看看最近的文章

摘要

目的是分析气候因素对捷克共和国三个相邻的高发病率地区蜱传脑炎(TBE)发病率的影响，这些地区在基线发病率和高发病率时期的时间上存在很大差异。分析的基础是来自一个30年数据库(1982-2011年)的气象数据，其中包括每日气温和降水测量数据，以及根据症状发作定义的TBE病例的时间匹配报告。

半参数泊松回归模型显示，平均日环境气温与TBE发病率之间存在显著的统计学关系。在研究的所有三个区域中，依赖性的形状都是相似的。对现有资料的分析表明，降水量与TBE发病率之间没有统计学上显著的关系。其他具有统计意义的预测因子是历年的趋势、月度季节性和趋势-季节性相互作用(月度季节性的形状随年份而变化)和星期几。气候变化对TBE增加的影响因当地环境条件的不同而不同，这可以从三个地区之间的TBE发病率水平和历年趋势形态的变化中看出。

关键字

蜱传脑炎发病率，蓖麻蜱，环境温度，泊松模型，广义加性模型，季节趋势

突出了

• 建立了蜱传脑炎发病率的统计模型
• 模型拟合到来自3个不同区域的唯一数据，允许检查结果一致性
• 发病率受温度的影响，受降雨量的影响较小。同样重要的是年度趋势。
• 我们量化了非线性环境温度响应，以及详细的年和季节效应。

介绍

在20世纪90年代早期，蜱传脑炎(TBE)在不同程度上呈上升趋势，在整个欧洲地区传播。类似的趋势也出现在其他蜱传感染中。与此同时，观测到相当大的气候变化。在这种背景下，关于这两种现象之间的因果关系出现了几个可行的假设[1]。出现了一些试图阐明情况的论文，从对区域条件的深入分析到对共产主义垮台后政治变化的触发效应的毫无根据的猜测。为了解决这个复杂的问题，需要考虑多个因素及其参与程度[2-6]。这些因素可分为以下几个方面:1)生态变化和传播Ixodes蓖麻蜱虫是欧洲流行性乙型脑炎病毒(TBEV)的主要媒介;2)土地利用变化导致生境和生物群落发生变化，包括蜱及其宿主动物维持野生动物人畜共患病循环的总热值;3)影响人类行为的社会经济变化，使人类与自然的接触更加频繁和密切;4)直接影响TBEV的变化，这种变化在自然界中被发现是一个多毒变异和弱毒变异的异质群体，其比例在选择压力下会发生变化。以上列举的因子，或者可以受到气候因子的影响，或者反过来，在一定程度上可以改变气候因子。

感染过程的开始总是与受感染的人类蜱叮咬有关(感染源为受感染的哺乳期动物的食源性感染也是如此)。生态学的研究我。蓖麻正如许多作者所描述的那样，为气象因素(如气温和湿度)对该媒介的发生和寻找宿主活动的关键影响带来了大量证据(包括实验室和现场)[2,6-8]。从重要性的角度来看至关重要的作用我。蓖麻在TBE流行病学中，作为受气象条件影响较大的媒介，一般的气象因素，特别是环境气温，可以认为是报道的TBE发病率变化背后的驱动力[9]。这就是为什么本研究的重点是气象因素在TBE流行病学中的作用。

目标如下:

1. 分析以研究区日平均值为特征的气象因子(环境气温和降水率)对TBE发病率的影响;
2. 利用一般认为足以确定研究地区气候特征的30年气象测量数据作为分析的基础。直接使用高发区的标准气象测量数据;
3. 分析历年趋势及季节特征(经气温影响调整后);
4. 比较在基线发病率和高发期时间上差异较大的三个相邻高发区的气象因素的影响。

材料与方法

TBE的发病率

关于脑炎病例的数据来自EPIDAT数据库(布拉格国家公共卫生研究所)，自1971年以来，捷克共和国(CZ)向该数据库报告了实验室确诊的脑炎病例。为了本研究的目的，选取了1982-2011年三个行政区域的数据:南波希米亚地区(3,732例TBE)、中波希米亚地区(1,502例)和高地地区(995例TBE)。每个TBE病例都以患者的居住地和症状发作日期为特征。

