基于“三年化疫”理论探讨百日咳发病与前期气象因素的相关性并建立预测模型*

张 轩，贺 娟

北京中医药大学基础医学院，北京 100029

基于“三年化疫”理论探讨百日咳发病与前期气象因素的相关性并建立预测模型*

张 轩，贺 娟△

北京中医药大学基础医学院，北京 100029

目的：探讨北京地区百日咳发病与前期(1～3年前)气象因素的关联性，并建立BP人工神经网络医疗气象预测模型。方法：收集北京地区1970—2004年35年的气象资料和百日咳发病资料，采用BP人工神经网络方法，分别从1年前、2年前、3年前3个不同时间维度，建立百日咳发病的气象预警模型。结果：1)百日咳发病与前期(1～3年前)气象因素具有相关性，其中关系最密切的气象因素是1～3年前的平均相对湿度；2)利用前期气象因素皆可成功建立百日咳发病的预测模型，以1年前气象因素建模的预测效果最佳。结论：1～3年前的气候可能会影响某些传染病的发病，今后对传染病发病的研究应注意考虑前期的气象变化。

百日咳；BP人工神经网络；前期气象变化；三年化疫；五运六气

百日咳是由百日咳杆菌引起的急性呼吸道传染病，临床表现以阵发性痉挛性咳嗽，以及咳嗽终止时伴有鸡鸣样吸气吼声为特征，多发生于儿童［1］。近年研究［2-4］开始重视从气象学角度探讨引起百日咳发病的气候条件，旨在为其防控提供气象决策依据。但目前大多数研究仍侧重于分析同期气象变化，而鲜有关于前期气候对百日咳发病影响的报道。

五运六气学说是中医理论的重要组成部分，文字数量占《黄帝内经·素问》三分之一还要多，有举足轻重的地位［5］。该学说中的“三年化疫”理论认为疫病的出现不但与当时的气候有关，而且与近3年的气候变化有关系［6］。这一观点延伸了对前期气象研究的时间范围，提示可以选择1～3年前的气象资料分析其与传染病发病的关联性。本课题既往的研究结果发现某些传染病的发生与前期的气象因素有关：如痢疾［7］和伤寒副伤寒［8］均与3年前的气候变化存在确切相关性；通过前1年的气象变化可以预测当年感染性腹泻高发月份的病例数［9］；利用2年前的气象因素可建立流行性腮腺炎发病的回归预测模型，且拟合效果最佳［10］。

因此，本研究试图利用北京地区1970—2004年35年的传染病数据库和气象数据库，采用统计学方法，探讨百日咳发病与1～3年前气象变化的相关性，并建立气象预警模型。

1 资料与方法

1.1 研究地点 北京地区属典型的暖温带半湿润大陆性季风气候，四季分明。春季干旱，夏季炎热多雨，秋季天高气爽，冬季寒冷干燥。风向有明显的季节变化。有学者［11］研究发现北京全年六气阶段的实际气候特点与中医六气模式“厥阴风木、少阴君火、少阳相火、太阴湿土、阳明燥金、太阳寒水特点”基本符合，认为北京地区的气候特点比较适合运气理论的研究。因此，将研究地点选定在北京地区，并采用六气分段的方式处理数据，以期较为客观地分析气象因素与百日咳发病之间的关系。

1.2 资料来源 北京市疾病预防控制中心提供1970—2004年记录存档的百日咳逐月发病数据，以及北京市观象台提供的同期7项基本气象因子的数据资料，包括日平均气温、日平均风速、日降水量、日平均相对湿度、日平均水汽压、日低云量、日舒适度。

1.3 研究方法

1.3.1 数据处理 本研究选择以立春为起始点［12］，将每年按24节气均分为六个时段，即初之气(立春～春分)、二之气(清明～小满)、三之气(芒种～大暑)、四之气(立秋～秋分)、五之气(寒露～小雪)、终之气(大雪～大寒)。以六气时段为单位，统计35年间各时段内气温、风速、降水量、相对湿度、水汽压、低云量、舒适度7项气象因子的平均值；以及1970—2003年百日咳逐年的六段发病数(因缺少2005年1月的发病数据，故无法统计2004年终之气的发病数)。

1.3.2 统计学方法 数据采用SPSS 17.0统计软件处理。由于人工神经网络具有独特的信息存储方式、良好的容错性、大规模的非线性并行处理方式以及强大的自组织、自学习和自适应能力［13］，故近年来该方法被广泛应用于传染病预测及与气象因素关系的分析中［14-17］。针对数据的非线性特点，本研究将采用BP人工神经网络建立百日咳发病的气象预测模型。模型1(1年前)：选择1973—2003年百日咳六气时段的发病数及1972—2002年7个气象因子的六段均值数进行统计，各自包含186组数据。将各气象因子作为输入变量，百日咳发病数作为输出变量，采用统计学中常用且默认的7∶3比例随机抽取数据进行训练及预测，建立预测模型，评价其预测精度，并分析1年前的各气象因子对百日咳发病的影响程度。模型2(2年前)：选择1973—2003年百日咳六气时段的发病数及1971—2001年7个气象因子的六段均值数进行统计，各自包含186组数据。如上法建立预测模型，评价其预测精度，并分析2年前的各气象因子对百日咳发病的影响程度。模型3(3年前)：选择1973—2003年百日咳六气时段的发病数及7个气象因子的六段均值数进行统计，各自包含186组数据。如上法建立预测模型，评价其预测精度，并分析3年前的各气象因子对百日咳发病的影响程度。

