基于運氣理論研究北京地區流行性腦脊髓膜炎發病與氣象因素的相關性

張軒　費占洋　郝宇　連易　王鴻　賀娟

基于運氣理論研究北京地區流行性腦脊髓膜炎發病與氣象因素的相關性

張軒費占洋郝宇連易王鴻賀娟

【摘要】目的依據中醫五運六氣學說，研究北京地區流行性腦脊髓膜炎(以下簡稱“流腦”)的高發與同期及前期(包括1～3年前)氣象因素的關聯性，并建立BP人工神經網絡的醫療氣象預測模型。方法基于北京地區1970年～2004年35年的氣象資料和流腦發病資料，利用BP人工神經網絡方法，從不同時間維度分別建立流腦的氣象預警模型。結果流腦的高發期主要集中在每年的初之氣(即2、3月份)。利用當年、1年前、2年前、3年前的氣象因素皆可成功建立流腦高發的預測模型，其預測精度分別是50%、75%、86%、99%，其中貢獻度最大的氣象因素分別是當年初之氣的平均相對濕度、1年前五之氣的平均氣溫、2年前初之氣的平均風速、3年前五之氣的平均風速。結論北京地區流腦的高發與當年及前3年的氣象因素均具有關聯性，利用前期(尤其是3年前)的氣象因素建立傳染病高發的預測模型具有深入研究的價值。

【關鍵詞】北京；流行性腦脊髓膜炎；氣象因素；五運六氣；三年化疫；BP人工神經網絡

流行性腦脊髓膜炎簡稱流腦，是由腦膜炎奈瑟菌引起的急性化膿性腦膜炎。其主要臨床表現為突然高熱、劇烈頭痛、頻繁嘔吐、皮膚黏膜瘀點、瘀斑及腦膜刺激征，嚴重者可有敗血癥休克和腦實質損害，?？晌＜吧?。部分病人暴發起病，可迅速致死[1]。流腦多流行于冬春季節，其傳播途徑是經呼吸道，通過飛沫傳播。本病任何年齡均可發生，以兒童多見[2]。近些年對流腦的研究，愈發重視從氣象學角度進行探討，旨在為其防治和發病預測提供依據[3-4]。

運氣學說是古人探討自然變化的周期性規律及其對疾病影響的一門學問，其中不僅包括了年、季、月、節、日、時等時空節律，而且總結了六十年甲子甚至更長時間的規律[5]。古人觀察到疫病的出現與氣候變化有著密切的聯系，不但與當時的氣候，而且與近三年的運氣都有關系，即“三年化疫”理論[6]。如《素問遺篇·本病論》云“假令甲子陽年，……如此則甲己失守，后三年化成土疫，……晚至丁卯，早至丙寅，土疫至也，……”[7]，指出甲年土運，若運氣失常，三年后引發疫病流行，名曰“土疫”，應為與脾胃相關的傳染病，其病到來存在“早至”或“晚至”的情況。因此推斷所謂“三年化疫”，實際上應指病發時間為運氣失常年之后的第二年或第三年[8]。

北京地區屬于典型的暖溫帶半濕潤大陸性季風氣候，四季分明。有學者研究發現北京全年五運時段的實際氣候特點與中醫五運模式“初運風、二運暑熱、三運濕、四運燥、五運寒”基本一致[9]；而北京全年六氣階段的實際氣候特點與中醫六氣模式“厥陰風木、少陰君火、少陽相火、太陰濕土、陽明燥金、太陽寒水”特點基本符合[10]。因此，北京地區的氣候特點比較適合于五運六氣學說的研究。在本課題“北京地區60年疫病發生、氣象變動規律性與五運六氣理論關聯性研究”的既往研究結果中，已發現某些傳染病的發生與前期的氣象因素有關：如痢疾[11]和傷寒副傷寒[12]均與3年前的氣候變化存在確切的相關性；通過前1年的氣象變化可以預測當年感染性腹瀉高發月份的病例數[13]；利用2年前的氣象因素可建立流行性腮腺炎發病的回歸預測模型，且擬合效果最佳[14]。因此，本研究將利用北京地區1970年～2004年35年的氣象數據資料和流腦的發病數據資料，采用統計學方法，從當年、1年前、2年前、3年前四個不同時間角度，系統而全面地分析流腦的高發與氣象因素之間的相關性，并嘗試建立預測模型，以期為現代傳染病的預防提供參考。