气象数据

全年平均日气温和日降水量数据来源于布拉格捷克水文气象研究所(CHMI)的数据库。它们来自配备标准设备的26个CHMI站，并均匀分布在研究区域的脑炎高发地区。根据在CHMI站点所做的点测量，使用标准程序计算了各个地区的平均值，并考虑了当地的地理特征。在南波希米亚地区选择了9个CHMI站点(平均海拔474 m)，在中波希米亚地区选择了8个站点(平均海拔336 m)，在高原地区选择了9个站点(平均海拔538 m)，这些站点位于地理坐标49°03′40′~ 50°22′02′′N和13°55′27′~ 16°07′14′E之间。

统计分析

每日TBE发病率数据(每三个地区分别给出)通过半参数泊松回归建模[10]。泊松模型按区域分层，并考虑了几个重要的生物学解释变量(年、月、环境温度、降水率、星期)。该模型可以看作是广义线性模型(GLM)类的推广[11]，即广义加性模型(GAM)类的惩罚样条版本的实例[12,13]。模型估计基于惩罚可能性，并在R中使用mgcv软件包完成(R Development Core Team, 2014)[13]。柔性半参数模型用于详细研究不同变量对be非齐次泊松强度的影响[14]，而不受有关(非线性)关系形状的大量先验假设的影响。烈度表示为一个地区每10万常住居民的发病率。为此，我们使用了带规范日志链接和偏移量的泊松模型。所有检验均以5%显著性水平解释。

在数据分析过程中，我们制定了三个备选模型:(1)，(2)，(3)，标记在复杂性降低的方向。为了平衡拟合质量和模型复杂性，使用赤池信息准则(Akaike Information Criterion, AIC)[15]选择最终模型。

模型有一般形式:．具体如下:

（1)

(2)

(3)

在哪里

每天的病例数是多少d的月米和年y(这是兴趣的反应)。

每日TBE发病率的泊松强度是多少

这个地区的人口是多少y(请注意，在模型(1)、(2)、(3)中，它充当偏移量)

是一个指示符(如果参数为真，则假设为1，否则为0)

是根据数据估计的参数(它们对应于不同水平的星期因素的影响，类似于ANOVA模型中的“教科书”参数化)

为给定区域的平均环境温度，l之前的日子ymdTBE的发病率在我们的建模中，对于有偏移的模型，我们使用滞后l= 21天。我们还尝试了其他(较短和较长的)滞后。他们给出的AIC和对估计的解释都比l然而,= 21。然而，我们的主要目标不是精确地估计滞后，或者将其与从其他来源获得的估计进行正式比较。事实上，数据不包含太多关于精确滞后的信息，因此我们选择21滞后只是作为一个相当好的拟合值(不一定是全局最优值)。

为给定区域的平均降水强度，l之前的日子ymd．在我们的建模中，我们使用了滞后l= 21天。我们还尝试了其他(较短和较长的)滞后。他们给出的AIC和对估计的解释都比l然而,= 21。

是从数据估计的光滑函数(如薄板样条)。通过交叉验证从数据中估计粗糙度损失。

是历年趋势、季节性(按月分辨率计算)、(滞后)温度、(滞后)降水强度的平滑边际效应。

是平滑相互作用项:多年趋势-季节性相互作用(也就是说,变形的季节性(年-年)，温度-降水的相互作用。在这两种情况下，光滑相互作用被建模为张量积样条。

模型(1)是最复杂的，而模型(2)和(3)是特殊情况下逐步简化的结果。所有的模型都包括对星期几、多年趋势和季节成分的控制。这些模式在气象变量影响的复杂性上有所不同。星期几最初被认为是一个令人讨厌的变量，它没有直接的利害关系，但在输入be报告时用于控制管理上的不准确，但正如一位匿名裁判所指出的那样，它可能有一些利害关系，因为它可以反映娱乐活动的周期性。最复杂的模式(1)同时考虑了气温和降水的影响，并存在相互作用。模式(2)也涵盖了气温和降水的影响，但没有相互作用(在对数链接尺度上是相加的，在发生率尺度上是相乘的)。模型(3)只考虑了气温的影响。比较模型(1)和(2)时，检验温度-降水相互作用;比较模型(2)和(3)时，检验排除相互作用后的降水效应。

