《International Journal of Environmental Research and Public Health》：Extreme Heat and Emergency Health Impacts in the US (2018–2025)
编辑推荐：
未来气候预测表明，在变暖情景下，高温相关死亡率将增加而低温相关死亡将减少。了解极端高温对健康的影响及其对医疗保健需求的意义，对于评估未来气候相关疾病的负担至关重要。在本研究中，研究人员检查了2018年至2025年美国极端高温事件与高温相关疾病（HRI）的急诊就
未来气候预测表明，在变暖情景下，高温相关死亡率将增加而低温相关死亡将减少。了解极端高温对健康的影响及其对医疗保健需求的意义，对于评估未来气候相关疾病的负担至关重要。在本研究中，研究人员检查了2018年至2025年美国极端高温事件与高温相关疾病（HRI）的急诊就诊（EDV）之间的关系。研究人员使用来自美国疾病控制与预防中心（CDC）热与健康追踪器及其他相关来源的数据，分析了标准化为每10万人口的EDV率。研究人员将每日数据汇总到美国卫生与公众服务部（HHS）的10个区域。研究人员使用了0.5°×0.5°网格化每日最高温度数据（按比例面积加权汇总至HHS区域）以及从CDC数据门户提取的每日最高热指数（使用美国国家气象局方法估算，并按总人口加权汇总至HHS区域），以表征季节模式和区域变异性。研究人员使用对数线性混合效应模型探索了峰值高温事件与EDV时间序列之间的关联，该模型考虑了季节性趋势、气候变量及其区域变异性。随机效应用于捕捉预测变量-响应关系中的区域异质性，以适应不同区域间关联的变异。模型性能通过预测误差指标和拟合优度评估进行评估。最高温度和热指数均为显著预测因子，其中热指数拟合略优。关联在很大程度上是同时性的，滞后零处的相关性达到峰值，强调了实时响应的必要性。EDV在环境条件达到峰值之前数天即开始增加，这与早期暴露效应一致。虽然温度-EDV关系存在区域差异，但热指数关联更为稳定。这项工作强调了在气候极端事件加剧的背景下，迫切需要区域适应性公共卫生策略，并概述了未来研究和政策方向，以加强卫生系统在变暖世界中的准备能力。
【研究背景与问题】
极端高温已成为全球最致命的天气相关灾害之一，在美国，2023年高温相关事件导致的死亡人数最多，超过野火和龙卷风。气候变化可能减少高纬度地区的低温相关死亡，但增加高温相关死亡，尤其是在热带非洲和亚洲。现有研究表明，高温相关疾病范围广泛，包括电解质紊乱、心血管疾病和精神健康问题，且急诊就诊率显著上升，存在区域和人口统计学差异。然而，多数研究集中于评估高温指标与健康结局的关联，较少明确探讨环境暴露峰值与医疗保健利用峰值之间的时间同步性。理解极端高温事件是否及在何处与急诊需求激增重叠，对于改进准备、资源分配和早期预警系统至关重要。此外，近年来创纪录高温的频繁出现为重新评估热-健康关系提供了机会，因为当前气候条件日益接近未来预期状态。因此，研究人员开展了本研究，旨在量化美国10个卫生与公众服务部（HHS）区域中极端高温与高温相关疾病急诊就诊（EDV）的关系，并建立预测模型，评估区域环境因素和地理因素的影响。
【研究内容与结论】
研究人员利用2018–2025年来自CDC热与健康追踪器及其他来源的每日数据，分析了EDV率（每10万急诊就诊中高温相关疾病访问次数），以及最高温度和热指数（HI）的环境变量。通过季节分解、交叉相关分析和广义线性混合效应模型，比较了不同HHS区域中EDV的季节性特征、峰值时间同步性，并评估了温度或热指数作为预测因子的表现。结论：EDV的季节性峰值（约第194天）早于最高温度（约第200天）和热指数（约第203天）的峰值，表明早期暴露效应；交叉相关分析显示，EDV与环境变量的最强关联出现在滞后0天，即存在即时性关联；包含温度或热指数的模型显著优于纯季节性模型，热指数模型拟合略优；温度-EDV关系存在区域异质性，而热指数-EDV关系更为稳定。该研究发表在《International Journal of Environmental Research and Public Health》。重要意义：研究强调了实时监测和区域适应性公共卫生策略的必要性，为高温健康预警系统和资源分配提供了依据。
【主要关键技术与方法】
研究人员使用了以下主要方法：1）数据来源：美国CDC国家环境公共卫生追踪网络提供的急诊就诊（EDV）数据（2018–2025年，HHS区域层面），NOAA物理科学实验室的0.5°×0.5°网格化每日最高温度数据（面积加权汇总至HHS区域），以及CDC数据门户的每日最高热指数数据（基于Rothfusz回归方程，按人口加权汇总至HHS区域）。2）季节量化：采用单谐波周期回归模型估计EDV、温度和热指数的峰值时间（相位角）和幅度。3）滞后检测：对STL分解后的残差进行交叉相关分析，确定最强关联的滞后阶数。4）预测建模：使用对数线性混合效应模型（GLMM）建立6个备选模型，包含固定效应（季节项、温度或热指数）和随机效应（区域间变异），采用训练-测试集划分（70-30）评估均方误差（MSE），并比较泊松与负二项（NB2）分布；通过贝叶斯信息准则（BIC）评估拟合优度，通过DHARMa模拟残差进行诊断。
