《Discover Public Health》:A comprehensive study of health impacts of heatwaves and AI-based preparedness for sustainable healthcare
编辑推荐:
热浪问题正在成为一个主要的社区健康问题,特别是在医疗设施已经紧张的地区。本综述讨论了热浪对健康的影响以及人工智能在帮助准备、应对和获得可持续医疗长期韧性方面的作用。研究人员采用了基于PRISMA的综述流程。总共定位了1220条记录,最终选择了134项研究进行更
热浪问题正在成为一个主要的社区健康问题,特别是在医疗设施已经紧张的地区。本综述讨论了热浪对健康的影响以及人工智能在帮助准备、应对和获得可持续医疗长期韧性方面的作用。研究人员采用了基于PRISMA的综述流程。总共定位了1220条记录,最终选择了134项研究进行更详细的综述。文章收集了热相关死亡率、发病率、住院、急救需求和系统范围压力的证据。进一步讨论了近期人工智能(AI)在热预测、健康影响、预测医疗系统激增和决策支持方面的应用。该综述还根据主要证据领域对纳入研究进行了映射,以显示文献集中的地方以及仍然存在的重要空白。综合表明,现有工作在热浪健康负担评估和灾害预测方面最为强大,而将AI输出与医院激增规划、运营决策支持和低资源医疗系统准备联系起来的研究较少。为了解决这一空白,本文提出了一个AI驱动的热-健康-系统框架,该框架将灾害预测、健康风险评估、医疗需求预测、早期预警和可持续响应规划联系起来。该综述得出结论,AI在增强早期预警和准备方面可能有效,但AI的实际效用需要更好的数据质量、可解释性、公平性以及与提供实际医疗的系统的兼容性。
**1 引言**
极端高温事件,特别是热浪,构成了一个日益严峻的全球公共卫生挑战,影响个体结局、人群层面的发病率和死亡率以及医疗系统的响应能力。近几十年来,由于人为气候变化、城市化和地表改造,许多地区的热浪频率、强度和持续时间有所增加。环境温度升高(及相关湿度)的直接生理应激已被充分记录:例如,高温和热浪暴露与全因死亡率、心血管事件(如中风和冠心病)、肾功能损害以及因热应激状态住院的增加密切相关。一项近期荟萃分析估计,伊朗热浪期间全因死亡的相对风险(RR)约为1.23(95% CI 1.08–1.39),心血管死亡率显著升高(RR≈1.08)。另一项系统综述发现,温度每升高1°C,心血管疾病死亡率增加2.1%,老年人群、热带气候和中低收入国家最为脆弱。除死亡率外,热相关发病率也在增加:住院、急诊就诊以及急性肾损伤和血栓栓塞事件等特定诊断的风险升高。例如,一项研究报告热浪期间急性肾损伤住院的相对风险为1.67(95% CI 1.16–2.35)。热浪不仅对人员身体产生负面影响,还将医疗保健服务拉伸至极限。英国回顾2019年异常炎热夏季的定性工作报告了室内炎热条件如何影响员工工作、导致医疗设备故障并进一步对患者产生危险,这表明许多设施仍未准备好应对危险高温。定量研究同样支持这一点,报告热浪期间每日住院人数平均增加18.9%。综合来看,这些观察表明高温的后果既是生理性的也是系统性的——需求激增、冷却和员工时间等基本资源短缺,以及常规运营偶尔中断,都会加剧直接健康影响并削弱整体医疗系统功能。与此同时,人工智能(AI)和机器学习(ML)方法的进步为预测极端高温事件提供了新机遇,从而支持早期预警系统和主动响应。近期,神经网络天气模型(基于历史地表温度数据训练的卷积架构)已被证明能提高全球长达四周的地表温度异常和热浪风险的预测技巧。类似地,可解释机器学习方法已成功应用于热浪发生预测(例如,在印度赤道气候中实现了高分类准确率)。然而,尽管在事件预测方面取得了这些进展,热浪预测、健康结局估计和医疗系统激增建模之间的联系仍然相对未被探索。到目前为止,研究格局揭示了三个略有平行的方向:(i)量化高温和热浪健康结局的流行病学研究,(ii)使用传统和AI方法预测热事件的气候学和气象学工作,以及(iii)处理激增、韧性和准备的运营性医疗系统研究。仍然有限的是将基于AI的热浪预测、健康影响估计(发病率/死亡率)和医疗系统激增建模(入院、人员配备、床位、设备)联系起来的综合框架。