值得注意的是，该模式是这样表述的，因此在其系统部分中，它将温度(或温度和降水)作为主要兴趣项，并将剩余部分描述与温度(或温度和降水)无关的年际变化。剩余部分包含其他变量的影响，这些变量可能对影响TBE发病率具有潜在的重要意义(如动物媒介密度、人类访问森林地区的强度等)，但在TBE发病率清查所涵盖的时期，我们没有这些变量的数据。术语在文本中使用，并以数字说明，作为估计的趋势-季节成分。它既包括边际效应，也包括相互作用。

结果

1982—2011年各区域气象要素特征

为表征气候背景(气温和降水)而进行的分析输入的数据见图1和图2。周围空气温度，尽管有很大的变化，但显示出缓慢上升的趋势。从降水的角度看，高降水年际与低降水年际交替，但没有明显的变化趋势。2002年的急剧偏差反映了异常的降水事件，导致捷克共和国大部分地区发生了大范围的洪水。

图1所示。各地区每日环境气温的年平均值。

图2。各地区日降水量的年平均值

气象因子(日平均气温和日平均降水量)对区域TBE发病率的影响

分别对各区域模型(1)、(2)、(3)的参数进行估计，并对模型进行比较。模式(1)的温度-降水相互作用和模式(2)的降水影响在所有区域均不具有统计学显著性。基于AIC，更复杂的模型并没有提供明显更好的拟合。以南波希米亚地区为例，模式(1)的AIC值为12019.36，模式(2)的AIC值为12022.13，模式(3)的AIC值为12024.40。因此，在三个地区，除了考虑季节性、年际趋势和周数的影响外，最简单的模式(3)一致选择气温的影响进行详细分析。需要强调的是，模式(1)和(2)中降水影响的统计不显著性绝对不意味着降水总体上没有影响-我们只是无法在当前分析的数据上证明其存在，这与温度影响不同。

表1按区域给出了模型(3)的p值。模型中所有效应在任何区域均具有统计学显著性，显著水平为0.05。

表1。在模型(3)中对每个区域分别进行各成分检验的p值。

	地区
效果	中央波西米亚	南波西米亚	高地
气温(28天滞后)	0.0325	< 0.0001	< 0.0001
工作日	< 0.0001	< 0.0001	0.0053
历年趋势	0.0004	< 0.0001	< 0.0001
每月的季节性	< 0.0001	< 0.0001	< 0.0001
形状按月季节性变化 年份之间(趋势-季节性相互作用)	< 0.0001	< 0.0001	< 0.0001

根据模式(3)分别估算的各区域气温与TBE发病率之间的关系如图3所示。在固定的星期(星期一)、年份(2006)和月份(6月)估计气温的影响。值(Monday, 2006, June)是任意选择的。由于我们使用的是GAM(链接尺度上的模型添加剂)，因此它对绘制曲线的形状没有影响(对其他值的评估只是按比例放大或缩小)。

图3。温度对TBE日发病率(每10万人)的影响，按地区分层。

平均日气温的影响从0°C增加到12-14°C，而较高的温度导致饱和，曲线趋于平稳，或者在温度接近20°C时，曲线略微上下移动(但平稳水平的小变化完全在估计误差范围内)。虽然不同地区的输入数据(特别是be发生率数据)差异很大，而且不同地区的模型是相互独立估计的，但在曲线形状上，不同地区之间存在明显的一致性。仅在较高气温下的脑炎发病率水平上可见差异，并反映了区域间脑炎发病率的差异。与南波希米亚地区和高地地区相比，中波希米亚地区曲线的上升部分坡度较小。在这三个地区，与峰发生率相匹配的温度和曲线峰面积的模式和形状是一致的。

