及时检测美国生猪种群中的病原体疫情爆发对于保护动物健康、减轻对食品生产的干扰至关重要。本研究评估了多种最先进的在线变点检测方法，包括BEAST、Strucchange、加权CUSUM方法以及BFastmonitor的多个版本，在快速可靠地检测病原体病例时间序列中疫情爆发方面的有效性。时间序列数据基于美国最大猪肉生产州的甲型流感病毒（IAV）、猪肺炎支原体（MHP）、猪德尔塔冠状病毒（PDCoV）、猪流行性腹泻病毒（PEDV）和猪繁殖与呼吸综合征病毒（PRRSV）的州级病原体监测进行模拟。我们的结果表明，纳入显式趋势和季节性建模的方法能够提供更为稳健的疫情检测，尤其适用于呈现复杂时序和季节性模式的时间序列。这些方法在时效性和可靠性方面通常优于其他方法，凸显了其操作价值。此外，我们考察了长期监测的实用问题，包括稳定期长度、疫情爆发之间的间隔、非平稳性以及依赖结构的影响。为展示实际应用价值，我们提供了BFastmonitor应用于八年历史生猪病原体时间序列的详细案例研究，突出了其用于常规监测的可行性。
**引言**
全球动物健康持续面临来自多种传染性病原体的威胁，包括非洲猪瘟、口蹄疫、猪繁殖与呼吸综合征病毒（PRRSV）和甲型流感病毒（IAV）。动物健康挑战不仅造成重大的经济损失，还削弱了许多国家的粮食主权。外来动物疾病对易感种群构成持续且迫在眉睫的威胁，并可能带来严重的贸易影响，包括出口市场的关闭。另一方面，地方性疫病在受影响种群中持续存在，导致受影响动物产生慢性健康和生产负担。
猪肉及猪肉制品是全球人类消费动物蛋白的主要来源。美国拥有7400万头存栏生猪，是全球第四大猪肉生产国（美国农业部，2024年）。大多数威胁美国生猪健康的病原要么是病毒，如PRRSV；要么是细菌病原体，如猪链球菌（Trevisan等，2021b）。由PRRSV引起的猪繁殖与呼吸综合征每年给美国生猪产业造成的经济损失估计为12亿美元（Holtkamp等，2013年；Osemeke等，2024年）。在美国这样相互关联且动态变化的生猪生产系统中，病原体可通过人员流动、传播媒介或动物运输在农场和地区之间传播。病原体不断进化和变异，以逃避农场的生物安全规程和动物的免疫保护系统，从而获得在种群中持续存在并重新成为涌现性挑战的机会。早期识别出现或重新出现的感染性病原体可以产生宝贵信息，当这些信息与利益相关方共享时，有助于动物健康专业人士和生产者更有效地实施遏制措施，防止疾病在种群中进一步传播。
为此，诊断过程被常规用于识别影响动物健康的病原体（Derscheid等，2021）。诊断过程产生大量直接从兽医诊断实验室收集的数据，尽管这些数据不适合直接估计发病率和患病率。然而，诊断实验室数据提供了监测和深入了解影响动物种群的地方性病原体活动的宝贵机会。
在美国，一个名为猪疾病报告系统（SDRS，https://www.fieldepi.org/SDRS）的倡议一直在收集和汇总来自六个兽医诊断实验室的诊断数据。SDRS汇集了国家动物健康实验室网络对猪样品进行检测的超过98%的诊断测试（Trevisan等，2019年）。SDRS实时收集并汇总九种地方性猪病原体的诊断数据：PRRSV-1、PRRSV-2（Trevisan等，2019年）、IAV（Moraes等，2025年）、传染性胃肠炎病毒（TGEV）、猪流行性腹泻病毒（PEDV）、猪德尔塔冠状病毒（PDCoV）（Trevisan等，2021a）、猪肺炎支原体（MHP）、猪圆环病毒2型（PCV2）和PCV3（Cezar等，2024年）。SDRS整合的数据集为与最先进的在线变点技术相结合，早期检测新兴或重新出现的威胁动物健康的病原体提供了独特机会。
在线（序贯）变点检测关注的是近乎实时地监控时间序列数据，以快速识别底层数据生成过程何时发生变化，同时控制假阳性。相比之下，离线变点检测评估完整的历史序列，回溯性地识别过去的变化，不期望有新的观测值输入。最早的在线变点方法之一是Page（1954年）引入的多元CUSUM检验统计量。该领域后续的基础性工作包括Lorden（1971年）开发的程序以及Moustakides（1986年）的最优性结果。更近期的发展包括基于MOSUM检验统计量的在线算法（Zeileis等，2002年）以及问题的现代贝叶斯公式化（Adams和MacKay，2007年）。Aminikhanghahi和Cook（2017年）提供了在线和离线方法的全面综述。
