基于“三年化疫”理論探討百日咳發病與前期氣象因素的相關性并建立預測模型*

張 軒，賀 娟

北京中醫藥大學基礎醫學院，北京 100029

基于“三年化疫”理論探討百日咳發病與前期氣象因素的相關性并建立預測模型*

張 軒，賀 娟△

北京中醫藥大學基礎醫學院，北京 100029

目的：探討北京地區百日咳發病與前期(1～3年前)氣象因素的關聯性，并建立BP人工神經網絡醫療氣象預測模型。方法：收集北京地區1970—2004年35年的氣象資料和百日咳發病資料，采用BP人工神經網絡方法，分別從1年前、2年前、3年前3個不同時間維度，建立百日咳發病的氣象預警模型。結果：1)百日咳發病與前期(1～3年前)氣象因素具有相關性，其中關系最密切的氣象因素是1～3年前的平均相對濕度；2)利用前期氣象因素皆可成功建立百日咳發病的預測模型，以1年前氣象因素建模的預測效果最佳。結論：1～3年前的氣候可能會影響某些傳染病的發病，今后對傳染病發病的研究應注意考慮前期的氣象變化。

百日咳；BP人工神經網絡；前期氣象變化；三年化疫；五運六氣

百日咳是由百日咳桿菌引起的急性呼吸道傳染病，臨床表現以陣發性痙攣性咳嗽，以及咳嗽終止時伴有雞鳴樣吸氣吼聲為特征，多發生于兒童［1］。近年研究［2-4］開始重視從氣象學角度探討引起百日咳發病的氣候條件，旨在為其防控提供氣象決策依據。但目前大多數研究仍側重于分析同期氣象變化，而鮮有關于前期氣候對百日咳發病影響的報道。

五運六氣學說是中醫理論的重要組成部分，文字數量占《黃帝內經·素問》三分之一還要多，有舉足輕重的地位［5］。該學說中的“三年化疫”理論認為疫病的出現不但與當時的氣候有關，而且與近3年的氣候變化有關系［6］。這一觀點延伸了對前期氣象研究的時間范圍，提示可以選擇1～3年前的氣象資料分析其與傳染病發病的關聯性。本課題既往的研究結果發現某些傳染病的發生與前期的氣象因素有關：如痢疾［7］和傷寒副傷寒［8］均與3年前的氣候變化存在確切相關性；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［9］；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［10］。

因此，本研究試圖利用北京地區1970—2004年35年的傳染病數據庫和氣象數據庫，采用統計學方法，探討百日咳發病與1～3年前氣象變化的相關性，并建立氣象預警模型。

1 資料與方法

1.1 研究地點 北京地區屬典型的暖溫帶半濕潤大陸性季風氣候，四季分明。春季干旱，夏季炎熱多雨，秋季天高氣爽，冬季寒冷干燥。風向有明顯的季節變化。有學者［11］研究發現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，認為北京地區的氣候特點比較適合運氣理論的研究。因此，將研究地點選定在北京地區，并采用六氣分段的方式處理數據，以期較為客觀地分析氣象因素與百日咳發病之間的關系。

1.2 資料來源 北京市疾病預防控制中心提供1970—2004年記錄存檔的百日咳逐月發病數據，以及北京市觀象臺提供的同期7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、日低云量、日舒適度。

1.3 研究方法

1.3.1 數據處理 本研究選擇以立春為起始點［12］，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、低云量、舒適度7項氣象因子的平均值；以及1970—2003年百日咳逐年的六段發病數(因缺少2005年1月的發病數據，故無法統計2004年終之氣的發病數)。

1.3.2 統計學方法 數據采用SPSS 17.0統計軟件處理。由于人工神經網絡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［13］，故近年來該方法被廣泛應用于傳染病預測及與氣象因素關系的分析中［14-17］。針對數據的非線性特點，本研究將采用BP人工神經網絡建立百日咳發病的氣象預測模型。模型1(1年前)：選擇1973—2003年百日咳六氣時段的發病數及1972—2002年7個氣象因子的六段均值數進行統計，各自包含186組數據。將各氣象因子作為輸入變量，百日咳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，建立預測模型，評價其預測精度，并分析1年前的各氣象因子對百日咳發病的影響程度。模型2(2年前)：選擇1973—2003年百日咳六氣時段的發病數及1971—2001年7個氣象因子的六段均值數進行統計，各自包含186組數據。如上法建立預測模型，評價其預測精度，并分析2年前的各氣象因子對百日咳發病的影響程度。模型3(3年前)：選擇1973—2003年百日咳六氣時段的發病數及7個氣象因子的六段均值數進行統計，各自包含186組數據。如上法建立預測模型，評價其預測精度，并分析3年前的各氣象因子對百日咳發病的影響程度。

2 結果

2.1 各氣象因素的六氣時段變化趨勢 在六氣時段中，有6個氣象因子(即：氣溫、降水量、相對濕度、水汽壓、低云量和舒適度)的波峰值均出現在三之氣(芒種～大暑)，其中相對濕度在三之氣和四之氣(立秋～秋分)均呈現波峰情況；6個氣象因子的波谷值均出現在終之氣(大雪～大寒)，其次為初之氣(立春～春分)。只有風速在三之氣的變化并不明顯，其最高值出現在二之氣(清明～小滿)，其次為初之氣，最低值出現在四之氣，見圖1—7。

