Główny

Pomimo postępów w kierunku globalnej eradykacji, malaria pozostaje najgroźniejszą chorobą zakaźną zależną od klimatu. Transmisja malarii jest wysoce wrażliwa na temperaturę, co wynika zarówno z cyklu życiowego ektotermicznych komarów-wektorów ( Anopheles spp.), jak i wrażliwości termicznej samych pasożytów ( Plasmodium spp.) 3 , 4 . W warunkach laboratoryjnych transmisja Plasmodium falciparum przez Anopheles gambiae osiąga szczyt w temperaturze około 25 °C i staje się nieistotna poniżej około 16 °C lub powyżej około 34 °C (ref.  3 , 4 , 5 ). Biorąc pod uwagę te ograniczenia biologiczne, zmiana klimatu stała się poważnym problemem dla populacji potencjalnie zagrożonych malarią w południowej i wysoko położonej Afryce Wschodniej, gdzie temperatury mogą już nie być przeszkodą dla transmisji malarii 6 , 7 . Z kolei w Afryce Zachodniej i Środkowej, gdzie obciążenie malarią jest największe, wiele badań sugeruje, że zmiana klimatu zmniejszy lub ostatecznie uniemożliwi transmisję choroby 6 , 8 , 9 .
Te zagrożenia były wśród pierwszych proponowanych skutków zdrowotnych zmiany klimatu 10 , 11 , ale były zaskakująco kontrowersyjne, a nawet określane jako „gorące powietrze” 12 i „niebezpieczna pseudonauka” 13 . Na przełomie wieków wielu ekspertów od malarii twierdziło, że obserwowane trendy ocieplenia są niezgodne z długoterminowym zmniejszeniem częstości występowania malarii w Afryce i ostrzegało, że inne czynniki, takie jak lekooporność i niestabilność finansowania, stanowią poważniejsze zagrożenie dla eradykacji malarii 12 , 14 , 15 . Ponowny wzrost zachorowań na malarię na wyżynach Afryki Wschodniej stał się szczególnym punktem spornym, a ponad tuzin badań argumentowało za 16 , 17 , 18 , 19 , 20 lub przeciwko 21 , 22 , 23 , 24 , 25 , 26 , 27 zmianie klimatu jako istotnemu czynnikowi napędowemu. Obecnie eksperci zajmujący się malarią generalnie zgadzają się, że zmiana klimatu przyczyniła się do przesunięć wysokościowych w epidemiach malarii28 , 29 oraz do zmian zasięgu geograficznego komarów przenoszących malarię30 . Jednak skumulowany wpływ zmiany klimatu na obciążenie malarią pozostaje kwestią otwartą: niedawno Snow i in.2 przeanalizowali zmiany w częstości występowania malarii na całym kontynencie w ciągu ostatniego stulecia i doszli do wniosku, że obserwowanych trendów nie da się jednoznacznie wyjaśnić zmianą klimatu, ale można to zrobić jedynie na podstawie wizualnej korelacji między średnimi ruchomymi opadów deszczu, temperaturą minimalną i częstością występowania malarii na całym kontynencie.
W tym badaniu powróciliśmy do tych debat, stosując najnowocześniejsze metody wykrywania i atrybucji, obszar nauki o klimacie, który ilościowo określa historyczne i bieżące skutki klimatyczne antropogenicznych emisji gazów cieplarnianych 31 . Metody te stanowią podstawę naukowego konsensusu na temat antropogenicznych zmian klimatu i są regularnie wykorzystywane do określania roli zmian klimatu w intensywności, częstotliwości i rozkładzie określonych ekstremalnych zdarzeń (na przykład fal upałów, ulewnych opadów i susz) 32 , 33 , 34 . Jednak atrybucja pozostaje wyzwaniem w przypadku dalszych skutków antropogenicznych zmian klimatu dla ludzi i ekosystemów, a metodologiczne ramy atrybucji wpływu są nadal stosunkowo słabo rozwinięte 35 , 36 . Zastosowania do dynamiki chorób zakaźnych są szczególnie trudne, ponieważ zależności między klimatem a transmisją chorób są często złożone, nieliniowe i zakłócone przez interwencję człowieka, a niewiele zestawów danych epidemiologicznych ma wystarczający zakres przestrzenny i czasowy, aby rozstrzygnąć te zależności. W rezultacie przeprowadzono setki badań mających na celu sprawdzenie korelacji między klimatem a obserwowanymi zmianami zapadalności na choroby lub ich rozpowszechnienia, ale bardzo niewiele z nich wykazało, że zmiany te można przypisać przyczynowo antropogenicznej zmianie klimatu 1 .
Tutaj skorzystaliśmy z ram z zakresu nauk o klimacie, ekonometrii i epidemiologii, aby przeprowadzić kompleksowe badanie atrybucji wpływu (zgodnie z odniesieniem 36 ), mierząc bezpośredni wpływ antropogenicznej zmiany klimatu na długoterminowe trendy w obciążeniu chorobą zakaźną. Zastosowaliśmy te ramy do oszacowań częstości występowania malarii wywołanej przez P. falciparum u dzieci w wieku 2–10 lat w Afryce Subsaharyjskiej ( Pf PR 2−10 ), która doświadcza około 95% globalnego obciążenia malarią (80% zgonów dotyczy dzieci poniżej 5 roku życia) 37 . Przeanalizowaliśmy niedawno opublikowany zestaw danych o bezprecedensowej rozdzielczości i zakresie (rys. 1 ), składający się z 50 425 badań obejmujących ponad stulecie (1900–2016) 2 , które agregujemy do 9875 miesięcznych średnich wartości na pierwszym poziomie administracyjnym (stanowym lub prowincjonalnym). Dane te przedstawiają migawkę częstości występowania w całej populacji w danym momencie (tj. przypadków aktywnego zakażenia malarią na dziecko; w porównaniu na przykład ze wskaźnikiem zapadalności: nowych przypadków na dziecko na rok). Wykorzystując metody ekonometryczne klimatu38 , 39 , 40 , opracowaliśmy model regresji panelowej, który izoluje rolę temperatury i ekstremalnych opadów od innych czynników zakłócających, które również kształtują endemiczność malarii (rys. 2 ; szczegóły w Metodach ). Kontrole nieparametryczne w modelu (tj. efekty stałe) uwzględniają regionalne różnice w sezonowości, okresy ze skoordynowanymi wysiłkami na rzecz eliminacji i inne zmienne czasoprzestrzenne niewyjaśnione przez identyfikowalne czynniki, takie jak różnice społeczno-ekonomiczne lub ekologiczne między populacjami. Zastosowaliśmy ten model ekonometryczny do tworzenia prognoz w oparciu o dziesięć zestawów sparowanych historycznych symulacji klimatycznych z i bez antropogenicznego wymuszania klimatycznego oraz oszacowaliśmy wpływ antropogenicznej zmiany klimatu na częstość występowania malarii w latach 1901–2014, uwzględniając niepewność statystyczną i klimatologiczną (rys. 3 ). Na koniec przedstawiliśmy prognozę, w jaki sposób przyszła zmiana klimatu może dodatkowo wpłynąć na częstość występowania malarii w latach 2015–2100, opierając się na trzech scenariuszach przyszłej zmiany klimatu dla niskich (wspólna ścieżka społeczno-ekonomiczna 1 – reprezentatywna ścieżka stężeniowa 2.6 (SSP1–RCP2.6)), średnich (SSP2–RCP4.5) i wysokich (SSP5–RCP8.5) stężeń gazów cieplarnianych w przyszłości (rys. 4 ).
Ryc. 1: Obserwacje rozpowszechnienia malarii w latach 1900–2016.
Obraz w pełnym rozmiarze
a , Całkowita liczba badań ankietowych dotyczących rozpowszechnienia malarii u dzieci w wieku 2–10 lat w XX i na początku XXI wieku, zmierzona przez Snow et al. 2 i zagregowana do pierwszej jednostki administracyjnej. b , Średnia zgłaszana częstość występowania malarii u dzieci w całej próbie (1900–2016, z różnym zakresem czasowym w różnych miejscach). c , Obserwowane trendy w rozpowszechnieniu malarii, podzielone według regionów badania Global Burden of Disease (patrz tekst główny): każdy punkt to pojedyncze badanie w oryginalnym zestawie danych (a wielkość próby, n , to całkowita liczba badań), a do skonstruowania szacowanych linii trendu (przedstawionych na niebiesko, z szarym cieniowaniem pokazującym 95% CI modelu) zastosowano uogólnione modele addytywne. Różowe pionowe paski wskazują godne uwagi okresy skutecznej interwencji w zapobieganiu malarii: Globalny Program Eradikacji Malarii (1955–1969) i okres współczesny, w tym programy Roll Back Malaria i Globalna Strategia Techniczna (2000–2015).
Rys. 2: Empiryczne szacunki zależności między częstością występowania a klimatem oraz prognozy skutków zmian klimatu w latach 1901–2100.
Obraz w pełnym rozmiarze
a , Szacowany związek między temperaturą a częstością występowania (punktowy szacunek to ciągła czarna linia; 90% CI to przerywana czarna linia; a 1000 losowych losowań z szacunku wariancji-kowariancji jest na czerwono). Histogram pokazuje rozkład miesięcznych temperatur w próbie szacowania, przy czym mediany temperatur regionalnych są pokazane jako linie pionowe. b , c , Wpływ ekstremalnych opadów atmosferycznych (powodzi ( b ) i suszy ( c )) na częstość występowania w miesiącu wystąpienia zdarzeń (0 opóźnień) i po upływie czasu (1-miesięczne, 2-miesięczne i 3-miesięczne opóźnienia), a także skumulowany wpływ w ciągu pierwszych 4 miesięcy. d , Wpływ na częstość występowania dwóch kluczowych okresów interwencji (1 odnosi się do lat 1955–1969; a 2 odnosi się do lat 2000–2015), w czasie których wdrożono na subkontynencie programy zapobiegania malarii na dużą skalę. Na panelach b – d , punktowym szacunkom (czarne) towarzyszą losowania pobrane ponownie, pokazane jako wykresy pudełkowe, gdzie pudełko obejmuje 25–75 percentyla, linia środkowa wskazuje medianę, a wąsy rozciągają się do 5 i 95 percentyla (niebieski, brązowy i różowy). Szare poziome linie pokazują izoklinę zerową (brak szacowanego wpływu na częstość występowania). e , Przewidywana zmiana częstości występowania przypisywana antropogenicznej zmianie klimatu w niedawnej przeszłości (rzeczywisty klimat historyczny podano na niebiesko; kontrfaktyczny bez antropogenicznego ocieplenia jest na szaro) i w przyszłości dla niskich (SSP1–RCP2.6 na ciemnoniebieskim), średnich (SSP2–RCP4.5 na różowo) i wysokich (SSP5–RCP8.5 na zielono) scenariuszy emisji. Grube linie to średnie szacunki uwzględniające niepewność statystyczną i klimatyczną; Cieniowanie wskazuje 5. i 95. percentyl i jest obcięte przy dolnych granicach osi wyłącznie w celach wizualizacyjnych (pełny przedział pokazano na rys. 9 z danymi rozszerzonymi ). Szacunki historyczne są pokazane w odniesieniu do średniej linii bazowej w latach 1901–1930. Szacunki przyszłe są pokazane w odniesieniu do linii bazowej w latach 2015–2020, dodane do końca historycznej linii bazowej (2010–2014). Przerywana szara linia wskazuje 2014 r., koniec historycznej linii bazowej. Lata z niekompletnymi prognozami z powodu efektów opóźnienia (1901 i 2015) nie są wyświetlane.
Rys. 3: Historyczne zmiany w częstości występowania malarii spowodowane antropogeniczną zmianą klimatu w latach 1901–2014.
Obraz w pełnym rozmiarze
a , Szacowana zmiana częstości występowania przypisywana antropogenicznej zmianie klimatu w każdej jednostce administracyjnej, w oparciu o różnicę między klimatem historycznym w latach 2010–2014 a scenariuszem kontrfaktycznym dla tego samego okresu symulowanym bez antropogenicznego ocieplenia. Niepewność znaku to odsetek 10 000 symulacji, które szacują wzrost (dla dodatnich szacunków punktowych) lub spadek (dla ujemnych szacunków punktowych) częstości występowania z powodu antropogenicznej zmiany klimatu. Niepewność wynosząca 0% oznacza, że ​​wszystkie symulacje przewidują pozytywny lub negatywny trend, podczas gdy niepewność bliska 100% wskazuje na prawie równy podział symulacji pokazujących wzrost lub spadek częstości występowania. b , Szacowana zmiana częstości występowania przypisywana antropogenicznej zmianie klimatu (różnica między scenariuszem faktycznym a kontrfaktycznym w latach 2010–2014) w każdym wielokącie administracyjnym, w porównaniu ze średnią temperaturą bazową na początku XX wieku (uśredniona w latach 1901–1930); Słupki błędów wskazują zarówno 90% (grubsze linie), jak i 95% (cieńsze linie) przedziałów ufności. Punkty i linie są pokolorowane na podstawie 90% przedziału ufności: niebieskie dla efektów negatywnych, czerwone dla efektów pozytywnych i szare dla efektów nieistotnych. c , Szacowana zmiana częstości występowania przypisywana antropogenicznej zmianie klimatu w latach 2010–2014 w każdym wielokącie administracyjnym w porównaniu ze średnią wysokością; słupki błędów wskazują zarówno 90%, jak i 95% przedziałów ufności, pokolorowane jak na panelu b . d , Przewidywane historyczne zmiany częstości występowania według roku, podzielone według regionu. Jak na rys. 2 , przewidywania oparte na prawdziwym klimacie historycznym (niebieskie) są porównywane z przewidywaniami kontrfaktycznymi bez antropogenicznego ocieplenia (szare) w odniesieniu do linii bazowej z lat 1901–1930. Grube linie to średnia szacunkowa dla wszystkich 10 000 symulacji; Dla celów wizualizacji cieniowanie wskazuje na 90% przedział ufności (CI) i jest obcięte na górnej i dolnej granicy osi. Wykresy rozpoczynają się w 1902 roku, od pierwszego pełnego roku prognoz (z powodu efektów opóźnienia). Czarne linie przerywane w punktach b – d pokazują izoklinę zerową (brak zmiany w częstości występowania).
Rys. 4: Prognozowane zmiany w częstości występowania malarii spowodowane zmianą klimatu w latach 2015–2100.
Obraz w pełnym rozmiarze
a , Prognozowane zmiany w częstości występowania spowodowane klimatem do końca stulecia (2096–2100) w porównaniu z dniem dzisiejszym (2015–2020) dla scenariusza emisji pośrednich (SSP2–RCP4.5). Niepewność znaku to odsetek 10 000 symulacji, które szacują wzrost (dla dodatnich oszacowań punktowych) lub spadek (dla ujemnych oszacowań punktowych) częstości występowania z powodu przyszłych zmian klimatu. Niepewność wynosząca 0% oznacza, że ​​wszystkie symulacje przewidują pozytywny lub negatywny trend, podczas gdy niepewność bliska 100% wskazuje na prawie równy podział symulacji pokazujących wzrost lub spadek częstości występowania. b , Prognozowana zmiana częstości występowania z powodu zmian klimatu do końca stulecia (2096–2100) w każdym wielokącie administracyjnym, oszacowana dla SSP2–RCP4.5, w porównaniu ze średnią temperaturą bazową na początku XX wieku; Słupki błędów wskazują zarówno 90% (grubsze linie), jak i 95% (cieńsze linie) przedziałów ufności. Punkty i linie są pokolorowane na podstawie 90% przedziału ufności: niebieskie dla skutków negatywnych, czerwone dla skutków pozytywnych i szare dla skutków nieistotnych. c , Prognozowana zmiana częstości występowania spowodowana zmianą klimatu do końca stulecia (2096–2100) w każdym wielokącie administracyjnym, oszacowana dla SSP2–RCP4.5, w porównaniu ze średnią wysokością; słupki błędów wskazują zarówno 90%, jak i 95% przedziałów ufności, pokolorowane jak na panelu b . d , Prognozowane zmiany częstości występowania według roku we wszystkich scenariuszach według regionu. Projekcje podano względem średniej z lat 2015–2020, jak na rys. 2 , a kolor linii wskazuje scenariusz (SSP1–RCP2.6 na niebiesko, SSP2–RCP4.5 na różowo i SSP5–RCP8.5 na zielono). Grube linie oznaczają średnią estymację ze wszystkich 10 000 symulacji; dla celów wizualizacji cieniowanie wskazuje 90% przedział ufności (CI) i jest obcięte na górnej i dolnej granicy osi. Wykresy rozpoczynają się w 2016 roku, od pierwszego pełnego roku prognoz (z powodu efektów opóźnienia). Czarne linie przerywane w punktach  b – d pokazują izoklinę zerową (brak zmiany w częstości występowania).

