่ไม่มีวัฏจักรอุณหภูมิหลายปี อย่างไรก็ตาม ช่วงเวลาของวัฏจักรเหล่านี้ (และแอมพลิจูดของวัฏจักรเหล่านี้) เปลี่ยนไปอันเป็นผลมาจากการควบคุมอุณหภูมิ เมื่อสภาวะอุณหภูมิเหมาะสมสำหรับการแพร่เชื้อ (เช่น เมื่ออุณหภูมิเฉลี่ยเพิ่มขึ้น เข้าใกล้อุณหภูมิที่สูงขึ้นซึ่งเป็นลักษณะเฉพาะของอุณหภูมิในกรุงเทพฯ S42 รูปในภาคผนวก S1) ช่วงเวลาขององค์ประกอบหลายปีในไข้เลือดออกจะลดลง (เช่น รอบหลายปี บ่อยกว่า) และกำลังที่เพิ่มขึ้นตามช่วงเวลาหลายปี ที่อุณหภูมิเฉลี่ยสูงสุด โดยมีค่าเฉลี่ยของการป้องกันข้าม 2 ปี วัฏจักรของฤดูกาลจะหายไปหมด (รูปที่ 4C) เนื่องจากแนวโน้มหลัก 2 ประการ ในแง่หนึ่ง เมื่อการป้องกันข้ามนานขึ้น พลังของวัฏจักรหลายปี (และด้วยเหตุนี้ แอมพลิจูดของพวกมัน) จึงเพิ่มขึ้น (รูปที่ 4A–4C) ในอีกทางหนึ่ง ความผันแปรตามฤดูกาลในการแพร่เชื้อจะถูกจำกัดมากที่สุดที่อุณหภูมิเฉลี่ยสูงสุด (รูปที่ S44 ในภาคผนวก S1) ซึ่งทำให้เกิดความผันแปรตามฤดูกาลที่จำกัดมากขึ้นในกรณีไข้เลือดออก เมื่อนำมารวมกัน แนวโน้มทั้ง 2 นี้หมายความว่าไดนามิกถูกครอบงำมากขึ้นโดยวัฏจักรหลายปีที่เกิดจากการป้องกันข้าม และน้อยลงตามการเปลี่ยนแปลงของอุณหภูมิตามฤดูกาล ในขณะที่ระยะเวลาของวัฏจักรหลายปีสำหรับแต่ละการควบคุมอุณหภูมิจะเปลี่ยนแปลงเพียงเล็กน้อยระหว่างค่าเฉลี่ยของการป้องกันข้าม 1 ถึง 2 ปี ความโดดเด่นของวงจรเหล่านี้คือ: ด้วยการปกป้องข้ามที่นานขึ้น วัฏจักรเหล่านี้จะเพิ่มกำลังของเวฟเล็ตเฉลี่ย ช่วงของไดนามิกที่เกิดขึ้นในสถานที่ต่างๆ ภายใต้สมมติฐานของการป้องกันข้ามทั้งหมดนั้นมีความหลากหลายเพียงพอ: ไม่พบการซิงโครไนซ์ (เช่น รูปที่ 4D) อย่างไรก็ตาม ส่วนหนึ่งของอะซิงโครนัสที่สังเกตได้ในกรณีไข้เลือดออก (รูปที่ 2B) อาจเกิดจากอะซิงโครนัสในรอบหลายปีในอุณหภูมิของสถานที่ต่างๆ