这一差距对于中低收入国家(LMICs)和热带/沿海地区尤为突出,这些地区脆弱性高,但预测建模和医疗系统激增框架发展不足。例如,印度特定地区的研究显示热浪死亡风险增加,但很少有研究将其与AI驱动的医疗系统需求预测联系起来。鉴于这些趋势,本文旨在对大约134项同行评审研究进行结构化综述,涵盖(a)热浪健康影响评估,(b)AI/ML在热浪/温度预测中的应用,(c)高温背景下医疗系统激增建模,以及(d)连接这些领域的综合或混合方法。基于综述,我们识别出关键的方法论空白、数据整合挑战、地理不平等性,并提出研究议程以推进AI用于“高温-健康-系统激增”预测。我们的目标是支持开发决策支持工具,使医疗系统能够预测、准备和应对高温驱动的激增——从而在气候变化下推进可持续和有韧性的医疗系统。大多数现有综述仅关注问题的一部分。一些集中于热浪的健康影响,如死亡率、发病率和弱势群体。另一些从气候或预测角度审视热浪预测或机器学习方法。较小的一部分讨论高温健康预警系统或医疗系统适应。将热浪灾害预测到健康风险估计、医疗需求、运营准备和可持续医疗规划的全路径清晰整合仍较少。本综述通过在一个热-健康-系统视角内连接这些部分来解决这一空白。它不仅将AI视为预测工具,也不仅将热浪健康影响视为流行病学问题。相反,它考察了基于AI的方法如何在不同层面支持准备:预测灾害、识别暴露和脆弱人群、估计服务需求、支持早期预警,以及在热相关压力增加前帮助医院和公共卫生机构规划资源。因此,本综述的主要贡献在于其综合框架。它汇集了关于热浪健康影响、AI/ML预测、医疗激增预测、早期预警和可持续医疗系统响应的证据。这使得综述不仅能显示哪些已被充分研究,还能指出证据仍然薄弱的地方,特别是在实时部署、可解释AI、医院层面决策支持、低资源环境以及与高温健康行动计划的实际整合方面。本文的其余部分组织如下。图1展示了全文组织结构。第2节介绍了热浪定义、健康影响路径和AI预测的背景。第3节概述了文献综述的方法。第4节综合了三个主题方向的发现并识别了主要空白。第5节提出了我们的研究议程和框架。第6节以对政策、医疗系统和可持续发展的启示作结。
**2 背景**
**2.1 热浪定义和分类**
没有单一、普遍接受的方式来定义热浪。实践中使用的阈值往往反映当地气候、人们的适应程度以及人群对高温的脆弱性。例如,在印度,印度气象局(IMD)将热浪定义为当平原地区最高温度超过40°C或丘陵地区超过30°C,同时距长期正常值的正异常超过4°C。这些限制针对不同地区分别设定,以使定义匹配当地对热应激的耐受性和风险。其他气象机构的程序略有不同。在美国,国家气象局通常将热浪定义为连续几天温度异常升高,可能伴有高湿度,因为潮湿空气显著增加了人体负担。欧洲中期天气预报中心(ECMWF)的产品更多基于百分位数触发:热浪通常被视为白天最高温度连续多日高于历史第90百分位数。尽管存在这些区域差异,但一个普遍因素是持续时间的延长(通常三天或更长),期间温度不低于某个临界点。过去十年,湿度的关注度也在增加。“热指数”和其他反映气温和湿度热生理效应的指标被用于衡量人类实际热应激水平,尤其是在热带和亚热带环境。2019年欧洲热浪导致高发热相关死亡,这强化了制定本地相关且足够稳健以支持早期预警和政策制定的定义和分类方案的必要性。由于各机构阈值和指数的差异,跨地点解决热浪健康结局仍然困难,并且对全球影响、预后护理和适应框架设计具有直接启示。
**2.2 人工智能在气候、高温和健康预测方面的进展**
用于热浪管理的AI方法可以归纳为几个实用类别,而不是作为单独的算法描述。如图2所示,经典机器学习模型如随机森林(Random Forest)、梯度提升(gradient boosting)、XGBoost、支持向量机(SVM)和多层感知机(MLP)主要用于表格输入,包括气候变量、热浪天数、医院计数、入院和床位占用指标。早期的高温健康研究主要依赖回归、广义线性模型(GLM)、广义加性模型(GAM)、时间序列和病例交叉模型来估计温度与死亡率、发病率和住院之间的联系。这些模型在估计负担方面仍然有用,但当热风险在局部阈值附近急剧变化,或湿度、空气污染、滞后效应和社会脆弱性相互作用时,它们的灵活性较差。这些非线性模式使用机器学习模型可以更好地捕捉。