2 结果

2.1 各气象因素的六气时段变化趋势 在六气时段中，有6个气象因子(即：气温、降水量、相对湿度、水汽压、低云量和舒适度)的波峰值均出现在三之气(芒种～大暑)，其中相对湿度在三之气和四之气(立秋～秋分)均呈现波峰情况；6个气象因子的波谷值均出现在终之气(大雪～大寒)，其次为初之气(立春～春分)。只有风速在三之气的变化并不明显，其最高值出现在二之气(清明～小满)，其次为初之气，最低值出现在四之气，见图1—7。

图1 北京地区1970—2004年气温的六气时段变化趋势

图2 北京地区1970—2004年风速的六气时段变化趋势

图3 北京地区1970—2004年降水量的六气时段变化趋势

图4 北京地区1970—2004年相对湿度的六气时段变化趋势

图5 北京地区1970—2004年水汽压的六气时段变化趋势

图6 北京地区1970—2004年低云量的六气时段变化趋势

图7 北京地区1970—2004年舒适度的六气时段变化趋势

2.2 百日咳六气时段的发病特点 在六气时段中，百日咳在三之气呈现高发趋势，在终之气呈现低发趋势。三之气的发病与其他各时段的发病情况比较差异有统计学意义(χ2=11.920，P＜0.05)，即确定三之气为百日咳的高发病时段，见图8。

图8 北京地区1970—2004年百日咳六气时段发病趋势

2.3 百日咳发病与1年前气象因素的相关性及气象预测模型 结果显示，该模型训练样本占数据的73.7%，测试样本占数据的26.3%。训练相对错误值为0.330，测试的相对错误值为0.365，均小于1，说明模型建立成功，预测精度约为66%。其中，与百日咳发病密切相关的气象因素(即标准化重要性超过50%)有：1年前的相对湿度、1年前的风速、1年前的低云量、1年前的降水量。其中，相对湿度的贡献度最大，达100%，见表1。

表1 1年前各气象因素的重要性

2.4 百日咳发病与2年前气象因素的相关性及气象预测模型 结果显示，该模型训练样本占数据的72.0%，测试样本占数据的28.0%。训练相对错误值为0.524，测试的相对错误值为0.444，均小于1，说明模型建立成功，预测精度约为52%。其中，与百日咳发病密切相关的气象因素(即标准化重要性超过50%)有：2年前的相对湿度和2年前的风速。其中，相对湿度的贡献度最大，达100%，见表2。

2.5 百日咳发病与3年前气象因素的相关性及气象预测模型 结果显示，该模型训练样本占数据的72.0%，测试样本占数据的28.0%。训练相对错误值为0.787，测试的相对错误值为0.576，均小于1，说明模型建立成功，预测精度约为32%。其中，与百日咳发病密切相关的气象因素(即标准化重要性超过50%)有：3年前的相对湿度、3年前的风速、3年前的低云量、3年前的降水量。其中，相对湿度的贡献度最大，达100%，见表3。

表2 2年前各气象因素的重要性

表3 3年前各气象因素的重要性

3 讨论

本研究显示，北京地区百日咳高发病的三之气时段，正是多种气象因素(包括气温、降水量、相对湿度、水汽压、低云量、舒适度等)高峰出现的时期；而BP人工神经网络统计结果显示，北京地区百日咳发病与1～3年前的相对湿度、风速、降水量、低云量等气象因素具有密切相关性，其中相对湿度是最重要的气象因子。本研究结果与课题之前对百日咳发病与同期气象因素相关性研究［18］的结果对比，发现无论在当年，还是1～3年前，相对湿度都是诱发百日咳发病的最关键因素。在利用BP人工神经网络建立医疗气象预测模型方面，本研究显示，利用3年前的气象因素建模，其训练相对错误值为0.787，测试的相对错误值为0.576，推断模型预测精度约为32%，效果并不理想。利用2年前的气象因素建模，其训练相对错误值为0.524，测试的相对错误值为0.444，推断预测精度约为52%，效果尚可。利用1年前的气象因素建模，其训练相对错误值为0.330，测试的相对错误值为0.365，推断预测精度约为66%，效果优于前2个模型。既往的研究结果显示，利用当年的气象因素建模，其训练相对错误值为0.855，测试的相对错误值为0.805，推断预测精度约为18%，效果较差。两者对比发现，利用前期气象因素建立百日咳发病的预测模型，效果优于利用同期气象因素建立的模型。其中，利用1年前气象因素建模的预测效果最佳。该结果提示，北京地区百日咳的发病可能与上一年的气候变化密切相关。