许多经典的序贯变点方法假设观测值之间存在时间独立性。早期处理时间依赖性的工作包括Shiryaev（1963年）和Lai（1995年）。近年来，复杂非平稳模式时间序列日益可用——如遥感或大流行病监测数据——促使开发了能够处理这些特征的变点算法。然而，此类方法大多局限于离线设置。例如，Gombay（2008年）考虑自回归时间序列中变点的回溯检测，Lund等（2007年）检验存在自相关和周期性时的离线检测。其他方法假设加性季节-趋势模型结合移动和（MOSUM）检验统计量（Verbesselt等，2010年），或采用基于集合的模型估计的贝叶斯框架（Zhao等，2019年）。与这些离线方法不同，Verbesselt等（2012年）提出了专门设计用于在线环境中处理趋势和季节性的算法。
从流行病学角度来看，疫情爆发是指在特定种群和时间段内疾病或感染的发生超过正常预期水平。在本研究中，由于SDRS数据由汇总的诊断提交组成，而非动物或农场层面发病率的直接测量，我们将州级疫情爆发信号操作化为给定病原体-州组合每周阳性提交的不预期且持续增加，超过其历史趋势和季节性模式所预期的水平。因此，检测到的信号标识了一个病原体活动可能增加的时期，可能需要更密切的流行病学审查。据我们文献回顾，在在线环境中进行疫情检测的现有变点检测方法比较少有比较和评估工作，尤其是针对生猪病原体。本研究的目的是确定一种可靠且及时的方法，用于在线监测从SDRS数据库汇总的时间序列数据中的生猪病原体疫情爆发。为此，我们使用模拟数据比较了多种最先进的在线变点方法，这些数据复制了历史SDRS时间序列的年度季节性模式、趋势和时间依赖性，并通过SIR模型生成现实的疫情爆发动态。蒙特卡洛模拟用于推导检测阈值，以在有限监控窗口内控制假阳性。部分比较方法显式考虑了趋势和季节性，而其他方法则依赖于平稳性和观测值之间独立性的假设。经典在线变点方法的标准假设，如观测值的时间独立性或平稳性，在SDRS时间序列中经常被违反，这些数据经常表现出均值趋势和季节性模式。如果不予以解决，这可能会极大地提高假阳性率。因此，确定一种能够灵活建模病原体时间序列中非平稳性和依赖性模式的在线变点方法对于稳健可靠的早期疫情检测至关重要。据我们所知，这是第一项在现实季节性、趋势漂移和疫情爆发复发约束下系统比较在线变点方法用于动物疾病监测的研究。本研究的发现表明，当非平稳性显著时，显式建模漂移和季节性的在线变点方法（如BFastmonitor）优于不考虑这些特征的方法。相反，当趋势和季节性成分可忽略时，建模漂移和季节性的方法表现出与不考虑这些特征的方法相当检测结果性能。最后，在长期实施在线变点检测算法于真实时间序列的实用考虑，如假阳性控制的选择、疫情爆发终止时间的近似、执行重新训练等，在之前的疫情检测变点文献中很少讨论。为此，我们在最后讨论了在历史生猪病原体时间序列上实施BFastmonitor时的此类实用考虑。
**部分片段**
**数据收集**
SDRS数据库用于构建本模拟研究中比较在线变点方法的时间序列。（https://www.fieldepi.org/SDRS）。关于数据收集，SDRS接收并汇编来自爱荷华州立大学、明尼苏达大学和堪萨斯州立兽医诊断实验室、俄亥俄州和普渡大学动物疾病与诊断实验室、以及南达科他州立大学动物疾病研究与诊断的匿名兽医诊断数据。
**主要模拟结果**
使用第2.7节中概述的程序，我们为第2.5节中描述的每种方法生成了一个阈值c_ARL，对应于156周的ARL_C。这相当于三年数据中每三年出现一次假阳性。然后我们基于参数化在一年期（52个周观测值）上的SIR模型感染曲线模拟了四种不同的疫情爆发模式。这些模式通过感染率β∈{0.01, 0.025}和恢复率γ∈{0.1, 0.25}变化，如第2.6.2节所述。
**从稳定历史数据模拟的考虑**
原始SDRS数据为监测提出了几个挑战。采样率和程序不仅在农场之间有所不同，而且在年份之间也有所不同，并且在给定州中报告提交的农场总数会随时间波动。然而，由一致年度事件导致总提交量波动的效应，可能部分可通过类似BFastmonitor的变点算法拟合的稳定历史期模型来预见。
相比之下，总持续的变化
**结论**
我们的研究结果表明，显式考虑季节性结构和逐渐基线漂移的疫情检测方法的长期监测效果优于假设平稳行为的方法。特别地，BFM T+H框架为在线检测嘈杂非平稳病原体提交时间序列中的疫情信号提供了灵活且可靠的方法。