【研究结果】
4.1 季节分析
通过单谐波模型拟合，EDV、最高温度和热指数的季节模式被成功再现，但无法捕捉极端事件。平均峰值时间：EDV为第194天，最高温度为第200.4天，热指数为第203.4天，EDV峰值早于环境变量峰值约6–10天。区域差异：HHS第5区域（伊利诺伊州、印第安纳州、密歇根州、明尼苏达州、俄亥俄州、威斯康星州）的EDV峰值最早，第9区域（亚利桑那州、加利福尼亚州、内华达州）最晚，与环境变量峰值不完全同步。
4.2 滞后检测
STL分解后的交叉相关分析显示，除第5区域外，EDV与温度及热指数残差的最大交叉相关值均出现在滞后0天，表明在研究所用的时空尺度下，最强关联为同期即时性关联，因此后续模型未纳入滞后预测因子。
4.3 温度模型
包含温度作为预测因子的模型3–6的MSE远低于纯季节性模型1–2。在70-30训练-测试划分下，模型4（含温度固定效应和随机效应）和模型6（同时含温度随机效应和季节随机效应）表现最优，但差异微小。预测图显示区域间温度-EDV关联存在显著差异。
4.4 热指数模型
与温度模型类似，包含热指数的模型3–6的MSE低于纯季节性模型。模型5（含热指数固定效应和季节随机效应）在70-30划分下MSE最低。预测图显示热指数-EDV关联更均匀，区域间差异较小，整体回归系数β估计为0.09，即热指数每增加1单位，EDV平均增加9%。
4.5 拟合性能与预测准确性对比
BIC比较显示，负二项（NB2）模型因更好地处理过分散而BIC值更低（拟合更优），但泊松模型的MSE更低（预测更准）。由于研究主要目标是预测准确性，因此选择泊松模型作为预测基准，NB2模型作为推断基准。
4.6 组内相关系数（ICC）
泊松模型的未调整ICC约为5–10% （PS：原文为5–10%），调整后ICC接近1，表明调整 covariates 后几乎所有剩余变异归因于区域差异；NB2模型的调整ICC约为0.10–0.14，因过分散参数增加了观察层变异，区域间变异占比更合理。
4.7 残差分析
DHARMa残差诊断显示，NB2模型虽解决了过分散，但KS检验显著（偏离均匀分布），离群点检验显著，表明模型未能完全捕捉极端观测值，可能存在遗漏的非线性效应或时间依赖。
【讨论与结论】
讨论部分指出，本研究创新性地量化了HHS区域间峰值时间差异，发现EDV峰值早于环境变量峰值，支持早期暴露效应。即时关联（滞后0）强调实时监测的重要性。热指数模型表现略优且更稳定，可能反映了更一致的生理反应。与既往研究一致，温度-EDV关系存在区域异质性，而热指数关联更均匀。模型比较揭示了预测准确性与分布拟合之间的权衡。ICC分析表明，调整后仅少量变异归因于区域差异（NB2模型）。残差诊断提示模型仍需改进以捕捉极端事件。局限性包括：EDV数据始于2018年限制长期趋势评估；HHS区域尺度掩盖子区域异质性；生态学谬误风险；线性假设可能忽略非线性关系。未来研究应改进时空分辨率，纳入分布式滞后非线性模型（DLNM），并考虑人口脆弱性分层分析。
研究结论部分翻译如下：
总之，本研究表明，环境热指标，特别是热指数，是美国全境高温相关急诊就诊的有效预测因子。纳入温度或热指数的模型显著优于纯季节性模型，强调了在预测框架中纳入环境驱动因素的重要性。EDV峰值早于温度和热指数峰值这一发现具有重要的公共卫生意义：提示高温健康预警系统和准备策略应在热暴露达到最高水平之前实施，而非响应峰值条件。从方法论角度，混合效应模型为捕捉共享季节性趋势和区域变异性提供了有用框架，但需进一步解决过分散、残差结构和极端响应方面的模型局限性。尽管所提出的模型整体表现出满意的预测性能，但残差误设定仍然存在，尤其是在最大急诊就诊计数时。这一局限性表明，在极端高温事件中，当卫生系统需求最高且准确预测对准备和资源分配最关键时，预测准确性可能下降。因此，未来研究应着力于改善极端条件下的模型性能，包括纳入可能更好地捕捉罕见但影响巨大的事件的非线性和阈值关系。未来研究应聚焦于提高健康和环境数据的时空分辨率，扩大EDV记录的时间覆盖范围，并增强对集成数据集的访问。改进的数据可用性对于更好地理解滞后效应、脆弱性因素以及高温相关健康结局的区域差异至关重要。总体而言，本研究为极端高温与医疗保健需求增加之间的关联提供了日益增长的证据，并为制定旨在减轻气候变化对人群健康影响的区域适应性公共卫生策略奠定了基础。