尽管良好的特征选择和平衡的训练数据对其可靠性至关重要,但它们在跨地区和季节的验证中表现有效。图2中的第二组由深度和时空模型组成,如长短期记忆网络(LSTM)、门控循环单元(GRU)、卷积神经网络(CNN)、卷积长短期记忆网络(ConvLSTM)、U-Net和图神经网络(GNN)。如果任务需要在网格化气候场、站点网络、再分析数据、遥感产品、空间风险图或多天热浪轨迹上执行,这些方法将很有帮助。热浪不是一个单独的炎热日子,这一点很重要。它们的健康影响取决于持续时间、夜间恢复、空间分布和累积暴露。GNN增加了另一层,通过将站点、网格单元和地区或医院视为图中的节点,有助于模拟热暴露或医疗系统压力的空间模式。混合解决方案在这里也适用,因为它将AI与统计、物理或流行病学知识整合,例如季节性、遥相关信号、陆地-大气暴露-响应曲线和人口脆弱性因素。与医疗系统准备特别相关的两点在图2下部突出显示。首先,严重热浪、热浪集群和医院ICU天数相对于其他日子并不常见,因此普通模型的平均性能可能无法捕捉对医院最重要的事件。因此,不平衡感知学习、重采样、异常检测和尾部聚焦评估对于严重热浪和激增预测非常重要。其次,AI输出必须可理解且可用。可解释工具如SHAP、LIME、注意力和显著性映射有助于识别风险驱动因素,包括Tmax、湿度、地表温度、年龄结构、合并症、剥夺情况和床位容量。当这些输出与仪表盘、高温行动计划、人员配置决策、床位管理、冷却干预和针对弱势群体的外展联系起来时,AI就成为运营性热浪准备的一部分,而不仅仅是预测练习。
**2.3 医疗系统和数字/AI整合的发展**
过去十年,医疗系统经历了显著数字化,电子健康记录(EHR)、医院信息系统和健康信息交换成为大多数国家(包括印度)日常临床工作流程的一部分。这些系统在日益互操作的标准化下,包括HL7 FHIR,定期记录高频数据,如急诊就诊、入院、诊断、床位占用和重症监护利用率,从而允许设施和区域之间共享数据。国家和区域数字健康项目基于此连接临床、行政以及偶尔的公共卫生信息,但治理、资金和劳动力能力的挑战仍然显著,尤其是在中低收入环境中。同时,通过远程医疗、移动健康和AI驱动的远程监测,医疗服务已扩展到医院之外。远程会诊平台和数字分诊系统在COVID-19大流行期间及之后变得广泛,而可穿戴传感器和医疗物联网(IoMT)设备现在支持社区和家庭环境中生理参数的连续监测。应用于这些数据流的AI驱动分析能够早期检测临床恶化,并提供一个基础设施,通过该基础设施可以向高风险患者发送针对性警报(例如高温健康警告),而不是仅依赖通用公开建议。预测分析已从研究转向许多医院的运营使用。使用EHR和分诊数据的机器学习模型越来越多地部署用于预测急诊科到达、入院、住院患者占用和住院时间,基于树的方法和深度学习方法在准确性和校准方面通常优于传统回归。类似技术现在在严重疾病的早期检测中是标准:应用于影像、实验室和纵向EHR数据的AI模型用于识别癌症高风险个体,比传统路径更早,并优先进行诊断检查。自身免疫疾病的相关工作显示,ML如何通过整合临床、血清学和遗传信息来支持精准诊断和风险分层。所有这些发展表明,大量医疗系统已经拥有预测基础设施,既可用于疾病早期检测,也可扩展以支持短时间范围的需求预测能力,进而扩展以支持热相关激增预测和对脆弱人群的定向防御。尽管有改进迹象,但收集、传输和处理数字健康数据并对其应用AI的能力仍然极其不平等。大多数医疗系统混合了旧电子记录系统和较新系统,由不同供应商提供;HL7 FHIR等标准仍仅部分实施或实施方式不同,导致即使是互操作系统也无法可靠共享数据。不一致的数据值集、不良编码、缺乏包括连接和安全托管在内的基本基础设施,以及数据共享和复用的治理结构不完善,进一步削弱了例行数据流,而这些数据流在部委、监管机构和捐助者之间协调不良。在这些条件下,数据的二次使用(纵向监测、模型训练、实时预测)通常仅在少数资源充足的网络中可行。这些约束在低资源环境中更为尖锐。在许多中低收入国家,初级保健和公共卫生服务的基本数字化仍未完成,投资以短暂的项目驱动形式到来,而数据复用和AI监管的道德或法律框架正在缓慢形成。