湖州市心脑血管疾病与气象因素的关系分析及预报研究

目的探讨气象因素与湖州市心脑血管疾病的关系,并建立医学气象预报模型对心脑血管疾病发病水平进行预测。方法收集湖州市中心医院和湖州市第一人民医院2006～2007年门诊就诊资料和同期该地区气象资料,采用Spearman相关分析,并用自动交互检测方法(AID)建立预报模型,数据处理用SPSS10.0和SAS EM 4.1统计软件。结果我市心脑血管疾病发病冬春季高于夏秋季节,其发病与日平均气压、平均气温、最低气温、日较差、水汽压、降水量、日照时数等气象因子存在相关性,按周建立了气象因素与心脑血管疾病预报模型和四个预警等级,模型拟合值为0.279。结论心脑血管疾病发病与气象因素密切相关,按周建立预警、预测模型效果较好。     

集成多种机器学习算法的哮喘疾病发病风险预测模型研究

目的 基于集成四种机器学习算法建立哮喘疾病发病风险预测模型,为健康气象预报服务及公众防御提供依据。方法 收集、整理2012—2018年天津市某三甲医院哮喘病患者逐日就诊数据以及同期气象因子、环境因子、花粉等数据资料,采用主成分分析法选取最优因子,应用Stacking集成学习方法集成决策树、随机森林、XGBoost、LightGBM等四种机器学习算法,通过调节最优风险等级阈值、时间滞后、分季节等手段优化模型性能。结果 随机森林建模预测效果好于决策树及XGBoost、LightGBM;基于四个子模型进行多模型集成,相比随机森林模型,在易发、多发等级的预报能力提升约13%;当选择滞后时间为2～3 d,且分季节建模后,模型预测能力有进一步提升。结论 综合考虑多种气象因子、环境因子和花粉因素的多模型集成方法可应用于哮喘疾病的气象预测业务和服务。     

人工神经网络在循环系统疾病死亡人数预报中的应用

目的探讨循环系统疾病死亡人数与气象条件及污染物的关系,建立基于误差反传算法(back-propagation,BP)神经网络的循环系统疾病死亡人数预报模型。方法选取南京市2004~2009年循环系统疾病死亡病例和同期的气象资料及污染资料。在对循环系统疾病死亡人数与气象因子和污染物进行相关分析的基础上,利用2004~2008年的气象和污染数据建立循环系统疾病死亡人数的BP神经网络预报模型,并用2009年的资料对该模型进行预报效果检验。结果气象因子和污染物均与循环系统疾病死亡人数密切相关。建立的循环系统疾病死亡人数的神经网络模型结果为17-16-1(即有17个输入、16个隐含节点和1个输出),训练精度为0.005,训练了487步达到目的,最终误差为0.004 999 42,预测准确率达78.62%以上。结论该方法计算简便,误差较小,对循环系统疾病死亡人数有较好的预测效果,为医疗气象预报提供了一种新方法,具有进一步的研究价值。     

疟疾与气象因素关系不同模型预测效果比较

目的分析气象因素与海南省万宁市疟疾发病率的相关性,比较BP神经网络模型和逐步回归模型对疟疾发病率的预测效果。方法收集1995年1月—2007年12月万宁市每月气象数据和疟疾发病率数据,应用Spearman等级相关分析方法分析气象因素与疟疾发病率之间的相关性,分别用BP人工神经网络方法和逐步回归方法建立疟疾发病率的气象因子拟合模型,预测2008年各月的疟疾发病率。结果万宁市疟疾月发病率与前1个月的平均气温、最高气温、最低气温、降雨量、日照时间均呈正相关(均P0.05),与前1个月的平均相对湿度、平均气压均呈负相关(均P0.01);将7种气象因素作为输入变量,疟疾发病率作为输出变量,构建内含1个隐含层的BP神经网络模型,在隐单元数为16时拟合效果最优,经过300次训练达到设定的最小训练误差为0.001,模型的均方误差和决定系数R~2分别为0.002 7和0.99;将7种气象因素作为自变量,疟疾发病率作为因变量构建逐步回归模型,进入模型的变量为平均气温和平均相对湿度,模型的决定系数R~2为0.40;应用2种模型对2008年各月疟疾发病率进行预测,平均绝对误差分别为1.24/10 000和0.44/10 000。结论万宁市疟疾发病率与气象因素明显相关,利用气象因素构建的BP神经网络模型较逐步回归模型具有更好的发病率拟合效果,但逐步回归模型的预测效果更好,BP神经网络模型的泛化能力需要进一步提高。     

北京市2016—2018年夏季高温对儿童急诊入院的影响

  目的  分析北京市夏季高温对儿童急诊入院的不良影响,为儿童高温健康防护政策的制定提供科学依据。  方法  收集2016—2018年夏季(6—9月)北京市30家医院儿童急诊入院数据及同期逐日气象因素和空气污染物数据。基于Quasi-Possion回归广义线性模型分析北京市夏季日平均温度对儿童因非意外总疾病、心脑血管系统疾病、呼吸系统疾病急诊入院的影响。  结果  2016—2018年夏季,北京市日均温度为(24.06±3.59)℃,日相对湿度为(65.08±17.45)%。暴露当日日平均温度每升高1 ℃,北京市0~14岁儿童因非意外总疾病、呼吸系统疾病急诊入院风险分别增加0.21,0.64倍,尚未观察到高温对于儿童因心脑血管系统疾病急诊入院的影响。高温对于不同年龄组儿童急诊入院影响不一致,其中5~9岁儿童因非意外总疾病急诊入院风险增幅最大,0~4岁儿童易受呼吸系统疾病急诊入院的影响,10~14岁儿童受心脑血管系统疾病急诊入院影响最大。  结论  北京市夏季高温对儿童急诊入院具有显著影响,儿童呼吸系统疾病是夏季高温相关敏感性疾病,相关部门应该给予充分关注。     