BP人工神經網絡[15]是一個非線性的數據建模工具集合，它包含輸入層、輸出層和隱藏層，神經元之間的連接賦予相關的權重，訓練算法在迭代過程中不斷調整這些權重，從而使得預測誤差最小化，并給出預測精度。由于其具有獨特的信息存儲方式、良好的容錯性、大規模的非線性并行處理方式以及強大的自組織、自學習和自適應能力，故近些年來，該方法廣泛應用于傳染病預測及與氣象因素關系的分析中[16-18]。針對傳染病數據的非線性特點，本研究將采用BP人工神經網絡建立四個流腦高發的氣象預測模型。

1資料與方法

1.1資料來源

北京市疾病預防控制中心提供1970年～2004年記錄存檔的流腦年度及逐月發病數據，以及北京市觀象臺提供的同期5項基本氣象因子的數據資料，包括日平均氣溫、日平均風速、日降水量、日平均相對濕度、日平均水汽壓。

1.2數據處理

本研究選擇以立春為起始點[19]，將每年按24節氣均分為六個時段，即初之氣(立春～春分)、二之氣(清明～小滿)、三之氣(芒種～大暑)、四之氣(立秋～秋分)、五之氣(寒露～小雪)、終之氣(大雪～大寒)。以六氣時段為單位，統計35年間各時段內氣溫、風速、降水量、相對濕度、水汽壓五項氣象因子的平均值；以及1970年～2003年流腦逐年的六段發病數。(注：因缺少2005年發病數據，故無法統計2004年六段發病數)

1.3研究方法

應用SPSS 17.0統計軟件中BP人工神經網絡的多層感知器(MLP)模塊，將5個氣象因子數據和流腦高發時段的發病數據，按六氣時段劃分，統計出6個組別，各自包含31組數據。將日平均氣溫、日平均風速、日降水量、日平均相對濕度、日平均水汽壓5個氣象因素作為輸入變量，將流腦高發時段的發病數作為輸出變量，采用統計學中常用且默認的7∶3比例，隨機抽取數據進行訓練及預測。

其中，模型1的輸入變量為1973年～2003年的5個氣象因子初之氣的六段平均值，輸出變量為1973年～2003年流腦高發時段(初之氣)的發病數。模型2的輸入變量為1972年～2002年5個氣象因子的六段平均值，輸出變量為1973年～2003年流腦高發時段(初之氣)的發病數。模型3的輸入變量為1971年～2001年5個氣象因子的六段平均值，輸出變量為1973年～2003年流腦高發時段(初之氣)的發病數。模型4的輸入變量為1970年～2000年5個氣象因子的六段平均值，輸出變量為1973年～2003年流腦高發時段(初之氣)的發病數。

如上法依次建立預測模型，分別評價其預測精度，并分析同期、1年前、2年前、3年前不同時段的各氣象因子對流腦發病的影響程度。

2結果

2.1流腦六氣時段的發病特點

流腦發病呈明顯的季節性分布，表現為初之氣(即2、3月份)高發，經卡方檢驗，初之氣的發病與其他時段發病情況具有顯著性差異(χ2=67.498，P<0.01)，此外，流腦在二之氣(即4、5月份)的發病數較高，在終之氣(即12、1月份)的發病數也會出現小幅上升。由此可見，冬春，尤其是初春，是流腦發病的主要時期。見圖1。