ความผันผวนของอุณหภูมิที่เกิดขึ้นเป็นประจำทุกปีสามารถประสานการเปลี่ยนแปลงของไข้เลือดออกได้เนื่องจากระบอบอุณหภูมิที่แตกต่างกันสามารถสร้างการเปลี่ยนแปลงของไข้เลือดออกที่แตกต่างกันได้ (รูปที่ 4A–4C) คำอธิบายง่ายๆ อย่างหนึ่งสำหรับซิงโครนัสอาจเป็นได้ว่าอุณหภูมิทั่วประเทศบรรจบกับระบอบอุณหภูมิที่คล้ายกันมากขึ้นในช่วงเวลาดังกล่าว ส่งผลให้เกิดการเปลี่ยนแปลงของไข้เลือดออกแบบซิงโครนัสมากขึ้น อย่างไรก็ตาม กรณีนี้ไม่ได้เกิดขึ้นในประเทศไทย (S38 Fig in S1 Appendix) สมมติฐานต่อไปคือความผันผวนของอุณหภูมิที่เกิดขึ้นเป็นประจำทุกปีสามารถประสานพลวัตของไข้เลือดออกได้ ผลลัพธ์สำหรับการจำลองที่ 3 คือเมื่อแอมพลิจูดของความผันผวนของอุณหภูมิหลายปีอย่างน้อยร้อยละ 20 ของวัฏจักรฤดูกาล สถานที่ทั้ง 6 แห่งจะถูกซิงโครไนซ์ชั่วคราว (รูปที่ 4E) ภายใต้สมมติฐานทั้งหมดเกี่ยวกับการป้องกันข้าม โดยทั่วไปแล้วการซิงโครไนซ์ในไข้เลือดออกจะตรวจพบในช่วงเวลาต่างๆ อย่างไรก็ตาม เมื่อความผันผวนหลายปีมีแอมพลิจูด 10 เปอร์เซ็นต์ของรอบฤดูกาล และค่าเฉลี่ยการป้องกันข้ามคือ 2 ปี การซิงโครไนซ์จะอ่อนแอลง (รูปที่ S32 ในภาคผนวก S1) โดยทั่วไปแล้วซิงโครไนซ์จะอ่อนลงเมื่อความผันผวนของอุณหภูมิหลายปีมีระยะเวลานานขึ้น (เช่น 5 ปี) และการป้องกันข้ามอย่างน้อย 1 ปี

บทบาทของภูมิคุ้มกันและอุณหภูมิการซิงโครไนซ์ที่ประสบความสำเร็จในการจำลอง 3 การทดลองแตกต่างกันไปตามฟังก์ชันของระยะเวลาเฉลี่ยของการป้องกันข้าม: ระดับของการซิงโครไนซ์ลดลงเมื่อการป้องกันข้ามยาวขึ้น (S24–S32 มะเดื่อในภาคผนวก S1) เพื่ออธิบายเหตุผล เราต้องเข้าใจให้ดียิ่งขึ้นว่าช่วงเวลาหลายปีที่เกิดจากปัจจัยภายในและภายนอกมีปฏิสัมพันธ์กันอย่างไร การเปรียบเทียบการจำลองที่มี (การจำลองที่ 3) และไม่มี (การจำลองที่ 2) อุณหภูมิที่ผันผวนหลายปีเพียงครั้งเดียวทำให้เราสามารถหาปริมาณได้ว่าช่วงเวลาหลายปีที่เปลี่ยนแปลงของไข้เลือดออกนั้นเป็นอย่างไร โดยเฉพาะอย่างยิ่งเนื่องจากผลลัพธ์ของอุณหภูมิที่ผันผวนหลายปี เราพบว่าในขณะที่ช่วงเวลาของความผันผวนของอุณหภูมิหลายปีมักตรวจพบได้ในการเปลี่ยนแปลงของไข้เลือดออกที่เกิดขึ้น แต่ความสำคัญเมื่อเทียบกับช่วงเวลาของการเปลี่ยนแปลงที่แท้จริง (เช่น ช่วงเวลาหลายปีของไข้เลือดออกที่เกิดจากการป้องกันข้ามเพียงอย่างเดียว) จะแตกต่างกันไปตามฟังก์ชันของ อุณหภูมิเฉลี่ย แอมพลิจูดตามฤดูกาลของอุณหภูมิ และค่าเฉลี่ยของการป้องกันข้าม (รูปที่ 5) ไข้เลือดออกดูเหมือนจะไม่ไวต่อความผันผวนของอุณหภูมิหลายปีโดยมีอุณหภูมิเฉลี่ยเพิ่มขึ้น การเปลี่ยนแปลงของอุณหภูมิตามฤดูกาลน้อยลง และการป้องกันข้ามที่นานขึ้น โดยเฉพาะอย่างยิ่ง เมื่อระยะเวลาของการป้องกันข้ามและ/หรืออุณหภูมิเฉลี่ยเพิ่มขึ้น และเมื่อฤดูกาลของอุณหภูมิลดลง พลังของพลวัตที่แท้จริงหลายปีก็เพิ่มขึ้น จนทำให้ผลกระทบของความผันผวนของอุณหภูมิหลายปีสามารถครอบงำได้ ในการจำลองของเรา นี่เป็นกรณีพิเศษสำหรับอุณหภูมิเฉลี่ยที่สูงขึ้นและการป้องกันข้ามเฉลี่ย 2 ปี (รูปที่ 5)

