2018, Vol. 27
近年来气候变化对于健康效应的影响已经成为全球关注的问题，极端天气时有发生，平均气温也相对升高，当外界气候变化幅度超出人体正常的调节能力后，便会引起机体的神经及内分泌系统失调，从而引发各类疾病。气温变化、大气污染等因素与居民发病率、病死率医院门急诊及入院率增加等[1-5]，高温热浪和低温寒潮等对死亡或特定疾病住院、门急诊人次的影响成为研究的热点问题，在多个国家和地区的研究均发现气温过高或过低都会引起相关疾病发病风险的增加，日气温和死亡风险显著相关[6-10]。由于人群健康不仅受到当天环境因素的影响，还可能与几天前的暴露水平有关，为了评估这种滞后效应，已有研究开始将分布滞后非线性模型（distributed lag non-linear model，DLNM）运用于空气污染或气温等环境因素短期效应研究中[11-12]。急诊作为医院的对外窗口和急救通道，是全院重症患者最集中、病种类型最丰富、抢救和管理任务最重的科室，在应对公共卫生事件、满足患者诊治需求及提高抢救成功率方面发挥着举足轻重的作用，随时面临着巨大的压力与风险，所以了解急诊就诊人群特征、对急诊管理和决策指导有着非常重要的意义[13]。然而由于急诊科工作忙碌，少有急诊流行病学研究资料。因此本研究对2016年上海市某三甲医院急诊就诊人群进行了调查，同时利用广泛应用于环境健康效应的评价研究中的广义相加模型(generalized additive model，GAM)评价气象因素及大气污染物对于上海市某三甲医院2016年全年就诊量的影响，期望为急诊人力资源合理分配、卫生行政部门及决策机构提供相关政策制定的参考依据。
1 资料与方法 1.1 一般资料于2016年1月1日至2016年12月31日收集在上海市某三甲医院急诊登记就诊的人次及时间分布资料。搜集上海市气象局市中心监测点数据：日最高气温、日最低气温、日平均气温、相对湿度等，上海市环境监测中心网上数据库市中心监测点常规监测污染物：可吸入颗粒物（PM2.5、PM10）、二氧化硫（SO2）、二氧化氮（NO2）等。
1.2 统计学方法计算不同时间周期的平均诊疗人次数，以反映人流量的平均数。（1）计算每日日平均诊疗人次数；（2）计算各季节日平均诊疗人次数；（2）计算各月日平均诊疗人次数；（3）计算工作日、节假日日均诊疗人次数，工作日指周一至周五（法定节日除外），节假日指周六、周日（包括法定节日）；（4）计算一日24 h各时段平均诊疗人次数（每2h）。
计量资料根据数据分布类型以均值、标准差、中位数、第25百分位数、第75百分位数、最小值和最大值描述其平均水平及离散特征。应用SPSS 13.0进行统计分析。其中多组差异性比较采用方差分析。检验标准α=0.05。
根据以往文献，选择日均气温作为气温的代表指标，采用Poisson分布作为链接函数。本研究的基本模型为：Yt~Poisson（μt），Log（μt）=α+βXtemp+βXhumidity+ns（time，df*）+DOW+ HOLIDAY+PM2.5+PM10+SO2+NO2。式中，Yt为观察日当天急诊就诊人次数，α为截距；β为回归模型中的解释变量系数；Xtemp为气温变量，同时考虑了滞后效应（滞后天数为0~7 d，自由度df=5）；Xhumidity为湿度变量，同时考虑了气湿的滞后效应（滞后天数为0~3 d，自由度df=3）；ns（time）控制时间序列的长期及季节趋势（自由度df=7，每年）；DOW为星期哑元变量，处理星期效应及效应问题；HOLIDAY为节假日哑元变量，处理节假日效应；大气污染数据（PM2.5、PM10、SO2、NO2）作为混杂因素一并纳入方程。在观察气温的滞后效应时，根据文献选择了0~7 d为滞后天数，但同时也选取0~3、0~5、0~14、0~21 d为不同的观察值作为比较。
上述分析采用R 3.3.3软件进行，准泊松广义相加模型和分布滞后非线性模型采用DLNM程序包予以建立，通过模型估计急诊就诊风险最低的适宜温度，计算得出最低与最高温度相比适宜温度的相对危险度（RR），并观察在不同滞后天数的效应下，急诊就诊相对危险度的变化。利用splines程序包拟合暴露反应关系。最后经过对数转换，分析气温变化对急诊就诊量的影响。
2 结果 2.1 急诊患者性别、年龄及时间分布情况2016年全年日均就诊人次数为1027人，日均就诊患者中男性为507.6例.女性为527.6人次，男女比为1：1.03。各年龄段中，18岁以下日均就诊人次数最低，占总就诊人次数3.6%，41~65岁年龄段占比最高，为日均总就诊人次数的40.5%，见表 1。
| 项目 | 例次 | 范围 |
| 日均总就诊人次数 | 1 027.0 | (736, 1 611) |
| 性别分布 | ||
| 男性（%） | 507.6（49.4） | 189~1113 |
| 女性（%） | 527.6（50.6） | 378~793 |
| 各年龄段就诊人次数 | ||
| 18岁以下（%） | 36.7（3.6） | 18~65 |
