2. 威海市立医院;
3. 山东省医学科学院附属医院;
4. 山东省医务工会工作委员会
呼吸系统疾病是影响我国居民健康的重要疾病，我国正处于社会发展和经济结构调整的转型期，随着雾霾天气高发，大气污染对呼吸系统疾病发病和死亡的影响已引起社会关注[1-2]，呼吸系统疾病同时给居民带来了沉重的经济负担[3-4]。作为一种受环境污染与生活方式复杂影响的疾病，呼吸系统疾病与环境空气污染的关系越来越成为研究热点[1-2]。本研究基于某市2012年—2014年度的呼吸系统疾病死亡数据，利用地理信息系统(GIS)统计模型分析某市呼吸系统疾病死亡的空间分布，以期为呼吸系统疾病的差异化早期预防和区域化健康风险评估提供技术依据。
1 资料与方法 1.1 资料来源呼吸系统疾病死亡数据来源于《中国疾病预防控制系统—死因登记报告信息系统》2012年—2014年的呼吸系统疾病死亡个案数据。呼吸系统疾病均为按照《疾病和有关健康问题的国际统计分类第十次修订本》[5](ICD-10) 要求和死亡根本原因编码主码对死因对应疾病归类(ICD-10 code: J00-J99)；人口学资料来源于《淄博统计年鉴》。
1.2 基础地图采用测绘部门提供的电子矢量地图，为ESRI格式的shapefile文件。以乡镇和县区为基本组成单元，建立分乡镇呼吸系统疾病死亡地理信息数据库。
1.3 死亡数据质量评价死因数据均经数据清理后进行质量评价，合格后纳入使用。质量评价方法和指标[5-6]主要包括覆盖率、完整性、可靠性和准确性。覆盖率为开展死因监测的乡镇占所有乡镇的比例；完整性为报告死亡病例占统计局上报死亡数的比例；可靠性为死因最高诊断单位为乡镇及以上医疗机构的数量占总死亡的比例；准确性为死因报告完整且无明显错误占总死亡报告的比例。
1.4 统计方法利用GIS软件ArcGis 10.0将整理后的呼吸系统疾病死亡数据与相应的乡镇行政区域进行匹配，建立空间数据库，并进行空间自相关和聚集性分析。
1.4.1 局域Moran LISA空间自相关局域型Moran LISA空间自相关[7]分析用于发现乡镇与邻近乡镇之间某一属性(乡镇呼吸系统疾病死亡率)在空间上的相关程度，分析特定局部区域内该属性(乡镇呼吸系统疾病死亡率)空间分布有无相关性和聚集性，利用位于聚集区内的空间自相关值较非聚集区高，可得知聚集区在空间中的分布位置。其结果可解释和探测存在空间聚集性的“热点”或“冷点”区域，即为高高相邻、低低相邻或高低间错分布。局域空间自相关Moran LISA计算公式如下：
| $ {\mathit{I}_\mathit{i}} = \frac{{{x_i} - \bar x}}{{{S^2}}}\sum\limits_{j, j \ne i}^n {{w_{ij}}\left( {{x_j} - \bar x} \right)} $ | (1) |
其中：
| $ {S^2} = \frac{1}{n}\sum\limits_{i = 1}^n {{{\left( {{x_i} - \bar x} \right)}^2}}, \bar x = \frac{1}{n}\sum\limits_{i = 1}^n {{x_i}, 且\;i \ne j} $ | (2) |
式中：Ii—局部Moran指数(Local Moran Index)；
wij—区位相邻矩阵；
xi— i空间单元属性数据值(乡镇呼吸系统疾病死亡率，1/10万);
xj— j空间单元属性数据值(乡镇呼吸系统疾病死亡率，1/10万);
x—均数；
wi, j=1—空间单元相邻;
wi, j=0—空间单元不相邻，i≠j；
S2—方差。
1.4.2 局域型热点分析(Getis-Ord Gi*)局域型热点分析[8]就是通过查看邻近乡镇的每一个要素(乡镇呼吸系统疾病死亡率)，计算得到z得分和P，获得髙值或低值在空间上发生聚类的位置。对于具有统计学意义的正的z得分，z得分越高，高值(热点)的聚类就越紧密。对于统计学上的负z得分，z得分越低，低值(冷点)的聚类就越紧密。
Getis-Ord局部统计可表示为：
| $ G_i^* = \frac{{\sum\limits_{j = 1}^n {{w_{i, j}}{x_i} - \bar X} \sum\limits_{j = 1}^n {{w_{i, j}}} }}{{S\sqrt {\frac{{\left[{n\sum\limits_{j = 1}^n {w_{i, j}^2}-{{(\sum\limits_{j = 1}^n {{w_{i, j}}} )}^2}} \right]}}{{n - 1}}} }} $ | (3) |