นอกจากนี้ยังเป็นที่น่าสังเกตว่าความผันผวนของอุณหภูมิหลายปีไม่จำเป็นต้องเกิดขึ้นซ้ำอย่างตรงไปตรงมาในการเปลี่ยนแปลงของไข้เลือดออก แต่จะกระตุ้นการตอบสนองชั่วคราวในกรณีไข้เลือดออกที่สามารถยืดเวลาออกไปเกินกว่าอุณหภูมิที่ผันผวนหลายปี ดังที่เห็นได้ชัดเจนเมื่อวางแผนมุมเฟสระหว่างการจำลองที่มีอุณหภูมิผันผวนหลายปีกับที่ไม่มี (S33 รูปในภาคผนวก S1 ). สิ่งเหล่านี้แสดงให้เห็นว่าผลกระทบของความผันผวนของอุณหภูมิหลายปีสามารถคงอยู่ได้ยาวนาน และยังยืนยันว่าผลกระทบของความผันผวนของอุณหภูมิหลายปีจะลดลงด้วยการป้องกันข้ามที่ยาวนานขึ้นและอุณหภูมิเฉลี่ยที่สูงขึ้น

การอภิปราย

มีข้อแม้หลายประการสำหรับการวิเคราะห์ของเรา เราเลือกที่จะมุ่งเน้นไปที่อุณหภูมิเพราะเรามีทฤษฎีเฉพาะว่าอุณหภูมิดังกล่าวอาจส่งผลกระทบต่อการเปลี่ยนแปลงของไข้เลือดออกอย่างไร อย่างไรก็ตาม เราไม่สามารถกำหนดทุกแบบของการซิงโครไนซ์ในไข้เลือดออกไปจนถึงซิงโครไนซ์ในอุณหภูมิ ตัวอย่างเช่น ประเทศไทยประสบกับอุณหภูมิที่ผันผวนอย่างมาก 2-ทั้งปีในราวปี พ.ศ. 2515 และในขณะที่ความผันผวนนี้เกิดขึ้นซ้ำในเอาต์พุตแบบจำลองของเรา การเปลี่ยนแปลงของไข้เลือดออกที่สังเกตเห็นนั้นขาดหายไปอย่างเห็นได้ชัด มีสาเหตุหลายประการที่สามารถอธิบายความแตกต่างนี้ได้ ในส่วนก่อนหน้าของบันทึก อาจตรวจพบผู้ป่วยไข้เลือดออกได้อย่างมีประสิทธิภาพน้อยลง จึงอาจไม่สามารถบันทึกคุณสมบัติหลายปีเชิงคุณภาพของไดนามิกพื้นฐานได้ ในทางกลับกัน ตัวแปรด้านสิ่งแวดล้อมอื่นๆ (โดยเฉพาะปริมาณน้ำฝน) และอันตรกิริยากับอุณหภูมิมีแนวโน้มที่จะมีความสำคัญต่อพลวัตของพาหะของไข้เลือดออก ตัวอย่างเช่น ขอบเขตที่เหตุการณ์ซิงโครนัสในอุณหภูมิสามารถซิงโครไนซ์วัฏจักรหลายปีในไข้เลือดออกอาจขึ้นอยู่กับปริมาณน้ำฝนหรือช่วงเวลาของฤดูฝนในช่วงปีเหล่านั้น นอกจากนี้ กลไกที่ไม่เกี่ยวกับสิ่งแวดล้อมอื่นๆ อาจมีอิทธิพลต่อซิงโครไนซ์ในไข้เลือดออกด้วย ตามทฤษฎีแล้ว วงจรหลายปีที่ซับซ้อน การซิงโครไนซ์ และการแปรผันของระดับซิงโครไนซ์เมื่อเวลาผ่านไป สามารถสร้างได้ผ่านทาง ตัวอย่างเช่น การเคลื่อนที่ของโฮสต์ระหว่างตำแหน่ง [15] นอกจากนี้ยังมีการเปลี่ยนแปลงอย่างต่อเนื่องหลายอย่างในประเทศไทยซึ่งอาจส่งผลต่อพลวัตและการซิงโครไนซ์หลายปี ตัวอย่างเช่น อัตราการเกิดทั่วประเทศลดลง [53] และอัตราการลดลงอาจแตกต่างกันในเชิงพื้นที่ ในทำนองเดียวกัน แนวโน้มระยะยาวของความหนาแน่นของประชากรทั่วประเทศก็อาจส่งผลต่อรูปแบบเชิงพื้นที่ที่สังเกตได้ การสำรวจว่าปัจจัยเหล่านี้อาจมีปฏิกิริยาอย่างไรกับอุณหภูมิและนำไปสู่รูปแบบเชิงพื้นที่ชั่วคราวที่สังเกตได้ สมควรได้รับความสนใจเพิ่มเติม แบบจำลองกลไกที่เราใช้ที่นี่เมื่อเปรียบเทียบกับข้อมูล ยังนำไปสู่อัตราส่วนการรายงานที่สูงกว่าที่ประเมินไว้ในเอกสารอย่างชัดเจน [19] ซึ่งหมายความว่าอัตราการส่งข้อมูลในแบบจำลองอาจต่ำ อัตราการแพร่เชื้อที่ต่ำกว่าอาจส่งผลต่อไดนามิกของภูมิคุ้มกัน เนื่องจากความอ่อนแอจะหมดลงในอัตราที่ช้าลง และจะนำไปสู่การเพิ่มระยะเวลาของวัฏจักรหลายปีที่ผลิตโดยภูมิคุ้มกัน อย่างไรก็ตาม ผลลัพธ์ของการซิงโครไนซ์ของเรานั้นแข็งแกร่งต่อความผันแปรในการส่งสัญญาณ สุดท้าย แบบจำลองที่เราใช้จำเป็นต้องทำให้สมมติฐานง่ายขึ้น (ดูหัวข้อ "คำเตือนเกี่ยวกับแบบจำลองไข้เลือดออก" ในภาคผนวก S1) จำเป็นต้องมีการทำงานเพิ่มเติมเพื่อทำความเข้าใจว่าสมมติฐานใดต่อไปนี้อาจส่งผลต่อการซิงโครไนซ์อย่างมีนัยสำคัญ