| 18~40岁（%） | 300.2（29.2） | 215~455 |
| 41~65岁（%） | 415.5（40.5） | 321~735 |
| 65岁以上（%） | 280.9（27.4） | 51~904 |
就诊人次数存在季节上的分布差异，冬季就诊人次数高于春季（P=0.009）及秋季（P=0.029），节假日日均就诊人次数显著高于工作日（P < 0.01），见表 2。全年中，日均就诊人次数在春节后，十一长假期间及结束后分别出现一个小高峰，同时于春节前夕出现谷值，见图 1。
| 项目 | 均值 | 标准差 | 中位数 | 极小值 | 极大值 | 百分位数 | |
| 25 | 75 | ||||||
| 各季节日均 就诊人次数 |
|||||||
| 春季 （n=92) |
1 010.1a | 111.1 | 961 | 861 | 1 303 | 924.5 | 1 115 |
| 夏季 （n=92) |
1 016.2 | 76.3 | 1013 | 887 | 1 246 | 948.25 | 1 067 |
| 秋季 （n=91) |
1 004.3a | 100.0 | 967 | 869 | 1 384 | 935 | 1 081 |
| 冬季 （n=91) |
1 077.8 | 152.9 | 1 040 | 736 | 1 611 | 973 | 1 150 |
| 日期类型 | |||||||
| 工作日 (n=249) |
968.7 | 61.0 | 960.0 | 736.0 | 1 303.0 | 929.0 | 1 002.5 |
| 节假日 (n=117) |
1 151.1b | 110.1 | 1136.0 | 844.0 | 1 611.0 | 1 087.5 | 1 191.5 |
| 注：与冬季比较，aP＜0.05），与工作日比较，bP＜0.05 | |||||||
|
| 图 1 2016年上海某三甲医院急诊科就诊人次总数分布 Figure 1 The distribution of the emergency department in a Shanghai 3rd Grade Class A hospital in 2016 |
|
|
急诊就诊的时间曲线总体趋势存在明显的昼夜分布差异。就诊人数在每日2:00-8:00处于谷值时期，随后慢慢增加，稳步增长至16:00-18：00达日均113.3人后，在18:00-20:00出现一个突增的峰值日均180.6人，随后再次回落至日均119.3人，呈现一个16:00-22:00的日高峰与18:00-20:00的峰中峰，高峰6 h内急诊患者就诊人次数达全天40.2%，随后平稳回落，在2:00至8:00间出现一个低谷，见表 3和图 2。
| 就诊时段 | 均值 | 标准差 | 中位数 | 百分位数 | 极小值 | 极大值 | |
| 25 | 75 | ||||||
| 00:00-02:00 | 71.2（6.9） | 14.2 | 69 | 61 | 78 | 31 | 104 |
| 02:00-04:00 | 40.3 （3.9） |
9.1 | 40 | 33 | 47.25 | 22 | 69 |
| 04:00-06:00 | 31.1 （3.0） |
7.1 | 31 | 25 | 37 | 20 | 45 |
| 06:00-08:00 | 34.6 （3.4） |
13.4 | 31 | 25 | 35 | 20 | 78 |
| 08:00-10:00 | 80.1 （7.8） |
21.9 | 78 | 68 | 86 | 36 | 202 |
| 10:00-12:00 | 75.7 （7.4） |
31.3 | 66 | 58 | 72 | 50 | 278 |
| 12:00-14:00 | 87.1 （8.5） |
37.0 | 74 | 65 | 98 | 56 | 300 |
| 14:00-16:00 | 102.5 （10.0） |
27.0 | 95 | 89 | 104 | 69 | 245 |
| 16:00-18:00 | 113.3 （11.0） |
30.6 | 102 | 93 | 123 | 30 | 279 |
| 18:00-20:00 | 180.6 （17.6） |
25.2 | 180 | 163 | 198 | 43 | 256 |
| 20:00-22:00 | 119.4 （11.6） |
31.9 | 105 | 95 | 145 | 78 | 222 |
| 22:00-00:00 | 91.2 （8.9） |
14.6 | 94 | 86 | 102 | 41 | 133 |
| 急诊人次总数（人） | 1 027.0 | 116.7 | 995.5 | 943 | 1 094.25 | 736 | 1 611 |
|