在这一点上，有趣的是注意到每周的天数效应的重要性，因为它可能在某种程度上反映了TBE的每周变化风险(与弱变化的娱乐活动有关)，但在这个数据中，它可能与其他影响(包括轻微的管理不准确)相混淆，因此我们不进一步讨论其细节。

一年内每日脑炎发病率模式的季节性

从表1对周数、月周期、年之间月周期形状变化的影响结果可以看出，TBE日发病率的季节成分明显。图4显示了经过温度校正后，高原地区不同年份季节成分的变化(当然是不可忽略的)。1993年以前，TBE发病率较低，随后几年缓慢上升，自2006年以来，出现了相当大的持续上升。这些曲线在多年间有一些共同的特征，但在峰值时间和模式上有所不同，从某些年份的单峰到其他年份的双峰，在秋初出现一个侧峰。

图4。每10万人每日流行性脑炎发病率的季节组成部分-高地。

多年来TBE年发病率的变化趋势

版权所有OAT。版权所有

所使用的模型还可以提取和分析经过温度校正后的TBE发病率多年来的残余趋势。这三个地区的趋势在统计上都非常显著(表1)。图5清楚地显示了类似的年际趋势(组成部分)在中部波西米亚地区和高地地区，直到2004年，随后在高地地区急剧上升。南波希米亚地区的乙型脑炎发病率高得多，与中波希米亚地区和高地地区不同，一方面是乙型脑炎发病率，另一方面是趋势模式。与中波希米亚地区和高地地区不同，南波希米亚地区在整个研究期间的TBE发病率较高，在20世纪80年代和90年代初有明显上升，在研究期间的最后十年有一定下降。

图5。每10万人TBE发病率的逐年变化，由趋势+季节性+相互作用(趋势，季节性)分量的每日贡献之和得到。

上述月度季节性和历年趋势的模型分量及其与季节性形状逐年变形的相互作用(也就是说,这个词)可以综合在一起，形成一个更全面的画面。图6-8显示了各地区每10万人中脑炎发病率的估计模式，为了便于阅读，在y轴上使用了不同的尺度。在这些地区之间可以看到明显的差异。1990年代前半期，中波希米亚地区和南波希米亚地区的脑病发病率有所增加，尽管程度不同。在高地地区，第一个高峰明显出现在20世纪90年代后半期，另一个更明显的高峰出现在2007年之后。在整个30年的研究期间，南波希米亚地区的脑膜炎病例绝对数量最高，这在数字的模式中得到了清楚的反映。与其他两个区域相比，季节性成分的作用更大，这反映在年发病率的大部分双峰模式上。1995年至2000年冬季期间的散发性脑炎发病迹象也更为明显。高地地区的曲线模式在三个时期之间差异很大，几乎与图4中已经评论过的研究中的三十年相匹配。曲线的年度暴跌至零是冬季的典型特征。 It needs to be pointed out that in the highest incidence years the curve shows some sporadic cases even in the winter. It means that, under suitable conditions, TBE may also emerge in this season of the year.

图6。根据气温调整的每日热带病发病率的趋势和季节性模式(模式以恒温计算)-波西米亚中部。

图7。经气温调整后的TBE日发生率的趋势和季节性模式(模式估计为恒温)-南波希米亚。

图8。经气温调整后的TBE日发病率的趋势和季节性模式(模式估计为恒温)-高地。

讨论

30年的研究周期选择跨越三个不同TBE发病率的连续十年:低发病率十年，急剧上升十年和持续高发病率十年(有一些年度变化)。这项研究的结束年份是2011年。由于正在进行的主要在南波西米亚地区有效的教育运动，导致人口对破伤风疫苗接种覆盖率的增加，因此不考虑随后几年的情况[16]。

研究区气候特征得到了高度重视。输入的数据是在发生TBE病例的地区以标准模式运行的专业CHMI站的测量结果。标准是是否有30年连续的数据序列，一般认为这些数据序列足以确定所研究地区的气候特征。所选的CHMI监测站代表的是高发地区，而不是整个行政区域。例如，在南波希米亚地区，Šumava山脉的高海拔地区零星出现的病例不包括在研究中。