心脑血管疾病发病与气象因素关系及预测预报研究

目的探讨嘉定区气象因素与居民心脑血管疾病的关系。方法收集嘉定区人口1997年-1999年心脑血管疾病发病病例与同期8种气象因素．进行相关分析和多元逐步回归。结果脑血管疾病与平均气压、最高气压、最低气压呈正相关、与平均气温呈负相关；心血管疾病与本旬的最高气压呈正相关．与相对湿度呈负相关；以上相关分析均通过可信度0.05的检验。并经过多元透步回归建立预测预报方程．运用2000年数据进行检验。结论气象因素与心脑血管疾病发病有关。本组预测预报方程具有实际应用价值。     

气象因素与心脑血管疾病急诊人次的时间序列分析

目的 探讨日均气温、相对湿度和风速与医院日心脑血管疾病急诊就诊人次的相关性.方法 收集北京市某三级甲等医院日心脑血管疾病急诊就诊人次和该地区日均气温、相对湿度和风速的时间序列数据.收集北京市该城区PM10、SO2和NO2日均浓度的时间序列数据.利用立方平滑样条函数将日均气温、相对湿度和风速以及作为潜在混杂因素的PM10、SO2和NO2日均浓度引入,同医院日心脑血管疾病急诊就诊人次间建立Poisson广义相加模型.根据AIC最小的原则,选择最终进入模型的变量,并确定其立方平滑样条函数自由度取值.结果 医院日心脑血管疾病急诊就诊人次与日均气温和相对湿度表现出一定的非线性相关趋势,但无统计学意义(P>0.1);与日均风速表现出负相关趋势,但无统计学意义(P>0.1).结论 北京市某城区气温、相对湿度和风速与医院心脑血管疾病急诊人次的相关性不明显.     

荆门市脑出血发病与气象因子相关性分析及预测

目的 探讨气象因子对脑出血发病的影响及其相关性,并建立基于气象因子的脑出血发病的预报模型,为预防和控制脑出血发病提供参考依据.方法 收集2008-2010年荆门市脑出血逐日病例数和同期气象资料,应用SPSS 13.0软件,分析气象因子与脑出血发病的相关性,构建多元线性回归和前馈型神经网络(BP神经网络)模型预测脑出血发病人数,并对模型进行评价.结果 气象因子与脑出血发病密切相关.线性回归模型为y=18.248-0.873x1(x1为气温,r=0.708,F=18.13,P＜0.01),BP神经网络模型结构为7-6-1,2种模型预测的平均误差率分别为16.15％和8.08％,非线性相关系数分别为0.795和0.907.结论 荆门市脑出血发病与气温呈显著负相关,BP神经网络模型有较好的预测效果.     

人工神经网络方法在气象因素预测高血压发病中的应用

目的探讨以影响高血压发病率的气象因素建立高血压发病预测模型。方法选取银川地区1998—2000年日平均相对湿度、48h变温、日较差和日平均气压的标准化数据(以周为单位共100个样本)作为前馈型神经网络(BP神经网络)输入层的节点输入,以同期高血压发病率的标准化数据作为网络输出,经多层BP神经网络进行网络学习训练,建立高血压病发病率的人工神经网络预报模型。结果建立的高血压病神经网络模型结构为4-14-1(即有4个输入、14个隐含节点和1个输出),训练精度为0.005,训练了46步达到目的,最终误差为0.0048992。神经网络预报模型所得预报量的同一级平均拟合率为62.4%,差一级平均拟合率为99.2%,均高于统计预报方程(47.7%,98.3%);其同一级平均预报率为58.2%,差一级平均预报率为91.3%,均高于统计预报方程(50.5%,84.6%)。神经网络预报模型的平均绝对百分比误差、均方误差、绝对误差分别为25.2%,21.0%,16.2%,均低于统计预报方程(47.6%,26.2%,21.1%)。若以拟合值绝对误差小于20%为拟合正确,则统计预报方程拟合率为51.3%,而神经网络拟合率为71.2%。...     

宁波市散白蚁分飞高峰日分析及预测

目的 分析宁波市散白蚁分飞日与气象因子间的相关性,并以此为基础建立预报模型为实际业务提供服务。方法 分析散白蚁分飞频率与气温、气压、风速、降雨量、相对湿度和日照等气象因子的相关系数,采用逐步回归方法建立散白蚁分飞预报模型,并划分预报等级。结果 气温和气压对白蚁分飞影响显著,气温越高,气压越低,越利于散白蚁分飞,风速与白蚁分飞频率有弱相关性,相对湿度、日照和降水对白蚁分飞影响较小。散白蚁分飞预报模型经2020年数据检验表明其预报值与实际值具有较好相关性,预报结果可划分为4个气象指数等级并面向公众发布,在服务中具有一定的应用价值。结论 散白蚁分飞日大多出现在春季强暖区回暖天气,受气象因素影响较大,可通过气象因子进行预报。