| 图 2 2016年上海某三甲医院急诊科就诊人次数各时间段分布 Figure 2 The distribution of patients in different periods in a Shanghai 3rd Grade Class A hospital in 2016 |
|
|
2016年上海市中心城区日均气温为14.6 ℃，日均湿度为59.4 %，日均PM10、PM2.5、SO2、NO2浓度分别为63.90、48.40、13.06、47.04 μg/m3，空气质量指数（AQI）为47.04，见表 4。日均气温与PM10、PM2.5、SO2、NO2和AQI大气污染因子关联性分析表明，大气污染物与日均气温均有较显著的相关性（P < 0.05）。因此，在分析温度对急诊日就诊人数的影响时，需将大气污染物因子作为混杂因素引入模型进行控制，见表 5。
| 指标 | 均值 | 标准差 | 中位数 | 极小值 | 极大值 | 百分位数 | |
| 25 | 75 | ||||||
| 日平均温 度 |
14.6 | 9.4 | 10.5 | 3.0 | 35.0 | 7.00 | 25.00 |
| 平均湿度 （%） |
59.4 | 20.8 | 60.0 | 24.0 | 95.0 | 41.00 | 77.00 |
| PM10 （μg/m3） |
63.90 | 42.2 | 54.0 | .00 | 247.0 | 36.00 | 83.25 |
| PM2.5 （μg/m3） |
48.40 | 37.1 | 39.0 | 5.0 | 229.0 | 23.00 | 62.50 |
| SO2 （μg/m3） |
13.06 | 6.9 | 11.0 | .00 | 49.0 | 8.00 | 16.00 |
| NO2 （μg/m3） |
47.04 | 29.5 | 40.0 | .00 | 217.0 | 27.75 | 59.25 |
| AQI | 67.8 | 34.8 | 59.5 | 6.0 | 206.0 | 44.00 | 82.25 |
| 指标 | 日平均温度（℃） | 平均湿度（%） | PM10（μg/m3） | PM2.5（μg/m3） | SO2（μg/m3） | NO2（μg/m3） | AQI |
| 日平均温度 | 1 | 0.27 | 0.269a | 0.327a | 0.654a | 0.361* | 0.266a |
| 平均湿度（%） | 1 | 0.040 | 0.041 | 0.001 | 0.014 | 0.062 | |
| PM10（μg/m3） | 1 | 0.770a | 0.613a | 0.508* | 0.729a | ||
| PM2.5（μg/m3） | 1 | 0.631a | 0.585* | 0.830a | |||
| SO2（μg/m3） | 1 | 0.577* | 0.565a | ||||
| NO2（μg/m3） | 1 | 0.503a | |||||
| AQI | 1 | ||||||
| 注：气象要素与大气、污染物双侧比较，aP < 0.05 | |||||||
由图 3可见，气温对于急诊就诊量影响的暴露反应关系呈J型分布。通过广义相加模型及分布滞后非线性模型拟合发现，急诊就诊风险最低的温度为7℃左右。最低温度与适宜温度相比，就诊人次提高1.09倍（95%CI: 1.03~1.16），最高温度相比适宜温度就诊量提高1.27倍（95%CI: 1.08~1.50），均有统计学意义。
|
| 滞后天数为0~7 d，灰色部分为95%CI 图 3 2016年上海某三甲医院温度对急诊内科就诊量的影响 Figure 3 The influence of the temperature on the emergency internal medicine consultation in a Shanghai 3rd Grade Class A hospital in 2016 |
|
|
另外，选取不同滞后天数作为观察值，分别以较低气温（日均气温P5值）、较高气温（日均气温P95值）与适宜温度相比较，得出不同滞后效应下的急诊就诊相对危险度。如表 6所示，较低气温下，随着滞后天数的增加，急诊就诊相对风险不断增加；而在较高气温下，随着滞后天数的增加，就诊相对风险先上升而后不断下降。温度下降后，对急诊就诊风险的增强效应不强，但可持续到2周以上，且风险不断升高；而温度的升高则在短时间内对急诊就诊风险的增强有较大影响，但持续时间有限，仅为一周左右。经过对数转换观察气温变化对急诊就诊量的影响，发现在0~7 d的滞后效应下，适宜温度以下温度每下降1℃，急诊就诊量增长2.43%（95%CI: 0.83%~4.18%），适宜温度以上每上升1℃，急诊内科就诊量增长0.96%（95%CI: 0.31%~1.64%）
| 滞后天数（d） | 低温 | 高温 | ||
| RRa | 95%CI | RRb | 95%CI | |
