, , , 伤害是全球各国面临的一个重要的公共卫生问题。全国伤害医院监测结果显示, 中国每年约有(70~80)万人死于各种伤害，占死亡总数的11%[1]。调查表明，不论发达国家还是发展中国家，伤害均位列全球死因中顺位前5位[2]。在我国，伤害是45岁以下人群的第一位死亡原因，达到了人群总死亡的7.45%, 每年因伤害入院治疗的人群约为5 600万人，伤害造成了中国巨大的疾病负担[3]。不良天气条件被认为是影响道路交通事故等伤害事件的一个非常重要的因素[4]。因此，阐明极端气温与伤害死亡之间的关系对于伤害防控具有重大的公共卫生学意义。
研究表明，全球气温的变化以及由此引起的极端天气事件对人群的健康造成影响主要表现为住院率、门急诊率和死亡率的上升[5-7]。但多数研究主要集中在气温变化对非意外死亡人群的影响，仅有少数研究[8-12]探讨了高温对车辆事故、职业伤害及自伤等意外伤害死亡的影响。结果表明，高温天气可以增加伤害死亡风险。目前国内外关于极端气温与伤害的研究多集中在单个城市，而缺乏基于大人群、多城市的极端气温与伤害事件的时间序列研究。鉴于此，本研究拟选取我国11个市/县，采用时间序列方法，分析极端气温对伤害死亡的影响。
1 资料与方法 1.1 研究地区与数据基于“我国区域人群气象敏感性疾病科学调查研究”, 研究地区的入选标准为按全国11个气象地理区划各选择1个市，1个县共计22个地区，选取其中的11个市/县进行研究，包括内蒙古呼伦贝尔市海拉尔区、黑龙江省哈尔滨市、山东省青岛市、江苏省盐城市和无锡市、安徽省合肥市肥西县、浙江省宁波市、四川省成都市、湖南省湘潭市湘潭县、云南省蒙自市和广东省深圳市。本研究所用伤害死亡数据(ICD-10编码：S00-T98、V01-V99、W00-X59和X60-Y89)由当地疾病预防控制中心提供，指标包括出生日期、死亡日期、性别、年龄、根本死因和根本死因ICD编码等。逐日气象数据由中国气象局提供，主要指标包括每日最高温度(℃)、日平均气压(hPa)和日平均相对湿度(RH，%)。逐日空气质量数据由地方环境保护局提供，包括空气动力学直径小于2.5 μm的颗粒物质(PM2.5，24 h平均值, 单位为μg/m3)，臭氧(O3, 8 h平均值，单位为μg/m3)和一氧化碳(CO，24 h平均值，单位为mg/m3)。死因个案数据、气象数据和空气质量数据收集的时间为2014年1月1日—2017年12月31日，其中蒙自市的空气污染物的数据未获得。
1.2 数据质量控制从数据的重复性、完整性和可靠性等方面对气象数据、空气质量数据及伤害死因数据进行洗清工作。①通过多个关键字段(年龄、性别、入院时间、死亡时间和根本死因ICD编码等字段)来查找并删除重复数据。②审查关键字段的完整性，本研究涉及到11个城市，其中青岛市、无锡市、盐城市、成都市、深圳市及宁波市等城市污染物PM2.5、O3和CO等指标缺失率小于0.03%。哈尔滨市、海拉尔区、肥西县和湘潭县等地只利用了2015年1月1日—2017年12月31日的空气质量数据进行分析。例如，年龄以公式：(死亡时间-出生日期)/365.25来核查。
1.3 统计学方法 1.3.1 时间序列分析利用时间序列方法，定量分析我国11个城市极端气温与伤害死亡之间的关系，在考虑空气污染物、相对湿度、日死亡数的时间长期趋势和日死亡数的星期几效应等因素的影响下，利用基于quasi-Poisson回归的分布滞后非线性模型(distributed lag nonlinear model，DLNM)，定量分析不同研究城市极端气温与伤害死亡之间的关系，DLNM表达式如下：
| $ {\rm log}[E(Y_{it})]= α+cb(T_{it, }, lag=30)+ns(time_{i}, \\ df=7/year)+ ns(RH, df)+ns(AP, df)+ns(PM_{2.5}, \\df)+ns(CO, df)+ ns(O_{3}, df)+βDOW_{it} $ | (1) |
式中：Yit——代表城市i中第t天的死亡人数；
α—截距；
cb—“交叉基函数”；
Tit—城市i中第t天的每日最高温度，滞后时间最长30 d[13]；
ns—自然立方样条函数；
DOW—星期几效应；
潜在的混杂因素包括平均相对湿度(RH)、平均气压(AP)、细颗粒物(PM2.5)、臭氧(O3)、一氧化碳(CO)、时间长期趋势(time)和星期几效应(DOW)。时间长期趋势的自由度(df)取7/a[7]。平均相对湿度和平均气压的自由度取4。O3、CO和PM2.5等空气污染物的自由度取5[14]。