Wyraźny sygnał wrażliwości klimatycznej

W ciągu ostatniego stulecia rozpowszechnienie malarii dziecięcej wykazywało silną wklęsłą zależność od temperatury (rys. 2a ). Zgodnie z teoretycznymi oczekiwaniami, że transmisja P. falciparum przez komary A. gambiae powinna osiągnąć szczyt około 25,6 °C (ref.  3 ), obserwowane wartości Pf PR 2−10 w naszym zestawie danych osiągają szczyt około miesięcznej średniej temperatury 25,8 °C (rozszerzone dane, rys. 1 ). Na podstawie tych biologicznych oczekiwań oszacowaliśmy wpływ temperatury jako odpowiedzi kwadratowej w modelu regresji panelowej i stwierdziliśmy, że rozpowszechnienie osiąga szczyt przy 24,9 °C (95% CI 21,0–27,1 °C). Wyniki te potwierdzają, że badania laboratoryjne dość dobrze przybliżają epidemiologię malarii w rzeczywistych populacjach i że temperatura odgrywa istotną rolę w dynamice transmisji: wzrost lub spadek o 10 °C od temperatury optymalnej obniża rozpowszechnienie o około 8 punktów procentowych (pp).
Związek między opadami a częstością występowania malarii jest bardziej złożony i prawdopodobnie mniej istotny dla trendów historycznych (rys. 2b, c ). Jednoczesne miesięczne opady wykazują nieliniową, ale wysoce niepewną zależność od częstości występowania (rys. uzupełniający 1 ). Aby oszczędnie uchwycić nieliniowe efekty i rozróżnić rozbieżne skutki niskich i wysokich opadów, zdefiniowaliśmy szoki opadowe za pomocą dwóch binarnych zmiennych wskaźnikowych, równych jeden, gdy miesięczne opady spadają poniżej 10. percentyla (nazwaliśmy to „szokiem suszy”) lub powyżej 90. percentyla („szok powodzi”) miesięcznych opadów obliczonych dla każdej jednostki subnarodowej. Chociaż susze i powodzie są złożonymi zjawiskami, które rozwijają się w wyniku połączenia wielu czynników (na przykład warunków glebowych i topografii) w połączeniu z opadami deszczu w różnych skalach czasowych, użyliśmy tej terminologii susza–powódź jako skrótu do wskazania miesięcy o wyjątkowo niskich lub wysokich opadach. Większość efektów jest statystycznie nieistotna, ale odkryliśmy, że wstrząsy suszy mają tendencję do zmniejszania częstości występowania malarii 1–2 miesiące później, podczas gdy odwrotnie, wstrząsy powodziowe mają pozytywny wpływ na częstość występowania 2–3 miesiące później. Te efekty i ich czas są zasadniczo zgodne z oczekiwaniami dotyczącymi tego, w jaki sposób opady wpływają na dostępność siedlisk lęgowych komarów: wyschnięcie zabija larwy i jaja41 , podczas gdy zalanie tworzy nowe siedlisko lęgowe42 . Analizy wrażliwości również słabo sugerowały inny ustalony mechanizm43 , w którym powodzie mogą zmywać jaja i larwy, zmniejszając transmisję w krótszej perspektywie (rysunki uzupełniające 1 i 2 ). Ogólnie rzecz biorąc, ekstremalne opady mają mierzalny wpływ na częstość występowania malarii, ale mogą być mniej istotne niż temperatura; jednak biorąc pod uwagę rzadkość danych ze stacji meteorologicznych44 i niepewność rekonstrukcji opadów45 , jest również możliwe, że nasza analiza nieuchronnie niedoszacowuje wpływu opadów z powodu błędu pomiaru.
Dodatkowe analizy wrażliwości potwierdzają, że te zależności między częstością występowania a klimatem są zarówno statystycznie solidne, jak i biologicznie spójne. Kluczowe ustalenia są stabilne w czasie (rys. uzupełniający 3 ) i są generalnie niewrażliwe na alternatywne specyfikacje modelu, takie jak uwzględnienie opóźnionych efektów temperatury (rys. rozszerzone dane 2 ); efekty wielomianów wyższego rzędu temperatury (rys. uzupełniający 4 ); alternatywne definicje wstrząsów suszy i powodzi (rys. uzupełniające 2 ,  5 i 6 ); alternatywne dane klimatyczne (rys. rozszerzone dane 3 i tabela uzupełniająca 1 ); kontrolowanie typu testu diagnostycznego (tabela uzupełniająca 2 ); alternatywne metody wychwytywania niepewności (tabela uzupełniająca  3 i tabela uzupełniająca 7 ); oraz alternatywne kontrole czasoprzestrzenne, które w różny sposób uwzględniają zmienność w przestrzeni (na poziomie regionu, kraju i stanu), czasie (w tym zmienność roczną i miesięczną) oraz interakcje między przestrzenią a czasem (tabela rozszerzonych danych  1 i tabela rozszerzonych danych 4 ). Wyniki są odporne na pominięcie poszczególnych krajów, lat lub miesięcy z próby (rys. uzupełniający 8 ) i oszacowanie regresji na poziomie siatki, która nie agreguje częstości występowania ani pogody w przestrzeni (rys. uzupełniający 9 ). Wpływ temperatury i powodzi jest najsilniejszy na obszarach wiejskich (rozszerzone dane, rys. 5 ), co jest zgodne z negatywnymi bezpośrednimi zależnościami między urbanizacją a częstością występowania malarii zidentyfikowanymi w poprzednich pracach46 , 47 , a także ze szczególnymi zagrożeniami związanymi z bliskością naturalnych zbiorników wodnych lub gruntów ornych zasilanych deszczem na obszarach wiejskich48 . Jednak skutki suszy są bardzo niepewne, szczególnie na obszarach miejskich. Wreszcie, nasz model statystyczny odtwarza duże redukcje średniej częstości występowania podczas dwóch kluczowych okresów interwencji (1955–1969 i 2000–2015), w których wdrożono znaczące programy zapobiegania malarii na całym kontynencie (rys. 2d ).
Ogólnie rzecz biorąc, stwierdziliśmy silny związek między częstością występowania malarii a klimatem, w tym zarówno temperaturą, jak i opadami deszczu, co jest zgodne z oczekiwaniami opartymi na dowodach eksperymentalnych i ekologicznych. Chociaż zmiana klimatu prawdopodobnie nie będzie najsilniejszym czynnikiem wpływającym na globalne trendy endemiczności malarii (patrz następna sekcja), w skali lokalnej miesięczny i roczny wpływ zmienności klimatu może być porównywalny pod względem skali z wpływem głównych interwencji (ryc. 2d ). Odkrycia te sugerują, że programy walki z malarią powinny reagować na zmiany klimatu w skali lokalnej i krajowej, a systemy wczesnego ostrzegania oparte na pogodzie mogłyby być przydatne w przewidywaniu krótkoterminowej dynamiki choroby49.

