降雨量与脑卒中入院的关联性：基于分布滞后非线性模型

曾繁艳 杨学智 刘星雨 莫佳丽 刘祖婷 卢依 易应萍 况杰

【摘要】 背景 脑卒中是严重危害人类健康的主要慢性病，降雨量与脑卒中发病的关系尚未明确。目的 分析南昌市降雨量与脑卒中入院的关联性，为制定脑卒中综合防治策略和措施提供科學依据。方法 收集江西省卫生健康委员会信息中心DRGs管理系统中南昌市2015—2019年脑卒中入院数据及全国城市空气质量实时发布平台大气污染物和南昌市气象基站数据，分析脑卒中入院患者、大气污染物及气象因素的基本特征。采用Spearman秩相关分析探究脑卒中入院例数与大气污染物和气象因素的相关性，利用分布滞后非线性模型分析降雨量与脑卒中入院的关系，并按照性别、年龄（<65岁和≥65岁）进行分层分析，lag代表滞后天数。结果 2015—2019年南昌市脑卒中入院患者79 523例，其中男性（49 072例，61.71%）、年龄≥65岁 （48 092例，60.48%）的患者所占比例较大，冬（12月～次年2月）、春（3～5月）季脑卒中入院例数分别为20 065例（25.23%）、20 358例（25.60%）。降雨量与脑卒中入院呈非线性关系，并存在一定的滞后效应。降雨量对脑卒中入院的效应在lag1、lag2的RR值均为1.009，95%CI分别为1.000～1.019、1.001～1.016。分层分析显示：较高降雨量对男性脑卒中入院例数的主要效应为lag6，RR值为1.003；对女性脑卒中入院例数的主要效应为lag1和lag2，RR值分别为1.018（95%CI=1.004～1.031）、1.020（95%CI=1.009～1.031）；对65岁以下缺血性脑卒中入院例数的主要效应为lag1（RR=1.016，95%CI=1.003～1.030）、lag2（RR=1.018，95%CI=1.007～1.029）。结论 短期暴露于较高降雨量可增加脑卒中入院风险，女性、65岁以下人群对降雨暴露更为敏感，应加强对该人群的防护。

【关键词】 脑卒中；降雨量；危险因素；分布滞后非线性模型；入院例数；气候和疾病；江西省

【中图分类号】 R 743 【文献标识码】 A DOI：10.12114/j.issn.1007-9572.2024.0010

Association between Rainfall and Stroke Admissions：Based on Distributional Lag Nonlinear Modeling

ZENG Fanyan1，YANG Xuezhi1，LIU Xingyu1，MO Jiali1，LIU Zuting1，LU Yi1，YI Yingping2，KUANG Jie1*

1.Department of Epidemiology，School of Public Health，Nanchang University/Jiangxi Provincial Key Laboratory of Preventive Medicine，Jiangxi Medical College，Nanchang University，Nanchang 330006，China

2.Medical Big Data Research Center，the Second Affiliated Hospital of Nanchang University，Nanchang 330006，China

*Corresponding author：KUANG Jie，Associate professor； E-mail：kuangjie@ncu.edu.cn

【Abstract】 Background Stroke is a chronic condition that seriously impairs human health. The correlation between rainfall and onset of stroke remains unclear. Objective To analyze the correlation between rainfall and stroke admissions in Nanchang City，and to provide scientific references for developing a comprehensive prevention and treatment strategy for stroke. Methods Stroke admission data from Nanchang City（2015-2019） from the digital-related group（DRG） system of the Jiangxi Provincial Health Commission Information Center were collected. In addition，atmospheric pollutant data from the national urban air quality real-time release platform and meteorological data from the Nanchang meteorological base station were collected. Basic characteristics of stroke admission patients，air pollutants，and meteorological factors were analyzed. Spearman rank correlation analysis was performed to identify the correlation of case number of stroke admissions with air pollutants and atmospheric factors. Distributional lag nonlinear model was used to explore the linkage between rainfall and stroke admissions. Stratified analysis was conducted based on gender and age（<65 years old and ≥65 years old），and lag represented the lagging days. Results From 2015 to 2019，there were 79 523 hospitalized patients with stroke in Nanchang City，of which 49 072（61.71%） were males and 48 092（60.48%）were ≥65 years old，accounting for a large proportion. The number of stroke admissions in winter

