脑卒中发病环境因素分析及干预论.doc

脑卒中发病环境因素分析及干预摘要本文主要研究脑卒中发病率与年龄、职业、性别以及环境因素的关系问题，利用Excel、matlab分别对已知数据进行整理分析，建立多元线性回归模型。问题一、探讨发病率与年龄、性别、职业的关系，整理Appendix-C1数据，利用Excel软件对2007年1月到2010年12月的61889条数据进行统计，信息中存在少量缺失和错误信息，由于所占比重较小，对结果的影响可以忽略不计。对整理后的信息列表画图，分别描述脑卒中发病人数与性别、年龄和职业的关系。从中得出结论：男女病例比为27:23，发病人群主要是50岁以上中老年人群，职业分类其中农民发病率最高，其次是退休人员，工人和离职人员发病率也相对较高。问题二、研究平均温度、平均气压、平均湿度、温差、压差、湿度差对脑卒中发病的影响。用Excel分别对Appendix-C1和Appendix-C2 中的数据，进行统计分析，研究脑卒中发病率与气温、气压和相对湿度间的关系。运用MATLAB软件对整理后的数据进行编程，得出回归方程式：，即气温对发病率的影响最大，其次是气压，相对湿度对发病率影响最小。绘制发病率与气温，气压，湿度的三维图，从图中看出冬天时期气压高、气温低，在这个时期脑卒中的发病较高；而在春秋季节里，温差大，此时脑卒中的发病率也较高。使用残差正态检验 ()残差异方差检验()对模型进行检验，其中残差正态检验、残差异方差检验符合标准。 问题三、通过查找有关脑卒中高危人群的资料，得知生活饮食习惯与脑卒中发病率的关系密切。高血压、冠心病、糖尿病、吸烟、饮酒、不健康的生活方式等是脑卒中发病不可忽视的重要因素。结合问题1、2得出结论，环境因素气压、温度、湿度是引发脑中风的重要诱因。避免在寒潮或夏季高温等地方外出活动。适当体力劳动，健康饮食，定期进行健康检查，提高控制率以减少脑卒中等合并症的发生。关键词 多元线性回归 残差检验 相关系数1 问题重述脑卒中（俗称脑中风）是目前威胁人类生命的严重疾病之一，它的发生是一个漫长的过程，一旦得病就很难逆转。这种疾病的诱发已经被证实与环境因素，包括气温和湿度之间存在密切的关系。对脑卒中的发病环境因素进行分析，其目的是为了进行疾病的风险评估，对脑卒中高危人群能够及时采取干预措施，也让尚未得病的健康人，或者亚健康人了解自己得脑卒中风险程度，进行自我保护。同时，通过数据模型的建立，掌握疾病发病率的规律，对于卫生行政部门和医疗机构合理调配医务力量、改善就诊治疗环境、配置床位和医疗药物等都具有实际的指导意义。数据（见Appendix-C1）来源于中国某城市各家医院2007年1月至2010年12月的脑卒中发病病例信息以及相应期间当地的逐日气象资料（Appendix-C2）。请你们根据题目提供的数据，回答以下问题：1根据病人基本信息，对发病人群进行统计描述。 （主观因素）2建立数学模型研究脑卒中发病率与气温、气压、相对湿度间的关系。（客观因素）3查阅和搜集文献中有关脑卒中高危人群的重要特征和关键指标，结合1、2中所得结论，对高危人群提出预警和干预的建议方案。（综合因素）2 问题分析本题的主要目的是分析脑卒中发病人群基本信息，研究评价脑卒中发病率与气温、气压、相对湿度间的关系，掌握脑卒中发病率的规律，对高危人群提出预警和干预的建议方案。针对问题一，分析整理附件一的病人基本信息，利用excle分年份分类筛选有效信息。整理后发现信息中存在少量缺失和错误信息，即无效信息，由于信息量较大，无效信息所占比重较小，对结果的影响忽略不计。对发病人群进行统计描述，分别从性别、职业、年龄三方面分析描述各因素对发病率的影响。每种因素首先分析整理出表格，以数值的形式准确描述发病人群，然后画出图形，直观的描述发病人群。针对问题二，研究脑卒中发病率与气温、气压、相对湿度三种因素的关系，即自变量有三个，因变量是发病率，因此利用拟合回归的方法，建立多元线性回归模型，求解脑卒中发病率与气温、气压、相对湿度间的函数关系。针对问题三，查阅和搜集文献中有关脑卒中高危人群的重要特征和关键指标，结合1、2中所得结论，对高危人群提出预警和干预的建议方案。使脑卒中高危人群能够及时采取干预措施，也让尚未得病的健康人，或者亚健康人了解自己得脑卒中风险程度，进行自我保护。3 模型假设1 假设附件所给数据准确无误。2 假设在本文研究的时间范围内，未发生大强度自然灾害，不计人口基数变化。