Historyczne skutki zmian klimatycznych

Odkryliśmy, że antropogeniczna zmiana klimatu była najprawdopodobniej odpowiedzialna za niewielki wzrost średniej częstości występowania malarii u dzieci w Afryce Subsaharyjskiej od 1901 r. (rys. 2e ). W porównaniu z symulacjami kontrfaktycznymi bez antropogenicznego wymuszania klimatycznego oszacowaliśmy, że do 2010–2014 r. antropogeniczna zmiana klimatu spowodowała wzrost średniej kontynentalnej Pf PR 2−10 o 0,07 pp (95% CI od −0,41 do 0,60 pp). Symulacje z przypisywalnym wzrostem średniej częstości występowania na całym kontynencie przewyższają liczebnie te ze stratami o współczynnik 1,4 (stosunek P + 10 000 sparowanych symulacji faktycznych do kontrfaktycznych z dodatnią różnicą w częstości występowania = 0,59). Wzrosty te są prawie wyłącznie spowodowane wzrostem temperatur spowodowanym antropogenicznym wymuszaniem klimatycznym; skutki susz i powodzi na występowanie nie wykazują wyraźnego sygnału pochodzącego od antropogenicznego wymuszania klimatycznego w czasie (rozszerzone dane, rys. 6 ).
Ta ogólna tendencja maskuje znaczną heterogeniczność regionalną w historycznych skutkach zmian klimatu (rys. 3a i rozszerzone dane rys. 7 ), spowodowaną niemal wyłącznie przez gradienty wysokościowe i szerokości geograficznej temperatury (rys. 3b, c ). Na przykład, możliwe do przypisania zmiany w częstości występowania w południowej Afryce są wysokie zarówno pod względem wielkości, jak i pewności, ze wzrostem o 0,60 pp (95% CI -0,24 do 1,61 pp; P +  = 0,91), prawie rząd wielkości większym niż średnia kontynentalna (rys. 3d ). Z kolei zmiany klimatu przyczyniły się do znacznie niższej częstości występowania malarii w Afryce Zachodniej (średnia = -0,40 pp; 95% CI -0,96 do 0,04 pp; P +  = 0,04), gdzie temperatury często przekraczają biologiczne optimum transmisji. W centralnoafrykańskim basenie, będącym bastionem endemiczności malarii, ze średnimi temperaturami bliskimi 25°C, zmiana częstości występowania przypisywana antropogenicznej zmianie klimatu jest dodatnia, stosunkowo niewielka i nieco niepewna (średnia = 0,17 pp; 95% CI od -0,30 do 0,70 pp; P +  = 0,75). Na koniec oszacowaliśmy znaczący ogólny wzrost częstości występowania przypisywany antropogenicznej zmianie klimatu we wschodniej Afryce (średnia = 0,32 pp; 95% CI od -0,30 do 1,00 pp; P +  = 0,84), ale zauważmy, że zmiany częstości występowania są nierównomiernie rozłożone wzdłuż stromego gradientu wysokości: wzrostom do 1–2 pp na wyżynach Etiopii i w regionie Wielkiego Rowu Afrykańskiego towarzyszą niewielkie, ale znaczące lokalne spadki na obszarach nizinnych w Etiopii, Sudanie, Sudanie Południowym, Erytrei i Dżibuti. W wysoko położonych obszarach Afryki Wschodniej (zdefiniowanych jako pierwsze jednostki administracyjne o średniej wysokości ponad 1 km) antropogeniczna zmiana klimatu spowodowała wzrost częstości występowania o średnio 0,81 pp (95% CI od −0,07 do 1,88; P +  = 0,94).
Rozłożenie tych wpływów na poziom miesięczny ujawnia wzajemne oddziaływanie przestrzeni, pór roku i zmieniających się obciążeń (Rozszerzone dane, rys. 8 i tabela uzupełniająca 4 ). W południowej Afryce rosnące temperatury wydłużyły potencjalny koniec sezonu malarii na miesiące zimowe (czerwiec i lipiec). Potwierdza to długoletnią teorię, że napędzana zmianami klimatu ekspansja chorób przenoszonych przez wektory w kierunku biegunów może wynikać ze zmieniających się długości sezonów i ograniczeń, jakie nakładają one na endemiczność6 , 50. Jednak w pozostałej części Afryki Subsaharyjskiej wpływ zmian klimatu jest na ogół zgodny z istniejącą sezonowością: na przykład w nizinnych regionach środkowej i wschodniej Afryki wpływ zmian klimatu jest rozłożony znacznie bardziej równomiernie w ciągu roku, ale ma silniejszy szczyt w lipcu i sierpniu oraz słabszy szczyt od grudnia do lutego51 . Z kolei w Afryce Zachodniej negatywny wpływ temperatury koncentruje się w najgorętszych miesiącach (kwietniu i maju), w najniższym punkcie cyklu transmisji.
Choć efekty te są znaczące, przestrzegamy, że są one znacznie mniejsze od redukcji osiągniętej dzięki opiece zdrowotnej, moskitierom, kontroli wektorów i rozwojowi gospodarczemu; wcześniejsze prace z wykorzystaniem tego samego zestawu danych oszacowały redukcję od 1900 r. na 16 pp (czyli spadek średniego Pf PR 2−10 na całym kontynencie z 40% w latach 1900–1929 do 24% w latach 2010–2015 (odnośnik 2 )), podczas gdy nasze szacunki historycznych zmian przypisywanych zmianom klimatu rzadko przekraczają 1,5 pp dla jakiegokolwiek indywidualnego regionu administracyjnego. Ponadto oszacowaliśmy, że średnie redukcje częstości występowania osiągnięte w ramach Globalnego Programu Eliminacji Malarii (1955–1969; szacowana średnia redukcja w całym okresie -4,84 pp) i niedawnych programów, takich jak Roll Back Malaria i Globalna Strategia Techniczna (2000–2015; szacowana średnia redukcja w całym okresie -3,36 pp) były znacznie większe niż skumulowane skutki antropogenicznej zmiany klimatu (Tabela danych rozszerzonych 1 ). Stosunkowo niewielkie i zróżnicowane przestrzennie zmiany obciążenia związane z klimatem mogły zostać łatwo przesłonięte przez większy wpływ tych programów, co podkreśla zarówno sukces programów eliminacji, jak i znaczenie stosowania podejścia empirycznego w celu wyizolowania wpływu klimatu od innych współewoluujących czynników.

Przyszłe skutki zmian klimatycznych

Pomimo współczesnych trendów prognozujemy, że w ciągu najbliższego ćwierćwiecza antropogeniczna zmiana klimatu zacznie zmniejszać występowanie malarii P. falciparum w Afryce Subsaharyjskiej (rys. 2d i tabela danych rozszerzonych 2 ). Trend ten jest w dużej mierze napędzany przez rosnące temperatury na obszarach nizinnych na północ od równika, z większymi możliwymi redukcjami w scenariuszach wyższych emisji gazów cieplarnianych (rys. 4 ). W tych scenariuszach spadki związane z temperaturą są nieznacznie równoważone przez powodzie, które staną się częstsze w całej Afryce 31 , chociaż ich wpływ na ogólne trendy jest znikomy w porównaniu z temperaturą (rys. danych rozszerzonych 9 ). Nawet w przyszłym scenariuszu niskiej emisji (SSP1–RCP2.6: średnie globalne ocieplenie według modeli wynoszące +1,8 °C w latach 2048–2052; +1,9 °C w latach 2096–2100) przewiduje się, że wzrost częstości występowania spowodowany historyczną antropogeniczną zmianą klimatu zostanie zasadniczo zniwelowany do połowy stulecia, stabilizując się na poziomie około -0,11 pp (95% CI od -0,48 do 0,20 pp) przewidywanego spadku w całej Afryce Subsaharyjskiej w porównaniu z latami 2015–2020. W scenariuszu wysokich emisji (SSP5–RCP8.5: +2,4 °C w latach 2048–2052; +5,2 °C w latach 2096–2100) prognozujemy, że spadek częstości występowania będzie przyspieszał z czasem, osiągając średnio -0,29 pp (95% CI od -0,94 do 0,32 pp) do połowy stulecia i -2,04 pp (95% CI od -5,21 do 0,00 pp) do końca stulecia. Jest to prognozowana redukcja, która zaczyna zbliżać się do skali niektórych historycznych programów eradykacji.
Chociaż równowaga między regionami zacznie się zmieniać, geograficzny wzorzec przyszłych zmian w częstości występowania malarii prawdopodobnie odtworzy obecną heterogeniczność skutków, ponieważ transmisja malarii nadal będzie przesuwać się wzdłuż linii szerokości geograficznej i wysokości pod względem temperatury (ryc. 4 i rozszerzone dane ryc. 10 ). Przewiduje się, że najbardziej dramatyczna transformacja nastąpi w Afryce Zachodniej, szczególnie w scenariuszu wysokich emisji (SSP5–RCP8.5), z prognozowanym spadkiem o -1,13 pp (95% CI od -2,00 do -0,38 pp) do połowy stulecia i oszałamiającym spadkiem o -4,50 pp (95% CI od -9,44 do -1,63 pp) do 2100 roku. Podobne, ale płytsze spadki prognozowane są w Afryce Środkowej, gdzie redukcje pod koniec stulecia mogą osiągnąć od -0,09 pp (SSP1–RCP2.6; 95% CI od -0,51 do 0,27 pp) do -1,56 pp (SSP5–RCP8.5; 95% CI od -4,72 do 0,48 pp). Z drugiej strony, lokalne wzrosty częstości występowania będą się utrzymywać w chłodniejszych rejonach Wyżyny Etiopskiej, w regionie Wielkiego Rowu Afrykańskiego i na wybrzeżu południowej Afryki, potencjalnie osiągając 5 pp lub więcej w niektórych obszarach. Ogólnym efektem we wschodniej i południowej Afryce jest prognozowany wzrost częstości występowania, z wyjątkiem scenariusza najwyższych emisji (SSP5–RCP8.5), gdzie oba regiony zaczną odnotowywać spadki w połowie stulecia, a Afryka Wschodnia ostatecznie spadnie o -0,68 pp (95% CI -3,00 do 1,10 pp) poniżej obecnego poziomu do 2100 roku.
Ogólnie rzecz biorąc, nasze wyniki sugerują, że głównym efektem łagodzenia zmian klimatu będzie utrzymanie średnich temperatur w Afryce Subsaharyjskiej bliżej zakresu optymalnego dla transmisji malarii. Jednak w wielu chłodniejszych lokalizacjach, takich jak części Afryki Wschodniej i Południowej, redukcja emisji gazów cieplarnianych może zapobiec znacznemu wzrostowi częstości występowania malarii spowodowanemu zmianami klimatu, choć niepewność jest wysoka. Na przykład, do połowy stulecia ograniczenie globalnego ocieplenia poniżej limitu +2°C określonego w Porozumieniu Paryskim (osiągniętego w ramach SSP1–RCP2.6) ma zapobiec szacunkowo 2 przypadkom malarii na 1000 dzieci w Afryce Południowej (95% CI od –2 do 6) w porównaniu ze scenariuszem emisji pośrednich (SSP2–RCP4.5 +2,0°C w latach 2048–2052; +3,0°C w latach 2096–2100). Do końca stulecia korzyści te mogą być jeszcze większe, gdyż na 1000 dzieci w południowej Afryce uda się zapobiec 5 dodatkowym przypadkom (95% CI od -4 do 14) oraz na dużych wysokościach (ponad 1 km) w Afryce Wschodniej (95% CI od -3 do 13; tabela danych rozszerzonych 2 i ryc. danych rozszerzonych   10 ).