รูปแบบการซิงโครไนซ์ของอุณหภูมิที่เราสังเกตเห็นนั้นเกิดขึ้นจากรูปแบบภูมิอากาศที่กว้างขึ้น โดยเฉพาะอย่างยิ่ง เหตุการณ์ซิงโครนัสในอุณหภูมิ (รูปที่ 2A) เกิดขึ้นพร้อมกับเหตุการณ์เอลนีโญและลานีญาที่รุนแรง (พ.ศ. 2515 ถึง พ.ศ. 2516, พ.ศ. 2525 ถึง พ.ศ. 2526, พ.ศ. 2540 ถึง พ.ศ. 2541 และ พ.ศ. 2557 ถึง พ.ศ. 2559) ซึ่งมีการบันทึกอุณหภูมิที่สูงขึ้นและต่ำกว่าค่าเฉลี่ยตามลำดับ ทั่วประเทศ [54]. ช่วงเวลาหลายปีที่ตรวจพบการซิงโครไนซ์อาจขึ้นอยู่กับขอบเขตที่เหตุการณ์เอลนีโญตามด้วยเหตุการณ์ลานีญาและความแรงของเหตุการณ์นั้นๆ เนื่องจากผลกระทบของปรากฏการณ์เอลนีโญทางตอนใต้ (ENSO) ครอบคลุมพื้นที่ทางภูมิศาสตร์อย่างกว้างขวาง เราจึงอาจคาดว่าอุณหภูมิจะประสานการเปลี่ยนแปลงของไข้เลือดออกในประเทศอื่นๆ ซึ่ง ENSO มีลักษณะที่คล้ายคลึงกันในสภาพอากาศในท้องถิ่น ดังที่แสดงในตัวอย่างใน van Panhuis และเพื่อนร่วมงาน [40] แท้จริงแล้ว การศึกษาหลายชิ้นได้แสวงหาความเชื่อมโยงระหว่างการเปลี่ยนแปลงของไข้เลือดออกและ ENSO (เช่น [35,38,40,55,56]) ในที่นี้ เป้าหมายของเราคือการทดสอบสมมติฐานที่เฉพาะเจาะจงว่าอุณหภูมิ ซึ่งเป็นตัวแปรด้านสิ่งแวดล้อมที่เราทราบมีผลต่อพาหะของไข้เลือดออก สามารถสร้างอะซิงโครนัสและซิงโครไนซ์ในกรณีไข้เลือดออกได้อย่างไร ควรใช้ความระมัดระวังเมื่อวาดความเชื่อมโยงระหว่าง ENSO และพลวัตของไข้เลือดออก เนื่องจาก ENSO ส่งผลกระทบต่อสิ่งแวดล้อมนอกเหนือจากอุณหภูมิ และการแสดงออกทางกายภาพของ ENSO ในทุกสถานที่มีความซับซ้อนและสามารถเปลี่ยนแปลงได้ตลอดเวลา [57] ตัวอย่างเช่น หยาดน้ำฟ้า ซึ่งน่าจะมีบทบาทในพลวัตของไข้เลือดออกเช่นกัน อาจแปรผันตาม ENSO (สภาพอากาศที่แห้งขึ้นจากปรากฏการณ์เอลนีโญ เปียกขึ้นด้วยลานีญา [58]) แต่ในประเทศไทย ความสัมพันธ์ระหว่างปริมาณฝนกับ ENSO เพิ่มขึ้น เมื่อเวลาผ่านไป ในขณะที่ในอินเดีย แนวโน้มตรงกันข้ามเป็นจริง [59]