（December to February）and spring（March to May）were 20 065（25.23%）and 20 358（25.60%），respectively. There was a nonlinear relationship between rainfall and stroke admission，and there was a certain lag effect. The RR values of lag1 and lag2 for the effect of rainfall on stroke admission was both 1.009，and 95%CI were 1.000-1.019 and 1.001-1.016，respectively. Stratified analysis showed that the main effect of higher rainfall on the number of male stroke admissions was lag6，RR value was 1.003；the main effect on the number of hospital admissions for female stroke was lag1 and lag2，with RR values of 1.018（95%CI=1.004-1.031）and 1.020（95%CI=1.009-1.031），respectively. The main effects on the number of hospitalizations for ischemic stroke under 65 years of age were lag1（RR=1.016，95%CI=1.003-1.030），and lag2（RR=1.018，95%CI=1.007-1.029）. Conclusion Short-term exposure to higher rainfall can increase the risk of stroke hospitalization，and women and people under 65 years of age are more sensitive to rainfall exposure，and protection should be strengthened for this group of people.

【Key words】 Stroke；Rainfall；Risk factors；Distributional lag nonlinear model；Hospital admissions；Climates and diseases；Jiangxi province

隨着老龄化、城镇化、工业化进程加快和行为危险因素流行，脑卒中导致的死亡及疾病负担在我国总死亡和疾病负担中的占比巨大。脑卒中发病急，病因复杂，已有研究表明，气象因素与脑卒中发病有一定的关系［1］。

降雨量是一个重要的气象指标，既往研究表明其与心脑血管疾病发病相关，如降雨量对心血管疾病住院率的影响、降水量增加与住院的发病率增加有关［2］，与缺血性脑卒中住院率减少有关［3］。KINTOKI MBALA等［4］研究表明降雨量减少与缺血性脑卒中之间存在正相关关系，降雨量增加与出血性脑卒中之间存在正相关关系。有研究显示，较高的空气湿度会增加卒中的风险［5］。目前，降雨量与脑卒中入院关系的研究较少，且结果并不一致。因此，本研究旨在采用分布滞后非线性模型（distributed lag nonlinear model，DLNM）研究2015—2019年南昌市降雨量与脑卒中入院例数的关联性，为相关部门制定脑卒中综合防治策略和措施提供科学依据。

1 资料与方法

1.1 数据来源

脑卒中入院数据来自江西省卫生健康委员会信息中心DRGs（diagnosis related groups）管理系统，脑卒中的诊断基于国际疾病分类第10版（ICD-10）编码：I60～I69。病例信息主要包括入院日期、住院时间、性别、年龄等临床信息。病例纳入标准：年龄≥18岁，住院时长>24 h，研究期间首次住院，并诊断为脑卒中，医疗类别为住院的所有脑卒中患者。数据先由江西省11个地级市二、三级综合医院上传至江西省卫生健康委员会信息中心，信息中心对数据进行统一的标准化，逻辑查错以及疾病编码校对，以确保数据的完整性及准确性。

2015—2019年每日气象资料来源于南昌市气象基站数据，包括日最高温、日最低温、均温、湿度、风向、风速、能见度、云量、大气压、降雨量。每日大气污染物资料来源于全国城市空气质量实时发布平台，包括大气颗粒物PM10、PM2.5、臭氧（O3）、二氧化硫（SO2）、一氧化碳（CO）、二氧化氮（NO2）。

1.2 统计学方法

对研究期间的脑卒中入院病例资料、气象资料进行统计描述，将脑卒中入院例数按照春季（3～5月）、夏季（6～8月）、秋季（9～11月）和冬季（12月～次年2月）进行分组，获得脑卒中入院的季节性特点。计数资料以相对数表示，对大气污染物、气象因素进行Spearman秩相关分析，采用DLNM定量探索降雨量对脑卒中入院的影响，其中脑卒中每日入院例数为因变量，由于日平均气温、日最高气温、日最低气温之间存在高度相关性，为避免多重共线性对模型的影响，在构建模型时，只取了日最低气温这一指标，因其与脑卒中入院的相关系数r最大，然后按照向前逐步回归进行变量筛选，以降雨量为研究变量，将筛选出的大气污染物和气象因素作为混杂变量，控制长期趋势、星期几效应和节假日效应，构建DLNM模型，最终模型如下：

log［E（Yt）］=α+βCb.rainfall+NS（time，ν）+DOW+holiday+PM10+SO2+NO2+O3+fs+lt+njd+airpressure

式中Yt为脑卒中日入院例数，α为截距，Cb.rainfall为降雨量与滞后时间的交叉基，β为Cb.rainfall系数，NS为自然立方样条函数，ν为自由度，time为时间变量，DOW为星期几效应，holiday为节假日效应，fs为风速，lt为日最低气温，njd为能见度，airpressure为气压。

