基于时空地理加权回归模型的中国肺结核发病情况及影响因素研究

doi:10.12114/j.issn.1007-9572.2022.0552

中国全科医学 ›› 2023, Vol. 26 ›› Issue (05): 583-590.DOI: 10.12114/j.issn.1007-9572.2022.0552

基于时空地理加权回归模型的中国肺结核发病情况及影响因素研究

赵明扬¹, 周乾宇¹, 王荣荣², 王宗熹², 何雯倩², 张文森¹, 张恒榛¹, 田卓旸¹, 吴柯¹, 王碧瑶¹, 孙长青¹^,²^,^*()

1．450001　河南省郑州市，郑州大学公共卫生学院社会医学与卫生事业管理学教研室
2．450001　河南省郑州市，郑州大学护理与健康学院社区护理教研室

收稿日期:2022-07-15 修回日期:2022-10-03 出版日期:2023-02-15 发布日期:2022-11-18
通讯作者: 孙长青
作者贡献：赵明扬负责提出概念、数据管理、形式分析、原稿写作等工作；周乾宇负责方法学、监督审查和编辑写作等工作；王荣荣、王宗熹、何雯倩、张文森、张恒榛、田卓旸、吴柯、王碧瑶负责数据管理工作；孙长青负责资金支持、项目管理、监督、审查和编辑写作等工作。
基金资助:
国家社会科学基金资助项目(20BRK041); 国家大学生创新项目(202210459096)

Influencing Factors of the Incidence of Pulmonary Tuberculosis in China: an Analysis Using the Geographically and Temporally Weighted Regression Model

ZHAO Mingyang¹, ZHOU Qianyu¹, WANG Rongrong², WANG Zongxi², HE Wenqian², ZHANG Wensen¹, ZHANG Hengzhen¹, TIAN Zhuoyang¹, WU Ke¹, WANG Biyao¹, SUN Changqing¹^,²^,^*()

1. Department of Social Medicine and Health Service Management, College of Public Health, Zhengzhou University, Zhengzhou 450001, China
2. Department of Community Nursing, School of Nursing and Health, Zhengzhou University, Zhengzhou 450001, China

Received:2022-07-15 Revised:2022-10-03 Published:2023-02-15 Online:2022-11-18
Contact: SUN Changqing

分享到

1. 2023中国知网《学术精要数据库》论文入选证书.png(618KB)

摘要/Abstract

摘要： 背景现有针对肺结核发病影响因素的研究大多是独立的时间或空间回归分析，研究结果存在局限性。目的探索中国肺结核分布的时间和空间异质性，并分析肺结核发病情况与气象和空气质量因素在时间和空间上的相关关系，为制订相应结核病防控措施提供科学参考。方法使用2016—2018年全国分地区肺结核分月统计数据，将肺结核发病率作为因变量，将气象和空气质量因素作为自变量，在预先进行多重共线性和空间自相关检验后，分别构建普通最小二乘（OLS）模型、地理加权回归（GWR）模型、时空地理加权回归（GTWR）模型，评估并比较模型优度，选取最优模型以描述肺结核发病情况。分别绘制各变量拟合系数的核密度分布图和时空分布图，以描述拟合系数的时空特异性。结果我国肺结核总发病率在逐年下降，且空间分布较为集中。GTWR模型的R2值均比OLS和GWR模型要高，同时GTWR模型的修正后的赤池信息量（AICc）值均比OLS和GWR模型要小，表明GTWR模型能更好地解释自变量对肺结核发病情况的影响。各变量核密度图结果显示，风速的增加对大多数城市的肺结核发病呈现显著的保护作用；湿度及空气污染物浓度的增加将显著增加肺结核发病率，且在不同城市的影响程度不同。结论气象和空气质量因素对肺结核发病情况具有显著影响，且该影响存在时空特异性，对于不同地区的不同影响因素，应制订针对性的疾病预防措施。

关键词: 结核，肺, 发病, 时空地理加权回归, 气象因素, 气象学，医学, 空气污染物, 影响因素分析

Abstract:

Background

Most of the existing studies on the influencing factors of pulmonary tuberculosis incidence are based on temporal or spatial regression models, and the results are limited.