Dyskusja

W niniejszym badaniu zastosowaliśmy kompleksowy model atrybucji wpływu do stuletniego monitoringu malarii, co pozwoliło nam oszacować historyczny i prognozowany przyszły wpływ antropogenicznej zmiany klimatu na malarię dziecięcą w Afryce Subsaharyjskiej. Stwierdziliśmy 59% prawdopodobieństwo, że antropogeniczna zmiana klimatu od 1901 roku zwiększyła obciążenie malarią; średnio w całej Afryce niewielką i niepewną liczbę przypadków nadmiernej zachorowalności na malarię (średnio 1 na 1000 dzieci, z 95% przedziałem ufności od -4 do 6) można przypisać historycznej zmianie klimatu spowodowanej przez człowieka. Jednak obciążenie to spada nieproporcjonalnie na Afrykę Południową i Wschodnią; oszacowaliśmy odpowiednio 91% i 84% prawdopodobieństwo, że antropogeniczna zmiana klimatu zwiększyła obecne występowanie malarii w tych regionach. Przewidujemy, że częstość występowania malarii w Afryce Południowej i Wschodniej pozostanie wysoka w przyszłości: nawet w scenariuszu zakładającym niską emisję, który prawdopodobnie ograniczy globalne ocieplenie poniżej +2 °C (SSP1–RCP2.6), oszacowaliśmy, że do roku 2100 w tych regionach liczba przypadków malarii wzrośnie o odpowiednio o 3 (95% CI od -2 do 10) i 1 (95% CI od -4 do 5) na 1000 dzieci w porównaniu z obecną sytuacją. Z kolei w wielu innych regionach Afryki prognozujemy, że ogólny wpływ przyszłych zmian klimatu będzie stanowił redukcję netto zachorowań na malarię: zmiany te będą najbardziej drastyczne w Afryce Zachodniej i Środkowej, gdzie w scenariuszu wysokich emisji (SSP5–RCP8.5) przyszłe zmiany klimatu mogą zmniejszyć częstość występowania choroby nawet o 45 (Afryka Zachodnia; 95% CI od -94 do -16) lub 16 (Afryka Środkowa; 95% CI od -47 do 5) przypadków na 1000 dzieci. Nasze wyniki sugerują, że zmiany klimatu mogą działać synergicznie z działaniami na rzecz eradykacji w krajach takich jak Nigeria i Demokratyczna Republika Konga, gdzie obecne obciążenie malarią jest najwyższe, ale będą nadal stwarzać nowe zagrożenia w krajach takich jak Etiopia i Republika Południowej Afryki.
Nasza analiza obejmująca wiele stuleci jest jak dotąd najbardziej kompleksowym spojrzeniem na wpływ zmiany klimatu na jakąkolwiek chorobę zakaźną i wnosi nową jasność do trwającej od dziesięcioleci debaty w badaniach nad malarią. Podczas gdy niektóre prace kwestionowały prawdopodobieństwo, że ogólne spadki częstości występowania na całym kontynencie mogłyby ukryć wzrost powiązany ze klimatem2 , 15 , wzrost o 0,074 pp w Pf PR 2−10 , który przypisaliśmy historycznej antropogenicznej zmianie klimatu , mógłby łatwo zostać przesłonięty przez ponad 200-krotnie większą ogólną redukcję zaobserwowaną w całej Afryce Subsaharyjskiej w tym samym okresie2 . Nasze regionalne szacunki są również ogólnie zgodne z poprzednimi laboratoryjnymi lub lokalnymi pracami empirycznymi, które sugerują, że Afryka Wschodnia i Południowa doświadczają zmian w kierunku temperatur, które są nowe, sprzyjające transmisji lub mają dłuższe sezony malaryczne6 , podczas gdy w Afryce Zachodniej i Środkowej skutki zmiany klimatu były trudniejsze do wykrycia, a przyszłe ocieplenie może przekroczyć fizjologiczne granice transmisji malarii6 , 9 . Należy zauważyć, że nasze badanie dostarcza solidnych, empirycznych dowodów na to, że spowodowana przez człowieka zmiana klimatu przynajmniej w niewielkim stopniu przyczyniła się do ponownego wzrostu zachorowań na malarię w wysokogórskich regionach Kenii i Etiopii, co jest zgodne z lokalnymi szeregami czasowymi epidemii i symulowaną dynamiką opartą na danych z lokalnych stacji meteorologicznych17 , 20 , 29 .
Nasze badanie godzi zatem trzy długotrwałe idee, które są czasami traktowane jako paradoksalne: antropogeniczna zmiana klimatu nie jest główną siłą kształtującą przeszłe lub prawdopodobnie przyszłe trendy w rozpowszechnieniu malarii 2 , 12 , 15 . Jednakże jest bardziej prawdopodobne, że antropogeniczna zmiana klimatu zwiększyła obciążenie malarią w Afryce Subsaharyjskiej 10 , 11 , 17 , 20 , a na dużych wysokościach i szerokościach geograficznych będzie to kontynuować przez kilka kolejnych dekad 6 . Niemniej jednak rosnące temperatury na niższych szerokościach geograficznych i wysokościach w Afryce będą w większości zgodne z przyszłymi wysiłkami na rzecz wykorzenienia P. falciparum z Afryki Subsaharyjskiej 6 , 15 , 52 . Konieczne będą dalsze prace, aby umiejscowić te globalne trendy w lokalnych kontekstach, w szczególności poprzez prace wykorzystujące dane longitudinalne ze społeczności endemicznych dla malarii. Podobnie, nasze badanie zapewnia długoterminową perspektywę przyszłych skutków zmian klimatu w różnych scenariuszach emisji, ale nie może być wykorzystywane jako prognoza rocznych zmian w transmisji malarii. Przyszłe prace powinny zbadać nowe metody krótkoterminowego prognozowania klimatu, które mogłyby dostarczyć decydentom w dziedzinie zdrowia publicznego informacji o tym, czego można się spodziewać w ciągu najbliższego roku (53) do dekady (54) , czyli w perspektywie najbardziej istotnej dla kontroli malarii.
Pomimo zmian klimatycznych, kampanie eliminacyjne doprowadziły już do znacznego zmniejszenia endemiczności malarii w ciągu ostatniego stulecia. Nasze badanie podkreśla, że ​​łączne korzyści z nadzoru nad chorobami, opieki zdrowotnej, kontroli wektorów i rozwoju gospodarczego mogą łatwo zrównoważyć skutki zmian klimatycznych w większości miejsc, a eliminacja malarii w ciągu następnego pokolenia pozostaje realna, nawet w obliczu zmian klimatycznych. Inne niedawne badanie wykazało, że pasywne zmiany klimatu, użytkowania gruntów i rozwoju doprowadzą do umiarkowanego zmniejszenia częstości występowania malarii w ciągu najbliższych 25 lat, ale przy 80% skutecznym zasięgu chemioterapii, oprysków resztkowych w pomieszczeniach i moskitier nasączonych insektycydami, malaria mogłaby zostać niemal wyeliminowana w Afryce Subsaharyjskiej do 2050 roku (ref. 55 ). W ciągu ostatnich kilku lat szanse na sukces znacznie wzrosły dzięki nowym szczepionkom przeciw malarii RTS, S i R21: czterodawkowy schemat szczepień R21 mógłby zapobiec od jednej trzeciej do połowy wszystkich przypadków malarii u dzieci poniżej 5 roku życia 56 . Nawet w miejscach, w których zmiany klimatyczne przyczyniają się do nasilenia zakażeń malarią, łączone stosowanie klasycznych i nowych metod leczenia powinno przynieść znacznie lepsze efekty, pod warunkiem, że interwencje te będą mogły być kontynuowane.
W chwili pisania tego tekstu postęp w kierunku eliminacji malarii wisi na włosku, ponieważ globalne finansowanie opieki zdrowotnej stoi w obliczu bezprecedensowego momentu niedoboru zasobów. Kilka niedawnych anegdot wzbudziło istotne obawy dotyczące kruchości eliminacji, takie jak odrodzenie się malarii w Ekwadorze i Peru związane z migracją z Wenezueli57 lub szacowane 10 000 dodatkowych zgonów z powodu malarii — i 3,5 miliona nieleczonych przypadków — spowodowanych zakłóceniami w opiece zdrowotnej podczas epidemii wirusa Ebola w Afryce Zachodniej w 2014 roku58. Obawy dotyczące odrodzenia związanego ze zmianami klimatu są również bardziej wiarygodne, biorąc pod uwagę trwającą inwazję komara Anopheles stephensi , który dobrze rozwija się w miastach, został już zgłoszony w kilku miejscach w Afryce Wschodniej i może być w stanie przenosić P. falciparum do znacznie wyższych temperatur (około 37 °C) niż A. gambiae (około 30 °C) 5. Chociaż nasze dane dostarczają sugestii, że historycznie temperatura miała mniejszy wpływ na częstość występowania na obszarach miejskich niż na obszarach wiejskich (Rozszerzone dane, rys. 5 ), gdyby A. stephensi stał się dominującym wektorem na całym kontynencie, zmiana klimatu mogłaby stać się jeszcze bardziej palącym problemem59,60. Zagrożenia te jedynie zwiększają pilność globalnych celów wyeliminowania zarówno malarii, jak i emisji gazów cieplarnianych .