中位数用作参考温度[15]，选择第97.5百分位数的日最高温度作为极端高温，第2.5百分位数的日最高温度作为极端低温[16]。分别分析我国11个城市极端高温和极端低温对伤害死亡影响的滞后效应，并在此基础上，计算特定滞后天数下热、冷效应的累积相对风险值(cumulative relative risk, CRR)，以评估极端气温对伤害死亡的影响。
1.3.2 累积效应分析利用Meta分析方法分别计算所有地区极端高温和极端低温对伤害死亡影响的合并效应。通过I2指数来评估异质性，该指数量化了由于城市之间的真实差异导致的变异百分比[17]。本研究的检验效应指标为，如果CRR>1且95%可信区间(confidence interval, CI)不包含1，则被认为极端气温对伤害死亡的影响具有统计学意义。
1.3.3 敏感性分析通过从模型中剔除空气污染物(PM2.5、O3和CO)来进行敏感性分析，从而验证模型的稳定性，并调整平均相对湿度和平均气压的自由度为4、5和6，空气污染物的自由度为3、4和5。
1.3.4 统计软件所有数据分析均使用R软件(版本3.5.1，R Foundation for Statistical Computing Plat form 2013)进行。“dlnm”包和“Meta”包分别用于拟合DLNM和Meta分析。
2 结果 2.1 一般情况我国11个城市2014—2017年日最高气温、平均相对湿度、平均气压、PM2.5、O3和CO等基本情况如表 1所示。各城市极端高温(日最高气温的P97.5)为32 ℃~37 ℃，极端低温(日最高气温的P2.5)为-24 ℃~14 ℃。11城市伤害死亡数共88 360人，日平均死亡数为(1~13)人。
| 研究地区 | 日最高气温/℃ | 平均相对湿度/% | 平均气压/hPa | PM2.5/(μg/m3) | O3/(μg/m3) | CO/(mg/m3) | |||||||||||||||||||
| x±s | 最小值 | 最大值 | P97.5 | P2.5 | x±s | 最小值 | 最大值 | x±s | 最小值 | 最大值 | x±s | 最小值 | 最大值 | x±s | 最小值 | 最大值 | x±s | 最小值 | 最大值 | ||||||
| 哈尔滨市 | 10.0±15.2 | -21.6 | 36.2 | 32 | -16 | 65±15 | 15 | 97 | 999.4±9.5 | 973.2 | 1 025.2 | 65±61 | 8 | 653 | 64±43 | 10 | 179 | 1.0±0.4 | 0.3 | 4.3 | |||||
| 海拉尔区 | 5.8±17.9 | -34.1 | 41.7 | 32 | -24 | 62±15 | 15 | 94 | 937.1±7.6 | 912.7 | 961.8 | 29±18 | 5 | 164 | 74±72 | 13 | 160 | 0.5±0.4 | 0.1 | 1.9 | |||||
| 青岛市 | 17.3±9.3 | -7.7 | 36.9 | 32 | 1 | 69±16 | 16 | 100 | 1 007.5±9.0 | 987.8 | 1 029.2 | 48±34 | 4 | 298 | 102±45 | 17 | 277 | 0.8±0.3 | 0.3 | 3.4 | |||||
| 无锡市 | 21.4±9.0 | -3.8 | 40.6 | 36 | 6 | 75±13 | 33 | 100 | 1 015.3±9.2 | 994.5 | 1 041.0 | 61±26 | 11 | 223 | 103±48 | 10 | 279 | 1.1±0.6 | 0.3 | 2.7 | |||||
| 盐城市 | 20.2±9.1 | -6.2 | 39.0 | 35 | 4 | 76±13 | 34 | 100 | 1 015.9±9.2 | 994.5 | 1 040.6 | 49±35 | 5 | 226 | 83±48 | 3 | 262 | 0.8±0.4 | 0.3 | 2.2 | |||||
| 肥西县 | 21.5±9.1 | -3.2 | 40.8 | 37 | 5 | 77±12 | 32 | 99 | 1 013.3±10.2 | 858.6 | 1 042.4 | 52±36 | 3 | 372 | 54±43 | 12 | 251 | 1.1±0.4 | 0 | 3.1 | |||||