Objective

To explore the temporal and spatial heterogeneity of pulmonary tuberculosis in China, and to analyze the temporal and spatial correlations between the incidence of pulmonary tuberculosis and meteorological and air quality factors, offering a scientific reference for the development of measures containing tuberculosis.

Methods

Monthly statistical data of pulmonary tuberculosis in China from 2016 to 2018 were collected. After being tested with multicollinearity and spatial-autocorrelation between incidence of pulmonary tuberculosis and meteorological and air quality factors, the incidence of pulmonary tuberculosis was used as the dependent variable, and meteorological and air quality factors as independent variables to construct OLS, GWR and GTWR models, respectively. Then the goodness of the three models was evaluated, and the optimal model was selected to describe the incidence of pulmonary tuberculosis. Kernel density plot and spatio-temporal graph were used to describe the spatio-temporal specificity of the fitting coefficients of each variable.

Results

The overall incidence of pulmonary tuberculosis in China during 2016-2018 decreased annually, with clustered spatial distribution. The GTWR model had higher R² value and lower AICc value compared to other two models, indicating that it had better performance in explaining the influence of meteorological and air quality factors on the incidence of pulmonary tuberculosis. The kernel density plot of each variable showed that the increase of wind speed was associated with decreased pulmonary tuberculosis incidence in most cities. But the increase of humidity and air pollutant concentration was associated with increased incidence of pulmonary tuberculosis, and the strength of association varied across cities.

Conclusion

Meteorological and air quality factors may significantly influence the incidence of pulmonary tuberculosis, and the influence had spatio-temporal specificity. So prevention methods for pulmonary tuberculosis should be developed according to region-specific factors influencing the disease.

Key words: Tuberculosis, pulmonary, Incidence, GTWR, Meteorological factors, Medical meteorology, Air pollutants, Root cause analysis

赵明扬,周乾宇,王荣荣,等. 基于时空地理加权回归模型的中国肺结核发病情况及影响因素研究[J]. 中国全科医学, 2023, 26(05): 583-590. DOI: 10.12114/j.issn.1007-9572.2022.0552.
ZHAO Mingyang,ZHOU Qianyu,WANG Rongrong, et al. Influencing Factors of the Incidence of Pulmonary Tuberculosis in China: an Analysis Using the Geographically and Temporally Weighted Regression Model[J]. Chinese General Practice, 2023, 26(05): 583-590. DOI: 10.12114/j.issn.1007-9572.2022.0552.

图/表 5

图1 全国肺结核发病率空间分布图

Figure 1 Spatial distribution of pulmonary tuberculosis incidence in China during 2016—2018

表1 OLS、GWR、GTWR模型比较的结果

Table 1 Values of AICc，R2 and adjusted R2 of OLS，GWR and GTWR models

模型	AICc	R²	Adjusted R²
OLS	5 871.92	0.226	0.220
GWR	4 746.57	0.573	0.572
GTWR	3 806.78	0.902	0.901

图2 各变量拟合系数的核密度分布图注：w为风速，H为湿度

Figure 2 Kernel density estimation of fitting coefficients of each variable

表2 GTWR模型的拟合系数

Table 2 Fitting coefficients of meteorological and air quality factors included in GTWR model

变量	均数	最小值	最大值	第一四分位数	中位数	第三四分位数
风速	-0.454 25	-4.006	1.823	-0.874 00	-0.458 50	-0.074 50
湿度	0.013 85	-0.316	0.100	0.000 01	0.016 00	0.041 75
PM_2.5	0.014 04	-0.054	0.378	-0.010 00	-0.002 00	0.015 75
PM₁₀	0.002 42	-0.081	0.060	-0.005 00	0.006 00	0.014 00
SO₂	0.028 45	-0.393	0.634	-0.016 00	0.004 00	0.050 00
NO₂	-0.062 42	-0.345	0.102	-0.106 00	-0.041 00	-0.014 00
CO	0.101 42	-25.231	7.941	-0.617 00	0.174 00	1.356 75
O3	-0.002 43	-0.113	0.053	-0.007 00	-0.001 00	0.001 00