式中：Gi*—统计量z得分；
S—标准差；
xj—要素j的属性值(乡镇呼吸系统疾病死亡率，1/10万);
wi, j—要素i和j之间的空间权重，n为要素总数，且：
| $ \bar x = \frac{{\sum\nolimits_{j = 1}^n {{x_j}} }}{n} $ | (4) |
| $ S = \sqrt {\frac{{\sum\limits_{j = 1}^n {x_j^2} }}{n} - {{\left( {\bar x} \right)}^2}} $ | (5) |
Gi*统计是z得分，因此无须做进一步计算。
1.4.3 Kriging空间插值估计克里格法(Kriging)[9]是从变量相关性和变异性出发，在有限区域内对区域化变量的取值进行无偏、最优估计的一种方法；从插值角度讲是对空间分布的数据求线性最优、无偏内插估计一种方法。克里格法的适用条件是区域化变量存在空间相关性。本文采用普通克里格方法(Kriging)，评价某市2012年—2014年的呼吸系统疾病死亡的空间分布趋势。对于任意待估计点的估计值Z′(x0)均可以通过待估测点范围内的n个观测样本值Z(xi；i=1, 2, …, n)的线性组合得到，即
| $ Z'\left( {{x_0}} \right) = \sum\limits_{i = 1}^n {{\lambda _i}Z\left( {{x_i}} \right)} $ | (6) |
其中，λi—权重系数，其和等于1；
Z(xi)—观测样本值，他们位于区域内xi位置，其内插估计值的精度取决于权重的求解。
由于克立格法是一种无偏最优估计，λi的确定应满足
| $ \begin{array}{l} {\rm{E}}\left( {Z'\left( {{x_0}} \right) - Z\left( {{x_0}} \right)} \right) = 0\\ {\rm{E}}{\left( {Z'\left( {{x_0}} \right) - Z\left( {{x_0}} \right)} \right)^2} = {\rm{min}} \end{array} $ |
某市2012年—2014年死因数据经质量评价，2012年、2013年、2014年粗死亡率分别为670.95/10万人、652.13/10万人、655.99/10万人，覆盖率均为100%，完整性分别为79.85%、108.82%、106.57%，可靠性分别为90.20%、89.90%、91.50%，准确性分别为97.30%、98.20%、98.60%。2012年—2014年平均粗死亡率为655.99/10万人，平均覆盖率为100%，平均完整性为98.41%，平均可靠性为90.53%、平均准确性为98.03%，该市死因监测数据总体准确性较高，质量较好。
2.2 某市2012年—2014年呼吸系统疾病死亡的局域空间自相关分析(Anselin Local Moran’s I)局域空间自相关Moran LISA分析表明，2012年、2013年、2014年和2012年—2014年呼吸系统疾病死亡率均存在具有统计学意义的高低聚集(P＜0.05)。高-高分布区域，2012年为高青县A镇、B街道办和C镇，沂源县D镇、E镇和F镇，2013年为沂源县E镇和F镇，2014年为高青县B街道办和C镇；高-低分布区域，2012年为张店区G镇、淄川区H镇，2013年为桓台县K镇、张店区L镇、沂源县M镇，2014年为临淄区N街道办、张店区L镇、淄川区M镇和H镇；低-高分布区域，2012年和2014年均为沂源县N街道办。2012年—2014年呼吸系统疾病死亡的Moran LISA分析显示，高-高分布为高青县A镇、B街道办和C镇，沂源县D镇、E镇和F镇；高-低分布为桓台县K镇、张店区G镇和L镇、淄川区H镇；低-高分布为沂源县N街道办。具有统计学意义的聚集区域见封三，图 1。