| 成都市 | 21.5±7.8 | 2.8 | 36.7 | 35 | 8 | 80±9 | 42 | 98 | 950.6±7.4 | 932.5 | 977.0 | 70±49 | 9 | 423 | 89±49 | 7 | 278 | 1.1±0.6 | 0.4 | 2.7 | |||||
| 宁波市 | 21.9±8.6 | -2.3 | 39.2 | 36 | 6 | 80±11 | 34 | 100 | 1 015.3±8.8 | 985.7 | 1 039.7 | 43±26 | 7 | 202 | 94±49 | 6 | 242 | 0.9±0.6 | 0.4 | 2.1 | |||||
| 湘潭县 | 23.4±8.8 | 0.1 | 40.0 | 37 | 5 | 82±12 | 38 | 100 | 1 007.1±8.8 | 991.1 | 1 036.8 | 51±33 | 0 | 236 | 81±48 | 0 | 279 | 1.5±0.6 | 0.3 | 5.5 | |||||
| 深圳市 | 27.1±5.6 | 6.5 | 36.9 | 34 | 14 | 75±13 | 19 | 100 | 1 002.9±6.4 | 976.5 | 1 022.3 | 30±17 | 6 | 110 | 82±49 | 25 | 244 | 0.9±0.6 | 0.5 | 1.8 | |||||
| 蒙自市 | 25.1±5.5 | 1.3 | 35.4 | 32 | 13 | 69±12 | 26 | 100 | 867.7±4.0 | 858.0 | 881.3 | - | - | - | - | - | - | - | - | - | |||||
| 注：“-”蒙自市未收集污染物数据 | |||||||||||||||||||||||||
2.2 极端气温对伤害死亡影响的滞后效应
图 1展示了极端高温对伤害死亡影响的滞后效应，表明极端高温对伤害死亡的影响在当天最大，滞后时间在不同城市略有不同，其变化范围由无锡市、肥西县和蒙自市的(0~3)d到哈尔滨市、海拉尔区和盐城市的(0~7)d。在青岛市、成都市、宁波市、湘潭县和深圳市的滞后时间均为(0~5)d。图 2展示了极端低温对伤害死亡影响的滞后效应，表明极端低温对伤害死亡的滞后效应持续时间较长，一般长达两周左右。但其滞后时间在不同的城市略有不同，由蒙自市的(2~8)d到宁波市的(21~30)d各异。此外，在哈尔滨市滞后时间为(10~25)d，海拉尔区、青岛市、无锡市、盐城市、肥西县、成都市、湘潭县和深圳市的滞后时间均为(5~15)d。
|
| 注：横坐标Lag代表滞后天数，RR代表相对风险值 图 1 极端高温对伤害死亡影响的滞后效应(参考温度：中位数) |
|
| 注：横坐标Lag代表滞后天数，RR代表相对风险值 图 2 极端低温对伤害死亡影响的滞后效应(参考温度：中位数) |
2.3 极端气温对伤害死亡影响的累积风险
表 2显示了极端气温对我国11个城市伤害死亡影响的累积相对风险值，极端高温对伤害死亡的影响在哈尔滨市、海拉尔区、青岛市、无锡市、盐城市、成都市、宁波市、湘潭县和深圳市等地均观察到统计学意义，且海拉尔区最大，其CRR，95%CI为2.78(1.64, 4.74)，宁波市最小，其CRR，95%CI为1.22(1.01，1.48)。极端低温对伤害死亡的影响仅在无锡市观察到统计学意义，其CRR，95%CI为1.28(1.04, 1.56)。Meta分析结果显示，极端高温和极端低温对伤害死亡影响的CRR值及95%CI分别为1.42(1.28, 1.58)和1.12(1.00, 1.25)。即，与参考温度相比，极端高温和极端低温分别可使伤害死亡风险增加42%(28%，58%)和12%(0%~25%)。
| 研究地区 | 累积相对风险值(CRR，95%CI) | |
| 极端高温 | 极端低温 | |
| 哈尔滨市 | 1.43(1.13，1.80) | 1.26(0.63，2.51) |
| 海拉尔区 | 2.78(1.64，4.74) | 0.87(0.48，1.57) |
| 青岛市 | 1.25(1.03，1.51) | 1.12(0.61，2.05) |
| 无锡市 | 1.56(1.24，1.97) | 1.28(1.04，1.56) |
| 盐城市 | 1.69(1.50，1.92) | 1.10(0.80，1.52) |
| 肥西县 | 1.18(0.69，2.02) | 1.50(0.78，2.90) |
| 成都市 | 1.48(1.11，1.96) | 1.06(0.89，1.26) |
| 宁波市 | 1.22(1.01，1.48) | 1.16(0.83，1.62) |