因此,医疗中出现的“AI鸿沟”——只有具有强大基础设施、熟练员工并能影响供应商的组织才能有意义地采用和审查AI工具——有可能直接映射到大三级中心和边缘设施之间,以及高收入国家与较贫穷国家之间的现有不平等。除非这些基础设施、标准、治理和技能方面的结构性不对称得到正面应对,否则AI驱动的高温-健康-激增预测将主要加强已经资源充足的机构的优势,而不是帮助建立气候适应性和真正公平的医疗系统。图3总结了这种数字健康堆栈以及数据、基础设施、分析、决策支持功能与健康结局在高温健康激增预测背景下的联系。在表1中,我们将文献重新归纳为四大方向:(i)气候和环境输入,(ii)AI和建模方法,(iii)健康结局和脆弱性,以及(iv)健康服务的组织和运营。对于每个方向,表格追踪了方法与实践在四个时间段(2000-2009、2010-2015、2016-2020、2021-2025及以后)的演变。早期工作由相对简单的观察研究和独立分析主导;随着时间的推移,重点转向结合多个数据流、嵌入机器学习方法,并以更综合的方式连接热暴露、健康影响和服务需求。总体而言,表1中的条目勾勒出从基本高温健康描述到嵌入常规决策的AI驱动高温-健康-激增预测的逐步转变。表1 跨领域和阶段的高温健康与医疗激增预测的AI和数字系统演变
**3 方法论**
**3.1 检索策略**
本次文献检索覆盖2000年至2025年。在PubMed、Scopus、Web of Science、Google Scholar和IEEE Xplore中进行检索。选择这些来源是因为它们可以全面涵盖气候变化、公共和环境健康以及AI和机器学习在这些领域的快速增长的研究。在此窗口内,我们使用了以下关键词:灾害本身:“热浪”、“热应激”;健康结局:“健康影响”、“死亡率”、“发病率”;方法和工具:“机器学习”、“人工智能”、“AI in health”;系统响应:“激增预测”、“高温健康系统”。使用布尔运算符连接这些术语(例如,“热浪”AND“健康影响”,“热浪”AND(“机器学习”OR“人工智能”)),并测试了细微的措辞变化以避免遗漏相关材料。检索字符串根据每个数据库的语法和索引规则进行了略微调整。在Scopus中使用的检索字符串示例为:TITLE-ABS-KEY((“热浪”OR“热波”OR“热应激”OR“极端高温”)(“健康影响”OR死亡率OR发病率OR“热相关疾病”OR“住院”OR(“公共卫生”))AND(“机器学习”OR“人工智能”OR“深度学习”)OR“AI in health”OR“早期预警系统”OR“激增预测”OR“高温健康系统”))AND PUBYEAR>1999 AND PUBYEAR<2026。Google Scholar仅用作补充信息来源,以查找主要数据库检索可能遗漏的论文。未将其纳入主要数据库检索。非学术网页、新闻报道、社论、意见稿件和不相关文件在筛选时被丢弃,除非它们包含与文章内容相关的关键机构或政策信息。还非正式地扫描了关键论文的参考文献列表,以捕捉主要检索可能忽略的频繁引用研究,但综述的核心基于上述数据库查询。图4给出了本研究AI-热浪-健康系统综述中研究选择的PRISMA 2020流程图。它包括识别、筛选和纳入三个阶段。这些阶段将在后续小节中详细解释。图4 本研究AI-热浪-健康系统综述中研究选择的PRISMA 2020流程图
**3.2 纳入/排除标准**
纳入的研究需关注热浪、热应激或极端高温,并报告健康影响、医疗系统影响、AI预测、早期预警、激增预测或高温健康准备。排除未涉及热浪或极端高温暴露、未涉及健康或医疗系统结局、未涉及AI、机器学习、预测或准备相关主题、或缺乏足够方法论细节的研究。社论、评论、新闻文章和非学术文献被排除,除非它们提供了重要的政策或机构背景。为了保持综述的聚焦和可重复性,我们应用了预定义的纳入和排除规则。纳入需同时满足以下所有条件:出版类型和时期:2000年至2025年发表的同行评审实证研究文章;语言:提供英文全文;实质性焦点:要么考察了热浪的健康影响(例如死亡率、发病率、急诊就诊或住院),要么开发或评估了基于AI或机器学习的方法用于检测热浪、预测热相关健康结局或预测医疗系统激增;方法和报告:提供了清晰的研究设计和分析方法,具有可解释的定量、统计或基于模型的结果。研究在以下任何类别中被排除:非同行评审或非研究成果(例如新闻条目、社论、意见稿件、政策简报);仅关注其他灾害(如洪水、寒潮、空气污染事件)而无明确热浪成分的论文;缺乏实质性实证内容的论文(例如概念性评论或无需数据分析的广泛叙述性概述);方法论细节不足以评估有效性或理解结果如何产生的文章。这些标准旨在确保最终集合的论文可以在合理相似的基准上进行比较,并且提供的内容不仅仅是推测性或轶事性的主张。