3 假设模型二中脑卒中发病率与主观因素无关。4 不考虑在数据统计处理时产生的微小误差。5 假设在本文研究的时间范围内，该地区的总人数不变，设为1。4 符号说明 5 模型的建立与求解5.1 发病人群描述5.1.1 性别与发病率的关系表 1 性别发病人数描述表SexData1Data2Data3Data4合计男65711064651431102533385女535188524712961128526图一 性别比例图图表 1可以看出发病人群男女比例 27：23可得出男性患脑卒中的几率明显高于女性。男性更应该注重脑中风疾病的预防，杜绝不良习惯戒烟戒酒，合理饮食，加强锻炼。5.1.2 职业与发病率的关系表2 职业发病人数描述表职业2007年2008年2009年2010年合计166829990389892625987273311064784627323175625061171907628643661441142515351152620152135074565121282508370808142671459其他141517908621685459合计11072163766721429742417图二 职业发病人数对比图数字代表各职业说明：1- 农民 2- 工人 3- 退休人员 4- 教师5- 渔民 6- 医务人员 7- 职工 8- 离退人员 空格- 其他或缺失 图三 年份与发病人数分布图1 2007年 2 2008年 3 2009年 4 2010年 通过图表可以很直观的看出农民在各种职业中是发病率最高的，其次是退休人员，第三是工人，第四是离职人员。通过图三可以直观看出各年份的发病人数也有很大区别，2007：2008 ：2009 ： 2010为13:19:1:17。由以上分析结果，对发病率较高的人群农民加以警。由不同人群发病率不同，能够得出发病率与生活作息，生存环境有着紧密的联系。为进一步研究发病率与生活作息，生存环境的关系奠定了基础。5.1.3 年龄与发病率的关系表3 年龄发病人数描述图 时间 年龄2007200820091010总和50以下643940429252550506015082168771914566760702689425615736701077270804301633622054201627780902450402015535621018790以上243371163721002无数据1212800149图四 各年份年龄与发病人数趋势图通过图表看出虽然每年的发病人数差距很大，冷然可以得出7080年龄段发病率最高，其次是6070,8090年龄段的人群。 因此7080年龄段的人要格外注意脑中风的发生，提前进行预防，并定期进行体检早发现早治疗。5.2 多元线性回归模型的建立5.2.1 模型介绍回归分析中最简单的形式是，均为标量，为回归系数，称一元线性回归。它的一个自然推广是为多元变量，形如 令，或者一般地 其中，是已知函数，这里对回归系数是线性的，称为多元线性回归。5.2.2多元线性回归方程： (1)在回归分析中自变量是影响因变量的主要因素，是人们能控制或能观察的，而还受到随机因素的干扰，可以合理地假设这种干扰服从零均值的正态分布，于是模型记作 (2) 其中未知。现得到个独立观测数据），由（2）得 （3） 记， （4） （5） ，（3）表为 （6） 5.2.3 参数估计用最小二乘法估计模型（2）中的参数。由（3）式这组数据的误差平方和为 （7） 求使最小，得到的最小二乘估计，记作，可以推出 （8）将代回原模型得到的估计值 （9）而这组数据的拟合值为，拟合误差称为残差，可作为随机误差的估计，而 （10）为残差平方和（或剩余平方和），即。5.2.4 统计分析（i）是的线性无偏最小方差估计。指的是是的线性函数；的期望等于；在的线性无偏估计中，的方差最小。（ii）服从正态分布 （11）（iii）对残差平方和，且 （12）由此得到的无偏估计 （13）是剩余方差（残差的方差），称为剩余标准差。（iv）对的样本方差进行分解，有 ， （14）其中是由（10）定义的残差平方和，反映随机误差对的影响，称为回归平方和，反映自变量对的影响。