| 湘潭县 | 2.41(1.06，5.50) | 1.07(0.77，1.49) |
| 深圳市 | 1.58(1.03，2.43) | 1.41(0.76，2.60) |
| 蒙自市 | 1.43(0.99，2.08) | 1.07(0.56，2.04) |
| 总效应 | 1.42(1.28, 1.58) | 1.12(1.00, 1.25) |
2.4 敏感性分析结果
本文通过敏感性分析检验了模型的稳定性(表 3和表 4)。由表 3和表 4可知，通过剔除模型中污染物以及调整自由度，11个城市的累积相对风险值变化幅度均较小，说明模型稳定性好。
| 研究地区 | CRR，95%CI | |||||||||
| 模型 | 空气污染物 | 调整自由度 | ||||||||
| 剔除PM2.5 | 剔除O3 | 剔除CO | 日平均相对湿度和日平均气压 | PM2.5、O3和CO | ||||||
| 5 | 6 | 3 | 4 | |||||||
| 哈尔滨市 | 1.43(1.13, 1.80) | 1.37(1.03, 1.83) | 1.32(1.06, 1.63) | 1.31(1.06, 1.61) | 1.42(1.06, 1.90) | 1.38(1.03, 1.84) | 1.34(1.01, 1.79) | 1.28(0.89, 1.84) | ||
| 海拉尔区 | 2.78(1.64, 4.74) | 3.52(1.90, 6.53) | 4.29(2.22, 8.28) | 4.24(2.19, 8.22) | 4.24(2.18, 8.22) | 4.23(2.18, 8.21) | 4.29(2.21, 8.33) | 4.27(2.20, 8.29) | ||
| 青岛市 | 1.25(1.03, 1.51) | 1.23(1.01, 1.48) | 1.27(1.05, 1.53) | 1.29(1.07, 1.56) | 1.22(1.01, 1.48) | 1.22(1.01, 1, 48) | 1.23(1.02, 1.49) | 1.22(1.01, 1.48) | ||
| 无锡市 | 1.56(1.24, 1.97) | 1.53(1.21, 1.94) | 1.53(1.23, 1.89) | 1.55(1.25, 1.92) | 1.55(1.22, 1.96) | 1.54(1.22, 1.96) | 1.55(1.22, 1.96) | 1.54(1.22, 1.95) | ||
| 盐城市 | 1.69(1.50, 1.92) | 1.77(1.54, 2.04) | 1.75(1.53, 2.00) | 1.77(1.55, 2.03) | 1.75(1.53, 2.01) | 1.75(1.53, 2.02) | 1.78(1.55, 2.04) | 1.77(1.54, 2.03) | ||
| 肥西县 | 1.18(0.69, 2.02) | 1.13(0.42, 3.09) | 1.14(0.39, 3.32) | 1.11(0.37, 3.30) | 1.10(0.36, 3.33) | 1.22(0.40, 3.79) | 1.40(0.46, 4.23) | 1.39(0.45, 4.28) | ||
| 成都市 | 1.48(1.11, 1.96) | 1.47(1.11, 1.96) | 1.47(1.11, 1.96) | 1.46(1.10, 1.93) | 1.46(1.10, 1.94) | 1.46(1.10, 1.95) | 1.49(1.11, 1.98) | 1.47(1.10, 1.96) | ||
| 宁波市 | 1.22(1.01, 1.48) | 1.21(1.00, 1.47) | 1.21(1.00, 1.46) | 1.17(0.99, 1.41) | 1.19(0.98, 1.44) | 1.20(0.98, 1.45) | 1.21(1.00, 1.47) | 1.21(1.00, 1.47) | ||
| 湘潭县 | 2.41(1.06, 5.50) | 3.20(1.05, 10.0) | 2.84(0.89, 9.10) | 3.22(0.99, 10.6) | 3.21(0.98, 10.5) | 3.07(0.94, 10.0) | 2.97(0.93, 9.55) | 2.98(0.92, 9.66) | ||