โรคใด ๆ ที่ถูกขับเคลื่อนโดยปัจจัยภายนอก (สิ่งแวดล้อม) เป็นหลัก อาจแสดงรูปแบบที่คล้ายคลึงกันของเหตุการณ์ที่เกิดขึ้นพร้อมกันและเกี่ยวข้องกันในสิ่งแวดล้อมและในโรค ดังที่เราสังเกตในการศึกษานี้ คุณลักษณะที่ทำให้ไข้เลือดออกเป็นระบบที่ซับซ้อนในบริบทของการศึกษาของเราคือพลวัตภายในสามารถมีการเปลี่ยนแปลงในช่วงเวลาที่ใกล้เคียงกัน (หลายปี) เป็นตัวขับเคลื่อนภายนอก (อุณหภูมิ) ซึ่งนำไปสู่ความยากลำบากในการแยกบทบาทของแต่ละส่วนในระบบนี้ คุณลักษณะนี้พบได้ทั่วไปในระบบโรคอื่นๆ และการแยกปัจจัยภายนอกและภายในออกจากกันเป็นคำถามหลักในงานก่อนหน้านี้ [29–34] ที่นี่ เราได้ใช้และพัฒนาชุดของวิธีการ (CWMFs, สหสัมพันธ์ที่ซิงโครไนซ์ต่ำและสูง) และใช้การจำลองเพื่อทำความเข้าใจบทบาทสัมพัทธ์ของแต่ละวิธีให้ดียิ่งขึ้น วิธีการของเราจึงอาจเป็นประโยชน์กับระบบอื่นๆ ที่มีการผสมกันของไทม์สเกลที่คล้ายคลึงกัน และไดนามิกภายในอาจเป็นตัวกรองที่สำคัญที่ต้องพิจารณา (เช่น ซิก้า ชิคุนกุนยา ไวรัสทางเดินหายใจ ไข้หวัดใหญ่)

อุณหภูมิของสถานที่ส่วนใหญ่ดูเหมือนจะเพิ่มขึ้นโดยเฉลี่ยและลดลงตามความผันแปรของฤดูกาล (S39 และ S42 มะเดื่อในภาคผนวก S1) หากต้องรักษาแนวโน้มเหล่านี้ไว้ ผลลัพธ์ของเราชี้ให้เห็นว่าพลวัตของไข้เลือดออกอาจเปลี่ยนแปลงอย่างช้าๆ เช่นกัน และเข้าใกล้ระบอบการปกครองที่มีลักษณะเฉพาะด้วยอุบัติการณ์เฉลี่ยที่สูงขึ้น (S19–S21 Figs ในภาคผนวก S1) และพลวัตที่ครอบงำมากขึ้นโดยหลายปีมากกว่าตามฤดูกาล รอบ วัฏจักรหลายปีอาจถูกกำหนดโดยปัจจัยภายในในช่วงเวลาหลายปีที่มีอยู่ในอุณหภูมิ ซึ่งหมายความว่าในอนาคตอุณหภูมิอาจไม่สามารถประสานพลวัตของไข้เลือดออกได้น้อยลง อย่างไรก็ตาม สมมติฐานเหล่านี้ขึ้นอยู่กับความเข้าใจที่แม่นยำยิ่งขึ้นของปฏิสัมพันธ์ระหว่างซีโรไทป์และปัจจัยภายนอกอื่นๆ (เช่น ปริมาณน้ำฝน) และปัจจัยภายใน (เช่น การเปลี่ยนแปลงทางประชากรศาสตร์และการเคลื่อนที่ของโฮสต์ระหว่างตำแหน่ง)