圖1 北京地區1970—2004年氣溫的六氣時段變化趨勢

圖2 北京地區1970—2004年風速的六氣時段變化趨勢

圖3 北京地區1970—2004年降水量的六氣時段變化趨勢

圖4 北京地區1970—2004年相對濕度的六氣時段變化趨勢

圖5 北京地區1970—2004年水汽壓的六氣時段變化趨勢

圖6 北京地區1970—2004年低云量的六氣時段變化趨勢

圖7 北京地區1970—2004年舒適度的六氣時段變化趨勢

2.2 百日咳六氣時段的發病特點 在六氣時段中，百日咳在三之氣呈現高發趨勢，在終之氣呈現低發趨勢。三之氣的發病與其他各時段的發病情況比較差異有統計學意義(χ2=11.920，P＜0.05)，即確定三之氣為百日咳的高發病時段，見圖8。

圖8 北京地區1970—2004年百日咳六氣時段發病趨勢

2.3 百日咳發病與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73.7%，測試樣本占數據的26.3%。訓練相對錯誤值為0.330，測試的相對錯誤值為0.365，均小于1，說明模型建立成功，預測精度約為66%。其中，與百日咳發病密切相關的氣象因素(即標準化重要性超過50%)有：1年前的相對濕度、1年前的風速、1年前的低云量、1年前的降水量。其中，相對濕度的貢獻度最大，達100%，見表1。

表1 1年前各氣象因素的重要性

2.4 百日咳發病與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72.0%，測試樣本占數據的28.0%。訓練相對錯誤值為0.524，測試的相對錯誤值為0.444，均小于1，說明模型建立成功，預測精度約為52%。其中，與百日咳發病密切相關的氣象因素(即標準化重要性超過50%)有：2年前的相對濕度和2年前的風速。其中，相對濕度的貢獻度最大，達100%，見表2。

2.5 百日咳發病與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72.0%，測試樣本占數據的28.0%。訓練相對錯誤值為0.787，測試的相對錯誤值為0.576，均小于1，說明模型建立成功，預測精度約為32%。其中，與百日咳發病密切相關的氣象因素(即標準化重要性超過50%)有：3年前的相對濕度、3年前的風速、3年前的低云量、3年前的降水量。其中，相對濕度的貢獻度最大，達100%，見表3。

表2 2年前各氣象因素的重要性

表3 3年前各氣象因素的重要性

3 討論

本研究顯示，北京地區百日咳高發病的三之氣時段，正是多種氣象因素(包括氣溫、降水量、相對濕度、水汽壓、低云量、舒適度等)高峰出現的時期；而BP人工神經網絡統計結果顯示，北京地區百日咳發病與1～3年前的相對濕度、風速、降水量、低云量等氣象因素具有密切相關性，其中相對濕度是最重要的氣象因子。本研究結果與課題之前對百日咳發病與同期氣象因素相關性研究［18］的結果對比，發現無論在當年，還是1～3年前，相對濕度都是誘發百日咳發病的最關鍵因素。在利用BP人工神經網絡建立醫療氣象預測模型方面，本研究顯示，利用3年前的氣象因素建模，其訓練相對錯誤值為0.787，測試的相對錯誤值為0.576，推斷模型預測精度約為32%，效果并不理想。利用2年前的氣象因素建模，其訓練相對錯誤值為0.524，測試的相對錯誤值為0.444，推斷預測精度約為52%，效果尚可。利用1年前的氣象因素建模，其訓練相對錯誤值為0.330，測試的相對錯誤值為0.365，推斷預測精度約為66%，效果優于前2個模型。既往的研究結果顯示，利用當年的氣象因素建模，其訓練相對錯誤值為0.855，測試的相對錯誤值為0.805，推斷預測精度約為18%，效果較差。兩者對比發現，利用前期氣象因素建立百日咳發病的預測模型，效果優于利用同期氣象因素建立的模型。其中，利用1年前氣象因素建模的預測效果最佳。該結果提示，北京地區百日咳的發病可能與上一年的氣候變化密切相關。

本研究的創新之處在于：1)突破同期氣象與傳染病發病的研究范疇［19-21］，基于中醫運氣“三年化疫”的特色理論，從前期氣象變化進行分析，并將前期時間范圍定義在1～3年前，利用前期氣象因素建立百日咳發病的預測模型，從時間上促進預警系統關口的前移，凸顯了中醫運氣理論預測的超前性特征。2)針對傳染病數據非正態的分布特點，以及氣象因子之間的交叉作用，選擇較為合適的統計方法，即BP人工神經網絡建立預測模型，并可同時分析關系密切的氣象因素，與其他研究中常用的單因素相關分析［22］、多元回歸［23］、指數平滑［24］、時間序列［25］等方法不同。

但是，本研究尚具有一定的局限性：由于資料有限，研究僅選擇了7個基本氣象因子作為研究對象，而氣候的變化是多個氣象因子綜合作用的結果，各氣象因子之間存在著不同的影響權重。在以后研究中，筆者認為應擴大入選的氣象指標，并引入氣象綜合參數等概念，參考能反映氣象綜合變動的數學模型，用于分析不同氣候特點對百日咳發病的影響，以期建立精度更高的預測模型。

［1］ 楊紹基，任紅.傳染病學［M］.北京：人民衛生出版社，2011: 194.