**3.3 筛选过程**
初步数据库检索产生了略多于1220条记录。检索后,所有记录被合并,在筛选前删除重复条目。重复条目通过文章标题、作者姓名、出版年份、期刊名称和DOI进行检查。剩余记录首先通过标题和摘要筛选。然后根据纳入和排除标准评估全文文章。筛选决策由多位评审员交叉检查以提高一致性。任何不确定的案例在做出最终决定前均进行讨论并对照资格标准重新检查。基于此起点,我们使用了多阶段筛选:1. 重复删除和初步扫描:消除数据库中的重叠记录。然后快速扫描所有记录以消除明显不相关的记录(例如,与气候或健康无关的研究,尽管匹配了通用关键词)。2. 标题和摘要筛选:根据纳入和排除标准筛选标题和摘要。在此阶段,过滤掉非热风险或与健康或热无关的AI论文。这一步显著缩小了候选研究范围。3. 全文筛选:通过摘要筛选的文章在全文获取后进行彻底筛选。在此阶段,我们检查了:是否明确定义了热浪或极端高温事件;是否明确分析了健康系统激增指标或健康结局;以及是否在实际分析工作流中纳入了AI或机器学习程序(如果适用),而不仅仅是附带提及。被判定为主要方法论评论、与实际热事件无关的概念验证、数据覆盖不足或模型不清晰的研究在此阶段被排除。4. 最终选择:在完成全篇评估后,134项研究通过了所有资格检查,并被纳入提取和综合过程。这些文章构成了进一步分析热浪健康影响和AI激增预测的实证基础。
**3.4 研究分类**
选定的研究按其首要主题分类:热浪健康影响、使用人工智能的热浪检测和预测、热浪期间的医疗激增以及综合高温健康准备。为每项研究提取关键数据,如作者、年份、国家/地区、研究目的、数据来源、健康结局、使用的AI或统计方法类型、验证过程、重要研究发现、局限性以及医疗准备的启示。此外,对纳入研究进行了基本的方法论质量评估。评估标准包括目标清晰度、数据来源透明度、方法描述、验证或评估方法、与热浪健康结局的相关性以及医疗准备的实用性。此质量检查方法用于分析证据强度并突出文献中的薄弱领域。由于纳入研究使用了多种热浪定义、健康结局测量、数据来源、AI方法和性能指标,因此不适用荟萃分析。因此,综述采用结构化定性综合,辅以简单的基于频率和比较的总结。这有助于识别主导研究趋势、常用AI方法、最常研究的健康结局以及现有高温健康准备研究中的空白。最终样本被分为四个一般主题,以组织一些相对异质的论文。这些并非旨在作为严格的分类——实际上,许多文章可能符合多个类别——但它们是描述该领域演变的良好框架:1. 热浪-健康影响:这些研究主要旨在量化热浪对健康的影响。影响通常测量为全因和特定原因死亡率、住院、急诊就诊、急救车呼叫以及慢性病(如心血管和呼吸系统疾病)的恶化。许多此类论文是时间序列或病例交叉研究,将健康指标的变化与观察到的热事件(以多种方式定义)联系起来。AI或机器学习工具很少成为主要焦点;相反,这些研究建立了后来建模工作所依赖的实证基线。2. AI用于检测和环境预测:第二个集群包括主要目标是使用AI或机器学习方法检测、分类或预测热浪及相关环境条件的工作。这些论文主要处理问题的“气候和天气”方面:它们输入变量如气温、湿度、风、辐射,有时还包括地表特征,然后训练模型(例如神经网络、随机森林、混合统计-ML方法)来识别高风险期或生成短中期预报。健康指标如果有,通常仅作为背景动机而非模型输出出现。3. AI用于医疗激增预测和资源使用:第三组文章将焦点从大气转向医疗系统。在这里,AI或ML技术被应用于预测热浪的运营影响,如急诊就诊激增、住院、ICU占用或特定服务需求(如透析、心脏病学)。一些研究还探索了极端高温条件下资源分配的优化,例如床位管理或人员排班。在这些论文中,气象变量通常与日历效应和历史利用模式一起作为预测变量进入模型,但感兴趣的结局是服务需求的激增。4. 综合AI-医疗系统预测:最新且相对较小但增长中的类别将前述方向结合在一起。这些研究试图构建综合系统,其中AI模型不仅预测热事件的时间和强度,还将这些预测转化为预期的健康影响和医疗系统压力。它们通常将气候或天气数据与健康数据(例如入院、综合征监测、公共卫生报告)结合在一个建模框架中,有时嵌入早期预警或决策支持工具。该类别的一个关键特征是有明确努力将灾害预测与医疗服务的可操作指标桥接起来,而不是将它们视为独立问题。