5.2.5 matlab求解回归模型 （1）利用matlab编程（程序见附录）求得2007年的回归系数为图五 2007年发病人数与气温压强相对湿度关系图（2）利用matlab编程（程序见附录）求得2008年的回归系数为图六 2008年发病人数与气温压强相对湿度关系图（3）利用matlab编程（程序见附录）求得2009年的回归系数为图七 2009年发病人数与气温压强相对湿度关系图（4）利用matlab编程（程序见附录）求得2010年的回归系数为图八 2010年发病人数与气温压强相对湿度关系图（5）利用matlab编程（程序见附录）求得2007-2010年的回归系数为结论：气温对发病率的影响最大，其次是气压，相对湿度对发病率影响最小。图九 发病人数与气温压强相对湿度关系图冬天时期气压高、气温低，在这个时期脑卒中的发病较高；而在春秋季节里，温差大，此时脑卒中的发病率较高。5.3脑卒中高危人群特征及建议方案5.3.1 脑卒中高危人群重要特征及关键指标查阅和搜集文献中有关脑卒中高危人群的重要特征和关键指标。脑中风，又叫脑卒中，是一种突然起病的脑血液循环障碍性疾病。脑中风具有发病率高、致残率高、死亡率高的特点，其中致残率高达75%。若患者能在脑中风之前做好措施，可以有效的减少伤害。l 脑中风高危人群的重要特征：1. 头晕中老年人中风前兆，会反复出现瞬间眩晕，突然自觉头晕目眩，视物旋转，几秒钟后便恢复常态，可能是短暂性脑缺血发作，俗是中风的先兆，应及早诊治，防止中风发生。2. 肢体麻木中老年人出现肢体麻木的异常感觉，除颈椎病、糖尿病外，如伴有头痛、眩晕、头重脚轻、舌头发胀等症状，或有高血压、高血脂、糖尿病或脑动脉硬化等疾病史时，应多加以注意，警惕中风发生，突然发病或单侧肢体乏力，站立不稳，很快缓解后又发作要当心。3. 中老年人中风先兆最常见的是，眼睛突然发黑单眼突然发黑，看不见东西，几秒钟或几十秒钟后便完全恢复正常，医学上称单眼一次性黑朦，是因为脑缺血引起视网膜缺血所致，是中风的又一信号，反复发作的眩晕欲吐、视野缩小或复视。4. 中老年人原因不明的跌跤由于脑血管硬化，引起脑缺血，运动神经失灵，可产生共济失调与与平衡障碍，而容易发生跌跤，也是一种中风先兆症状。5. 说话吐字不清脑供血不足时，使人体运动功能的神经失灵，常见症状之一是突然说话不灵或吐字不清，甚至不会说话，但持续时间短，最长不超过24小时，应引起重视，还有原因不明的口角歪斜、口齿不清或伸舌偏斜都要注意。6. 哈欠不断如果无疲倦、睡眠不足等原因，出现连续的打哈欠，这可能是由于脑动脉硬化、缺血，引起脑组织慢性缺血缺氧的表现，是中风病人的先兆。 7. 流鼻血中老年人鼻出血症状可能是高血压病人即将发生中风的警报。经医学观察，排除外伤、炎症因素，高血压病人在反复鼻出血，可能会发生脑溢血。鼻出血不少是由血压不稳定引起的，不加预防则会增加中风的机会。 8. 精神改变如嗜睡，中老年人一旦出现原因不明困倦嗜睡现象，要高度重视，很可能是缺血性中风的先兆。精神状态发生变化 性格一反常态，如变得沉默寡言，或多语急躁，或出现短暂智力衰退，均与脑缺血有关，可能是中风先兆。l 脑卒中发病的根本原因和重要指标：1.高血压：中风患者发病前有高血压病史的占6070%。2.心脏病：心脏病有直接促使脑中风发生和增加脑梗塞的危险。有心脏病者患缺血性中风要比一般人高5倍。3.糖尿病：中风是糖尿病容易引起的一种并发症。有糖尿病史者中风友病辜要比一般人高21倍。4.血脂症：高血脂症是动脉粥样硬化性心、脑血管病发生的主要因素之一，有高血脂症者患缺血性中风要比一般人高难治。5.慢性支气管炎：慢性支气管炎以及由它继发引起的阻塞性肺气肿可以造成低血氧症和血液流变学性质变比，从而使中风容易发生，此病患者中风可能要比一般人高4倍。 6.颈椎病：患颈椎病时，可造成椎间孔狭窄。推动脉受压从而影响椎基底动脉的血液供应，以致发生中风。7.血液病：血液病也是发生中风的病因之一。5.3.2 建议方案将所给数据整理、分析、处理可得。发病率与年龄有着直接关系，发病人员年龄一般在五十岁以上，与职业性别也有关系。研究表明环境因素，如气压、温度、湿度、对脑卒中发病率有重要影响。气象因素变化是诱发的一个重要的因子。日常生活中注意气候的变化。避免在寒潮或夏季高温等地方外出活动，防止过度劳累，适当增加体力活动。预防干预具体内容：（1）60岁以上人群做定期的体检，加强体育锻炼，特别是对60岁的男性进行预警。（2）尽量避免在气温低、气压高、湿度低、温差大的环境下生活或工作。（3）那些携带脑卒中疾病遗传基因的种族或家庭应当关注自己的身体，以便及时的防范脑卒中的发病。