北京急性脑血管疾病与气象要素的关系及预测模型.docVIP

北京急性脑血管疾病与气象要素的关系及预测 闵晶晶1，丁德平1，李津1，张德山1，彭丽2，3 1（北京市气象服务中心；北京 100089） 2（上海市城市环境气象中心；上海 200135） 3（上海市气象与健康重点实验室 摘要：基于2006年1月至2010年12月北京市120急救中心的逐日脑血管急症接诊病例数据资料，首先探讨北京市急性脑血管疾病与气象要素的关系，选取不同季节的影响因子，然后根据概率积分方法将发病人数划分为4个级别，并采用人工神经元网络方法（ANN）分别建立了北京市不同季节的急性脑血管疾病预测模型。研究结果表明：（1）急性脑血管疾病发病人数存在明显的季节性变化和日变化特征，冬春季发病人数高于夏秋季，发病主要集中在早晨到中午的9:00-14:00时；（2）发病人数相对于气象要素存在明显的滞后效应，夏季、冬秋季发病分别与高温高湿、冷空气活动有关；（3）脑血管疾病预测模型通过对新样本进行预报，除夏季外，完全准确率高于30%，预报误差≤±1级的准确率高于60%，研究成果对于预防急性脑血管疾病发病和调度120急救车辆等应急措施具有较好的科学参考价值。 关键词：脑血管疾病；气象要素；预测模型；人工神经元网络方法 1 引言 据统计[1]，世界上1/3的人患有心脑血管疾病，每年有1500万人被心脑血管疾病夺取生命，占死亡人数的3/5以上，而我国每年因心脑血管疾病造成死亡的人数约260万[2]。近年来卫生部调查资料显示，呼吸道与心、脑血管疾病的发病率位于前列，并有逐年升高的趋势，而脑血管疾病死亡率跃居首位。脑血管疾病的成因包括环境、情绪、生活习惯等多种因素，临床观测证明，在气象条件变化较大时，急性脑血管疾病人数增多。目前国内外许多研究也已证实[3-5]，气象条件变化是脑血管疾病发病和死亡的主要诱因之一。 脑血管疾病的发生具有一定的确定性和随机性，根据气象条件变化对脑血管疾病的发生进行预测具有确定性和不确定性的双重特性。目前，国内针对脑血管疾病的预报研究多采用多元逐步回归[4]、气象因子综合指标预报方法[6]、支持向量机（SVM）回归方法[7]和自动交互检测方法（AID）[8]等，上述方法一般是根据气象因子和就诊人数或住院人数的统计关系建立预测模型。显然，根据传统的统计方法很难解决脑血管发病预测中存在的双重性，而人工神经网络（ANN）由于其具有自学习、自组织的非线性映射能力，适合于一些信息复杂、知识背景不清楚和推理规则不明确问题的建模。利用人工神经网络的自组织学习能力，可以从影响疾病的气象要素中发掘有用的信息，从而识别出发病人数与影响因子之间的非线性映射关系。由于人工神经网络模型对非线性样本具有比传统回归模型更好、更强的拟合和预报能力，用于受多种气象要素综合影响的医疗气象预报非常可行有效。 因此本文采用一种改进的ANN方法来建立气象条件变化与急性脑血管疾病发生的预测模型。 2 资料和方法 2.1 资料来源 收集北京市120急救中心2006年1月至2010年12月的急性脑血管疾病接诊病例9005例，其中脑出血3481例，脑梗塞5524例。病例信息包括年龄、性别、接诊时间、临床诊断。 同期逐日气象资料来源于北京市气象局，包括9个地面基本气象要素：日平均气温（℃）、水汽压（hPa）、相对湿度（%）、风速（m/s）、海平面气压（hPa）、日照时间（h）和最高（最低）气温（℃）、最低相对湿度（%）。 2.2 资料处理 由于转折性天气对急性脑血管疾病有较大影响，为了分析它们之间的关系，根据气象台提供的9个基本要素，进一步加工派生出24h变温、24h变压和气温日较差3个因子。因气象条件对疾病的影响存在连续性和明显的滞后性，选取发病人数与各要素的时间派生因子（X，X-1，X-2，X-3，X-X-1，X-X-2，X-X-3）分别进行相关分析。其中，X表示当天要素，X-1表示前1天要素，X-2前2天要素，X-3前3天要素。进行研究分析的基本和派生气象因子共计12×7个。 2.3 人工神经元网络方法 目前最常用的人工神经网络方法是BP算法，它对各种复杂信息的处理能力非常强 。BP（Back Propagation）网络，是一种单向传播的多层前向网络，训练过程分为两个阶段：正向过程和反向过程。正向过程是把学习样本的输入值循环置入BP网络的输入端，由前往后，依次计算网络的隐节点和输出节点的值；根据网络的输出值与期望输出值之间的误差，开始反向计算，即由后往前，按照训练的目标函数，依次调整网络各层节点之间的连接权值，直到目标函数接近极小值为止。 在BP网络的学习算法中，权值修正一般采用梯度下降法,各节点神经元的激励函数常采用Sigmoid 函数, 其形式为： 然而，传统BP算法在应用中存在许多亟待解决的问题，例如，网络训练过程中易陷入局部极小等；实际应用存在网络结