2.3 某市2012年—2014年呼吸系统疾病死亡的局域热点分析(Getis-Ord Gi*)呼吸系统疾病死亡率局域热点分析(Getis-Ord Gi*)结果见封三，图 2，不同年代和Moran LISA的结果基本一致，存在区域对应性。黑色表示高值聚集区域(热点区域)，颜色越深，z得分越高，呼吸系统疾病死亡聚集情况越严重，主要集中在高青县A镇、B街道办和C镇，沂源县D镇、E镇、F镇、N街道办、P镇、Q镇、R镇；白色表示低值聚集区域(冷点区域)，颜色越浅，z得分越高，呼吸系统疾病死亡聚集情况越轻微，不同年代不尽相同，2012年主要集中张店区L镇、淄川区M镇、文昌湖区S镇、周村区，2013年主要集中在高青县T镇和W镇、淄川区H镇，2014年主要集中在桓台县K镇、张店区X镇、G镇、淄川区M镇，2012年—2014年分析显示主要集中在张店区L镇、淄川区M镇和H镇，且差异均具有统计学意义(P＜0.05)。
2.4 某市2012年—2014年呼吸系统疾病死亡的Kriging插值分析利用GIS的Kriging插值分析对2012年—2014年度呼吸系统疾病死亡率进行空间分布评价(封三，图 3)。结果表明，各年度呼吸系统疾病的死亡区域分布趋势存在一致性，死亡率较高区域为高青县西部、临淄区东部、博山区西南部、沂源县中南部区域。
2.5 某市2014年社会经济的区域分布特征某市2014年社会经济的区域分布特征见表 1。其中城市人口密度较高的为张店区(4 781人/km2)和周村区(3 290人/km2)，较低的为高青县(740人/km2)和沂源县(923人/km2)；第一产业构成较高的为临淄区(35.19%)、沂源县(29.36%)、高青县(23.76%)；卫生技术人员的配备构成较高的为张店区和高新区(17.47人/千人)，较低的为高青县(2.94人/千人)和沂源县(4.10人/千人)。
| 区县 | 城市人口密度/ (人/km2) |
人口城市化率/% | 第一产业构成/% | 卫生技术人员配备构成/‰ |
| 张店区 | 4 781 | 79.90 | 1.05 | 17.47** |
| 淄川区 | 1 867 | 39.81 | 9.17 | 6.38 |
| 博山区 | 2 261 | 50.94 | 10.23 | 9.12 |
| 临淄区 | 1 557 | 50.96 | 35.19 | 6.77 |
| 周村区* | 3 290 | 64.31 | 9.25 | 6.86 |
| 桓台县 | 1 674 | 28.58 | 19.74 | 5.57 |
| 高青县 | 740 | 29.24 | 23.76 | 2.94 |
| 沂源县 | 923 | 34.38 | 29.36 | 4.10 |
| 高新区 | 1 436 | 100.00 | 0.88 | - |
| 注：*包括文昌湖区；**包括高新区 | ||||
3 讨论
基于GIS的研究已被广泛用于分析某种疾病发病或死亡的时空分布、模拟预测、健康风险评估等[10-12]，且国内已开展了呼吸系统疾病空间流行病学的部分研究[1, 4, 11]。居民呼吸系统疾病死亡具有明显的区域分布特征，呈现空间聚集性[13-14]。本文首先采用局域空间自相关分析模型，表明某市不同区域的呼吸系统疾病死亡存在明显的高低聚集，高-高分布区域主要集中在高青县A镇、B街道办和C镇，沂源县D镇、E镇和F镇，不同年代的区域分布存在一致性，且局域热点分析显示了类似的结果。
作为工业型城市，某市以PM2.5为首要污染物的环境空气污染较为严重[14]，开展相关的呼吸系统疾病分析尤为必要。有研究表明，人口和社会经济特征与环境空气污染密切相关[15]。沂源县和高青县为呼吸系统疾病死亡的高发区，该区域城市人口密度较低，第一产业比重较大，且医疗条件相对落后，卫生技术人员配备构成较低。有研究显示，人口城市化与空气污染存在倒“U”型关系，且倒“U”型曲线拐点是人口城市化水平约为44%，低于44%时，城市化水平的提高会加重空气污染水平，而当人口城市化水平大于44%时，城市化水平进一步提高将促进空气质量的改善[15]。沂源县和高青县人口城市化水平均低于44%，城市化水平的提高在一定程度上会加重空气污染水平，从而对居民呼吸系统疾病死亡产生一定影响。
目前多数研究集中于空气颗粒物污染暴露和呼吸系统疾病死亡率的相关性分析，颗粒物污染与呼吸系统疾病死亡存在区域相关性[2, 11]。本文基于GIS初步分析了某市呼吸系统疾病死亡的空间聚集性，与该市社会经济的区域分布特征存在相关性，与余海峰等[16]的研究一致，可为本市以后呼吸系统疾病的风险评估和重点预防提供技术支撑。由于受目前获取资料所限，本研究存在以下的局限性：一是呼吸系统疾病死亡率未进行年龄性别标化，仅为粗死亡率的初步分析；二是未考虑环境空气质量(AQI、PM10、PM2.5、SO2、NO2、O3等)、气象因素(气温、气压、气湿、降水和海拔等)和不同生活方式等影响因素对呼吸系统疾病死亡的影响[12]；三是呼吸系统疾病的空间流行病学分析中可能存在选择性偏倚、暴露不准确偏倚、空间相关性、显著性检验和社会—经济混杂等多种偏倚与混杂[17]。有待于开展进一步的深入研究。