| 0-3 | 1.01 | 0.98~1.04 | 1.39 | 1.22~1.58 |
| 0-5 | 1.05 | 1.00~1.09 | 1.32 | 1.14~1.54 |
| 0-7 | 1.09 | 1.03~1.16 | 1.27 | 1.08~1.50 |
| 0-14 | 1.20 | 1.10~1.31 | 0.96 | 0.77~1.19 |
| 0-21 | 1.24 | 1.12~1.38 | 0.66 | 0.50~0.87 |
| 注：a第5百分位数气温值与适宜温度相比较；b第95百分位数气温值与适宜温度相比较 | ||||
根据平均就诊人数统计结果显示，急诊就诊人数存在时间分布差异，2016年急诊高峰存在于春节及十一假期期间及结束后，冬季就诊人数显著高于春季及秋季，节假日及周末就诊人数多于工作日，24 h就诊人数昼夜规律特征明显，就诊高峰时段为16:00—22:00，低谷时段为2:00—8:00，与先前国内外文献报道相似[14-17]。急诊就诊人数及时间分布分析是医院信息化建设过程中制定就医流程重组和医疗资源的优化配置方案的基础工作，就诊人数的增加导致急诊护理工作的压力加大，根据急诊就诊变化规律，可在急诊高峰时段合理增加急诊就诊资源，例如适当增加急诊诊室、挂号窗口、药房窗口、医护人员人数及出诊时间；在低谷时期可适当增加医务人员补休或轮休等措施调节急诊工作量的变化，合理安排医疗资源，高效管理医院急诊，使急诊最大化地发挥重要的作用[18-20]。
3.2 急诊就诊人数与气象因素关系在就诊人数与气象因素关系的分析过程中，采用广义相加模型调整了时间的长期波动、季节趋势、星期几和节假日效应、大气污染物等因素后发现，气温对急诊就诊人次的暴露反应关系呈“J”型分布，与先前报道的特定疾病和气温的关系结果相似。经进一步定量分析发现，7℃左右为最适温度，急诊就诊人次数最少，就诊风险最低。日均气温、最高温度、最低温度对急诊日就诊人数有正向相关影响，气温每上升1℃。经过对数转换观察气温变化对急诊就诊量的影响，发现在0~7 d的滞后效应下，适宜温度以下温度每下降1℃，急诊就诊量增长2.43%（95%CI: 0.83%~4.18%），适宜温度以上每上升1℃，急诊内科就诊量增长0.96%（95%CI: 0.31%~1.64%）。郭亮等分析上海市某中心城区医院急诊内科就诊量与气象要素变化关系发现气温对于该院急诊内科就诊量变化的暴露反应关系呈J型分布，低温和高温就诊量均增加，低温效应可长达2周以上与本研究结果相似。
以往对医院急诊就诊量的研究受多种随时间变化的因素影响[20-22]，包括了人口流动性、社会经济状况、生活习惯的阶段性改变、医疗水平发展和急性流行病发生等，这些因素不仅较难收集，且难以控制，同时纳入过多的因素也会对结果产生混杂偏倚。气温或大气颗粒物与健康结局的暴露一反应关系往往呈非线性关系，同时效应又存在滞后性和持续性，这些特征对准确评估归因风险提出了挑战[23-25]。所以本文分析中，采用广义相加模型研究应变量与多个解释变量之间的非线性关系，通过时间的非参平滑样条函数对其进行控制，从而减少了偏倚的产生，较好地对该类因素进行了控制。并应用于基于分布滞后非线性模型的归因风险评估温度对急诊就诊人数的影响，这样能够同时考虑温度等因素的滞后效应和非线性效应，这一方法还可推广到探究预测变量与结局关系的时间序列研究。通过疾病负担评估能够提高人们对暴露因素危害的认识，并为决策者进行健康效益分析，制定相应的防护策略提供理论依据。
| [1] | Chang CC, Tsai SS, Ho SC, et al. Air pollution and hospital admissions for cardiovascular disease in Taipei, Taiwan[J]. Environ Res, 2005, 98(1): 114-119. DOI:10.1016/j.envres.2004.07.005 |
| [2] | Chen YS, Yang CY. Effects of Asian dust storm events on daily hospital admissions for cardiovascular disease in Taipei, Taiwan[J]. J Toxicol Environ Health A, 2005, 68(17-18): 1457-64. DOI:10.1080/15287390590967388 |
| [3] | 上海市卫计委医政医管处, 上海市急诊, ICU质量控制中心. 上海市医疗机构急诊科建设与管理指南[J]. 中华急诊医学杂志, 2018, 27(2): 133-136. DOI:10.3760/cma.j.issn.1671-0282.2018.02.005 |
