沈陽市和平區十年內5歲以下兒童死亡原因分析

高欣

?

調查研究

沈陽市和平區十年內5歲以下兒童死亡原因分析

高欣

110001 沈陽，沈陽市和平區南站社區衛生服務中心兒保科

【摘要】目的為降低5歲以下兒童死亡率，了解死亡原因，對監測資料進行分析。方法描述死亡率變化趨勢，進行死因分析，使用灰色模型[GM(1，1)]和BP人工神經網絡對死亡率進行預測。結果5歲以下兒童死亡率總體呈下降趨勢，近4年死亡率較低，有一定程度的波動，偶有回升。主要死因為早產低體質量、先天性心臟病、其他先天異常，傷害死亡的順位有所上升。BP人工神經網絡方法的平均誤差率為2.68%，大大低于灰色模型的14.06%。結論應加強早產低體質量、先天性心臟病、其他先天異常的預防保健工作，重視兒童傷害的預防，確保死亡率下降的現有成果；BP人工神經網絡法優于灰色模型法。

【關鍵詞】死亡；死因分析；監測；兒童

5歲以下兒童死亡率是衡量一個國家社會發展和兒童健康水平的重要指標。中國政府制定的《九十年代中國兒童發展規劃綱要》和《中國兒童發展綱要(2011～2020)》均把降低5歲以下兒童死亡率列為國家保護兒童健康的重要目標。世界衛生組織、聯合國兒童基金會、聯合國人口基金等國際組織也經常使用該指標比較各國兒童的健康狀況。目前，國內5歲以下兒童死亡率約為6/1 000左右，但波動較大，偶有回升趨勢[1-2]。為了進一步降低5歲以下兒童死亡率，了解兒童死亡現狀，更好的開展城市兒童保健工作，本文對和平區5歲以下兒童死亡監測資料進行分析。

1資料與方法

1.1資料來源2011～2014年度和平區17所駐區及區屬醫院下設的兒保地段上報的5歲以下兒童死亡報告卡；全市各綜合醫院上報的5歲以下兒童死亡報告卡。2004～2014年5歲以下兒童死亡率。1.2標準和定義采用國際疾病分類標準(ICD-10)進行死亡診斷。兒童年齡以實足年齡計算，從出生到差一天滿5周歲為5歲以下兒童。

1.3質量控制實行地段、綜合醫院雙重報卡相互核對制度；區婦幼保健所定期與疾病預防控制部門、派出所，街道社區核對兒童死亡情況，以防止誤報、漏報。

1.4死亡率及死因分析方法描述死亡率變化趨勢，對死亡率較低的近4年資料作死因分析。1.5預測分析方法分別使用灰色模型[GM(1,1)]法和BP人工神經網絡法進行預測，比較優劣[2]。利用2004～2014年死亡率數據進行建?；蛴柧?，2014年數據作為驗證數據，對2006～2014年數據進行誤差評估，公式為：平均誤差率=平均誤差絕對值/實際值的均值。

BP人工神經網絡法:對數據進行歸一化后，使用每前兩年的數據預測第3年，用newff()函數構建網絡，網絡結構為典型的兩層BP網絡，隱層神經元傳遞函數為tansig()、輸出層神經元傳遞函數為logsig，訓練函數為trainlm()。使用matlab 6.5軟件實現網絡訓練和預測。

2結果

2.12004～2014年5歲以下兒童死亡率變化見表1。

表1　2004～2014年5歲以下兒童死亡率

表1可見，2004～2014年5歲以下兒童死亡率均在國家要求的15/1 000以下，總體呈現下降態勢，前期較平穩，后期下降較快。近4年死亡率較低，有一定程度的波動，偶有回升。

2.22011～2014年5歲以下兒童死亡的死因順位見表2。

表2　2011～2014年5歲以下兒童死亡的死因順位

表2可見，2011～2014年5歲以下兒童死亡的主要死因為早產低體質量、先天性心臟病、其他先天異常，該3種死因一直占據前3位。近年來意外、意外窒息等傷害死亡的順位有所上升。

平均誤差率=平均誤差絕對值/實際值的均值=1.24/8.82=14.06%

BP人工神經網絡法預測結果見表4。BP人工神經網絡法函數表達式及主要參數：net=newff(minmax(p),[8,1],{‘tansig’ ‘logsig’},‘trainlm’) net.trainParam.epochs=2000 net.trainParam.goal=0.001

表3　灰色模型[GM(1,1)]法預測結果

表4　BP人工神經網絡法預測結果(1/1 000)

平均誤差率=平均誤差絕對值/實際值的均值=0.22/8.82=2.68%

因此，通過比較發現，對5歲以下兒童死亡率的預測BP人工神經網絡法優于灰色模型[GM(1,1)]法。

3討論

死亡率方面，近年來國內5歲以下兒童死亡率大幅下降，城市地區已達10/1 000左右[3]，本區10年來死亡率總體也呈現下降態勢，前期較平穩，后期下降較快，均在國家要求的15/1 000以下。近兩年死亡率較低，已達到6/1 000左右，接近發達國家水平。應該注意的是在下降過程中短期波動較大，偶有回升趨勢，因此仍應繼續加強保健工作，穩定現有成果。