圖1　北京地區1973～2003年流腦六氣發病趨勢

2.2流腦高發與當年同期氣象因素的相關性及氣象預測模型

結果顯示，該模型訓練樣本占數據的71.0%，測試樣本占數據的29.0%。訓練相對錯誤值為0.447，

測試的相對錯誤值為0.678，均小于1，說明模型建立成功，預測精度約為50%。其中，僅平均相對濕度與流腦高發的相關性最強，其標準化重要性為100%，其余各氣象因素的標準化重要性均未超過50%。見圖2。

圖2　當年各氣象因素對流腦高發的影響

2.3流腦高發與1年前氣象因素的相關性及氣象預測模型

結果顯示，該模型訓練樣本占數據的71.0%，測試樣本占數據的29.0%。訓練相對錯誤值為0.155，測試的相對錯誤值為0.362，均小于1，說明模型建立成功，預測精度約為75%。其中，與流腦高發密切相關的氣象因素有：1年前五之氣的平均氣溫、1年前四之氣的平均相對濕度、1年前初之氣的平均水汽壓、1年前三之氣的平均水汽壓、1年前四之氣的平均降水量、1年前二之氣的平均氣溫、1年前終之氣的平均風速。以上各氣象因素的標準化重要性均超過50%，其中，1年前五之氣的平均氣溫對流腦高發影響最大，其標準化重要性為100%。見圖3。

2.4流腦高發與2年前氣象因素的相關性及氣象預測模型

結果顯示，該模型訓練樣本占數據的71.0%，測試樣本占數據的29.0%。訓練相對錯誤值為0.134，測試的相對錯誤值為0.151，均小于1，說明模型建立成功，預測精度約為86%。其中，與流腦高發密切相關的氣象因素有：2年前初之氣的平均風速、2年前終之氣的平均降水量、2年前四之氣的平均相對濕度、2年前四之氣的平均風速、2年前終之氣的平均風速。以上各氣象因素的標準化重要性均超過50%，其中，2年前初之氣的平均風速對流腦高發影響最大，其標準化重要性為100%。見圖4。

圖3　1年前各氣象因素對流腦高發的影響

圖4　2年前各氣象因素對流腦高發的影響

圖5　3年前各氣象因素對流腦高發的影響

2.5流腦高發與3年前氣象因素的相關性及氣象預測模型

結果顯示，該模型訓練樣本占數據的71.0%，測試樣本占數據的29.0%。訓練相對錯誤值為0.016，測試的相對錯誤值為0.085，均小于1，說明模型建立成功，預測精度約為99%。其中，與流腦高發密切相關的氣象因素有：3年前五之氣的平均風速、3年前初之氣的平均風速、3年前終之氣的平均氣溫。以上各氣象因素的標準化重要性均超過50%，其中，3年前五之氣的平均風速對流腦高發影響最大，其標準化重要性為100%。見圖5。

3討論

《黃帝內經·素問》兩遺篇中的“三年化疫”理論指出疫病的發生，不一定在氣候失常的當年，常常在氣候失常后的2～3年，容易發生疫病流行。而且，氣候異常變化的強弱程度也影響著疫病流行的輕重程度。氣候變化輕微則疫病發生也輕微，氣候變化劇烈則疫病發生也嚴重。由于氣候變化有強有弱，故疫病的發生也有快有慢，但終不超過3年。有學者[6]就歷史上發生的幾次重大疫情分析其與前2年或3年的氣候異常的關系，發現了2～3年易化疫癘理論的重要性。另外，有學者[20]對2003年SARS的發生進行了研究，也認識到了“三年化疫”理論的重要價值。

本研究基于中醫運氣理論，首次研究了北京地區流腦發病與同期及前期(1～3年)氣象變化的相關性。研究選擇流腦初之氣高發時段以及5項基本氣象因子作為主要研究指標，從不同時間維度，共建立四個流腦高發的氣象預測模型。經過對數據樣本按照7∶3的比例反復訓練，發現當四個模型的訓練樣本和測試樣本分別占總體71%和29%，模型的錯誤率呈現比較穩定的情況。結果顯示，利用當年、1年前、2年前、3年前的氣象因素皆可成功建立流腦高發的預測模型，當訓練樣本和測試樣本所占比例一致時，四個模型的預測精度分別為50%、75%、86%、99%，其中利用3年前的氣象因素建模預測精度最高，在一定程度上驗證了運氣“三年化疫”理論的客觀性及實用性。