Metody

Dane dotyczące częstości występowania malarii

Wykorzystaliśmy niedawno opublikowaną bazę danych dotyczącą częstości występowania P. falciparum w Afryce Subsaharyjskiej 2 . To kompendium, opracowywane przez Snow i in. przez ponad dwie dekady, jest jedną z najbardziej przestrzennie i czasowo kompletnych publicznie dostępnych baz danych dotyczących obciążenia chorobami zakaźnymi. Baza danych obejmuje okres od 1900 do 2016 roku, chociaż pobieranie próbek znacznie wzrosło od przełomu wieków (przed 2000 r.: n  = 32 533; po 2000 r.: n  = 17 892). Większość badań częstości występowania wykorzystywała mikroskopię do diagnostyki ( n  = 36 805), ale znaczna część danych pochodzi również z szybkich testów diagnostycznych ( n  = 11 154). Dane zostały skompilowane z mieszanki badań archiwalnych w dokumentach zdrowia publicznego, w tym zapisów rządów kolonialnych i kampanii eliminacyjnych z różnych okresów; danych z krajowych badań ankietowych; elektronicznych zapisów opublikowanych w recenzowanych czasopismach i szarych źródłach danych (na przykład dokumentach technicznych Światowej Organizacji Zdrowia); oraz mieszanka innych źródeł zebranych przez organizacje międzynarodowe. W pierwotnym badaniu georeferencjonowano zapisy przy użyciu standardowego zestawu protokołów, z progiem niepewności siatki 5 km dla danych punktowych i szerszymi obszarami zapisanymi jako wielokąty administracyjne. Łącznie dane obejmują 50 425 badań rozpowszechnienia w 36 966 unikalnych lokalizacjach georeferencyjnych.
Dane Snow et al. obejmują wszystkie dostępne badania częstości występowania, w tym wszystkie przedziały wiekowe, ale zostały przekształcone przez autorów oryginalnego badania na standaryzowane oszacowanie częstości występowania u dzieci w wieku 2–10 lat ( Pf PR 2–10 ), przy użyciu modelu Muencha konwersji katalitycznej. Zdecydowaliśmy się na wykorzystanie tych standaryzowanych oszacowań częstości występowania malarii u dzieci, ponieważ malaria wywołana przez Falciparum ma najwyższą śmiertelność wśród dzieci i kobiet w ciąży. Wnioskowane przez nas trendy powinny być generalnie reprezentatywne dla szerszej transmisji w różnych grupach wiekowych. W niektórych przypadkach zauważamy, że spadek narażenia we wczesnym okresie życia może prowadzić do wzrostu częstości występowania u dorosłych61 ; jednak te skutki będą prawdopodobnie niewielkie, szczególnie biorąc pod uwagę, że aktywne i pasywne ulepszenia w zapobieganiu, kontroli i leczeniu malarii znacznie bardziej bezpośrednio determinują trendy w ryzyku malarii u dorosłych.

Dane klimatyczne

W niniejszym badaniu wykorzystaliśmy dwa zestawy danych klimatycznych. Pierwszy to zbiór danych obserwacyjnych z Climatic Research Unit (CRU-TS; wersja 4.03 do trenowania modelu i korekcji błędów), który został zbudowany na podstawie miesięcznych obserwacji z rozległych sieci stacji meteorologicznych z całego świata62 . CRU-TS dostarcza dane klimatyczne wyłącznie dla obszarów lądowych o rozdzielczości przestrzennej 0,5° × 0,5°, obejmujące okres od 1901 roku do chwili obecnej (choć nasza analiza ogranicza się do okresu 1901–2016). Drugi zestaw danych pochodzi z dziesięciu globalnych modeli klimatycznych (GCM) wybranych w szóstej fazie projektu sprzężonego porównania modeli (CMIP6): ACCESS-CM2, ACCESS-ESM1-5, BCC-CSM2-MR, CanESM5, FGOALS-g3, GFDL-ESM4, IPSL-CM6A-LR, MIROC6, MRI-ESM2-0 i NorESM2-LM. W naszej analizie historycznej przeanalizowaliśmy (według GCM) jedną realizację modelu symulacji „historycznej”, która obejmuje antropogeniczne emisje gazów cieplarnianych, oraz jedną realizację z symulacji „historyczno-naturalnej”, która obejmuje jedynie wymuszanie klimatyczne słoneczne i wulkaniczne. Zarówno w przypadku symulacji historycznej, jak i historyczno-naturalnej (dalej i w tekście głównym odpowiednio „klimat historyczny” i „historyczne kontrfaktyczne”) przeanalizowaliśmy okres 1901–2014.
Aby zbadać ciągły wpływ zmiany klimatu na rozpowszechnienie malarii w latach 2015–2100, przeanalizowaliśmy trzy symulacje przyszłych zmian klimatu CMIP6 z każdego z 10 modeli GCM. SSP odnoszą się do poziomu potencjalnego przyszłego globalnego rozwoju (społecznego, ekonomicznego i technologicznego) oraz implikacji dla działań lub polityki łagodzenia zmiany klimatu i/lub adaptacji do niej63 , 64. SSP są łączone z różnymi możliwymi przyszłymi wymuszeniami radiacyjnymi (RCP), aby utworzyć scenariusze zmian klimatu wykorzystywane w CMIP6. Spośród dostępnych scenariuszy SSP–RCP wybraliśmy i wykorzystaliśmy trzy. Pierwsze dwa sugerują lepsze wyniki rozwoju człowieka ze zwiększonym potencjałem w kierunku bardziej zrównoważonej (SSP1) 65 lub mniej zrównoważonej (SSP5) 66 gospodarki. Trzeci, SSP2 (ref. 67 ), jest scenariuszem pośrednim, który zakłada przyszłość, która w większości podąża za trendami historycznymi64 . Wybraliśmy te scenariusze w połączeniu ze scenariuszami zakładającymi niskie (SSP1–RCP2.6), średnie (SSP2–RCP4.5) i wysokie (SSP5–RCP8.5) stężenie gazów cieplarnianych.
Zastosowaliśmy standardową korektę odchyleń kwantyl–kwantyl (Q–Q) 68 , 69 do zestawów danych opadów i temperatury CMIP6 dla obu symulacji historycznych dla okresu 1901–2014 oraz wszystkich trzech symulacji przyszłych dla okresu 2015–2100. Przed korektą odchyleń najpierw ponownie odwzorowaliśmy wszystkie symulowane zestawy danych opadów i temperatury CMIP6 na ten sam rozmiar komórki siatki (0,5° × 0,5°), co dane obserwacyjne CRU-TS. Następnie dla każdego modelu CMIP6 wykonaliśmy korektę odchyleń Q–Q w każdym punkcie siatki, mapując wartości kwantylowe ( q i ) dla empirycznych funkcji rozkładu skumulowanego dla każdego z 12 miesięcy w okresie 1901–2014 (dla każdego punktu siatki) na odpowiadające im kwantyle w zestawie danych obserwacyjnych (CRU-TS), tak aby obserwowane wartości opadów lub temperatury powiązane z q i stały się wartościami skorygowanymi o odchylenia w symulacjach. W przypadku symulacji kontrfaktycznych (i przyszłych) najpierw określiliśmy w każdym punkcie siatki dla każdej wartości opadów lub temperatury (dla każdego miesiąca) w okresie 1901–2014 (2015–2100) kwantyl równoważny ( q j ) w symulacji faktycznej, a następnie zidentyfikowaliśmy wartość opadów lub temperatury powiązaną z q j w zestawie danych obserwacyjnych jako wartość skorygowaną o odchylenia. Przed zastosowaniem procedury korekcji odchyleń usunęliśmy trendy z zestawów danych dotyczących opadów i temperatury, a następnie dodaliśmy trendy z powrotem po 69 minutach. 