根据广义赤池信息量准则（quasi-likelihood for Akaike's information criterion，Q-AIC），选择最长滞后时间为7 d，绘制降雨量在不同滞后时间下对脑卒中入院影响的三维关联图；根据既往类似研究［6-7］，确定气象因素的自由度均为3，大气污染物的自由度为4，时间趋势变量每年的自由度为7。建立模型后，绘制相应的滞后效应分布图，并按性别、年龄分层，分析降雨量对脑卒中入院的影响。lag代表滞后天数，所有分析采用R 4.1.2软件进行，双侧检验水准α=0.05。

2 结果

2.1 脑卒中病例入院特征和季节性变化特征

2.1.1 脑卒中病例入院特征：2015—2019年南昌市共报告脑卒中病例79 523例，其中缺血性腦卒中59 193例，出血性脑卒中20 330例。在脑卒中总病例数及缺血性脑卒中、出血性脑卒中患者中，男性占比均较大；在缺血性脑卒中入院病例中，65岁及以上老年人（68.23%）所占比例较大，而在出血性卒中入院病例中，65岁以下人群（62.12%）所占比例较大，详见表1。

2.1.2 脑卒中入院季节性变化特征及降雨量分布：2015年脑卒中急性发作病例数为13 666例，2016年16 998例，2017年15 078例，2018年16 353例，2019年17 428例。不同年份脑卒中急性发作的季节分布比较，差异有统计学意义（χ2=25.405，P=0.013，表2）。降水量每年分布差异不大（图1）。

2.2 大气污染物及气象资料主要特征描述及与脑卒中的相关性分析

大气污染物及气象因素均为偏态分布，故用中位数及四分位间距表示16个变量的集中趋势和离散趋势（表3），采用Spearman秩相关分析计算各变量之间的相关性（图2），结果显示：脑卒中急性发作总人数与PM10、NO2、日温差、气压呈正相关关系（P<0.05），与SO2、O3、日最高温、日最低温、日均温、风速、降雨量呈负相关关系（P<0.05），其中缺血性脑卒中急性发作与NO2、日最高温、日最低温、日均温、日温差、风向、能见度呈正相关关系（P<0.05），与SO2、湿度、风速、降雨量呈负相关关系（P<0.05）；出血性脑卒中与PM2.5、PM10、NO2、气压呈正相关关系（P<0.05），与SO2、O3、日最高温、日最低温、日均温、日温差、风速、风向、能见度呈负相关关系（P<0.05，图2）。

2.3 降雨量与脑卒中入院的滞后效应分析

由降雨量对脑卒中入院影响的3D图（图3）可知，降雨量越大，降雨量对脑卒中入院的当日影响越弱，而滞后2 d与滞后6 d时，随降雨量的增多，降雨量对脑卒中入院的影响逐渐增强。降雨量对缺血性脑卒中入院的影响与对脑卒中入院的影响类似；对出血性脑卒中入院的影响表现出了显著的滞后性，对出血性脑卒中入院的效应在滞后1～2 d出现。降雨量对脑卒中入院、缺血性脑卒中入院、出血性脑卒中入院的影响的累积效应在各滞后期均无统计学意义（图4）。

由图5可知，降雨量与脑卒中日发作人数为非线性关系。以降雨量0 mm为参照，降雨量对脑卒中急性发作的效应在lag1、lag2最大，RR值均为1.009，95%CI分别为1.000～1.019、1.001～1.016。降雨量对缺血性脑卒中的主要效应为lag1、lag2，RR均为1.011，95%CI分别为1.000～1.022、1.002～1.020，对出血性脑卒中的主要效应为lag1，RR为1.004（95%CI=0.987～1.020）。

2.3.1 按性别分层的降雨量与脑卒中入院的关联性：降雨量对男性脑卒中急性发作人数的主要效应为lag6，RR值为1.003（P>0.05），对女性脑卒中急性发作人数的主要效应为lag1和lag2，RR值分别为1.018（95%CI=1.004～1.031）、1.020（95%CI=1.009～1.031），对男、女性缺血性脑卒中发病人数的效应同上。对男性出血性脑卒中发病人数的主要效应为lag5（RR=1.004，95%CI=0.988～1.020），对女性出血性脑卒中发病人数的主要效应为lag1（RR=1.021，95%CI=0.996～1.047），见图6。