วัสดุและวิธีการ

ข้อมูล

อนุกรมเวลาอุณหภูมิได้มาจากชุดข้อมูลอุณหภูมิเฉลี่ยรายเดือนของ GHCN CAMS ({{0}}.5˚ x 0.5˚) รายเดือน (จัดทำโดย NOAA/OAR/ESRL PSD, Boulder, Colorado, USA, ดาวน์โหลด เมื่อวันที่ 18 มิถุนายน 2562) ชุดข้อมูลนี้รวมการสังเกตของสถานีจาก Global Historical Climatology Network v2 และระบบตรวจสอบความผิดปกติของสภาพอากาศ [60] (S37 และ S38 Figs ในภาคผนวก S1) อนุกรมเวลาเริ่มต้นในปี พ.ศ. 2491 เราดาวน์โหลดไฟล์รูปร่างสำหรับจังหวัดของไทยในวันที่ 12 กุมภาพันธ์ พ.ศ. 2562 และเซนทรอยด์ของจังหวัดโดยประมาณโดยใช้ฟังก์ชัน "calcCentroid" ในแพ็คเกจ R "PBSmapping" v2.72.1 จากนั้นจะได้อนุกรมเวลาสำหรับแต่ละจังหวัดโดยใช้จุดกริดที่ใกล้ที่สุดกับศูนย์กลางของแต่ละจังหวัด

สำหรับการจำลองโดยใช้อนุกรมเวลาอุณหภูมิจริง (การจำลอง 1; ตารางที่ 1) เราใช้ขนาดประชากรของแต่ละจังหวัดในปี 2563 (ปัดเศษให้ใกล้เคียงที่สุด 1*105 ) ดาวน์โหลดจากสำนักงานสถิติแห่งชาติ เมื่อวันที่ 24 พฤศจิกายน 2564 เช่นเดียวกับตัวเลข จากกรณี เรารวมประชากรสำหรับจังหวัดที่สร้างขึ้นตั้งแต่ปี 1982 เป็นต้นมา

การแปลงเวฟเล็ต

เราใช้ WTs อย่างต่อเนื่องเพื่อสำรวจว่าพฤติกรรมการแกว่งของผู้ป่วยไข้เลือดออกเปลี่ยนแปลงไปอย่างไรเมื่อเวลาผ่านไป ขณะนี้ WTs ได้ถูกนำมาใช้อย่างกว้างขวางในการศึกษาพลวัตของโรคติดเชื้อ [37,40,56,61,62] และในวงกว้างมากขึ้นในระบบนิเวศ [50,51] WTs แบ่งอนุกรมเวลาเป็นส่วนประกอบความถี่ แต่เมื่อเทียบกับการแปลงฟูริเยร์ WTs จะถูกแปลเป็นภาษาท้องถิ่นตามเวลาด้วย ดังนั้น WT สามารถใช้เพื่อระบุลักษณะอนุกรมเวลาที่ไม่อยู่กับที่ และความสำคัญของความสัมพันธ์ของความถี่ต่างๆ ที่เปลี่ยนแปลงไปตามเวลาอย่างไร พื้นฐานสำหรับ WT คือเวฟเล็ต "แม่" ซึ่งเป็นคลื่นที่แปลเป็นภาษาท้องถิ่นทั้งในความถี่และเวลา (เช่น ระยะเวลาจำกัด) ซึ่งจากนั้นจะปรับขนาดหรือยืดออก (สำหรับส่วนประกอบความถี่) และเลื่อนไปตามแกนเวลา (สำหรับชั่วขณะ คอมโพเนนต์) เพื่อให้ได้ชุดของเวฟเล็ต "daughter" WT สามารถเข้าใจได้ว่าเป็นความสัมพันธ์ระหว่าง