本研究結果還發現：與流腦高發相關的氣象因素，在當年就只有1個因子，即相對濕度；而在前1～3年中，相關的氣象因素要明顯增多。如1年前的氣溫、風速、降水量、相對濕度和水汽壓5個氣象因素均與流腦高發密切相關，2年前的風速、降水量、相對濕度與流腦高發密切相關，3年前的氣溫和風速與流腦高發密切相關。從中不難看出，風速作為前期氣象因素對流腦的高發具有十分重要的影響。對比有學者[21]研究發現，風速是影響流腦發病率的主要氣象因素，由此可以推斷，不論在前期還是同期，風速都有可能是影響流腦發病的一個主要因素。在預測精度較高的兩個模型中，即利用2年前和3年前的氣象因素建立的模型顯示，2年前初之氣的平均風速和3年前五之氣的平均風速都是貢獻度最大的因子。由此可見，初之氣(2、3月份)和五之氣(10、11月份)北京地區風速的異常變動可能是影響氣候異常變化以及2～3年后流腦高發的關鍵因素。

本研究通過與當年的氣象變化作對比，重點探討了前1～3年的氣象變化對流腦高發的影響，分析了流腦高發與不同時間段單個氣象因子之間的相關性，并建立預測模型，此方法具有一定的局限性。因為氣候的異常變化是多個氣象因素綜合作用的結果，各氣象因子之間存在著不同的影響權重。在接下來的研究中，筆者認為應著重考慮氣象的綜合變化情況，擴大入選的氣象指標，引入氣象綜合參數等概念，以反映氣象綜合變動的數學模型來解析運氣理論中形容氣候異常變化的專業術語，分析氣象綜合變動的強弱等級，推斷其后傳染病發生的時間及輕重程度，以期采用更準確的數學表達來闡釋五運六氣學說，尤其是“三年化疫”理論的豐富內涵。

參考文獻

[1]楊紹基，任紅. 傳染病學[M].北京：人民衛生出版社，2011:201.

[2]王秀蓮. 古今瘟疫與中醫防治[M].北京：中國中醫藥出版社，2010:345.

[3]施海龍，曲波，郭海強，等. 干旱地區呼吸道傳染病氣象因素及發病預測[J].中國公共衛生，2006,22(4)：417-418.

[4]曲波，關鵬，周寶森，等. 干旱地區氣象因素對常見傳染病疫情影響的研究[J].中國醫科大學學報，2004,33(1)：34-35，39.

[5]顧植山. 疫病鉤沉-從運氣學說論疫病的發生規律[M].北京：中國中醫藥科技出版社，2003:8.

[6]蘇穎. 中醫運氣學[M].北京：中國中醫藥出版社，2009:93.

[7]王洪圖，賀娟. 黃帝內經素問白話解[M].北京：人民衛生出版社，2014:424.

[8]蘇穎. 五運六氣探微[M].北京：人民衛生出版社，2014:173.

[9]丁誼,張德山,賀娟，等.北京地區中醫“五運”的氣候特點分析及論證[C]//第27屆中國氣象學會年會論文集，2010:1-8.

[10]張德山,高思華,李鴻濤，等. 北京地區中醫六氣的氣候分析[J].中醫研究，2010,23(9)：1-3.

[11]劉忠第，張軒，賀娟. 基于“3年化疫”理論探討氣象因素與北京地區痢疾發病的關系[J].北京中醫藥大學學報,2013,36(4):258-262.

[12]張軒，祖麗胡瑪爾·艾尼瓦爾，劉忠第，等. 基于運氣理論探討傷寒副傷寒與氣象因素的相關性并建立預測模型[J].北京中醫藥大學學報,2013,36(12):797-801.