2.3.2 按年龄分层的降雨量与脑卒中入院的关联性：降雨量对65岁以下缺血性脑卒中急性发作人数的主要效应为lag1（RR=1.016，95%CI=1.003～1.030）、lag2（RR=1.018，95%CI=1.007～1.029），对65岁及以上缺血性脑卒中急性发作人数的主要效应为lag6（RR=1.015，95%CI=0.999～1.031），对65岁及以上出血性脑卒中急性发作人数的主要效应为lag1（RR=1.004，95%CI=0.984～1.025）、lag2（RR=1.004，95%CI=0.987～1.021），对65岁以下出血性脑卒中急性发作人数的主要效应为lag6（RR=1.005，95%CI=0.980～1.029），见图7。

3 讨论

本研究旨在了解脑卒中急性发作患者的入院特征，采用DLNM探讨降雨量与脑卒中入院的关联性，为做好脑卒中的综合防治提供科学依据。本研究结果显示，脑卒中入院患者中，男性、年龄≥65岁人群占比更多，与诸多研究结果一致［8-10］。值得注意的是，在出血性脑卒中入院病例中65岁以下人群所占比例较大。中山市一项研究表明，年轻人群（35～64岁）和65岁及以上人群急性心肌梗死和脑卒中发病分别占总数的30.53%、68.09%，年轻化趋势显著［11］，本研究结果与之相似。同样还有研究表明，中国低收入人群中脑卒中发病有年轻化趋势［12］。

在降雨量與脑卒中发病的滞后效应分析中，控制了时间趋势、星期几效应及其他混杂因素后，发现降雨量与脑卒中日发作人数在lag0为负相关关系。但也有研究发现降雨量与心脑血管疾病门诊量呈正相关关系［13］，这可能是因为心脑血管疾病包含的疾病种类较多，就可能存在降雨量与心脑血管疾病的某些类疾病的发病存在关联，从而显示出这种结果。以降雨量0 mm为参照，降雨量对脑卒中急性发作的效应在lag1、lag2最大，说明降雨量对脑卒中急性发作的滞后效应主要在lag1和lag2，且对缺血性脑卒中的影响较出血性脑卒中大。同样有研究表明，极端降水可能增加缺血性脑卒中住院的风险［14］，日本一项研究也显示高年降雨量与卒中发病风险增加相关［15］。关于降雨与脑卒中入院的可能机制主要有：（1）在潮湿的环境中，身体排汗能力降低，钠离子和氯离子的排除被阻断，可能引起血压升高［16］，而高血压是缺血性脑卒中的高风险因素。（2）降水可以增加细菌和病毒的传播，而急性细菌或病毒感染会增加急性缺血性脑卒中的风险［17］。

本研究还按年龄、性别进行了分层分析，探究哪类人群更易受到降雨量的影响，结果显示降雨量对男性脑卒中急性发作人数的主要效应无统计学意义，女性更容易受降雨的影响增加脑卒中入院风险；对65岁以下缺血性脑卒中急性发作人数的主要效应为lag1（RR=1.016，95%CI=1.003～1.030）、lag2（RR=1.018，95%CI=1.007～1.029）。合肥一项研究表明，男性和65岁以上的人对极端降水更敏感［14］，本研究结果与之不同；但也有研究显示，在降雨量较高的社区中，妇女的卒中发病率高于其他社区妇女［15］，这可能是气压这一混杂因素在高降雨量和卒中之间呈正相关关系，气压低的地区降雨更多，已知低气压会增加凝血酶原和凝血酶-抗凝血酶复合物的浓度，并增强因子ⅤⅡa的活性。而且，潮湿空气中粉尘的传播会增加，接触的有毒物质也会增加［18］。

本研究尚存在一定的局限性：（1）仅分析了南昌这一个地区。（2）降雨等监测数据来自监测站，并不能准确代表个人的暴露量，生态学偏倚难以避免。

4 小结

基于南昌市数据，短期暴露于较高降雨量可增加脑卒中入院风险，降雨量暴露对于女性、65岁以下人群更为敏感。近年来随着极端天气的强度、频率的持续时间不断增加，健康适应政策应关注降雨量增加的影响，做好极端天气健康风险预警，提醒脑卒中好发的敏感人群关注极端天气的健康风险并做好防护。

作者贡献：况杰提出论文选题方向，负责研究设计，文章审校；曾繁艳负责统计分析及论文撰写；杨学智、刘星雨、莫佳丽负责提供论文写作思路，统计方法协助；刘祖婷、卢依负责数据收集、数据整理；易应萍负责研究可行性分析，文章质量控制；所有作者确认了论文的最终稿。

本文无利益冲突。

曾繁艳：https：//orcid.org/0009-0004-0190-3620

参考文献

陈念，王春茹. 气象环境因素与脑卒中发病的相关性研究［J］. 医学信息，2019，32（16）：34-37. DOI：10.3969/j.issn.1006-1959.2019.16.011.