| 深圳市 | 1.58(1.03, 2.43) | 1.55(1.01, 2.39) | 1.57(1.03, 2.41) | 1.62(1.06, 2.47) | 1.56(1.01, 2.41) | 1.55(1.01, 2.40) | 1.56(1.02, 2.41) | 1.54(1.00, 2.38) | ||
| 蒙自市 | 1.43(0.99, 2.08) | - | - | - | 1.48(1.01, 2.18) | 1.45(0.99, 2.14) | - | - | ||
| 注：“-”为因缺空气污染数据而未做分析 | ||||||||||
| 研究地区 | CRR，95%CI | |||||||||
| 模型 | 空气污染物 | 调整自由度 | ||||||||
| 剔除PM2.5 | 剔除O3 | 剔除CO | 日平均相对湿度和日平均气压 | PM2.5、O3和CO | ||||||
| 5 | 6 | 3 | 4 | |||||||
| 哈尔滨市 | 1.26(0.63, 2.51) | 1.20(0.55, 2.13) | 1.16(0.49, 1.87) | 1.15(0.51, 1.87) | 1.25(0.64, 2.52) | 1.26(0.70, 2.60) | 1.19(0.54, 2.13) | 1.10(0.48, 1.98) | ||
| 海拉尔区 | 0.87(0.48, 1.57) | 0.82(0.41, 1.65) | 0.81(0.41, 1.63) | 0.80(0.40, 1.60) | 0.80(0.40, 1.60) | 0.80(0.40, 1.60) | 0.81(0.40, 1.63) | 0.81(0.40, 1.63) | ||
| 青岛市 | 1.12(0.61, 2.05) | 1.17(0.64, 2.14) | 1.27(0.69, 2.33) | 1.31(0.72, 2.40) | 1.10(0.60, 2.02) | 1.12(0.61, 2.06) | 1.10(0.60, 2.02) | 1.13(0.62, 2.08) | ||
| 无锡市 | 1.28(1.04, 1.56) | 1.26(1.03, 1.54) | 1.25(1.02, 1.53) | 1.25(1.02, 1.54) | 1.27(1.04, 1.56) | 1.28(1.04, 1.57) | 1.26(1.03, 1.54) | 1.26(1.03, 1.54) | ||
| 盐城市 | 1.10(0.80, 1.52) | 1.00(0.71, 1.42) | 0.97(0.68, 1.37) | 0.96(0.68, 1.37) | 1.03(0.73, 1.46) | 1.04(0.74, 1.47) | 1.00(0.70, 1.41) | 1.01(0.71, 1.43) | ||
| 肥西县 | 1.50(0.78, 2.90) | 1.97(0.48, 8.19) | 2.00(0.44, 9.06) | 2.99(0.64, 14.0) | 2.96(0.63, 14.0) | 3.21(0.68, 15.2) | 3.04(0.68, 13.6) | 2.92(0.63, 13.6) | ||
| 成都市 | 1.06(0.89, 1.26) | 1.07(0.90, 1.27) | 1.06(0.90, 1.26) | 1.06(0.90, 1.26) | 1.07(0.90, 1.27) | 1.07(0.90, 1.27) | 1.06(0.90, 1.26) | 1.06(0.90, 1.26) | ||
| 宁波市 | 1.16(0.83, 1.62) | 1.13(0.81, 1.57) | 1.11(0.80, 1.54) | 1.05(0.77, 1.43) | 1.15(0.82, 1.61) | 1.16(0.83, 1.62) | 1.15(0.82, 1.61) | 1.15(0.82, 1.62) | ||
| 湘潭县 | 1.07(0.77, 1.49) | 0.52(0.25, 1.10) | 0.52(0.24, 1.11) | 0.57(0.27, 1.23) | 0.57(0.26, 1.22) | 0.53(0.24, 1.14) | 0.54(0.25, 1.16) | 0.53(0.24, 1.13) | ||
| 深圳市 | 1.41(0.76, 2.60) | 1.38(0.76, 2.50) | 1.28(0.71, 2.30) | 1.23(0.70, 2.19) | 1.40(0.76, 2.59) | 1.39(0.75, 2.58) | 1.39(0.76, 2.56) | 1.37(0.74, 2.54) | ||