Agregacja danych przestrzennych

Nasza analiza statystyczna ma na celu wyizolowanie zmienności pogody, która nie jest skorelowana z innymi czynnikami społeczno-ekonomicznymi i/lub środowiskowymi wpływającymi na rozpowszechnienie malarii. Jak szczegółowo opisano w następnej sekcji, opieramy się na dużej liczbie badań ekonometrii klimatu38 , 40 , 70 , aby to zrobić, szacując model, który wykorzystuje zmienność warunków pogodowych w tym samym miejscu w czasie. Aby oszacować taki model, potrzebowaliśmy obserwacji rozpowszechnienia malarii obejmujących ten sam region w wielu okresach czasu. Natomiast surowe dane dotyczące rozpowszechnienia, które uzyskaliśmy z ref. 2 , to obserwacje danych punktowych z indywidualnych badań przeprowadzonych w różnych momentach, tak aby pojedyncze geolokalizacje nie były obserwowane wielokrotnie w czasie. Dlatego zagregowaliśmy dane na poziomie punktowym z ref. 2 , uśredniając obserwacje Pf PR 2−10 do pierwszego poziomu administracyjnego w każdym kraju (tj. na poziomie stanu lub prowincji, w skrócie ADM1), korzystając z plików shapefile dostarczonych przez zestaw danych Database of Global Administrative Areas v3.6 ( www.gadm.org ). Ten poziom agregacji zapewnia wystarczającą granularność, aby uchwycić różnice w oddziaływaniu klimatu w poszczególnych krajach i kontrolować lokalną heterogeniczność czynników zakłócających, zapewniając jednocześnie wystarczające pokrycie danych w tych jednostkach. Taka skala agregacji została również zastosowana we wcześniejszych pracach, w których modelowano ten zbiór danych w tej samej rozdzielczości przestrzennej [2] . Dla zapewnienia solidności przedstawiamy również wyniki z modelu statystycznego, który nie agreguje danych, a zamiast tego wykorzystuje dane o rozpowszechnieniu w ich natywnej rozdzielczości (szczegóły poniżej).
Aby obliczyć średnie wartości rozpowszechnienia w skali ADM1, zastosowaliśmy nieważoną średnią arytmetyczną ze wszystkich badań rozpowszechnienia obserwowanych w odpowiednim miesiącu ADM1. To podejście nakłada minimalne założenia na czasoprzestrzenny proces transmisji malarii i nie wymaga dodatkowych danych o wysokiej rozdzielczości (na przykład danych populacyjnych) jako wag, które są niedostępne dla Afryki Subsaharyjskiej już od 1901 roku. Chociaż wcześniejsze prace mające na celu skonstruowanie kompleksowych, wysokorozdzielczych szacunków wyników zdrowotnych z wykorzystaniem danych punktowych często wykorzystują metody wygładzania czasoprzestrzennego (na przykład ref. 71 ), takie zastosowanie w tym przypadku sztucznie wprowadziłoby korelacje przestrzenne i czasowe, które mogłyby zaburzyć uzyskane współczynniki regresji i zagrozić wnioskowaniu72 .
Podobnie agregujemy miesięczne dane pogodowe na poziomie siatki 0,5° (ze wszystkich modeli CRU-TS i CMIP6) na poziomie miesięcznym ADM1. Aby to zrobić bez wprowadzania błędów agregacji, zastosowaliśmy metody z poprzednich badań wykazujące, że możliwe jest statystyczne odtworzenie nieliniowych zależności, które mają miejsce przy wysokiej rozdzielczości przestrzennej i czasowej, nawet gdy rozdzielczość dostępnych danych wynikowych jest stosunkowo gruba (tj. średnia częstość występowania malarii na poziomie miesięcznym ADM1) 40 , 73 , 74 , 75 , 76. W naszym przypadku osiąga się to poprzez obliczenie nieliniowych transformacji wielomianowych temperatury na poziomie siatki komórka po miesiącu przed agregacją tych wartości w jednostkach administracyjnych. Takie podejście zapewnia, że ​​zmienne temperatury używane do oszacowania odzwierciedlają pełny rozkład temperatur występujących w regionach administracyjnych o różnej wielkości i terenie. Na przykład, wiele z 12 regionów ADM1 w Etiopii obejmuje zarówno gorące strefy nisko położone, jak i zimne wyżyny, co oznacza, że ​​temperatury w obrębie ADM1 mogą się znacznie różnić w ciągu tego samego miesiąca. Obliczyliśmy wielomiany drugiego stopnia dla każdej komórki siatki przed agregacją danych dla tak zróżnicowanych krajobrazów, aby zapewnić, że zmienne regresora uwzględniają zarówno ekstremalne zimno, jak i ekstremalne upały, nawet jeśli występują one jednocześnie w granicach ADM1.
Aby sprawdzić tę metodę w praktyce, niech Pf PR g i t oznacza średnią częstość występowania malarii u dzieci w wieku 2–10 lat w komórce siatki g zlokalizowanej w jednostce administracyjnej i w miesiącu t , a T g i t oznacza temperaturę obserwowaną w tej samej skali czasoprzestrzennej. Zgodnie z wcześniejszymi badaniami , w których odtworzono lokalne zależności kwadratowe między częstością występowania malarii a temperaturą77,78 , założyliśmy , że częstość występowania w komórce siatki g w miesiącu t jest funkcją kwadratową temperatury odczuwanej w tej samej komórce siatki i miesiącu (zauważając, że przedstawiamy wyniki odbiegające od tego założenia, takie jak inne nieliniowe formy funkcjonalne i możliwość opóźnień czasowych):
(1) gdzie β 1 i β 2 są stałymi średnimi współczynnikami. Jak omówiono powyżej, nie możemy empirycznie oszacować modelu takiego jak równanie ( 1 ) w sposób wiarygodny, ponieważ nie zaobserwowaliśmy częstości występowania przez wiele miesięcy t dla tej samej komórki siatki g . Zamiast tego nasza specyfikacja empiryczna opiera się na średnich zmiennych częstości występowania na poziomie ADM1 na poziomie miesiąca P f PR i t . Zatem musimy zagregować równanie ( 1 ) w sposób, który pozwoli nam odzyskać te same współczynniki β 1 i β 2 , które opisują lokalną reakcję temperaturową i które odzyskalibyśmy, gdybyśmy byli w stanie oszacować równanie ( 1 ) bezpośrednio. Dokładniej, średnią częstość występowania na poziomie ADM1 na poziomie miesiąca można zapisać jako:
(2) gdzie ω g i oznacza wagę siatki ADM1. W naszym przypadku oszacowaliśmy średnią wartość częstości występowania ważoną obszarem, ustawiając ω g i jako równą udziałowi powierzchni jednostki administracyjnej i , która przypada na komórkę siatki g , ponieważ brak danych o populacji o wysokiej rozdzielczości uniemożliwia ważenie populacji.
Równanie ( 2 ) pokazuje, że regresja średniej częstości występowania w jednostce i ADM1 oraz miesiącu t na zmiennych, które są ważonymi agregatami miesięcznymi ADM1 nieliniowych wyrazów temperatury T g i t oraz , w oczekiwaniu odzyska te same współczynniki β 1 i β 2 , które opisują fundamentalną zależność na poziomie siatki opisaną przez równanie ( 1 ). Tę samą procedurę zastosowano do oszacowania zależności między: miesięczną częstością występowania dengi na poziomie administracyjnym a dzienną temperaturą na poziomie siatki 76 ; roczną śmiertelnością z wszystkich przyczyn a dzienną temperaturą na poziomie siatki 75 , 79 ; rocznymi plonami upraw na poziomie kraju a dzienną wilgotnością gleby na poziomie siatki 80 ; wśród wielu innych przykładów. Podobnie jak w tych innych przypadkach, nasze podejście łagodzi błąd agregacji do poziomu rozdzielczości siatki danych klimatycznych. Chociaż klimat i częstość występowania prawdopodobnie różnią się w różnych miejscach w obrębie każdej komórki siatki, nie możemy tutaj ustalić takiej dynamiki, biorąc pod uwagę brak wiarygodnych danych pogodowych o wyższej rozdzielczości w Afryce w rozszerzonym okresie naszej analizy 62 .
Zauważamy, że alternatywnie można skonstruować nieliniowe zmienne pogodowe po zagregowaniu ich do jednostki administracyjnej, szacując w ten sposób:
(3) gdzie odzyskane parametry i są obciążone względem podstawowej zależności w równaniu ( 1 ), ponieważ , ze względu na nierówność Jensena.
W związku z tym skonstruowaliśmy wektor zmiennych temperatury ADM1-miesiąca, obliczając nieliniowe transformacje na poziomie siatki przed agregacją w przestrzeni, zgodnie z równaniem ( 2 ). Chociaż moglibyśmy w zasadzie zastosować tę samą procedurę dla opadów, zamiast tego obliczyliśmy zmienne suszy i powodzi na poziomie ADM1-miesiąca, ze względu na wysoki wskaźnik błędnych pomiarów w szacunkach opadów na poziomie siatki62 i ze względu na prawdopodobieństwo, że zależności między częstością występowania a opadami występują w większych skalach przestrzennych niż pojedyncza komórka siatki (tj. woda przepływa przez systemy hydrologiczne łączące opady w jednym miejscu z dostępnością wody i częstością występowania w dół rzeki). W ćwiczeniu wytrzymałości szczegółowo opisanym poniżej pokazujemy, że korzystanie z danych o opadach na poziomie siatki generuje podobne wyniki jak nasz zagregowany model, ale zwiększa niepewność, co jest zgodne z dowodami na temat błędnych pomiarów opadów w Afryce.
Wszystkie główne wyniki opierają się na procedurze agregacji przestrzennej opisanej powyżej. Oszacowaliśmy jednak dodatkowo alternatywny model, który wykorzystuje bezpośrednio dane o częstości występowania na poziomie punktowym, nie wprowadzając agregacji przestrzennej wykraczającej poza rozdzielczość danych pogodowych (0,5°). Jak szczegółowo opisano poniżej i pokazano na rysunku uzupełniającym 9 , uzyskane wyniki dotyczące częstości występowania i temperatury są bardzo podobne przy użyciu tych dwóch różnych metod.