| [1] | Wang WQ, Ying YY, Wu QY, et al. A GIS-based spatial correlation analysis for ambient air pollution and AECOPD hospitalizations in Jinan, China[J]. Respir Med, 2015, 109(3): 372–378. doi: 10.1016/j.rmed.2015.01.006 |
| [2] | 张亚娟, 周健, 尹洪磊, 等. 北京市大气PM10浓度与居民呼吸系统疾病死亡的时空分析研究[J]. 环境与健康杂志, 2014, 31(9): 753–756. Zhang YJ, Zhou J, Yin HL, et al. Spatial-temporal analysis for correlation between ambient inhalable particles and population respiratory disease mortality in Beijing, China[J]. Journal of Environment and Health, 2014, 31(9): 753–756. (in Chinese). |
| [3] | 许汝言, 彭红, 叶露. 上海市肺癌患者直接疾病经济负担影响因素研究[J]. 中国卫生经济, 2015, 34(8): 74–77. Xu RY, Peng H, Ye L. Study on impact factors of direct disease economic burden on patients with lung cancer in Shanghai[J]. Chinese Health Economics, 2015, 34(8): 74–77. (in Chinese). |
| [4] | Sun ZB, An XQ, Tao Y, et al. Assessment of population exposure to PM10 for respiratory disease in Lanzhou (China) and its health-related economic costs based on GIS[J]. BMC Public Health, 2013, 13: 891. doi: 10.1186/1471-2458-13-891 |
| [5] | WHO. 疾病和有关健康问题的国际统计分类(ICD-10)[M]. 北京卫生组织疾病分类合作中心译. 北京: 人民卫生出版社, 1993. WHO. International classification of diseases(ICD-10)[M]. Beijing: People's Medical Publishing House, 2008. |
| [6] | 全国肿瘤防治研究办公室. 中国肿瘤登记工作指导手册[M]. 北京: 中国协和医科大学出版社, 2004. |
| [7] | Anselin L. Local indicators of spatial association—LISA[J]. Geogr Anal, 1995, 27(2): 93–115. |
| [8] | Getis A, Ord JK. The analysis of spatial association by use of distance statistics[J]. Geogr Anal, 1992, 24(3): 189–206. |
| [9] | Waller LA, Gotway CA. Applied spatial statistics for public health data[M]. New Jersey: Wiley, 2004: 274-313. |
| [10] | Rushton G, Elmes G, McMaster R. Considerations for improving geographic information system research in public health[J]. URISA J, 2000, 12(2): 31–49. |