| 蒙自市 | 1.07(0.56, 2.04) | - | - | - | 1.00(0.61, 1.63) | 0.97(0.60, 1.59) | - | - | ||
| 注：“-”为因缺空气污染数据而未做分析 | ||||||||||
3 讨论
本文通过多城市，采用时间序列分析探究了极端气温对伤害死亡的影响，研究发现极端高温和极端低温均能增加伤害死亡的风险，且极端高温的累积风险更大。
极端气温对伤害死亡的影响存在一定的滞后效应，且低温的滞后效应长于高温滞后效应，该结果与极端温度对非意外死亡或总死亡影响的滞后效应类似[6, 16]。滞后效应的分析可为极端温度下伤害的提前防控提供科学依据。
本研究发现极端气温可增加伤害死亡风险。目前，少量研究选择某类伤害开展了极端高温对伤害死亡影响的时间序列分析，例如, Basagaña等[9]在西班牙加泰罗尼亚的研究表明，在5月—10月期间日最高气温每升高1 ℃，机动车碰撞事故发生风险增加1.1%(95%CI: 0.1%, 2.1%)。Bergel-Hayat等[4]在法国和荷兰的研究表明，在全年中月平均气温每升高1 ℃，当月的撞车事故发生次数就会增加1%~2%。Sheng等[11]探讨了高温对职业损伤发生率的影响，结果表明在日最高气温的基础上温度每增加1 ℃，职业意外伤害的发生风险就增加1.4%(95%CI：1.012，1.017)。Williams等[12]研究表明日最高温度每升高1 ℃，自伤的入院率增加0.7%。其可能原因有，在高温环境下，驾驶员容易疲劳，技术失误增多，更容易偏离车道，从而增加了车辆事故的发生[18-20]。同时当人体处于极端高温环境中，身体机能以及智力都会受到影响，致使跌倒和受伤事件增多[21]。当前有研究表明睡眠问题会增加职业伤害的发生风险[22]。睡眠有助于人类从一天的生理和心理疲劳中恢复过来，从而维持身体的机能，而高温环境可能是影响人类睡眠的最重要因素之一[23]。
目前大多数研究都集中在极端气温对非意外死亡人群的研究，结果表明极端高温和极端低温均可对人群死亡产生影响，但极端低温造成的死亡风险更大[6, 16]，而本文主要探讨极端气温对伤害等意外死亡的影响，结果发现极端高温对伤害等意外事件所造成的死亡风险更大，可能原因在于，交通事故、职业伤害、溺水、跌倒和自伤等伤害意外事件的发生容易受到情绪波动的影响，而人体处于极端高温环境时更易出现心情烦躁情绪不定从而使得死亡风险增加。
本研究初步探讨了极端气温对伤害死亡的影响。下一步将进一步分析极端气温对不同年龄别、性别及不同类型伤害死亡的影响，同时，考虑个人行为、经济收入等个体因素对研究结果的影响。
| [1] |
中国疾病预防控制中心慢性非传染性疾病预防控制中心. 全国伤害医院监测数据集(2015)[M]. 北京: 人民卫生出版社, 2016: 1-39.
|
| [2] |
任成功, 翟耀明, 田小草, 等. 青岛市2013年伤害流行病学特征分析[J]. 青岛大学医学院学报, 2015, 51(4): 467-470. (In English: Ren CG, Zhai YM, Tian XC, et al. Injury epidemiological analysis of Qingdao in 2013[J]. Acta Aacad Med Qingdao Univ, 2015, 51(4): 467-470.) |
| [3] |
杨柳, 叶鹏鹏, 金叶, 等. 2006-2016年全国伤害监测系统数据论文发表情况分析[J]. 伤害医学(电子版), 2018, 7(2): 15-21. (In English: Yang L, Ye PP, Jin Y, et al. Analysis of publications using national injury surveillance system during 2006-2016[J]. Injury Med (Electron Ed), 2018, 7(2): 15-21.) |
| [4] |
Bergel-Hayat R, Debbarh M, Antoniou C, et al. Explaining the road accident risk:weather effects[J]. Accid Anal Prev, 2013, 60: 456-465. DOI:10.1016/j.aap.2013.03.006 |
| [5] |
