利用空气质量与气象数据对里斯本呼吸科医院入院人数进行探索性短期预测
《Atmospheric Pollution Research》:Exploratory Short-Term Forecasting of Respiratory Hospital Admissions in Lisbon Using Air-Quality and Meteorological Data
【字体:
大
中
小
】
时间:2026年08月07日
来源:Atmospheric Pollution Research 3.9
编辑推荐:
摘要:空气污染和气象变化是导致呼吸道疾病住院率短期波动的重要因素,但现有研究大多仅关注与过去住院情况的回顾性关联或当日预测,这限制了其在主动医疗规划中的应用价值。本研究评估了多种机器学习与深度学习预测模型,利用常规可获取的空气质量及气象数据,实现最多三天的每日住院率预测。研究设置
摘要:空气污染和气象变化是导致呼吸道疾病住院率短期波动的重要因素,但现有研究大多仅关注与过去住院情况的回顾性关联或当日预测,这限制了其在主动医疗规划中的应用价值。本研究评估了多种机器学习与深度学习预测模型,利用常规可获取的空气质量及气象数据,实现最多三天的每日住院率预测。研究设置了三种预处理方案以分析时间与环境信息的作用:三日序列预测(S1)、无历史背景的独立当日建模(S2,将连续三天视为独立观测值而非时间序列),以及包含一周历史信息的三日序列预测(S3)。输入特征包括空气质量、多种气象变量、基于日历的指标,以及用于捕捉短期环境变化的滞后值和滚动窗口特征。基于序列的HGB和RNN模型(S1和S3)能持续给出可靠的三日预测结果,而无历史背景的当日模型(S2)的泛化能力则明显较弱,这凸显了短期时间记忆在预测住院率中的重要性。多日循环模型在连续预测时段内表现出高度稳定性与准确性,在正常情况下预测值与实际住院数吻合度较高,仅在极端高峰需求时段才会出现较大不确定性。这些结果表明,所提出的框架能有效捕捉由环境因素驱动的呼吸道疾病住院需求动态变化,非常适合用于医疗领域的运营预测。
引言:空气污染是一种以多种方式影响人类健康的环境因素,其来源包括人类活动与自然现象,如交通运输、工业生产、能源消耗、家庭取暖,以及沙尘暴或森林火灾等(Relvas & Miranda, 2018)。颗粒物、氮氧化物、二氧化硫和臭氧等污染物会滞留于大气中,并通过吸入进入人体(Essamlali et al., 2024; Mishra & Gupta, 2024)。长期暴露于这些污染物可能引发咳嗽、眼喉刺激及呼吸困难等短期问题,而长期暴露则与呼吸系统疾病、心血管疾病及其他健康问题相关。因此,空气质量会影响从胎儿期到儿童期、成年期乃至老年期的所有人群健康(Ataee et al., 2025; Feng et al., 2024; Reis et al., 2025)。有研究指出,空气污染与医院住院率存在直接关联(Franco et al., 2020; Qiu et al., 2023),这一关联在哮喘、支气管炎等呼吸系统疾病患者以及心血管疾病患者中更为明显。颗粒物或氮氧化物浓度的短期上升往往会导致更多紧急就诊和住院情况(Song et al., 2019; Weinmayr et al., 2010)。此外,长期暴露还会增加需要定期治疗的慢性病例比例,进而提升医院负荷。因此,预测与空气污染相关的住院率对于降低健康风险及辅助公共卫生规划具有重要意义。这一关联体现了环境暴露如何转化为医疗需求,使得住院率数据成为衡量污染对整体人群影响的重要指标(Kelly & Fussell, 2015; Marchetti et al., 2023)。通过将空气质量指标与住院记录相结合,不仅可以研究疾病的短期激增趋势,也能分析长期患病负担的变化。总体而言,这种方法有助于明确环境暴露与呼吸系统健康结果之间的统计关联,同时为预警系统构建及高峰期医疗服务准备提供支撑(Chen et al., 2024; Mahakalkar et al., 2024)。此外,气温、相对湿度、风速风向及气压等变量也会影响污染物的扩散与浓度,进而决定需要医疗护理的人数。例如,低风速可能导致污染物积聚,增加住院风险,而降水则可降低污染物水平及相应的住院人数(Tsangari et al., 2016; Zender-?wiercz et al., 2024)。文献中还提及季节性规律、一周中的具体日期、节假日以及人口统计数据等因素。引入多种变量是一个优势,因为它能让模型同时考虑环境因素与整体人口特征(López-Bueno et al., 2024; Rushton & Tate, 2025),但这也带来了挑战,因为不同数据的空间和时间分辨率可能存在差异,部分变量如人口统计信息或医院报告方式也可能带来不确定性或偏差。总体而言,结合气象变量、污染物浓度及各类背景因素,能更全面地理解空气污染对住院率的影响。不过,为处理缺失值、非线性效应及变量交互作用,仍需进行严格的数据处理与模型选择(Forastiere et al., 2024; Gariazzo et al., 2021; Y. Lu, 2021)。多年来,统计模型尤其是基于回归的方法一直被用于分析空气污染与住院率之间的关系。尽管这些模型有一定实用价值,但由于数据量有限且具有固有的线性结构,往往难以捕捉复杂的非线性关系(Aval et al., 2025),因此人们开始探索其他替代方法(Khojasteh et al., 2021; Mwase et al., 2026)。