เราใช้ WT ตามที่นำมาใช้ในแพ็คเกจ R "WaveletComp" v1.1—รายละเอียดมีอยู่ในเอกสารแพ็คเกจ [64] และโค้ด และมีการสรุปไว้ที่นี่ แพ็คเกจนี้ใช้เวฟเล็ตแม่ของ Morlet, ψ(t)=π−1/4 exp(i ω t) exp(−t 2 /2) โดยที่ t คือเวลา (t=1, . ., T) และ ω คือความถี่เชิงมุม ตั้งค่าเป็น 6 เรเดียน t −1 [64] WT, W ณ เวลาใดเวลาหนึ่ง τ และสเกล s (สัดส่วนกับช่วงเวลา ค่าผกผันของความถี่) คือ:

โดยที่ x(t) คืออนุกรมเวลาดั้งเดิม และ * หมายถึงคอนจูเกตเชิงซ้อน โมดูลัสของ W (τ, s), |W(τ, s)| ให้ค่าแอมพลิจูด A ที่จุดเวลา τ และสเกล s สำหรับการพล็อตใดๆ ของ WT หรือการคำนวณโดยตรง เราแก้ไข A เพื่อให้ A(τ,s)=s −1/2 |W(τ,s)| [65]. A(τ,s) 2 คือความหนาแน่นของพลังงานเวฟเล็ต W(τ,s) ยังให้ผลเฟสเวฟเล็ตเฉพาะที่ทันที แม้ว่า WT จะมีความซ้ำซ้อนอย่างมากในด้านเวลาและมาตราส่วน แต่ก็เป็นไปได้ที่จะสร้างอนุกรมเวลาดั้งเดิมขึ้นใหม่ (หรืออนุกรมเวลาที่มีมาตราส่วนเฉพาะเท่านั้น) บนพื้นฐานของการรวมส่วนจริงของ WT [63]

สำหรับการวิเคราะห์เหล่านี้ ก่อนดำเนินการ WT ค่า 1 จะถูกเพิ่มเข้าไปในอนุกรมเวลาของกรณีไข้เลือดออกก่อนที่จะเปลี่ยนรูปและปรับให้เป็นมาตรฐานเป็นค่าเฉลี่ย 0 และส่วนเบี่ยงเบนมาตรฐานที่ 1 อนุกรมเวลาของ กรณีไข้เลือดออกไม่ได้ถูกตัดแนวโน้มก่อนที่จะมีการคำนวณพลังงานเวฟเล็ต เนื่องจากการลดแนวโน้มอนุกรมเวลาด้วยเลขศูนย์ทำให้เกิดรูปแบบที่แปลกปลอม อนุกรมเวลาของอุณหภูมิไม่มีการเปลี่ยนแปลง แนวโน้มระยะยาวที่ไม่เชิงเส้นถูกลบออกโดยการหาค่าที่เหลือของการถดถอยแบบพหุนามเฉพาะที่ (โดยใช้ฟังก์ชัน "loess" ที่มีช่วง 0.75) และอนุกรมเวลาที่ลดแนวโน้มลงทำให้เป็นมาตรฐานในภายหลัง ดังที่กล่าวไว้ข้างต้น เนื่องจากอนุกรมเวลามีความยาวจำกัด เมื่อใดก็ตามที่เวฟเล็ตขยายเลยขอบของอนุกรมเวลา การประมาณค่าสัมประสิทธิ์การแปลงจะแม่นยำน้อยลง ปัญหานี้รุนแรงขึ้นเมื่อสเกลเพิ่มขึ้น เนื่องจากเวฟเล็ตขยายออกไปอีกในเวลา [63,64] ภูมิภาคที่มีเอฟเฟกต์ขอบเหล่านี้อยู่ (มักเรียกว่า "กรวยของอิทธิพล") จะถูกระบุอย่างชัดเจนในแผนภาพเวฟเล็ตด้วยเส้นประหนา