Bobb JF, Obermeyer Z, Wang Y, et al. Cause-specific risk of hospital admission related to extreme heat in older adults[J]. JAMA, 2014, 312(24): 2659-2667. DOI:10.1001/jama.2014.15715 |
| [6] |
Pascal M, Wagner V, Corso M, et al. Heat and cold related-mortality in 18 French cities[J]. Environ Int, 2018, 121: 189-198. DOI:10.1016/j.envint.2018.08.049 |
| [7] |
Chen TH, Du XL, Chan W, et al. Impacts of cold weather on emergency hospital admission in Texas, 2004-2013[J]. Environ Res, 2019, 169: 139-146. DOI:10.1016/j.envres.2018.10.031 |
| [8] |
Scott PP. Modelling time-series of British road accident data[J]. Accid Anal Prev, 1986, 18(2): 109-117. DOI:10.1016/0001-4575(86)90055-2 |
| [9] |
Basagaña X, Escalera-Antezana JP, Dadvand P, et al. High ambient temperatures and risk of motor vehicle crashes in Catalonia, Spain (2000-2011):a time-series analysis[J]. Environ Health Perspect, 2015, 123(12): 1309-1316. DOI:10.1289/ehp.1409223 |
| [10] |
Liu A, Soneja SI, Jiang CS, et al. Frequency of extreme weather events and increased risk of motor vehicle collision in Maryland[J]. Sci Total Environ, 2017, 580: 550-555. DOI:10.1016/j.scitotenv.2016.11.211 |
| [11] |
Sheng RR, Li CC, Wang Q, et al. Does hot weather affect work-related injury? A case-crossover study in Guangzhou, China[J]. Int J Hyg Environ Health, 2018, 221(3): 423-428. DOI:10.1016/j.ijheh.2018.01.005 |
| [12] |
Williams MN, Hill SR, Spicer J. Do hotter temperatures increase the incidence of self-harm hospitalisations?[J]. Psychol, Health Med, 2016, 21(2): 226-235. DOI:10.1080/13548506.2015.1028945 |
| [13] |
Zhao Q, Zhang YM, Zhang WY, et al. Ambient temperature and emergency department visits:time-series analysis in 12 Chinese cities[J]. Environ Pollut, 2017, 224: 310-316. DOI:10.1016/j.envpol.2017.02.010 |
| [14] |
Li YH, Cheng YB, Cui GQ, et al. Association between high temperature and mortality in metropolitan areas of four cities in various climatic zones in China:a time-series study[J]. Environ Health, 2014, 13: 65. DOI:10.1186/1476-069X-13-65 |