图3 各变量拟合系数的时空分布图

Figure 3 Spatial and temporal distribution of fitting coefficients of each variable

参考文献 28

[1]	陈传军. 结核病现状与防治[J]. 医学理论与实践，2011，24（15）：1798-1799. DOI：10.19381/j.issn.1001-7585.2011.15.023.
[2]	World Health Organization. Global Tuberculosis Report 2019[EB/OL]. （2019-10-05）[2022-07-13].
[3]	FOTHERINGHAM A S，BRUNSDON C F，CHARLTON M E. Geographically weighted regression：the analysis of spatially varying relationships[M]. Hoboken：John Wiley & Sons，2003：269.
[4]	AMEGBOR P M，YANKEY O，ROSENBERG M W，et al. Examining spatial variability in the association between male partner alcohol misuse and intimate partner violence against women in Ghana：a GWR analysis[J]. J Interpers Violence，2021，36（23/24）：NP12855-12874. DOI：10.1177/0886260519900299.
[5]	YU H R，GONG H L，CHEN B B，et al. Analysis of the influence of groundwater on land subsidence in Beijing based on the geographical weighted regression （GWR） model[J]. Sci Total Environ，2020，738：139405. DOI：10.1016/j.scitotenv.2020.139405.
[6]	张俊，边振兴，林琳，等. 基于GWR对中国乡村居民生活富裕影响因素研究[J]. 中国农业资源与区划，2021，42（4）：10-17. DOI：10.7621/cjarrp.1005-9121.20210402.
[7]	HUANG B，WU B，BARRY M. Geographically and temporally weighted regression for modeling spatio-temporal variation in house prices[J]. Int J Geogr Inf Sci，2010，24（3）：383-401. DOI：10.1080/13658810802672469.
[8]	WEI Q B，ZHANG L J，DUAN W B，et al. Global and geographically and temporally weighted regression models for modeling PM2.5 in Heilongjiang，China from 2015 to 2018[J]. Int J Environ Res Public Health，2019，16（24）：E5107. DOI：10.3390/ijerph16245107.
[9]	GE L，ZHAO Y L，SHENG Z J，et al. Construction of a seasonal difference-geographically and temporally weighted regression （SD-GTWR） model and comparative analysis with GWR-based models for hemorrhagic fever with renal syndrome （HFRS） in Hubei Province （China）[J]. Int J Environ Res Public Health，2016，13（11）：E1062. DOI：10.3390/ijerph13111062.
[10]	GUO B，WANG Y，PEI L，et al. Determining the effects of socioeconomic and environmental determinants on chronic obstructive pulmonary disease （COPD） mortality using geographically and temporally weighted regression model across Xi'an during 2014-2016[J]. Sci Total Environ，2021，756：143869. DOI：10.1016/j.scitotenv.2020.143869.
[11]	XIA L，ZHU S，CHEN C，et al. Spatio-temporal analysis of socio-economic characteristics for pulmonary tuberculosis in Sichuan Province of China，2006-2015[J]. BMC Infect Dis，2020，20（1）：433. DOI：10.1186/s12879-020-05150-z.
[12]	YIN J F，HUANG R W，JIANG H，et al. Spatio-temporal distribution of pulmonary tuberculosis and influencing factors in Beijing，2008—2018[J]. Zhonghua Liu Xing Bing Xue Za Zhi，2021，42（7）：1240-1245. DOI：10.3760/cma.j.cn112338-20210106-00008.