แม้ว่าการเปลี่ยนแปลงของไข้เลือดออกจะเป็นไปตามฤดูกาล การศึกษาก่อนหน้านี้ยังระบุช่วงเวลาหลายปีที่ชัดเจนอีกด้วย [27,35,37,40,56] เราสนใจช่วงเวลาหลายปีเหล่านี้เป็นพิเศษ ด้วยเหตุนี้ เราจึงให้ความสำคัญกับช่วงเวลามากกว่า 1.5 ปี ขอบเขตล่างนี้ป้องกันการรั่วไหลของสัญญาณรายปีในช่วงเวลาหลายปี เมื่อสเกลเวลาเพิ่มขึ้น เอฟเฟ็กต์ขอบจะครอบงำมากขึ้น และระยะเวลาที่เราสามารถวิเคราะห์ได้อย่างน่าเชื่อถือก็จะสั้นลง นอกจากนี้ การศึกษาก่อนหน้า [35,40] มักจะระบุองค์ประกอบหลายปีที่ 2 ถึง 3 ปี แม้ว่าจะใช้อนุกรมเวลาที่สั้นกว่าก็ตาม ด้วยเหตุผลเหล่านี้ เราจึงให้ความสำคัญกับมาตราส่วนเวลา 1.5- ถึง 5-ปี (ต่อจากนี้ไป ส่วนประกอบหรือมาตราส่วนเวลา "หลายปี" จะอ้างอิงถึงช่วงนี้) ดู S43 รูปที่ในภาคผนวก S1 สำหรับอนุกรมเวลาของไข้เลือดออกและอุณหภูมิและ WT ตามลำดับสำหรับ 4 จังหวัดที่เป็นตัวแทนของประเทศไทยซึ่งมีอุณหภูมิต่างกัน

ฟิลด์ค่าเฉลี่ยของเวฟเล็ตเป็นตัววัดการซิงโครไนซ์

WMF ให้การวัดซิงโครไนซ์เป็นฟังก์ชันของทั้งสเกลและจุดในเวลา (ดูรายละเอียดเพิ่มเติมได้ใน Sheppard และเพื่อนร่วมงาน [50,51] มีเฉพาะข้อมูลสรุปที่นี่) WMF ระบุสเกลและจุดที่ทั้งเฟสและขนาดของการสั่นสอดคล้องกัน (หรือซิงโครนัสมากกว่านั้น) ทั่วทั้งจังหวัด WMF เป็นค่าเฉลี่ยของ WT ที่ปรับพลังงานให้เป็นมาตรฐานของแต่ละตำแหน่ง n ในทุกตำแหน่ง N (n=1,. ., N) ซึ่งเราทำให้ WT แต่ละแห่งเป็นมาตรฐานโดย

เพื่อทดสอบว่าการซิงโครไนซ์มีนัยสำคัญทางสถิติในช่วงหลายปีเทียบกับสมมติฐานว่างที่ไม่มีการซิงโครไนซ์หรือไม่ เรามุ่งเน้นไปที่ความสอดคล้องของเฟสระหว่างสถานที่ต่างๆ (ดูส่วน "หมายเหตุเกี่ยวกับการประมาณค่าความสำคัญของฟิลด์ค่าเฉลี่ยเวฟเล็ต (ข้าม)" ในภาคผนวก S1 สำหรับคำอธิบายว่าเหตุใดความสำคัญของ WMF จึงมุ่งเน้นไปที่ความสม่ำเสมอของเฟส) เราทำได้โดยการประมาณค่าเฉลี่ยฟิลด์เวฟเล็ตเฟสเซอร์ (WPMF) ซึ่งกำหนดเป็น

ซึ่งเก็บข้อมูลเกี่ยวกับขั้นตอนที่ซับซ้อนของการแปลง [51] เมื่อสถานที่ต่างๆ มีเฟสที่คล้ายกัน ค่าของ WPMF จะมีค่ามาก ในขณะที่เฟสในแต่ละตำแหน่งไม่ขึ้นกับตำแหน่งอื่นทั้งหมด ค่าของ WPMF จะมีค่าน้อย เราทดสอบนัยสำคัญด้วยการสร้างชุดข้อมูลตัวแทนที่โครงสร้างความสัมพันธ์อัตโนมัติในแต่ละอนุกรมเวลาถูกรักษาไว้ เราทำสิ่งนี้โดยสร้างอนุกรมเวลาด้วยสเปกตรัมฟูริเยร์เดียวกันกับอนุกรมเวลาดั้งเดิม [51] จากแนวทางนี้ เราสร้างอนุกรมเวลาตัวแทน 1,000 โดยใช้ฟังก์ชัน "ตัวแทน" ในแพ็คเกจ R "wsyn" v1.0.2 [66] สำหรับชุดข้อมูลตัวแทนแต่ละชุด เราสร้าง WPMF และจากนั้น สำหรับแต่ละช่วงเวลา และในมาตราส่วนหลายปี

สำหรับข้อมูลเพิ่มเติม: david.deng@wecistanche.com WhatApp:86 13632399501