**3.5 分析**
我们的分析遵循主题综合方法,但侧重于方法、数据源和系统层面考虑如何在高温和健康背景下融合。主要步骤如下。数据提取:我们从每个论文中提取一组核心变量:地区或国家、分析的时间段、热浪或极端高温的定义、研究设计、热相关健康结局(如适用)、数据来源以及具体AI/ML或统计工具。我们还注意到了与医疗系统运营的任何明确联系(例如激增规划、床位管理、人员部署),以及研究是否讨论了在实际环境中的实施。主题编码和空白识别:基于提取的材料,我们按照上述四个主题对研究进行编码,并允许在论文明确跨越多个领域时添加次要标签。在此阶段,我们明确寻找:数据质量和可用性方面的空白(例如健康数据稀疏/以城市为中心、湿度/夜间温度缺失、时间序列短);地理覆盖不均,特别是中低收入地区代表性不足;以及健康系统数据与环境或预测模型的有限或临时性整合(例如使用汇总入院计数而无更细粒度的运营指标)。具有创新方法但数据基础薄弱或不清楚的研究被单独识别,因为这些研究提出了与受限于背景和明确方法的研究不同的问题。跨主题模式综合:然后我们考察了四个类别内部和之间的模式。例如,比较了环境预测与激增预测中最常用的AI/ML技术,观察热浪定义随时间的变化,并探索综合模型是否比简单基线提高了预测性能或运营实用性。由于存在设计和结局的多样性,我们未尝试正式荟萃分析,而是专注于绘制趋同的发现、反复出现的局限性和结果的差异点。推导启示和未来方向:最后,我们使用主题综合来识别未来工作最需要的领域。特别关注:基于AI的热预测与实时医疗系统监测的结合,而不仅仅是回顾性分析;开发针对当地气候、人群脆弱性和医疗系统容量的区域特定模型并进行验证,包括在低资源环境中;设计可嵌入常规决策的运营工具(例如床位管理系统、早期预警平台),而不是停留在独立研究原型层面。本节分析的结果将在下一节中呈现,我们将在其中突出文献中的关键见解,讨论现有空白,并提出全面的研究议程。
**4 发现**
为了保持文献综述的可管理性,研究被分组为少量重复出现的主题,而不是逐一处理。表2总结了这些集群,涵盖了热浪-健康关系、基于AI的热和健康预测以及极端高温期间医疗系统压力分析方面的工作。后续小节在讨论具体发现和空白时将参考这些集群。表2 热浪、健康影响、AI和医疗系统效应研究的代表性集群
**4.1 脆弱人群**
高温的负担并非均匀分布。在不同的气候和医疗系统中,相对较少的人群承担了大部分热相关疾病和死亡:老年人、必须在高温环境中工作的人以及患有慢性疾病的个体。社会经济地位和居住地贯穿所有这些因素,常常加剧潜在的生理脆弱性。老年人是最明显的例子。实验和临床工作表明,衰老伴随着出汗减少、皮肤血流量降低、血管变硬以及口渴感减弱,所有这些都使排出多余热量和维持稳定核心温度变得更加困难。这些生理变化很少孤立出现:它们与多种疾病(例如心血管、肾脏或代谢疾病)以及利尿剂、β受体阻滞剂和精神药物等药物相互作用,进一步限制体温调节。毫不奇怪,来自欧洲、北美、亚洲和澳大利亚的流行病学研究反复显示,65岁以上人群在热浪期间,尤其是长时间或异常炎热期间,热相关入院和死亡率急剧上升。老年人居住的地方也很重要。城市热岛可使夜间温度比周边农村地区高几度;在一些事件中,额外的城市热量估计约占所有热相关死亡的一半。同时,农村老年人可能面临不同的风险组合:较差的住房和隔热、社会孤立、空调或冷却中心的可及性不均,以及获得紧急护理的较长延迟。这些基于地点的因素——微气候、住房、交通、社交网络——决定了谁实际暴露以及谁能适应,即使在同一年龄段内也是如此。第二个经常被忽视的高风险群体是户外和体力劳动者。许多农业、建筑、街头贩卖、采矿等领域的劳动者,其中大多数是非正规工人,大部分时间暴露在直射阳光或闷热空间中,通常从事重体力劳动,并穿着阻碍汗液蒸发的防护服。