| [11] | 冯文如, 刘世强, 黄勇, 等. 广州市PM2.5浓度与人群每日死亡风险的空间分布特征[J]. 环境卫生学杂志, 2015, 5(6): 512–519. Feng WR, Liu SQ, Huang Y, et al. Spatial distribution characteristics of PM2.5 in air and daily mortality in Guangzhou[J]. Journal of Environmental Hygiene, 2015, 5(6): 512–519. (in Chinese). |
| [12] | 董冲亚, 康晓平. 基于地理加权回归模型的我国女性肺癌发病空间影响因素分析[J]. 环境与健康杂志, 2014, 31(9): 769–772. Dong CY, Kang XP. Analysis of spatial factors of women's lung cancer incidence in China: a geographically weighted regression model approach[J]. Journal of Environment and Health, 2014, 31(9): 769–772. (in Chinese). |
| [13] | 李迎迎. 北京市高速公路周边居民死亡率空间相关性分析[D]. 北京: 中国疾病预防控制中心, 2014. Li YY. Spatial correlation analysis between highway and residents' mortality in Beijing, China[D]. Beijing: Chinese Center for Disease Control and Prevention, 2014. http://cdmd.cnki.com.cn/article/cdmd-84501-1015503545.htm |
| [14] | 刘芳盈, 王菲菲, 张殿平, 等. 淄博市城区采暖期PM2.5污染水平的GIS分析[J]. 环境卫生学杂志, 2015, 5(4): 364–368. Liu FY, Wang FF, Zhang DP, et al. GIS analysis on PM2.5 pollution during heating period in Zibo[J]. Journal of Environmental Hygiene, 2015, 5(4): 364–368. (in Chinese). |
| [15] | 范洪敏. 人口年龄、城乡结构与空气污染关系研究[D]. 沈阳: 辽宁大学, 2015. Fan HM. Research on the relation between population age and urban-rural structure and air pollution[D]. Shenyang: Liaoning University, 2015. http://cdmd.cnki.com.cn/Article/CDMD-10140-1015421354.htm |
| [16] | 余海峰, 余卓文, 张敏, 等. 广东省顺德地区呼吸系统疾病的空间自相关分析[J]. 现代预防医学, 2009, 36(2): 2231–2234, 2237. Yu HF, Yu ZW, Zhang M, et al. Study on the spatial autocorrelation for diseases of respiratory system in Shunde, Guangdong[J]. Modern Preventive Medicine, 2009, 36(2): 2231–2234, 2237. (in Chinese). |
| [17] | 周艺彪, 姜庆五, 赵根明. 空间流行病学中的偏倚与混杂[J]. 中华流行病学杂志, 2005, 26(2): 135–139. Zhou YB, Jiang QW, Zhao GM. Study on bias and confounding in'spatial epidemiology'[J]. Chinese Journal of Epidemiology, 2005, 26(2): 135–139. (in Chinese). |