| [4] | Panagiotakos DB, Chrysohoou C, Pitsavos C, et al. Climatological variations in daily hospital admissions for acute coronary syndromes[J]. Int J Cardiol, 2004, 94(2/3): 229-233. DOI:10.1016/j.ijcard.2003.04.050 |
| [5] | 苏玲敏, 张茂. 急诊预检分诊的现状与展望[J]. 中华急诊医学杂志, 2012, 21(12): 1671-0282. |
| [6] | McMichael AJ, Wilkinson P, Kovats RS, et al. International study of temperature, heat and urban mortality :the "ISOTHURM" project[J]. Int J Epidemiol, 2008, 37(5): 1121-1131. DOI:10.1093/ije/dyn086 |
| [7] | Baccini M, Biggeri A, Accetta G, et al. Heat effects on mortality in 15 European cities[J]. Epidemiology, 2008, 19(5): 711-719. DOI:10.1097/EDE.0b013e318176bfcd |
| [8] | Analitis A, Katsouyanni K, Biggeri A, et al. Effects of cold weather on mortality: results from 15 European cities within the PHEWE project[J]. Am J Epidemiol, 2008, 68(12): 1397-408. DOI:10.1093/aje/kwn266 |
| [9] | Baccini M, Kosatsky T, Analitis A, et al. Impact of heat on mortality in 15 European cities: attributable deaths under different weather scenarios[J]. J Epidemiol Community Health, 2011, 65(1): 64-70. DOI:10.1136/jech.2008.085639 |
| [10] | Leone M, D' Ippoliti D, De Sario M, et al. A time series study on the effects of heat on mortality and evaluation of heterogeneity into European and Eastern-Southern Mediterranean cities: results of EU CIRCE project[J]. Environ Health, 2013, 12: 55. DOI:10.1186/1476-069X-12-55 |
| [11] | Analitis A, Michelozzi P, D' Ippoliti D, et al. Effects of heat waves on mortality: effect modification and confounding by air pollutants[J]. Epidemiology, 2014, 25(1): 15-22. DOI:10.1097/EDE.0b013e31828ac01b |
| [12] | de' Donato FK, Leone M, Scortichini M, et al. Changes in the effect of heat on mortality in the last 20 years in nine European cities.results from the PHASE project[J]. Int J Environ Res Public Health, 2015, 12(12): 15567-83. DOI:10.3390/ijerph121215006 |
| [13] | 陈云强, 陈松, 吕传柱. 急诊医疗质量如何控制?[J]. 中华急诊医学杂志, 2016, 25(12): 1226-1229. DOI:10.3760/cma.j.issn.1671-0282.2016.12.003 |
| [14] | 崔宏冰, 姬悠然, 张宝胜, 等. 某三级甲等医院急诊科患者流量和拥挤程度的调查[J]. 解放军护理杂志, 2013, 30(18): 13-15. DOI:10.3969/j.issn.1008-9993.2013.18.005 |