TSANGARI H，PASCHALIDOU A K，KASSOMENOS A P，

et al. Extreme weather and air pollution effects on cardiovascular and respiratory hospital admissions in Cyprus［J］. Sci Total Environ，2016，542（Pt A）：247-253. DOI：10.1016/j.scitotenv.2015.10.106.

CHU S Y，COX M，FONAROW G C，et al. Temperature and precipitation associate with ischemic stroke outcomes in the United States［J］. J Am Heart Assoc，2018，7（22）：e010020. DOI：10.1161/JAHA.118.010020.

KINTOKI MBALA F，LONGO-MBENZA B，MBUNGU FUELE S，et al. Impact of seasons，years El Nino/La Nina and rainfalls on stroke-related morbidity and mortality in Kinshasa［J］. J Mal Vasc，2016，41（1）：4-11. DOI：10.1016/j.jmv.2015.12.002.

HIREL C，BERTON L，PREDA C，et al. Air pollution and humidity as triggering factors for stroke. Results of a 12-year analysis in the West Paris area［J］. Rev Neurol，2019，175（10）：614-618. DOI：10.1016/j.neurol.2019.03.002.

LUO Y X，LI H B，HUANG F F，et al. The cold effect of ambient temperature on ischemic and hemorrhagic stroke hospital admissions：a large database study in Beijing，China between years 2013 and 2014-Utilizing a distributed lag non-linear analysis［J］. Environ Pollut，2018，232：90-96. DOI：10.1016/j.envpol.2017.09.021.

陈豪. 基于分布滞后非线性模型的空气污染短期暴露与缺血性卒中的关联研究［D］. 重庆：重庆医科大学，2022.

杨宇鹏，柳艳萍，杨学礼，等. 2012—2021年天津市滨海新区居民脑卒中发病特征及趋势分析［J］. 中国慢性病预防与控制，2023，31（4）：311-314. DOI：10.16386/j.cjpccd.issn.1004-6194.2023.04.015.

《中国脑卒中防治报告》编写组，王陇德. 《中国脑卒中防治报告2021》概要［J］. 中国脑血管病杂志，2023，20（11）：783-792，封3. DOI：10.3969/j.issn.1672-5921.2023.11.009.

XUE X D，JIANG G H，LI W，ZHANG Y，et al. Epidemiological characteristics of hemorrhagic stroke among residents in Tianjin from 1999 to 2018［J］. Zhonghua Liu Xing Bing Xue Za Zhi，2021，42（8）：1460-1465. DOI：10.3760/cma.j.cn112338-20201028-01288.

张浩玲，林海，郭艳，等. 2015—2018年中山市急性心脑血管病流行特征分析［J］. 现代预防医学，2021，48（3）：405-409，446.

WANG W Z，JIANG B，SUN H X，et al. Prevalence，incidence，and mortality of stroke in China：results from a nationwide population-based survey of 480 687 adults［J］. Circulation，2017，135（8）：759-771. DOI：10.1161/CIRCULATIONAHA.116.025250.

王在翔，赵晶，牛泽亮，等. 空气污染对心脑血管疾病门诊量影响的Poisson广义可加模型分析［J］. 中国卫生统计，2017，34（2）：232-235.

TANG C，LIU X G，HE Y Y，et al. Association between extreme precipitation and ischemic stroke in Hefei，China：Hospitalization risk and disease burden［J］. Sci Total Environ，2020，732：139272. DOI：10.1016/j.scitotenv.2020.139272.

MATSUMOTO M，ISHIKAWA S，KAJII E. Cumulative effects of weather on stroke incidence：a multi-community cohort study in Japan［J］. J Epidemiol，2010，20（2）：136-142. DOI：10.2188/jea.je20090103.

CHO G J，AHN K H，KIM L Y，et al. Effect of relative humidity on preeclampsia［J］. Clin Exp Obstet Gynecol，2017，44（2）：264-267.

SEBASTIAN S，STEIN L K，DHAMOON M S. Infection as a stroke trigger［J］. Stroke，2019，50（8）：2216-2218. DOI：10.1161/STROKEAHA.119.025872.

ZAR?BA K，LASEK-BAL A，STUDENT S. The influence of selected meteorological factors on the prevalence and course of stroke［J］. Medicina，2021，57（11）：1216. DOI：10.3390/medicina57111216.

（收稿日期：2024-01-01；修回日期：2024-03-10）

（本文編辑：毛亚敏）