在死因順位方面，通過分析發現早產低體質量、先天性心臟病、其他先天異常為本區5歲以下兒童死亡的主要死因，與國內城市近年來死因順位基本一致[4-8]。對于早產低體質量問題，應該接續加強高危早產孕婦的高危管理工作,提高產前檢查率,推廣預防早產的適宜技術,改善孕婦的營養及健康狀況。先天性心臟病、其他先天異常都屬于出生缺陷的范疇，對此應積極開展遺傳咨詢、產前診斷和出生缺陷的監測,同時做好婚檢,并加強優生優育的宣傳。

另外，與近年來文獻顯示的意外傷害死亡在兒童死因構成中比例呈上升趨勢[9-11]相一致，本區意外、意外窒息等傷害致死發生順位也有所提升，多次進入死因前5位。這一現象應引起高度重視。提示在宣傳預防治療常見病的同時，應加強對家長進行安全教育的培訓和宣傳，兒童傷害防治工作應當成為今后兒童保健工作的重點。

為了及時了解死亡率變動趨勢，更好的預防兒童死亡，本區一直使用灰色模型[GM(1，1)]進行死亡率預測工作。灰色模型[GM(1，1)]是較為常用的一種預測模型，廣泛應用于各個領域，尤其適用于短期變動不大或有長期趨勢數據的預測，在兒童保健領域也經常被使用，但近4年來，本區死亡率短期波動較大，灰色模型顯然無法適應，因此，本研究使用了能夠自我學習并具有良好非線性映射功能的BP人工神經網絡方法[12]對死亡率進行預測。結果顯示，BP人工神經網絡方法的平均誤差率為2.68%，大大低于灰色模型[GM(1，1)]的14.06%；對2014年數據進行驗證，神經網絡法的6.99也與真實值6.87更為接近，因此對有一定波動的5歲以下兒童死亡率的預測，BP人工神經網絡法優于灰色模型[GM(1,1)]法。

參考文獻

[1]方積乾.衛生統計學[M].6版.北京:人民衛生出版社，2012:43-45.

[2]孫振球，徐勇勇.醫學統計學[M].3版.北京:人民衛生出版社，2010:123-125.

[3]宋妍，何國平.5歲以下兒童死亡原因的研究概況[J].亞太傳統醫藥，2008，4(8)：73-74.

[4]韋再華，謝學勤，高燕琳.北京市2003～2007年5歲以下兒童死因分析[J].中國衛生統計，2009，6(4):396-397.

[5]張丹，楊少萍.武漢市2001～2009年5歲以下兒童死亡情況分析[J].中國婦幼保健，2011，26(11):32-34.

[6]王衛凱，白巖，何文華，等.甘肅省5歲以下兒童死亡結果分析[J].甘肅科學學報，2014，26(4):50-54.

[7]陳亦晨，李小攀，楊琛，等.2002～2013年上海市浦東新區5歲以下兒童死因分析[J].中國兒童保健雜志，2015，23(1):93-95.

[8]魏煌忠，趙廣英，梁錦萍.深圳市某街道2007～2011年5歲以下兒童死亡情況分析[J].公共衛生與預防醫學，2013，24(1):115-116.

[9]蔡任之，虞慧婷.上海市2011年戶籍及非戶籍人口5歲以下兒童死亡分析[J].亞太傳統醫藥，2013，9(9):205-207.

[10]伍穎華，陳偉湛，梁僑任，等.廣東臺山市2007～2012年5歲以下兒童死亡情況分析[J].公共衛生與預防醫學，2014，25(1):91-93.

[11]曹芳蘭.湖北宜都市2008～2012年5歲以下兒童死亡趨勢[J].公共衛生與預防醫學，2013，24(5):120-121.

[12]葛哲學，孫志強.神經網絡理論與實踐[M].北京：電子工業出版社，2007：46-49.

(本文編輯：劉穎)

Analysis of the causes of death in children under 5 years old in the Heping District of Shenyang City in the recent ten years

GAOXin.

HepingDistrictSouthStationCommunityHealthServiceCenter，Shenyang110001，China.

【Abstract】ObjectiveTo reduce the mortality of children under 5 years of age,to understand the cause of death,and to analyse the monitoring data.MethodsDescribe the trends in mortality,perform analysis of death causes,and use the grey model[GM (1,1)] and BP artificial neural network to predict mortality.ResultsThe total mortality in children under five years old was decreased,being lower in the recent 4 years,with a certain degree of volatility and occasional increases.The main cause of death was premature low birth weight,congenital heart disease and other congenital anomalies,with the death due to injury ranking higher.The average error rate of the BP artificial neural network method was 2.68%,which was much lower than that of the grey model(14.06%).ConclusionWe should strengthen prevention and health care work in premature low weight,congenital heart disease and other congenital anomalies and pay attention to prevention of child injury in order to ensure the existing achievement of mortality decline.BP artificial neural network method is better than the grey model method.

【Keywords】Death;Analysis of cause of death;Monitoring;Children

作者簡介：高欣(1963-)，女，主治醫師。研究方向：兒童保健，E-mail：niugx@sina.com

doi：10.3969/j.issn.1674-3865.2016.03.038

【中圖分類號】R729

【文獻標識碼】A

【文章編號】1674-3865(2016)03-0356-03

(收稿日期：2016-01-19)