[13]	KIANI B，RAOUF RAHMATI A，BERGQUIST R，et al. Spatio-temporal epidemiology of the tuberculosis incidence rate in Iran 2008 to 2018[J]. BMC Public Health，2021，21（1）：1093. DOI：10.1186/s12889-021-11157-1.
[14]	周扬，梁士杰. ARIMA乘积季节模型在郑州市肺结核月发病趋势预测中的应用[J]. 中国卫生统计，2021，38（4）：554-555. DOI：10.3969/j.issn.1002-3674.2021.04.019.
[15]	YAN C Q，WANG R B，LIU H C，et al. Application of ARIMA model in predicting the incidence of tuberculosis in China from 2018 to 2019[J]. Zhonghua Liu Xing Bing Xue Za Zhi，2019，40（6）：633-637. DOI：10.3760/cma.j.issn.0254-6450.2019.06.006.
[16]	DANGISSO M H，DATIKO D G，LINDTJØRN B. Identifying geographical heterogeneity of pulmonary tuberculosis in southern Ethiopia：a method to identify clustering for targeted interventions[J]. Glob Health Action，2020，13（1）：1785737. DOI：10.1080/16549716.2020.1785737.
[17]	YANG H T，LU X Z，CHERRY C，et al. Spatial variations in active mode trip volume at intersections：a local analysis utilizing geographically weighted regression[J]. J Transp Geogr，2017，64：184-194. DOI：10.1016/j.jtrangeo.2017.09.007.
[18]	JI Y J，MA X W，YANG M Y，et al. Exploring spatially varying influences on metro-bikeshare transfer：a geographically weighted Poisson regression approach[J]. Sustainability，2018，10（5）：1526. DOI：10.3390/su10051526.
[19]	马盼，王式功，尚可政，等. 气象舒适条件对呼吸系统疾病的影响[J]. 中国环境科学，2018，38（1）：374-382. DOI：10.19674/j.cnki.issn1000-6923.2018.0044.
[20]	洪也，张莹，马雁军，等. 沈阳大气污染物与气象因素对呼吸疾病门诊数的影响[J]. 中国环境科学，2020，40（9）：4077-4090. DOI：10.19674/j.cnki.issn1000-6923.2020.0454.
[21]	梁达，商越，王兆芬，等. 青海省肺结核发病与气象因素的时间序列分析[J]. 中华疾病控制杂志，2021，25（10）：1186-1193. DOI：10.16462/j.cnki.zhjbkz.2021.10.013.
[22]	高婵娟，赵啟超，丁若男，等. 2018年吉林市大气污染物浓度变化及其与气象因素的相关性分析[J]. 环境工程，2021，39（5）：71-79. DOI：10.13205/j.hjgc.202105010.
[23]	张璟，邓豪，段雯华，等. 大气污染物对呼吸系统疾病入院影响的病例交叉研究[J]. 中国热带医学，2020，20（6）：519-522. DOI：10.13604/j.cnki.46-1064/r.2020.06.06.
[24]	苟欢歌，谢纯斌，童延斌，等. 石河子市春季大气颗粒物TSP和PM10中微生物群落特征[J]. 环境工程学报，2017，11（4）：2343-2349. DOI：10.12030/j.cjee.201601006．
[25]	YANG J D，ZHANG M X，CHEN Y G，et al. A study on the relationship between air pollution and pulmonary tuberculosis based on the general additive model in Wulumuqi，China[J]. Int J Infect Dis，2020，96：42-47. DOI：10.1016/j.ijid.2020.03.032.
[26]	LIU Y，CUI L L，HOU L J，et al. Ambient air pollution exposures and newly diagnosed pulmonary tuberculosis in Jinan，China：a time series study[J]. Sci Rep，2018，8（1）：17411. DOI：10.1038/s41598-018-35411-6.
[27]	贾晓慧，胡师东，张丽萍. 后疫情时代某三甲儿童医院疾病谱变化与应对策略[J]. 中国医院，2021，25（11）：58-60. DOI：10.19660/j.issn.1671-0592.2021.11.18.
[28]	李盛，马汉平，王金玉，等. 兰州市气温和风速对肺结核发病的影响研究[J]. 环境卫生学杂志，2018，8（2）：91-98. DOI：10.13421/j.cnki.hjwsxzz.2018.02.003.