职业热应激被指出导致这些群体高热应变、脱水、热衰竭和中暑的高发率,以及因注意力下降导致的生产力损失和受伤风险。在中低收入环境中,劳动保护、遮阳、休息间隔和安全饮水可能很少,轻微的热疾病可能迅速发展为肾损伤、横纹肌溶解或死亡,许多病例在正式监测中未被报告。近期联合国和WHO/ILO的评估显示,数十亿工人目前经常暴露于不合理的高温,每年有数千万热相关工伤,说明了这种职业脆弱性的程度。患有慢性心血管、呼吸、肾脏或代谢疾病的人构成第三大脆弱群体,通常与前两者重叠。极端高温给心脏和循环系统带来额外压力,可能破坏血压和液体平衡,并可能恶化血糖控制、气道炎症和心理健康状况。系统综述和多城市研究一致表明,热浪后缺血性心脏病、心力衰竭、中风、COPD和哮喘恶化、急性肾损伤和电解质紊乱入院增加。这些状况通常与高龄、贫困、住房不足、缺乏冷却或预防性护理并存,使得生理易感性和社会劣势相互支持。尽管本综述基于老年人、户外工作者和慢性病患者,但新证据表明其他人群的风险也在增加,包括孕妇、严重精神疾病患者、移民,以及在特定环境中甚至从事剧烈户外工作的年轻人。总体而言,这些结果表明,脆弱性分析应超越年龄,直接纳入高温健康早期预警系统和激增规划,将生理易感性、基于地点的暴露和社会条件主题性地联系起来,以驱动主动而非被动的保护。
**4.2 地理差异**
与热浪相关的死亡率和发病率呈现出明显的地理分布,这基于脆弱性、暴露特征和医疗系统适应能力的不平等。多城市和系统综述研究一致记录了热浪期间的超额死亡和入院,但强大的监测、高温健康早期预警系统和加强的急性护理能力被发现能随时间推移缓和人群影响。在这些背景下,风险仍然多样:城市热岛导致夜间和峰值暴露升高,这在大城市和社会临床脆弱人群中导致死亡率和住院率增加。因此,尽管高收入国家面临可量化的热浪负担,但机构的高温行动策略和相对健全的医疗系统倾向于降低热灾难转化为系统崩溃的风险。相反,针对中低收入国家(LMICs)的研究表明,由于缺乏冷却、应急响应脱节以及气候健康整合较弱,健康梯度更陡,灾害向医疗系统溢出的可能性增加。近期关于印度热浪高死亡率的证据表明,与热浪相关的高死亡率因各州准备不均和有限的城市健康网络而加剧。同样,东南亚和中国的需求综合指出,热事件期间急诊就诊和住院激增,尤其是农村和城郊人群在护理可及性和家庭适应资源方面面临延迟。值得注意的是,全球文献的地理分布仍然偏向高收入地区;针对LMICs的实证综述和协议继续发现非洲和南亚部分区域在高温健康文献中代表性不足。来自塞内加尔、孟加拉国、印度及更广泛LMIC环境的AI驱动激增预测研究虽突显了未满足需求的程度和情境适应预测工具的可行性,但也揭示了在可迁移模型、可互操作数据集以及资源有限医疗系统中运营嵌入方面的重大空白。总体而言,这些发现表明,热浪健康负担中的地理不平等更多不在于灾害强度本身,而在于适应能力、医疗可及性以及将预警转化为激增缓解行动的意愿的分布。
**4.3 医疗系统激增的证据**
热浪在急性护理利用中产生可重复的激增信号,在跨不同医疗系统中记录了急诊科(ED)就诊、急救车呼叫和住院的增加。系统综述和荟萃分析报告在热浪期间ED就诊和入院持续升高,特别是针对热特定疾病(热射病、脱水、电解质失衡)以及心血管、呼吸和肾脏疾病的恶化。这些模式得到基于事件的实证研究支持:2015年瑞士热浪导致急诊入院和住院显著增加,尤其是热衰竭和呼吸系统疾病集群;在英格兰和英国极端温度下也观察到类似的热相关入院激增;欧洲心肺入院长期研究也支持这一点。来自亚洲的证据表明,激增现象不仅限于高收入环境;东南亚和中国的研究显示,热事件期间热射病和呼吸入院急剧增加,常常在高峰时段超出当地基线容量。总体而言,这些文献表明,热浪事件转化为急诊通道、住院床位和重症监护路径上的短期窗口压力,压力大小取决于事件持续时间、夜间强度和集水区人群的基线脆弱性。尽管明确认识到激增行为,但有关热应激下医疗系统容量的明确建模仍然相对有限。综述指出,大多数研究量化超额入院或死亡率,而未将这些估计与运营限制如员工床位可用性、ED拥挤阈值、急救车周转时间或员工激增容量联系起来。来自英格兰和其他欧洲环境的不平等工作强调,需求冲击分布不均,但很少与能够预测局部瓶颈的资源分配模型相联系。近期AI驱动的激增预测研究——涵盖高收入系统和LMIC环境——显示出短期预测入院和床位占用的可行性,但这些努力仍然碎片化,通常基于有限且不可互操作的数据集。基于仿真的灾害分析进一步表明,将激增预测与系统容量动态耦合对于现实准备规划至关重要,但在常规高温健康研究中仍未被充分利用。总体而言,证据基础在热浪期间需求发生什么方面很强,但在系统接近失效的程度以及哪些容量杠杆最能减轻负荷方面较薄弱,突显出高温健康准备和医院运营的关键转化空白。