［2］ 周國琪，楊柳，鄒純樸.運氣學司天之氣與溫州地區氣象及百日咳發病規律相關性的研究［J］.中國中醫基礎醫學雜志，2008，14(11)：805-806.

［3］ 鄒純樸，韓淑杰，王建，等.東北三地猩紅熱、百日咳發病率與氣象因素相關性分析［J］.2008，10(11)：40-41.

［4］ 王清，果麗平，鄧健，等.邯鄲市百日咳發病率與氣象因素之間的關系研究［J］.醫學動物防制，2014，30(3)：246-248.

［5］ 蘇穎.五運六氣探微［M］.北京：人民衛生出版社，2014:3.

［6］ 蘇穎.中醫運氣學［M］.北京：中國中醫藥出版社，2009:93.

［7］ 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.

［8］ 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.

［9］ 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.

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

［11］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.

［12］劉玉慶，高思華，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，2010，12(33): 813-816.

［13］孫振球.醫學統計學［M］.北京：人民衛生出版社，2007:478.

［14］馬師雷，賀娟，高思華.從六氣角度探討病毒性肝炎與氣象因子的相關性及疾病預測模型［J］.中華中醫藥雜志，2012，27(4):823-827.

［15］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.

［16］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.

［17］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.

［18］湯巧玲，付幫澤，劉宏偉，等.以百日咳為例探討六氣、氣象與傳染性疾病的關聯性研究方法［J］.中華中醫藥雜志，2013，28(5)：1301-1305.

［19］黎新宇，王全意，賈蕾，等.北京市傷寒發病率與氣象因素關系研究［J］.首都公共衛生，2007，1(2)：91-93.

［20］M a SL，Tang Q L，Li u H W，et al，等.Correl at i on anal ysi s for t he at t ack of baci l l ary dysent ery and m et eorol ogi cal fact ors based on t he Chi nese m edi ci ne t heory ofYunQi and t he m edi cal-m et eorol ogi calforecast m odel［J］.Chi nese JournalofInt egrat i ve M edi ci ne，2013，19(3):182-186.

［21］賈蕾，黎新宇，劉桂榮，等.北京氣象因素與細菌性痢疾發病關系的研究［J］.現代預防醫學，2007，34(13)：2470-2471.

［22］鄭能雄，林云欽，鄭高，等.福州市主要傳染病與氣象因素關系的研究［J］.醫學動物防制，2004，20(5)：275-278.

［23］安慶玉，吳雋，王曉立，等.氣象因素變化與大連市腸道傳染病發病時間分布關系的研究［J］.中國預防醫學雜志，2012，13(4)：288-291.

［24］史蕓萍，馬家奇.指數平滑法在流行性腮腺炎預測預警中的應用［J］.中國疫苗和免疫，2010，16(3)：233-237.

［25］王春平，王志鋒，單杰，等.隨機時間序列分析法在傳染病預測中的應用［J］.中國醫藥統計，2006，13(3)：229-232.

Exploration on the Correlation between the Incidence of Pertussis and Previous Meteorological Variables Based on the Theory of″Plague Transformation in Three Years″and Building Prediction Models

ZHANG Xuan,HE Juan△
Basic Medicine School of Beijing University of Chinese Medicine,Beijing 100029,China

Objective:To explore the correlation between pertussis incidence in Beijing and previous(one year to three years ago)meteorological variables,and establish medical meteorological prediction models of BP artificial neural network.Methods:The data of climate change from 1970 to 2004 and pertussis incidence in Beijing were collected and meteorological prediction models were established by adopting the method of BP artificial neural network from three different time dimensions including one year,two years and three years ago respectively.Results:1)Pertussis incidence is related to previous(one year to three years ago)meteorological variables,,among them,closely related meteorological factor was average relative humidity(one year to three years ago);2)Prediction model of pertussis incidence could be successfully established by using previous meteorological variables,especially prediction models established on the foundation of meteorological one year ago showing the best prediction effects.Conclusion:Climates one to three years ago might be affect the incidence of some infectious diseases,and the study on the incidences of infectious diseases should pay attention to meteorological changes early.

pertussis;BP artificial neural network;previous meteorological variables;plague transformation in three years;five movements and six climates

R516.7

A

1004-6852(2015)11-0038-05

2014-112-27

國家自然科學基金項目(編號81072896)。

張軒(1987—)，女，在讀博士研究生。研究方向：五運六氣學說。

△通訊作者：賀娟(1964—)，女，博士學位，博士研究生導師，教授。研究方向：五運六氣學說。