四种气象与环境因子影响循环系统急诊量模型对比分析

目的:探讨使用不同的气象、环境输入因子建立的线性模型对循环系统急诊周平均发病量的解释力,以及每项因子在模型中对因变量变化的贡献率。方法:利用北京市4年完整的气象、污染与某三甲医院急诊循环系统发病量数据,生成年份哑变量并构造4种输入变量组合进入逐步回归模型,比较各模型的调整R方与模型内各输入因子的标准化偏回归系数所占系数绝对值之和的比例。结果:使用了年份哑变量作为输入变量后模型的调整R方从0.362上升为0.652,并且此类因子在各模型中的因子贡献都处于各类变量的首位。在气象与环境因子中,各模型中周平均最高气压和风速类因子的因子贡献均达到10%以上。单独使用气象因子或环境因子建立的模型比气象因子与环境因子共同建立的模型调整R方低(0.638,0.553)。结论:年份哑变量能够很好地控制人数增长趋势,提高模型解释力。比较污染因子在各模型中的因子贡献量,可初步得出污染物不是影响循环系统疾病急诊发病量的主要变量,但气象与环境因子共同建立的模型对循环系统疾病急诊发病量解释力最高。除了年份哑变量,风速类因子作为较为独立的一组因子对循环系统疾病周平均发病量具有较高的因子贡献率。     

气象与环境因子影响心脑血管疾病急诊数预测模型研究

目的 比较逐步回归模型与人工神经网络模型在建立基于气象、环境因子的心脑血管疾病急诊数预测模型的建模效果.方法 使用北京市2008-2011年12项气象逐日常规观测数据并据此生成5个二次气象因子,以及同期的3种污染物浓度数据,并构造3个年份哑变量,共23个变量形成模型的输入.统计同期北京市某医院4年逐日急诊就诊记录资料,并提取其中属于心脑血管疾病的条目构成模型输出训练数据.将所有数据进行周平均处理并以80％,15％和5％的比例分成学习集、测试集与验证集.分别构建逐步回归模型与人工神经网络模型,并使用独立样本(验证集)比较模型预报效果.结果 逐步回归模型经过筛选最终有11个输入变量,而人工神经网络模型结构为23-22-1.在验证集的预报效果指标中,神经网络预报模型的平均绝对误差、误差均值、最小误差以及预测结果与原数据的Pearson相关系数分别为0.9149,-0.003 3,0.01,0.873,均比逐步回归模型(分别为1.355 3,0.4924,0.03,0.836)更为理想.结论 与传统的统计学方法相比,人工神经网络建模方法在建立基于气象、环境因子的心脑血管疾病量预报系统方面更有优势.