基于时空地理加权回归模型的中国肺结核发病情况及影响因素研究

Influencing Factors of the Incidence of Pulmonary Tuberculosis in China: an Analysis Using the Geographically and Temporally Weighted Regression Model

RichHTML

PDF

补充材料

可视化

摘要/Abstract

引用本文

使用本文

图/表 5

参考文献 28

相关文章 15

编辑推荐

Metrics

留言

[1]	张媛, 侯旗旗, 齐祺, 蒋越, 王楠, 岳博成, 陈朔华, 韩全乐, 吴寿岭, 李康博. 基于生命八要素的心血管健康评分与新发心房颤动的关联研究：大样本长期随访研究[J]. 中国全科医学, 2024, 27(12): 1431-1437.
[2]	金梦龙, 秦晓英, 马力亚·阿米提, 加孜呢·努尔拜, 李建新, 曹杰, 罗思富, 刘成, 张雨晨, 盖敏涛, 李艳鹏, 鲁向锋, 付真彦. 新疆哈萨克族血脂异常、高血压和糖尿病共病现状及影响因素研究[J]. 中国全科医学, 2024, 27(12): 1438-1444.
[3]	康静, 张赐, 张正义. 三级医院全科医学科中年住院患者慢性病共病分布及影响因素研究[J]. 中国全科医学, 2024, 27(11): 1310-1315.
[4]	何海洋, 杨嘉玲, 雷迅. 绝经后女性骨质疏松症患病率及影响因素的Meta分析[J]. 中国全科医学, 2024, 27(11): 1370-1379.
[5]	尚金梦, 邓笑伟. 体检人群保留比值受损肺功能的特点及危险因素分析[J]. 中国全科医学, 2024, 27(11): 1331-1336.
[6]	张敏, 陆媛, 高松, 马佳, 刘亚林, 翟佳燚, 于德华. 主动健康视角下上海市55岁以上人群轻度认知障碍疾病认知及就诊意愿研究[J]. 中国全科医学, 2024, 27(10): 1208-1214.
[7]	熊刘芳, 邹晓昭, 马涵英, 赵铁夫. 社区卫生服务中心长程家庭医生签约需求的影响因素研究[J]. 中国全科医学, 2024, 27(10): 1238-1244.
[8]	高川, 李庆印, 柯丹丹, 周俞余, 张宇扬, 何仲. 中国≥45岁人群健康体检服务利用情况：一项基于CHARLS 2018的全国横断面调查[J]. 中国全科医学, 2024, 27(10): 1179-1185.
[9]	张幸, 董静, 郭怡, 徐建伟, 白雅敏, 刘敏, 张晓畅, 郭晓雷, 马吉祥, 孙昕霙. 基于PRECEDE模式的居民减盐行为影响因素的混合方法研究[J]. 中国全科医学, 2024, 27(10): 1221-1230.
[10]	余新艳, 苏鹏, 袁晓静, 姜清茹, 杨建云, 赵旭东, 王一凡, 张海澄. 基层老年慢性病患者心血管疾病综合发生风险的影响因素研究[J]. 中国全科医学, 2024, 27(10): 1186-1193.
[11]	戴振威, 张菱, 张浩然, 肖伟军, 王浩, 黄依漫, 荆舒, 陈旭, 付佳琪, 吴奕锦, 高磊, 苏小游. 农村地区中老年2型糖尿病患者血糖监测的影响因素分析[J]. 中国全科医学, 2024, 27(10): 1194-1200.
[12]	陈单, 王亚伟, 黄芳, 徐一凡, 张一英, 邵月琴. 2003—2019年上海市嘉定区结直肠癌流行趋势研究[J]. 中国全科医学, 2024, 27(10): 1261-1266.
[13]	赵茹, 韩晨, 黄泽宇, 王茜, 胡君, 葛智娟, 毕艳, 沈山梅. 孕晚期血清尿酸及血清尿酸/肌酐水平与不良妊娠结局的关系研究[J]. 中国全科医学, 2024, 27(09): 1074-1081.
[14]	范晶, 魏珊, 李丽秋, 郑秀丽, 李言, 牛建英, 王玲, 许成燕. 社区老年人群蛋白尿及肾功能异常发生率及其影响因素研究[J]. 中国全科医学, 2024, 27(09): 1048-1053.
[15]	温静, 张悦, 梁旭阳, 吕胜祥. 农村上消化道癌机会性筛查分析的胃癌影响因素研究：基于苏北沿海地区[J]. 中国全科医学, 2024, 27(09): 1042-1047.