近年来,机器学习与深度学习算法,如人工神经网络、随机森林、门控循环单元及极端梯度提升算法等,已被应用于该领域。这类模型能够识别大型数据集中的非线性模式,可通过整合空气质量与气象条件信息来预测住院率。在葡萄牙人口最密集的里斯本大都市区,这类预测框架尤其具有应用价值,该地区人口占全国四分之一以上,交通与经济活动十分活跃(Louro et al., 2021; Pereira et al., 2023),因此更容易受到空气污染及其健康影响的威胁。本研究仅考虑与呼吸系统疾病相关的住院病例(ICD10编码J00-J99,包括哮喘ICD10编码J45)。住院数据以每日发病次数形式记录,且仅纳入所分析医疗机构的记录。研究时间段覆盖2009年至2016年,便于模型捕捉季节性变化及更长期的住院率趋势(详见附录图S1)。通过对研究变量进行描述性分析,可了解其统计分布特征,为模型选择提供依据。对于空气污染物浓度,其分布呈现右偏特征,反映出在较高背景浓度基础上还会出现偶发的高污染事件;而气象变量则呈现较为对称的分布,这与它们作为平稳变化的环境协变量、具有渐进性时间趋势的特性相符。住院率则呈现出中等程度的变化,分布也较为对称。图1所示的这些分布特征为使用统计汇总指标以及采用能够处理非线性暴露-反应关系和极端污染事件影响的灵活建模方法提供了依据。在2009至2016年期间,研究还对比了世界卫生组织规定的空气质量标准,发现某些污染物浓度频繁超标,这会给医疗服务带来更大压力。因此,在该地区预测住院率具有重要意义:首先,它能为医疗规划提供实用信息,帮助医院提前应对因环境因素导致的住院率上升时期;其次,它可通过揭示环境暴露与呼吸系统疾病住院率之间的统计关联,为针对弱势群体的干预措施提供依据。本研究选择里斯本大都市区作为研究对象,是因为该地区空气污染严重且医疗需求高昂,非常适合用于开发与应用预测模型,并验证其实际应用价值。此外,所提出的预测框架设计为可在Web-GIS环境中运行,从而实现住院率预测结果的实时可视化,为医院管理及公共卫生决策提供支持。
方法论:本研究围绕三个主要目标展开,体现了所提出框架的多场景、多模型及多时间尺度设计特点。首先,研究探讨在多种不同预测场景下,机器学习与深度学习模型预测呼吸道疾病住院率的准确程度。为体现这些模型相较于传统流行病学方法的优势,研究还使用相同的预测因子建立了泊松回归与广义加性模型作为基准模型。
结果:研究通过机器学习与深度学习算法测试了多种预测方案,以确定预测住院率的最佳方法。其主要目的是评估仅依靠气象与空气质量数据时的预测能力,即在没有历史住院数据的情况下,这些环境变量是否足以提供足够的信息以实现精准预测。
讨论:本研究构建了一种新的住院率预测框架,将空气污染健康建模的重点从回顾性分析转向实际预测。现有大量研究已证实了大气污染物、天气状况与呼吸系统疾病发病率之间的统计关联,尤其是在欧洲和亚洲的城市地区。然而,这些研究大多仅能预测当日或次日的效应,因此其应用范围较为有限。
结论:本研究表明,借助基于序列处理的机器学习或深度学习框架,利用常规可获取的空气质量、气象数据及时间信息,无需以住院率作为输入特征,即可实现呼吸道疾病短期住院率的预测。不将住院率纳入预测模型,既保证了模型的实际应用可行性——因为医院数据并非总能实时获取——又避免了信息泄露问题。在这种约束条件下,模型可通过间接方式学习疾病动态变化。
CRediT作者贡献说明:Diogo Lopes:写作——审稿与编辑、形式分析;Sina Ataee:可视化、软件工具、形式分析、数据整理;Ana Isabel Miranda:写作——审稿与编辑、形式分析;Vania Martins:写作——审稿与编辑、形式分析;Hélder Relvas:写作——审稿与编辑、监督指导、项目管理、研究实施、资金申请、形式分析、概念设计;Behrouz Nemati:初稿撰写、可视化、软件工具、方法设计、研究实施。
未引用参考文献:Climate, 2025。
利益冲突声明:? 作者声明不存在任何可能影响本文研究结果的已知财务利益或个人关系。
致谢:本研究由葡萄牙科学技术基金会提供的国家资金支持,项目编号分别为UID/50006 + LA/P/0094/2020(doi.org/10.54499/LA/P/0094/2020)和C2TN(https://doi.org/10.54499/UID/04349/2025)。同时感谢ODESSA项目(https://doi.org/10.54499/2024.07293.IACDC)的支持,也感谢葡萄牙科学技术部授予Helder Relvas的相关合同(https://doi.org/10.54499/2021.00185.CEECIND/CP1659/CT0026,访问日期为2025年12月11日)。此外,还要感谢Behrouz Nemati、Bárbara T. Silva、Farzaneh Abedian Aval、Sina Ataee、Diogo Lopes、Vania Martins、Ana Isabel Miranda及Hélder Relvas。本研究由葡萄牙阿威罗大学CESAM与环境规划系完成,地址:葡萄牙阿威罗市3810-193。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号