印度各邦 COVID-19 死亡关联因素大揭秘：人口、卫生与疾病的复杂交织

《Scientific Reports》：Demography, sanitation and previous disease prevalence associate with COVID-19 deaths across Indian States

为探究印度各邦 COVID-19 死亡率的影响因素，研究人员分析多源数据，发现人口、卫生等因素与之相关，为防控提供依据。

　　

印度各邦 COVID-19 死亡关联因素研究解读

新冠疫情（COVID-19）在全球范围内造成了严重的健康危机和经济冲击，不同地区的疫情严重程度差异巨大。令人惊讶的是，高收入国家的 COVID-19 病死率往往比低收入国家更高。在印度，也出现了类似的现象，高收入邦报告的 COVID-19 相关死亡人数比低收入邦更多。以往的研究大多聚焦于高收入国家，对于在印度这样地区差异显著的国家，哪些因素会影响 COVID-19 死亡率还尚不明确。因此，深入了解人口统计学、疾病负担、城市化和卫生设施等因素，对于制定有效的公共卫生政策以应对未来的大流行病至关重要。

在此背景下，来自国家细胞科学中心（National Centre for Cell Science）和萨维特里巴伊?普勒浦那大学（Savitribai Phule Pune University）的研究人员 Bithika Chatterjee 和 Shekhar C. Mande 开展了一项研究，该研究成果发表在《Scientific Reports》上。他们的研究旨在识别印度各邦 COVID-19 死亡率的关键预测因素，通过探究疾病患病率、人口统计学、城市化和卫生设施等因素的作用，为公共卫生政策的制定提供有力依据。

研究人员采用了多种关键技术方法。首先，他们从多个权威数据库收集数据，如从https://www.covid19india.org获取印度各邦 COVID-19 死亡率数据，并根据 2011 年印度人口普查数据进行标准化处理；人口密度、性别比等人口统计学和社会经济参数则来源于不同的官方数据库。然后，运用 Spearman 相关系数分析评估各种变量与每百万人口死亡数（Deaths Per Million，DPM）的关系，筛选出相关性较强的变量。最后，利用多元线性回归分析探索这些变量对 DPM 的综合影响 。

研究结果

1. 人口统计学因素：较富裕的邦 COVID-19 死亡率较高，如德里和马哈拉施特拉邦。人均邦国内生产总值（Gross State Domestic Product，GSDP）与 COVID-19 死亡率呈正相关，60 岁以上老年人口比例、识字率、城市化率、善治指数与死亡率也呈正相关，而贫困线以下人口比例与死亡率呈负相关。
2. 疫苗接种因素：卡介苗（BCG）、脊髓灰质炎疫苗（POLIO）等部分疫苗的接种覆盖率与 COVID-19 死亡率呈正相关，而急性乙型肝炎疫苗和急性戊型肝炎疫苗的接种率与死亡率呈负相关。
3. 热带疾病因素：大多数热带疾病，如鞭虫病、麻风病、钩虫病和蛔虫病的患病率与 COVID-19 死亡率呈负相关，但囊性棘球蚴病与死亡率呈正相关。
4. 自身免疫疾病因素：痛风、2 型糖尿病（Diabetes Mellitus Type 2）和炎症性肠病（Inflammatory Bowel Disease，IBD）的患病率与 COVID-19 死亡率呈正相关，哮喘和牛皮癣的患病率与死亡率呈负相关。
5. 病毒和细菌疾病因素：狂犬病、脑膜炎和急性肝炎等病毒疾病的患病率与 COVID-19 死亡率呈负相关，麻疹的负相关性最强；登革热患病率与死亡率呈正相关。百日咳、衣原体感染和白喉等细菌疾病的患病率与死亡率呈负相关，尿路感染（Urinary Tract Infection，UTI）与死亡率呈正相关。
6. 呼吸系统疾病因素：上呼吸道感染与 COVID-19 死亡率呈负相关，间质性肺病和肺结节病与死亡率呈正相关，但呼吸系统疾病与 COVID-19 死亡之间未发现显著关联。
7. 生活方式疾病因素：高身体质量指数（Body Mass Index，BMI）死亡、空腹血糖升高和收缩压升高与 COVID-19 死亡率呈正相关，儿童和孕产妇营养良好与死亡率呈负相关，但这些健康指标与 COVID-19 死亡率的关联未达到统计学显著性。
8. 癌症因素：除前列腺癌外，所有癌症均与 COVID-19 死亡率呈高度正相关，前列腺癌与 DPM2 也呈高度正相关，癌症患病率对 COVID-19 死亡率的变异性有较强的解释力。
9. 卫生设施因素：改善的卫生设施参数，如室内饮用水比例、卫生间可用性、封闭排水系统等与 COVID-19 死亡率呈正相关，而卫生条件差的指标与死亡率呈负相关，卫生设施参数对 COVID-19 死亡率的变异性解释力较强。
10. 多变量线性回归：综合人口统计学、卫生设施、自身免疫疾病和癌症等因素的多变量线性回归模型，对 DPM1 和 DPM2 的调整 R²值分别为 0.71 和 0.85，表明这些因素能很好地解释 COVID-19 死亡率的变异性，GSDP 在纳入其他变量后对模型贡献较小，被视为混杂因素去除。

研究结论与讨论

该研究表明，印度各邦 COVID-19 死亡率与人口统计学、卫生设施、疾病患病率等多种因素密切相关。老年人口比例较高、卫生设施改善、自身免疫疾病和癌症患病率增加的邦，COVID-19 死亡率更高。这一结果挑战了传统观念，即卫生条件改善并不总是带来更好的健康结果。例如，封闭排水系统和室内厕所等卫生设施的改善与 COVID-19 死亡率正相关，可能是因为新冠病毒的空气传播特性，通过厕所气溶胶传播增加了感染风险。

同时，研究还发现，一些传染病患病率与 COVID-19 死亡率呈负相关，这可能是因为先前感染这些疾病能提供一定的免疫保护。然而，研究也存在局限性，如无法捕捉个体层面的差异，部分数据可能存在报告偏差等。

总体而言，该研究为理解 COVID-19 死亡率的影响因素提供了新视角，有助于公共卫生政策制定者更有针对性地制定防控策略，尤其是在快速城市化地区，应综合考虑卫生设施改善对免疫系统和疾病易感性的影响。此外，研究结果也为未来进一步研究卫生设施与免疫系统的关系、不同传染病之间的相互作用等提供了重要参考 。