[13]湯巧玲，付幫澤，黃羚，等. 北京市感染性腹瀉與氣象及六氣的關聯性研究[J].中醫雜志，2013,54(7)：570-572.

[14]張軒，賀娟. 北京地區1990年—2004年流行性腮腺炎發病與氣象因素的相關性研究(英文)[J].中華中醫藥雜志，2014,29(5)：1740-1745.

[15]孫振球. 醫學統計學[M].北京：人民衛生出版社，2007:478.

[16]曲波，黃德生，郭海強，等. 流行性腦脊髓膜炎與氣象因素關系的BP神經網絡模型研究[J].中國醫科大學學報，2006,35(2)：158-159，165.

[17]胡婧媛，蔣夢姣，景元書，等. 基于神經網絡的氣象條件對瀘州市肺結核發病率預測[J].科技通報，2013,29(5)：19-23.

[18]鄧斌，周志剛，馬澤粦，等. 肺結核病與氣象因素關系的BP神經網絡模型研究[J].國際醫藥衛生導報，2008,14(1)：17-20.

[19]劉玉慶,高思華,張德山，等.從北京市60年氣象資料看王冰注釋運氣計算模式的謬誤[J].北京中醫藥大學學報,2010,33(12):813-816.

[20]顧植山.“三年化疫”說非典[J].中國中醫基礎醫學雜志，2003,9(12):1-3.

[21]羅愛芳，鄧健，孫立明，等. 邯鄲市流腦發病率與氣象因素關系的探討[J].醫學綜述，2013,19(20)：3782-3784.

(本文編輯：蒲曉田)

·理論探討·

作者單位：300193天津中醫藥大學中醫學院[沈麗果(在讀碩士研究生)、孟靜巖、馬佐英、袁衛玲、耿曉娟]

Correlation between the incidence of epidemic cerebrospinal meningitis and meteorological factors in Beijing based on the theory ofYunqiZHANGXuan,FEIZhan-yang,HAOYu,etal.SchoolofBasicMedicalSciences,BeijingUniversityofChineseMedicine，Beijing100029,China

【Abstract】ObjectiveTo investigate the correlation between high incidence of epidemic cerebrospinal meningitis (ECM) and meteorological factors during the same and previous periods based on the theory of five movements and six climatic changes, and then to establish the medical meteorological predictive models of BP artificial neural network. MethodsBP artificial neural network analysis was adopted to establish the ECM predictive models from different temporal dimensions, based on the data of meteorological factors and ECM from 1970 to 2004. ResultsThe highest incidence of ECM was in the 1stqi (i.e. February and March). All predictive models can be successfully established with meteorological data of the year, one year before, two years before and three years before the ECM with the predictive accuracy of 50%, 75%, 86% and 99% respectively. The study also shows the most significant meteorological factors include the average relative humidity in the 1stqi of the year, the average temperature in the 5thqi one year prior to the ECM, the average wind speed in the 1stqi two years prior to the ECM, and the average wind speed in the 5thqi three years prior to the ECM. ConclusionThe high incidence of ECM in Beijing is related to meteorological variables in current year and the past three years. Furthermore, the predictive models with meteorological variables of previous years (especially three years prior to ECM) are of value to be further investigated.

【Key words】Beijing;Epidemic cerebrospinal meningitis;Meteorological factors;Five circuit phases and six atmospheric influences;Pestilence occurring after three years;BP artificial neural network

通訊作者：馬佐英(1971- )，女，博士，副教授。研究方向：中醫治則治法。E-mail：ma2101@163.com

作者簡介:沈麗果(1987- )，女，2013級在讀碩士研究生。研究方向：中醫藏象理論研究。E-mail：slg1624020192@163.com

基金項目：國家重點基礎研究發展計劃(973計劃)(2013CB531701)

(收稿日期：2014-06-04)

Corresponding author:HE Juan, E-mail:hejuan6428@sina.com

【中圖分類號】R226

【文獻標識碼】A

doi:10.3969/j.issn.1674-1749.2015.03.017