Model statystyczny

Wpływ warunków klimatycznych na częstość występowania malarii był szczegółowo badany przy użyciu modeli transmisji opartych na ekofizjologii wektorów i kalibrowanych przy użyciu eksperymentów laboratoryjnych 3 , 4 . Ważną zaletą tego podejścia jest to, że mechanistyczne powiązania między konkretnym warunkiem środowiskowym (na przykład temperaturą) a częstością występowania malarii w populacji ludzkiej, takie jak wpływ na częstość gryzienia i prawdopodobieństwo przeżycia, mogą być niezależnie izolowane. Jednak to podejście ma ograniczone możliwości generalizacji do kontekstów świata rzeczywistego, w których złożone czynniki społeczno-ekonomiczne oddziałują z modelowanymi zależnościami opartymi na warunkach laboratoryjnych. Dane kliniczne, które mierzą częstość występowania malarii w populacjach ludzkich, zostały wykorzystane do walidacji modelowanych wyników 3 , ale niespójne ustalenia pojawiają się z powodu wyzwań w statystycznym izolowaniu roli klimatu od wielu skorelowanych czynników wpływających na częstość występowania, takich jak interwencje w zakresie zdrowia publicznego, lekooporność, konflikty i niestabilność społeczna oraz wstrząsy gospodarcze 15 , 52 , 81 , 82 , 83 .
Niniejsze badanie ma na celu dostarczenie uogólnionych dowodów na skalę populacyjną związku między malarią a klimatem w Afryce Subsaharyjskiej, wykorzystując dane kliniczne zebrane w terenie oraz podejście statystyczne mające na celu odizolowanie zmieniających się warunków środowiskowych od czasoprzestrzennych czynników zakłócających. W szczególności wykorzystano literaturę z zakresu ekonometrii klimatycznej [40] , która opracowała metody wnioskowania przyczynowego w celu ilościowego określenia i prognozowania wpływu antropogenicznej zmiany klimatu na szereg wyników społeczno-ekonomicznych, od plonów rolnych [73] , przez konflikty zbrojne [84] , po śmiertelność z wszystkich przyczyn [79] . Podejście to ma na celu aproksymację kontrolowanych eksperymentów poprzez półparametryczne uwzględnienie nieobserwowalnych czasowo-przestrzennych czynników zakłócających, izolując zmienność w systemie klimatycznym, która z mniejszym prawdopodobieństwem będzie skorelowana z innymi czynnikami społeczno-ekonomicznymi[ 85] . To podejście jest często określane jako „zredukowana forma”, ponieważ pozwala na wiarygodną interpretację przyczynową odzyskanych związków między warunkami społeczno-ekonomicznymi a klimatem, ale nie pozwala badaczowi łatwo wyizolować pojedynczych mechanizmów łączących zmieniający się klimat ze zmianami w wynikach (na przykład dynamiką populacji komarów lub tempem rozwoju pasożytów). Jednakże szacunki przyczynowe umożliwiają symulację kontrfaktyczną, w której klimat ulega zmianie, a wszystkie inne czynniki pozostają niezmienne; jest to ćwiczenie przeprowadzone tutaj i w wielu zastosowaniach ram klimatoekonometrycznych, w tym szacowanie wpływu zmian klimatu na przypadki dengi 76 , międzynarodową migrację ludzi 86 , śmiertelność z wszystkich przyczyn 75 , 79 i więcej. Co więcej, te relacje mogą być wykorzystane do kalibracji bardziej ustrukturyzowanych modeli transmisji poprzez zapewnienie empirycznego uzasadnienia z danych obserwacyjnych.
Opracowaliśmy model statystyczny, wykorzystujący miesięczne badania ankietowe dotyczące malarii P f PR 2−10, obejmujące całą Afrykę Subsaharyjską w ciągu 116 lat. Naszą zmienną wynikową jest średnia częstość występowania dla każdego ADM1 i (na przykład prowincji lub stanu) w kraju c w ciągu miesiąca–roku t , co oznaczamy jako P f PR i t . Częstość występowania oszacowaliśmy jako elastyczną funkcję miesięcznych zmiennych temperatury i opadów w następujący sposób:
𝟙𝟙𝟙𝟙
(4) gdzie indeksy g oznaczają komórki siatki, które znajdują się w jednostkach administracyjnych i , a ω g i są wagami powierzchni równymi udziałowi powierzchni jednostki i pokrytej przez komórkę siatki g , tak że ∑ g ∈ i T g i t ω g i jest równe ważonej powierzchniowo średniej miesięcznej temperatury we wszystkich komórkach siatki znajdujących się w jednostce administracyjnej i . Razem parametry β 1 i β 2 odzyskują odpowiedź kwadratową między częstością występowania a średnią miesięczną temperaturą. Jak opisano powyżej, wielomiany są obliczane przed agregacją w komórkach siatki, aby zachować lokalne nieliniowości i uniknąć błędu agregacji. Ekstremalne opady są ujmowane przez wektor zmiennych pozornych i , które wskazują, czy miesięczną sumę opadów w jednostce administracyjnej można zakwalifikować jako suszę (zdefiniowaną jako 10% lub niższa średnia długoterminowa dla danej lokalizacji i miesiąca) lub powódź (zdefiniowaną jako 90% lub wyższa średnia długoterminowa dla danej lokalizacji i miesiąca) w okresie miesiąc–rok t  −  ℓ .  W naszej głównej specyfikacji dopuściliśmy opóźnienia do 3 miesięcy (tj. L = 3) dla tych ekstremalnych warunków opadów, opierając się na hipotezach z poprzedniej literatury dotyczących skal czasowych suszenia larw i „wypłukiwania” 42 , 43 . Różne analizy wrażliwości szczegółowo opisane poniżej wykazują, że kluczowe ustalenia są odporne na: uwzględnienie opóźnień dla temperatury, jak również opadów (Rozszerzone dane, rys. 2 ); odcięcia suszy i powodzi stosowane dla opadów (Uzupełniające rys. 2 , 5 i 6 ); alternatywne formy funkcyjne temperatury (Uzupełniający rys. 4 ); oraz oszacowanie regresji na poziomie siatki, która nie agreguje częstości występowania lub pogody w przestrzeni (Uzupełniający rys. 9 ).𝟙𝟙
Równanie ( 4 ) wykorzystuje zestaw półparametrycznych kontroli czasoprzestrzennych do izolowania zmienności warunków klimatycznych, która jest niezależna od innych czynników transmisji chorób, zgodnie ze standardowymi praktykami w literaturze ekonometrii klimatycznej38 , 40. Po pierwsze, α i jest wektorem zmiennych wskaźnikowych dla każdej z 853 jednostek ADM1 w naszej próbie obejmującej wiele krajów. Te przestrzenne „stałe efekty” kontrolują wszystkie niezmienne w czasie cechy jednostki administracyjnej, które mogą zakłócać związek między temperaturą, opadami deszczu i rozpowszechnieniem. Na przykład regiony położone wyżej mogą wykazywać niższe temperatury, ale mogą być również bardziej odizolowanymi geograficznie społecznościami z ograniczonym dostępem do interwencji zapobiegających malarii. Poprzez kontrolowanie średnich warunków w każdej lokalizacji, te przestrzenne stałe efekty zapobiegają myleniu warunków klimatycznych z innymi korelatami geograficznymi.
Po drugie, γ r m jest wektorem zmiennych wskaźnikowych region-na-miesiąc-rok, gdzie regiony r są zdefiniowane przy użyciu regionalnych definicji Global Burden of Disease dla Afryki Zachodniej, Południowej, Centralnej i Wschodniej (patrz rysunek 2 w ref. 87 ). Należy zauważyć, że indeks dolny m wskazuje miesiąc roku (na przykład luty), podczas gdy indeks miesiąc-rok t wskazuje indeks czasowy miesiąc-rok (na przykład luty 1998). Te stałe efekty czasoprzestrzenne γ r m odpowiadają za sezonowość rozpowszechnienia specyficzną dla regionu, która może błędnie odnosić się do sezonowo zmieniających się warunków klimatycznych. Pozwoliliśmy, aby te kontrole sezonowe różniły się w zależności od regionu ze względu na duże różnice w sezonowości klimatycznej i cykliczności malarii w Afryce Subsaharyjskiej 88 i poniżej pokazujemy, że nasze główne ustalenia są odporne na bardziej rygorystyczne kontrole sezonowości zdefiniowane na poziomie kraju (Rozszerzone dane, rys. 4 ). Po trzecie, ϕ 1 c i ϕ 2 c to współczynniki szacujące, dla każdego kraju c w pełnym zestawie krajów C , nieliniową, specyficzną dla kraju funkcję kwadratową w indeksie czasowym miesiąc–rok, która koryguje regresję o stopniowe trendy specyficzne dla kraju, które mogą zaburzać związek między malarią a klimatem, szczególnie w historycznych warunkach antropogenicznej zmiany klimatu. Rys. 4 z danymi rozszerzonymi pokazuje, że nasze wyniki są odporne na wiele alternatywnych podejść do kontrolowania długoterminowych trendów, które mogą się różnić w przestrzeni.
Wreszcie zmienne wskaźnikowe i są równe jeden, gdy obserwacja przypada odpowiednio na lata 1955–1969 lub 2000–2015. W tych dwóch okresach na całym subkontynencie realizowano znaczące programy interwencji w zakresie malarii, co doprowadziło do znacznych spadków zachorowań na malarię, które nie były związane ze zmianami klimatu 2 , 89. Te zmienne wskaźnikowe kontrolują wstrząsy w zakresie częstości występowania w tych dwóch okresach, a współczynniki δ 1 i δ 2 umożliwiają różnicową skuteczność dwóch odrębnych okresów interwencji. Chociaż zmienne te silnie korelują ze średnią częstością występowania, a pierwsza z nich jest wysoce istotna statystycznie (Tabela danych rozszerzonych  1 ), nasze główne ustalenia są odporne na ich wykluczenie (Tabela danych rozszerzonych, Rys. 4 ).𝟙𝟙
Łącznie te zestawy elastycznych kontroli oznaczają, że resztkowa zmienność zdarzeń związanych z temperaturą i opadami, służąca do określenia współczynników β 1 , β 2 , ρ ℓ i ψ ℓ, jest miesięczną zmiennością w tym samym miejscu, po uwzględnieniu stopniowych trendów specyficznych dla danego kraju, sezonowości regionalnej i łącznych efektów dwóch znaczących programów interwencji w zakresie zapobiegania malarii.
Oszacowaliśmy równanie ( 4 ) przy użyciu pakietu lfe w R. W oszacowaniu skupiliśmy błędy standardowe ε i m t na poziomie grupy kraj po 5 lat, aby uwzględnić korelację przestrzenną w obrębie kraju i korelację seryjną w 5-letnim okresie (patrz tabela uzupełniająca 5 i powiązana dyskusja na temat struktury czasoprzestrzennej w resztach modelu poniżej, aby uzyskać szczegółowe informacje na temat tego wyboru). Podczas obliczania probabilistycznych symulacji historycznych i przyszłych zmian klimatu wielokrotnie przepróbkowaliśmy współczynniki z klastrowanej macierzy wariancji–kowariancji, tak aby ta sama korelacja przestrzenna i czasowa została uwzględniona podczas obliczania szacunków wpływu zmian klimatu. Te przepróbkowane rysunki współczynników temperatury i opadów przedstawiono na rys. 2. Dodatkowo pokazujemy wrażliwość na alternatywne metody ujmowania niepewności w tabeli uzupełniającej  3 i rys. uzupełniającym 7. Na rysunku uzupełniającym 10 pokazujemy, że reszty modelu mają rozkład zbliżony do normalnego, choć z nieco cięższymi ogonami, co sprawia, że ​​w tym kontekście właściwe jest zastosowanie zwykłych najmniejszych kwadratów.

Odporność modelu statystycznego

W tej sekcji opisujemy zestaw analiz wrażliwości modelu, które badają solidność naszego modelu empirycznego. W szczególności zbadaliśmy wrażliwość naszych kluczowych ustaleń na: alternatywne czynniki czasoprzestrzenne; uwzględnienie dynamicznych efektów temperatury; alternatywne definicje ekstremalnych opadów deszczu; alternatywne formy funkcjonalne zależności między częstością występowania a temperaturą; oraz estymację regresji na poziomie badania, w której punktowy charakter surowych danych o częstości występowania jest wykorzystywany bezpośrednio, z minimalną agregacją przestrzenną. Na koniec przedstawiliśmy zestaw diagnostyk badających strukturę czasoprzestrzenną reszt naszego modelu.

Kontrola czasoprzestrzenna

Nasza preferowana specyfikacja empiryczna w równaniu ( 4 ) obejmuje stałe efekty ADM1 (tj. zmienne wskaźnikowe), stałe efekty region-miesiąc roku, kwadratowe trendy czasowe specyficzne dla kraju i dwie zmienne wskaźnikowe dla każdego z dwóch okresów interwencji przeciw malarii (1955-1969 i 2000-2015). Rozszerzone dane Rys. 4 pokazują, że nasza szacowana zależność między częstością występowania a temperaturą jest wysoce odporna na wiele alternatywnych kontroli przestrzennych i czasowych. Wszystkie panele na tym rysunku obejmują stałe efekty ADM1 w celu kontroli niezmiennych w czasie cech, które mogą zaburzać zależność między częstością występowania a temperaturą, ale każdy panel różni się dodatkowymi kontrolami przestrzennymi i/lub czasowymi uwzględnionymi w regresji. Tabelaryczna wersja tych wyników jest pokazana w rozszerzonej tabeli danych 1 . Chociaż temperatura, w której występuje szczyt częstości występowania, zmienia się nieznacznie w zależności od specyfikacji modelu, to pozostaje ona w granicach jednego stopnia od wartości 24,9°C, zgodnie z naszą preferowaną specyfikacją dla większości modeli, szczególnie tych uwzględniających trendy czasowe zróżnicowane przestrzennie (należy pamiętać, że temperatury szczytowe wskazane na rys. 4 z danymi rozszerzonymi są zaokrąglone do najbliższego stopnia w celach poglądowych). Przewidywalnie, rygorystyczne kontrole, takie jak stałe efekty dla poszczególnych regionów i krajów, zwykle zwiększają niepewność statystyczną. Specyfikacja bez oczekiwanego kształtu odwróconej litery U uwzględnia stałe efekty dla poszczególnych krajów, które absorbują niemal wszystkie resztkowe wahania temperatury. Jednak ogólnie rzecz biorąc, szacowany kształt i wielkość zależności między częstością występowania a temperaturą pozostają odporne na alternatywne kontrole przestrzenne i czasowe.

Dynamiczne efekty temperaturowe

Nasza preferowana specyfikacja empiryczna szacuje równoczesny (w ciągu 1 miesiąca) i opóźniony (do 3 miesięcy) wpływ ekstremalnych opadów deszczu na częstość występowania malarii, ale jedynie równoczesny wpływ temperatury. Chociaż możliwe jest, że temperatura również wykazuje opóźniony wpływ, na Rys. 2 z danymi rozszerzonymi pokazujemy , że skumulowany wpływ temperatury na P f PR 2−10 jest podobny niezależnie od tego, czy uwzględnimy 0, 1, 2 czy 3 miesiące opóźnionych temperatur. Reakcja częstości występowania na temperaturę staje się silniejsza wraz z 3-miesięcznym opóźnieniem, co sugeruje, że nasze historyczne i przyszłe prognozy klimatyczne przedstawione w tekście głównym mogą być nieco konserwatywne. Jednak ogólnie rzecz biorąc, wyniki te sugerują, że prognozy dotyczące wpływu zmian klimatu prawdopodobnie nie zmienią się znacząco przy innych założeniach dotyczących opóźnionej struktury ekspozycji na temperaturę.

Definicje ekstremalnych opadów deszczu

Nasza główna specyfikacja empiryczna definiuje suszę jako miesiące, w których suma opadów jest mniejsza lub równa 10% długoterminowej średniej dla danej lokalizacji i miesiąca. Powódź jest analogicznie definiowana jako miesiące, w których suma opadów jest większa lub równa 90% długoterminowej średniej dla danej lokalizacji i miesiąca. W niniejszym artykule zbadaliśmy wrażliwość naszych głównych ustaleń na te definicje. W tym celu systematycznie zmienialiśmy wartości graniczne suszy i powodzi, wahając się odpowiednio od mniej niż 1% do mniej niż 20% dla suszy i od ponad 85% do ponad 95% dla powodzi. Rysunek uzupełniający 6 pokazuje, że związek między częstością występowania malarii a temperaturą jest niewrażliwy na definicję suszy i powodzi. Rysunek uzupełniający 5 pokazuje, że w większości definicji suszy i powodzi, ekstremalnie niskie opady mają negatywny wpływ na częstość występowania z opóźnieniem 1–2 miesięcy. Jednak efekt ten rzadko jest statystycznie istotny. Rysunek uzupełniający 2 pokazuje, że ekstremalnie wysokie opady deszczu zwiększają częstotliwość występowania z opóźnieniem 2–3 miesięcy, co jest wynikiem statystycznie istotnym i generalnie odpornym na alternatywne definicje suszy i powodzi. Ogólnie rzecz biorąc, te analizy wrażliwości pokazują, że nasze główne ustalenia nie są wrażliwe na konkretne definicje suszy i powodzi użyte w oszacowaniu równania ( 4 ).