| [15] |
Tasian GE, Pulido JE, Gasparrini A, et al. Daily mean temperature and clinical kidney stone presentation in five U.S. Metropolitan Areas:A Time-Series Analysis[J]. Environmental Health Perspectives, 2014, 122(10): 1081-1087. DOI:10.1289/ehp.1307703 |
| [16] |
Chen RJ, Yin P, Wang LJ, et al. Association between ambient temperature and mortality risk and burden:time series study in 272 main Chinese cities[J]. BMJ, 2018, 363: k4306. |
| [17] |
Gasparrini A, Guo YM, Hashizume M, et al. Mortality risk attributable to high and low ambient temperature:a multicountry observational study[J]. The Lancet, 2015, 386(9991): 369-375. DOI:10.1016/S0140-6736(14)62114-0 |
| [18] |
Wyon DP, Wyon I, Norin F. Effects of moderate heat stress on driver vigilance in a moving vehicle[J]. Ergonomics, 1996, 39(1): 61-75. DOI:10.1080/00140139608964434 |
| [19] |
Walker SM, Ackland TR, Dawson B. The combined effect of heat and carbon monoxide on the performance of motorsport athletes[J]. Comp Biochem Physiol Part A:Mol Integr Physiol, 2001, 128(4): 709-718. DOI:10.1016/S1095-6433(01)00277-X |
| [20] |
Daanen HA, van de Vliert E, Huang X. Driving performance in cold, warm, and thermoneutral environments[J]. Appl Ergon, 2003, 34(6): 597-602. DOI:10.1016/S0003-6870(03)00055-3 |
| [21] |
Xiang JJ, Bi P, Pisaniello D, et al. Association between high temperature and work-related injuries in Adelaide, South Australia, 2001-2010[J]. Occup Environ Med, 2014, 71(4): 246-252. DOI:10.1136/oemed-2013-101584 |
| [22] |
Uehli K, Miedinger D, Bingisser R, et al. Sleep problems and work injury types:a study of 180 patients in a Swiss emergency department[J]. Swiss Med Wkly, 2013, 143: w13902. |
| [23] |
Uehli K, Mehta AJ, Miedinger D, et al. Sleep problems and work injuries:a systematic review and meta-analysis[J]. Sleep Med Rev, 2014, 18(1): 61-73. DOI:10.1016/j.smrv.2013.01.004 |