详细的实地研究表明，环境温度对蜱虫的活动[17]及其对它们在CZ以前没有居住的地区(主要是高海拔地区)分布的长期影响起主导作用[18]。

通过研究非生物因素对CZ地区TBE流行病学的影响及其变化，同时分析了其他可能影响TBE人间发病的因素，并对其影响程度进行了估计。Kř我ž,et al。[4]文献表明，TBE的发病率与CZ人口的社会经济状况无关。此外，研究还包括:食用未经巴氏消毒的放牧经济动物乳制品引起的食源性TBE病例[19]，狩猎动物在TBE流行病学中的潜在作用[20]，以及不同类型的户外娱乐活动对TBE发病率的影响[9]。在研究中没有发现它在任何方面起重要作用。主要信息汇总如下:Kříž，et al。[21]

除了温度之外，还要考虑其他因素。非常重要的生物因素是人类行为，主要是针对流行性脑炎病毒的预防性疫苗接种，大大降低了流行性脑炎人间病例的流行率。然而，疫苗接种运动在90年代才开始在CZ。最近(2013年)，CZ的平均疫苗接种覆盖率仅为23%[22]。据报告覆盖率最高的是南波希米亚地区(33.2%)。在我们的结果(图5)中也很明显。

一个重要的步骤是确定症状出现和感染过程开始之间的时间差，也就是说,在某些气象条件下被感染的蜱虫叮咬，这对分析至关重要。这种关系通过与疾病潜伏期相对应的时间滞后来表示，并根据统计评估和专家意见设置为21天，作为我们没有足够信息的真实潜伏期的近似值。

研究区域横跨三个相邻的高发病率地区，超过全国平均水平。这一选择的一个重要因素也是对2001-2010年当地患者病史数据的分析结果[16]，大多数患者在其各自的居住区域获得感染。在上述期间，输入性脑炎流行病例比例在南波希米亚地区为1456:7，在高地地区为596:7，在中波希米亚地区为685:50。

三个地区TBE的高发病率是在不同的基线水平、不同的方式和不同的年份实现的。虽然早在1982-1991年，中波希米亚地区和南波希米亚地区就报告了高于全国平均水平的乙脑发病率，但当时在高地地区只出现了零星的乙脑病例。与CZ的其他高发地区不同，高原地区仅在1997年以来出现TBE病例的增加，当时当地TBE发病率首次超过每10万人的全国平均发病率。正如danielov指出的那样，2006年，高原地区的TBE发病率甚至是全国平均水平的两倍。et al。[23]。在那项研究中，作者只有位于高原地区北部边界的一个CHMI站的气象数据可供分析，但他们已经提出，气温升高是TBE发病率上升的最可能的解释。本研究基于30年的资料和分布在整个研究区的9个CHMI站的观测结果证实了上述假设以及气温的影响，导致了昆虫的发生和寻找宿主活动的变化我。蓖麻在20世纪90年代(及以后)，TBE的发病率。

景观的类型是更好地了解高地地区情况的另一个线索。从地形上看，该地区属于波希米亚-摩拉维亚高地，be病例出现的高度接近先前报道的范围的上边界即蓖麻蜱虫。当蜱虫数量稀少时，当地蜱虫种群只引起零星的TBE病例。在20世纪90年代初，当地我。蓖麻种群变得更加丰富，与捷克共和国其他高海拔地区相似[18,24]。因此，首先在野生动物宿主中增加了TBEV的循环，最终导致人类TBE的发病率更高。由于蜱虫的生命周期较长(CZ地区平均为2年)，高原地区与其他地区的TBE高发存在数年的时间滞后。1997-2006年10年间，高原地区的土地利用和人口或社会经济特征没有变化，这可能为TBE发病率的急剧上升提供了另一种解释[23]。