Forma funkcjonalna temperatury

Opierając się na literaturze teoretycznej i laboratoryjnej (np. odnośniki 3 , 4 ), zamodelowaliśmy zależność między częstością występowania a temperaturą jako kwadratową. Jednakże, jak pokazuje rysunek uzupełniający 4 , zależność ta jest podobna w przypadku zastosowania bardziej elastycznych form funkcyjnych. W szczególności, temperatura, w której osiąga szczyt częstości występowania, zmienia się nieznacznie, gdy estymowane są wielomiany wyższego rzędu. Szacowanie wielomianów wyższego rzędu zwiększa niepewność, szczególnie w ogonach rozkładu temperatury, ale estymacje punktowe są podobne w większości obserwowanego zakresu temperatur.

Oszacowanie regresji na poziomie siatki

Jak opisano powyżej, nasza główna analiza opiera się na regresji na poziomie ADM1, w której dane dotyczące częstości występowania malarii i pogody są agregowane z wyższych rozdzielczości przestrzennych do skali ADM1. Poniżej przedstawiamy wyniki alternatywnego podejścia, w którym obserwacje z badań częstości występowania malarii na poziomie punktowym są dopasowywane do odpowiadających im komórek siatki danych klimatycznych CRU o rozdzielczości 0,5°, a regresja jest szacowana na tym poziomie siatki.
Wykorzystując te zdezagregowane dane, oszacowaliśmy model regresji analogiczny do równania ( 4 ), ale zmodyfikowany w celu dopasowania do skali przestrzennej danych. W szczególności oszacowaliśmy: 
(5) gdzie wszystkie zmienne są zdefiniowane jak powyżej dla równania ( 4 ). W szczególności, P f PR g i t reprezentuje średnią częstość występowania dla wszystkich badań zlokalizowanych w siatce g przypadającej na jednostkę i ADM1 w miesiącu t , T g i t oznacza temperaturę w tej samej siatce i miesiącu, a ekstrema opadów są przechwytywane za pomocą zmiennych pozornych i , które wskazują, kiedy miesięczna suma opadów w każdej komórce siatki wynosi mniej niż 10% jej długoterminowej średniej miesięcznej (susza) lub więcej niż 90% (powódź). Jeśli chodzi o główny model, podczas szacowania równania ( 5 ), pogrupowaliśmy błędy standardowe na poziomie grupy kraj po 5 latach.𝟙𝟙
Dwie cechy odróżniają to równanie szacowania od analizy głównej. Po pierwsze, zmienne temperatury i opadów są dokładnie dopasowane do komórki siatki, w której przeprowadzono badanie malarii, dzięki czemu agregacja nie jest konieczna. Zwiększa to precyzję dopasowania zmiennych pogodowych do zmiennych wynikowych. Po drugie, przestrzenne „efekty stałe” oznaczone jako α i — czyli zmienne wskaźnikowe dla każdej z jednostek ADM1 w naszej próbie — są szacowane z niższą rozdzielczością przestrzenną (ADM1) niż same dane (siatka). Oznacza to, że zmienność pogody używana do identyfikacji wektorów współczynników η , λ i ξ obejmuje zarówno zmienność w czasie w obrębie ADM1, jak i między lokalizacjami badania znajdującymi się w obrębie tego samego ADM1. Zatem, chociaż model ten ma tę zaletę, że wykorzystuje wyższą rozdzielczość przestrzenną w pogodzie, potencjalnie jest obarczony błędem pominiętych zmiennych, ponieważ warunki pogodowe w różnych lokalizacjach badania mogą być skorelowane z innymi nieobserwowalnymi czynnikami determinującymi rozpowszechnienie malarii (na przykład dostępem do opieki zdrowotnej, wskaźnikami ubóstwa i bliskością zbiorników wodnych).
Na rysunku uzupełniającym 9 pokazujemy, że zależność między częstością występowania malarii a temperaturą, uzyskana z oszacowania równania ( 5 ), jest bardzo podobna do tej oszacowanej z naszego głównego modelu regresji w równaniu ( 4 ), co sugeruje, że agregacja danych z badań ankietowych nie wpływa na kluczowe wyniki pracy. Z kolei szacowane współczynniki suszy i powodzi uzyskane z regresji na poziomie siatki są wysoce niedokładne, co jest zgodne ze znacznym błędem pomiaru w lokalnych zbiorach danych o opadach w Afryce przez większą część XX wieku62.

Korelacje w resztach modelu

Tutaj oceniliśmy stopień, w jakim reszty naszego modelu są skorelowane w przestrzeni i czasie, obliczając korelacje między resztami w różnych podzbiorach naszych danych, postępując zgodnie z podobnymi testami w ref. 90. Konkretnie obliczyliśmy korelacje między obserwacjami, które są: (1) w tej samej jednostce ADM1, ale z różnych okresów czasu; i (2) z różnych jednostek ADM1, ale z tego samego okresu czasu. W przypadku korelacji czasowych obliczyliśmy korelacje między obserwacjami następującymi po sobie w oknach do 5 lat, natomiast w przypadku korelacji przestrzennych badaliśmy korelacje w obrębie krajów, między krajami, w obrębie wielokrajowych regionów Global Burden of Disease i na podstawie odległości fizycznej (używając centroidów ADM1).
Tabela uzupełniająca 5 raportuje korelacje średnich, a także pierwszy i trzeci kwartyl rozkładu korelacji w różnych parach jednostek. Wiersze oznaczone jako „czasowe” kwantyfikowały korelacje w czasie, natomiast wiersze oznaczone jako „przestrzenne” kwantyfikowały korelacje w przestrzeni. Zauważamy, że testy te należy interpretować ostrożnie, ponieważ dane dotyczące częstości występowania malarii są wysoce niezrównoważone w przestrzeni i czasie, często pozostawiając niewiele obserwacji, na podstawie których można oszacować korelacje i/lub niewiele par regionalnych lub czasowych, na podstawie których można podsumować rozkład korelacji. Aby zapewnić interpretowalność, ograniczyliśmy analizę do korelacji z co najmniej dziesięcioma obserwacjami. Ostatnia kolumna w Tabeli uzupełniającej 5 , oznaczona jako N , wskazuje liczbę par, dla których dostępne były wystarczające dane do skonstruowania korelacji dla danego grupowania. Wyniki te ujawniają umiarkowaną korelację seryjną w resztach, szczególnie dla kolejnych obserwacji (wiersz 2; średnia ρ  = 0,40 dla kolejnych miesięcy-lat w tej samej jednostce ADM1). Korelacje przestrzenne wahają się od pomijalnych (średnia ρ  = 0,04 dla ADM1 z różnych krajów lub regionów) do umiarkowanych (średnia ρ  = 0,28 i ρ  = ​​0,30 odpowiednio dla ADM1 w tym samym kraju i ADM1 z centroidami oddalonymi od siebie o mniej niż 500 km). Granice krajów mają kluczowe znaczenie dla określania korelacji przestrzennych: ADM1 z centroidami oddalonymi od siebie o mniej niż 500 km charakteryzują się wysokimi średnimi korelacjami wewnątrz krajów (średnia ρ  = 0,30), ale niskimi średnimi korelacjami przy przekraczaniu granic krajów (średnia ρ  = 0,08).
Biorąc pod uwagę te wyniki, przeprowadziliśmy klasteryzację błędów standardowych na poziomie grupy 5-letniej dla każdego kraju, uwzględniając korelację reszt modelu dla wszystkich ADM1 w tym samym kraju i we wszystkich miesiącach w tym samym 5-letnim oknie. Jednakże w Tabeli Uzupełniającej  3 i Rysunku Uzupełniającym 7 przedstawiamy wrażliwość naszych odzyskanych przedziałów ufności na alternatywne podejścia do szacowania błędu standardowego.

Prognozy

Zarówno w symulacjach historycznych, jak i przyszłych zastosowaliśmy szacowaną regresję panelową do obliczenia wpływu zmiany klimatu na Pf PR 2−10 . Nasze przewidywania uwzględniają pełny zakres niepewności statystycznej (1000 oszacowań modelu ponownie próbkowanych z klastrowanej macierzy wariancji-kowariancji) i niepewności modelu klimatycznego (10 modeli klimatycznych), dając łącznie 10 000 oszacowań historycznych lub przyszłych skutków w dowolnym scenariuszu. Każde z tych 10 000 oszacowań zostało znormalizowane do długoterminowej linii bazowej (przeszłość: 1901–1930; teraźniejszość: 2015–2020) przed uśrednieniem oszacowań, tworząc oszacowanie wpływu zmiany klimatu w stosunku do tej linii bazowej. W naszych analizach historycznych użyliśmy tych modeli tylko do oszacowania zmian w częstości występowania przypisywanych zmianie klimatu: chociaż model regresji panelowej uwzględnia inne historyczne czynniki poprzez strukturę efektów stałych, nie są one przedmiotem naszej analizy, dlatego nie decydujemy się na szacowanie całkowitej częstości występowania, uwzględniając te skutki. Podobnie postanowiliśmy nie przyjmować założeń dotyczących czynników niezależnych od klimatu, które będą miały wpływ na częstość występowania malarii w przyszłości, a zatem nie zastosowaliśmy modelu do przewidywania przyszłych trendów ogólnej częstości występowania.
W przypadku ogólnych trendów (na przykład przedstawionych na rys. 2d , 3d i 4d ) wygenerowaliśmy średnie kontynentalne lub cztery średnie regionalne, używając nieważonej średniej szacunków dla każdej jednostki ADM1. Jest to celowe uproszczenie, ponieważ nie korygowaliśmy średnich na podstawie powierzchni lądowej jednostek ADM1 ani szacowanej liczby ludności, którą one zawierają; podjęliśmy tę decyzję ze względu na wyzwania związane z rekonstrukcją historycznej gęstości zaludnienia na małą skalę, a także potrzebę przyjęcia założeń dotyczących sposobu rozłożenia obciążenia chorobą w przestrzeni (na przykład rozkładu transmisji na obszarach wiejskich i miejskich). Z podobnych powodów zdecydowaliśmy się nie szacować wpływu zmian częstości występowania na ogólną częstość występowania malarii. Chociaż w niektórych badaniach próbowano to zrobić, używając liniowej konwersji dla całkowitej populacji91 , właściwe oszacowanie częstości występowania (i wpływu zmiennych leczenia, poprzez częstość występowania, na obciążenie przypadkami) wymaga modeli transmisji malarii , które wymagają znacznie większej liczby założeń demograficznych89 . Przyszłe prace mogłyby zbadać oba te złożone metodologicznie kierunki i potencjalnie doprowadzić do dokładniejszych szacunków tego, ile przypadków malarii dziecięcej i wynikających z nich zgonów można przypisać zmianie klimatu.

Podsumowanie raportu

Więcej informacji na temat projektu badawczego można znaleźć w  podsumowaniu sprawozdawczości Nature Portfolio Reporting Summary, do którego link znajduje się w tym artykule.