本研究的创新之处在于：1)突破同期气象与传染病发病的研究范畴［19-21］，基于中医运气“三年化疫”的特色理论，从前期气象变化进行分析，并将前期时间范围定义在1～3年前，利用前期气象因素建立百日咳发病的预测模型，从时间上促进预警系统关口的前移，凸显了中医运气理论预测的超前性特征。2)针对传染病数据非正态的分布特点，以及气象因子之间的交叉作用，选择较为合适的统计方法，即BP人工神经网络建立预测模型，并可同时分析关系密切的气象因素，与其他研究中常用的单因素相关分析［22］、多元回归［23］、指数平滑［24］、时间序列［25］等方法不同。

但是，本研究尚具有一定的局限性：由于资料有限，研究仅选择了7个基本气象因子作为研究对象，而气候的变化是多个气象因子综合作用的结果，各气象因子之间存在着不同的影响权重。在以后研究中，笔者认为应扩大入选的气象指标，并引入气象综合参数等概念，参考能反映气象综合变动的数学模型，用于分析不同气候特点对百日咳发病的影响，以期建立精度更高的预测模型。

［1］ 杨绍基，任红.传染病学［M］.北京：人民卫生出版社，2011: 194.

［2］ 周国琪，杨柳，邹纯朴.运气学司天之气与温州地区气象及百日咳发病规律相关性的研究［J］.中国中医基础医学杂志，2008，14(11)：805-806.

［3］ 邹纯朴，韩淑杰，王建，等.东北三地猩红热、百日咳发病率与气象因素相关性分析［J］.2008，10(11)：40-41.

［4］ 王清，果丽平，邓健，等.邯郸市百日咳发病率与气象因素之间的关系研究［J］.医学动物防制，2014，30(3)：246-248.

［5］ 苏颖.五运六气探微［M］.北京：人民卫生出版社，2014:3.

［6］ 苏颖.中医运气学［M］.北京：中国中医药出版社，2009:93.

［7］ 刘忠第，张轩，贺娟.基于“3年化疫”理论探讨气象因素与北京地区痢疾发病的关系［J］.北京中医药大学学报，2013，36(4):258-262.

［8］ 张轩，祖丽胡玛尔·艾尼瓦尔，刘忠第，等.基于运气理论探讨伤寒副伤寒与气象因素的相关性并建立预测模型［J］.北京中医药大学学报，2013，36(12):797-801.

［9］ 汤巧玲，付帮泽，黄羚，等.北京市感染性腹泻与气象及六气的关联性研究［J］.中医杂志，2013，54(7)：570-572.

［10］张轩，贺娟.北京地区1990—2004年流行性腮腺炎发病与气象因素相关性研究［J］.中华中医药杂志，2014，29(5)：1740-1745.

［11］张德山，高思华，李鸿涛，等.北京地区中医六气的气候分析［J］.中医研究，2010，23(9)：1-3.

［12］刘玉庆，高思华，等.从北京市60年气象资料看王冰注释运气计算模式的谬误［J］.北京中医药大学学报，2010，12(33): 813-816.

［13］孙振球.医学统计学［M］.北京：人民卫生出版社，2007:478.

［14］马师雷，贺娟，高思华.从六气角度探讨病毒性肝炎与气象因子的相关性及疾病预测模型［J］.中华中医药杂志，2012，27(4):823-827.

［15］胡婧媛，蒋梦姣，景元书，等.基于神经网络的气象条件对泸州市肺结核发病率预测［J］.科技通报，2013，29(5)：19-23.

［16］邓斌，周志刚，马泽粦，等.肺结核病与气象因素关系的BP神经网络模型研究［J］.国际医药卫生导报，2008，14(1)：17-20.

［17］曲波，黄德生，郭海强，等.流行性脑脊髓膜炎与气象因素关系的BP神经网络模型研究［J］.中国医科大学学报，2006，35(2)：158-159.

［18］汤巧玲，付帮泽，刘宏伟，等.以百日咳为例探讨六气、气象与传染性疾病的关联性研究方法［J］.中华中医药杂志，2013，28(5)：1301-1305.

［19］黎新宇，王全意，贾蕾，等.北京市伤寒发病率与气象因素关系研究［J］.首都公共卫生，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］贾蕾，黎新宇，刘桂荣，等.北京气象因素与细菌性痢疾发病关系的研究［J］.现代预防医学，2007，34(13)：2470-2471.

［22］郑能雄，林云钦，郑高，等.福州市主要传染病与气象因素关系的研究［J］.医学动物防制，2004，20(5)：275-278.

［23］安庆玉，吴隽，王晓立，等.气象因素变化与大连市肠道传染病发病时间分布关系的研究［J］.中国预防医学杂志，2012，13(4)：288-291.

［24］史芸萍，马家奇.指数平滑法在流行性腮腺炎预测预警中的应用［J］.中国疫苗和免疫，2010，16(3)：233-237.

［25］王春平，王志锋，单杰，等.随机时间序列分析法在传染病预测中的应用［J］.中国医药统计，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

国家自然科学基金项目(编号81072896)。

张轩(1987—)，女，在读博士研究生。研究方向：五运六气学说。

△通讯作者：贺娟(1964—)，女，博士学位，博士研究生导师，教授。研究方向：五运六气学说。