在20世纪90年代，当全球观察到气候变化时，TBEV活跃疫源地的病例呈上升趋势，当地蜱虫种群变得足够丰富，足以将野生动物人畜共患循环中的TBEV维持在可能对人类健康构成威胁的程度。中波希米亚地区和南波希米亚地区就是这种情况。相比之下，在高地地区，有潜在的病灶，也就是说,这些地区虽然有热传导病毒，但在一定程度上不会对人类健康构成威胁我。蓖麻是如此稀少，以至于它几乎无法维持在野生动物体内的TBEV循环。(在疫源地潜伏期，热带病病毒只能通过垂直传播在蜱虫中存活，而不需要温血宿主的参与，这可能导致病毒的部分衰减。)首先，当地的人口我。蓖麻由于20世纪90年代初的气候变化，蜱虫一定变得更加丰富。随后的脑脊髓炎灶的激活是一段时间后报告的脑脊髓炎病例急剧上升的原因。

用于研究环境气温与降水率之间相互作用的模式有助于阐明气候变化在20世纪90年代TBE病例上升中的可能作用。另一项对降水率与逐年TBE发病率的相关性分析[17]显示了生长季后半段降水的影响。也就是说,如前所述[25]，夏末至初秋。我们的研究结果表明，这种影响与气温无关。这意味着在某些年份，降水量对TBE发病率的季节变化有明显的直接影响;然而，从30年的长期角度来看，气温对TBE总发病率的增加有最重要的影响。在所有研究区域，所使用的模式中降水或发病率-降水相互作用的影响在统计上不显著，但这并不意味着降水对TBE发病率完全没有影响。高分辨率的相对空气湿度资料可能比降水量对TBE的发生有更强的预测能力。

即使滤除气温逐年升高的直接影响，其发病率也明显，这可能与全球气候变化有关。

值得注意的是，图3中表示不同地区TBE对环境空气温度依赖性的曲线的相似性绝不是明显的先验，并且证实了温度的类似一般影响。这是一个有趣的发现，为从气候模式中考虑不同的温度情景作为TBE发生率的驱动力之一开辟了一条道路。利用气候预报模式输出，通过沿纵轴移动数值，可以相对容易地模拟全球变暖的潜在影响[26,27]。

结论

1. 在连续三十年中，环境气温(以标准方式测量的日平均气温)与TBE发病率之间存在统计学上显著的关系。也就是说,低发病率十年(1982-1991年)、报告气候变化的急剧上升十年(1992-2001年)和持续高发病率十年(2002-2011年)。它支持了气温的作用，作为背后的驱动力量的增加的病例。与日降水量无显著的长期相关性。
2. 从冰点到12 - 14°C，空气温度的影响明显增加，在更高的温度下停滞不前，或在接近20°C时略有下降。这是根据长期监测气温对寻主活动影响的结果得出的一、蓖麻。同时，它支持了这样一种假设，即气温对TBE发病率的影响是由当地TBEV主要载体种群的温度诱导变化介导的。
3. 在高原地区和其他两个监测地区之间，TBE病例的增加有几年的时间滞后(延迟)，但在所有三个地区，TBE发病率的温度依赖性是明显一致的。
4. 结果表明，在上个世纪最后十年观测到的气候变化对TBE病例增加的不同影响取决于当地环境条件，即使在地理上接近的地区也是如此。这些条件主要取决于海拔高度和各自的生物群落，包括当地的种群即蓖麻以及人畜共患病循环。被感染蜱虫叮咬的人类健康风险也随之增加。