**4.4 局限性**
高温健康证据基础仍受若干结构性限制。首先,存在明显的地理偏向,大多数死亡率、发病率和利用研究来自欧洲、北美和澳大利亚。相比之下,来自LMICs的实证工作相对稀少,尽管其暴露更高、适应能力更低,导致全球负担估计不完整且可能保守。这种不平衡在全球和LMIC聚焦的综合中反复强调,指出非洲和南亚及东南亚部分区域在观察性高温健康数据集和系统综述中代表性不足。其次,热浪定义的异质性(包括阈值指标、持续时间标准和区域基线的选择)降低了跨研究可比性,并使综合推断复杂化。跨国和阈值聚焦研究显示,同一气象事件可能因定义不同而产生不同的风险估计,突出了多区域综合和可迁移性的持续方法论障碍。另一个关键空白涉及热浪期间医疗系统建模。虽然许多研究量化超额入院或死亡率,但相对较少纳入运营限制如员工床位容量、ED拥挤阈值、激增人员可用性或资源分配动态。对热应激下医疗需求服务的综述指出,利用估计很少与系统容量指标相关联,限制了其在准备规划和早期运营决策中的实用性。即使是较新的基于AI的激增预测研究也通常基于碎片化或不可互操作的气候和健康数据集,并且仅间歇性地嵌入在明确的容量压力或韧性框架内。最后,长期病程路径仍表征不足。尽管急性热浪与心肺和肾脏入院密切相关,但文献对反复热暴露的累积或延迟效应缺乏纵向追踪,特别是关于慢性疾病轨迹如肾脏或心血管恶化。总之,这些空白指向对更扎根于LMIC的数据集、统一的热浪指标以及将灾害预测、健康结局和实际系统容量相结合的整合建模的需求。热浪显著增加死亡率、发病率和住院率,特别是老年人、户外工作者和慢性病患者等脆弱人群。健康影响的地理差异也显而易见,高收入国家受影响通常小于LMICs。热浪期间医疗系统激增给医院和急救服务带来额外负担,尽管在气候预测与医疗系统容量模型的关联方面存在相当大的空白。克服这些空白对于增强全球热浪灾害韧性至关重要。
**4.5 AI/机器学习用于热浪预测**
过去20年,机器学习(ML)已被更频繁地应用于预测不同气候区域的热浪和其他极端温度,这是向AI辅助气候极端事件建模的更广泛转变的一部分。早期模型主要基于统计学习和树集成模型,将标准气象预测(如最高温度、湿度、气压、风、环流指数)投影到热浪发生或基于Tmax的预警定义阈值。在伊朗,Asadollah等人评估了决策树、随机森林和提升算法在不同气候区预测热浪的效果,与经典回归相比展示了明显优势,特别是在热指数对天气驱动因素的非线性响应方面。在巴基斯坦的类似工作显示,支持向量机在气候变化背景下,当输入长期历史站点记录时,能够熟练预测热浪。Suthar等人通过使用多种ML模型预测印度拉贾斯坦邦和卡纳塔克邦的最高气温来定义热浪日,研究中调整了基于树的模型以最大化收益,使用简单气候学作为识别热浪日的基线。后续在拉贾斯坦邦和印度温度区域比较的基准测试中测试了ANN、SVR、RF和XGBoost预测短期Tmax和热浪日,反复发现RF和基于提升的模型表现最佳,且训练中明确尊重本地气候学。在较小区域尺度上,安得拉邦基于ML的每日Tmax预测再次证明非线性学习器优于线性基线,能够支持州级热浪预警级别。进一步的最新发展已超越传统集成,进入深度学习和混合时间序列设计,具有在复杂时空依赖性下学习的更好能力。季节性至次季节预测研究表明,动态预测器可以与再分析和遥感特征结合,以延长热浪的有用超前时间,并且可解释技术(例如SHAP风格归因和遥相关发现)可用于诊断极端事件的主导气候驱动因素。新兴架构如图神经网络通过显式捕捉站点或网格之间的空间连接,进一步增强了区域热浪预测,克服了局部学习器的限制。总体而言,该文献表明ML热浪预测现已从局部Tmax分类问题发展到多尺度、可解释且更可迁移的预测系统,为在国家级高分辨率环境(如印度)和