| [15] | Oh RC, Malave B, Chaltry JD. Collapse in the heat - from overhydration to the emergency room - three cases of exercise-associated hyponatremia associated with exertional heat illness[J]. Mil Med, 2018. DOI:10.1093/milmed/usx105 |
| [16] | 金珊, 胡敏. 上海某三甲医院急诊就诊量的现状调查及应对[J]. 中国卫生产业, 2014(32): 91-93. |
| [17] | Graham A.Walker, Daniel Runde, et al. Emergency department rectal temperatures in over 10 years: A retrospective observational study[J]. World J Emerg Med, 2013, 4(2): 107-112. DOI:10.5847/wjem.j.issn.1920–8642.2013.02.004 |
| [18] | Smith GS, Messier KP, Crooks JL, et al. Extreme precipitation and emergency room visits for influenza in Massachusetts: a case-crossover analysis[J]. Environ Health, 2017, 16(1): 108. DOI:10.1186/s12940-017-0312-7 |
| [19] | O' Keeffe C, Mason S, Jacques R, et al. Characterising non-urgent users of the emergency department (ED): A retrospective analysis of routine ED data[J]. PLoS One, 2018, 13(2): e0192855. DOI:10.1371/journal.pone.0192855 |
| [20] | 汤仕忠, 陈亚华, 郭月红. 医院门、急诊流量分析及其意义[J]. 现代医学, 2005, 33(2): 124-126. DOI:10.3969/j.issn.1671-7562.2005.02.021 |
| [21] | Widmer MA, Swanson RC, Zink BJ, et al. Complex systems thinking in emergency medicine: A novel paradigm for a rapidly changing and interconnected health care landscape[J]. J Eval Clin Pract, 2017. DOI:10.1111/jep.12862 |
| [22] | Pogreba-Brown K, McKeown K, Santana S, et al. Public health in the field and the emergency operations center: methods for implementing real-time onsite syndromic surveillance at large public events[J]. Disaster Med Public Health Prep, 2013, 7(5): 467-74. DOI:10.1017/dmp.2013.83 |
| [23] | Jobé J, Donneau AF, Scholtes B, et al. Quantifying emergency department crowding: comparison between two scores[J]. Acta Clin Belg, 2017: 1-6. DOI:10.1080/17843286.2017.1410605 |
| [24] | Kerr J, Maitland H, Bell C, et al. 21 Daily dynamic discharge - a whole system solution to ED crowding[J]. Emerg Med J, 2017, 34(12): A875-876. |
| [25] | Kam HJ, Sung JO, Park RW. Prediction of daily patient numbers for a regional emergency medical center using time series analysis[J]. Healthc Inform Res, 2010, 16(3): 158-65. DOI:10.4258/hir.2010.16.3.158 |