确认

由计算机科学研究所(RVO: 67985807)的长期战略发展资金支持。由捷克卫生部资助的项目赠款号。11425 - 5/2010。

利益冲突

作者声明他们没有利益冲突。

参考文献

1. Menne B, Ebi KL(2006)气候变化和适应人类健康战略。达姆施塔特的斯坦科普夫出版社。
2. 葛瑞杰，王晓明，王晓明，王晓明(2009)气候变化对蜱虫和蜱媒疾病的影响。交叉学科观点:传染病2009: 593232。(Crossref)
3. Korenberg EI(2000)蜱虫和蜱传脑炎病毒的季节性种群动态。苹果香芹24: 665 - 681。
4. Kříž B, Beneš C, danielov V, Daniel M(2004)影响捷克共和国蜱传脑炎发病率的社会经济条件和其他人为因素。医学微生物学杂志293: 63 - 68。
5. Medlock JM, Hansford KM, Bormane A(2013)欧洲蓖麻蜱地理分布变化的驱动力。寄生虫向量6: 1。
6. 苏恩辉，李永祥(主编)(1994)蜱传人畜共患病的生态动力学。牛津大学出版社，纽约和牛津。
7. Campbell JA(1948)在自然和受控条件下，苏格兰羊蜱的生活史和发展。爱丁堡大学，博士论文pp: 1-131。
8. Donnelly J(1978)蜱虫的天气生态学，Ixodes ricinus L. In: Gibbon TE(编)天气与寄生虫病。世界气象组织，日内瓦，第97-104页。
9. Daniel M, Malý M, danielov V, Kříž B, Nuttall P(2015)中欧主要病媒蓖麻伊蚊的非生物预测因子及年季节性动态。寄生虫及病媒8: 478。
10. Agresti A(2012)分类数据分析。威利,纽约。
11. McCullagh P, Nelder JA(1989)广义线性模型。查普曼和霍尔，伦敦。
12. Hastie T, Tibshirani R(1990)广义加性模型。CRC/Chapman & Hall, Boca Raton。
13. Wood SN(2006)广义加性模型。查普曼和霍尔/CRC出版社，博卡拉顿。
14. Resnick S(1992)随机过程的冒险。Birkhauser,波士顿。
15. 赤池H(1974)统计模型辨识的新视角。IEEE自动控制19日:716 - 723。
16. Daniel M, Beneš C, danielov V, Kříž， B(2011)蜱传脑炎六十年研究——中欧流行病学现状知识的基础。流行病学微生物学免疫学60: 135 - 155。
17. Kříž， B, Kott I, Daniel M, Vráblík T, Beneš C (2015) Vliv klimatických zmen na výskyt onemocnení klíštovou encefalitiou v letech 1982 -2011 v cesk共和国。流行病学微生物学免疫学64: /。
18. danielov V, Daniel M, schwarzov L, Materna J, Rudenko N，等。(2010)蜱传脑炎病毒和伯氏疏螺旋体进入山地生态系统，在其媒介，ricinus分布的海拔极限发生变化之后(Krkonoše Mts.，捷克共和国)。媒介传播的人畜共患疾病10: 223 - 230。
19. Kříž B, Beneš Č， Daniel M(2009)捷克共和国蜱传脑炎的消化道传播(1997-2008)。流行病学微生物学免疫学58: 98 - 103。(Crossref)
20. Kříž B, Daniel M, Beneš Č， Malý M(2014)猎物(野猪和狍)在捷克共和国蜱传脑炎传播中的作用。媒介传播的人畜共患疾病14: 801 - 807。(Crossref)
21. Kříž B, Malý M, Beneš Č， Daniel M(2012) 1970-2008年捷克共和国蜱传脑炎流行病学。媒介传播的人畜共患疾病12: 994 - 999。(Crossref)
22. Prymula R(2015)预防蜱传脑炎的可能性和疫苗接种。见:Ružek D.(编辑)Klíštová encefalitida, Grada Publishing，布拉格，pp: 155-172。
23. danielov V, kliegrov S, Daniel M, Beneš C(2008)气候变暖对近10年(1997-2006)捷克高原地区蜱传脑炎向高海拔地区扩展的影响。公共卫生16: 4。
24. Materna J, Daniel M, Metelka J, Harcarik J(2008)气候变化影响下山区麻蜱的垂直分布、密度和发展(Krkonoše mt .，捷克共和国)。医学微生物学杂志298: 25-37。
25. danielov V, Benes C(1997)降雨在蜱传脑炎流行病学中的可能作用。公共卫生5: 151 - 154。(Crossref)
26. Cherkassky V, Ma Y(2009)统计学习理论和正则化的另一个视角。神经22日:958 - 969。(Crossref)
27. Dean CB, Nielsen JD(2007)广义线性混合模型:综述和一些扩展。终身数据13: 497 - 512。(Crossref)