（4）对于高血压、高胆固醇血症、糖尿病、心脏病等关键指标不正常的患者人员干预内容：首先，应注意加强体力和体育锻炼；其次，注意控制饮食，主要是应限制高胆固醇、高脂肪饮食的摄入量，以减少脂类物质在血管内沉积；做定期的体检及药物治疗及定期体检等。（5）有不良生活习惯的人员的干预：就是通过劝导，使其改变不良生活习惯，例如：戒烟、忌酒等。（6）生活工作压力大的群体进行必要的心理引导，使其心理压力得到释放。（7）从日常生化做起养成健康的饮食习惯，食用低胆固醇、低糖的饮食，比如多一些纤维的食品，多一些蔬菜、绿色食品。良好的运动习惯，提高身体素质。 5.4模型的检验l 残差正态检验 使用MATLAB输入h1,p1=ttest(r1,0)进行t检验可知：故残差服从均值为零的正态分布。l 残差异方差检验 将方程的判定系数带入下式 ,所以线性关系显著.6 模型的评价与推广6.1 模型的优点 该模型的建立能够直观清晰地反映出发病率与年龄、性别、职业的关系。虽然数据庞大，但是我们将数据（发病人数）以天做为计数单位，并对一些具有明显错误的数据进行改进归类，提高了数据分析的准确率。对于环境因素对发病率的影响，我们建立了多元线性回归模型。通过可决系数对模型的拟合优度进行检测。并以年为单位，得出了具体的相关系数，能够对每年环境因素的影响程度进行比较。多元线性回归模型的建立有完善的理论支持以及检验方式，通过线性回归相关系数能够准确描述发病率的相关性。并建立了相关变量的三维图，直观的表达各因素对发病率的影响。 6.2 模型的缺点在建立模型的时候我们未考虑最高气温、最低气温、最高气压、最低气压以及最小湿度对脑卒中发病率的影响，我们可以求最高气温、最低气温对脑卒中发病率的影响，同理也可以求最高气压、最低气压、最低相对湿度对脑卒中发病率的影响，这样更能突显脑卒中发病率与单个因素的相关性， 6.3模型的推广利用excel 对数据进行分类整理，建立表格与图表，清晰地表达各相关变量对发病人群的影响。总结出发病人群的基本特征：年龄在五十岁以上，男性多于女性，农民所占的比例最高。 建立多元线性回归模型，具体求各环境因素对发病率的影响，通过回归系数对相互关系具体描述，从而得到各环境因素与发病率相关性。 以上解决方案，能够具体对问题发生的因素进行分析，适合本文题目的求解。该模型可求解类似问题：如：探讨心脏病的发病率与环境因素的关系、水文报告预测、以及某产品产量销售预测等等。7 参考文献1 姜启源、谢金星、叶俊编，数学模型（第三版），高等教育出版社，2003.8。2 王正盛，MATLAB与科学计算，北京国防工业出版社，2011.8。3 何晓群、刘文卿，应用回归分析M,北京：中国人名大学出版社，20014 田俐萍、曹思越编，高等数学（第二版），西南交通大学出版社，2008.7。5 印佩芳，马辛宇、袁军，脑卒中与天气过程的关系J，气象，1993,19（12）：44-47。6 周启星，气候变化对环境与健康影响研究进展J，气象与环境学报，2006,22（1）38-43。 8 附录附录一：回归系数求解程序2007年T1=xlsread(d:data,sheet1,A2:A366); T2=xlsread(d:data,sheet1,D2:D366); T3=xlsread(d:data,sheet1,G2:G366); y=xlsread(d:data,sheet1,I2:I366); T=ones(365,1),T1,T2,T3; b,bint,r,rint,stats=regress(y,T);b,bint,statsb = -35.7900 0.0444 -0.1627 -0.0430bint = -168.4955 96.9156 -0.0835 0.1724 -0.2933 -0.0321 -0.0872 0.0011stats = 0.1186 16.1968 0.0000 27.42542008 T1=xlsread(d:data,sheet1,A2:A366); T1=xlsread(d:data,sheet1,A2:A366);T2=xlsread(d:data,sheet1,D2:D366);T3=xlsread(d:data,sheet1,G2:G366);y=xlsread(d:data,sheet1,I2:I366);T=ones(365,1),T1,T2,T3;b,bint,r,rint,stats=regress(y,T);b,bint,statsb = 432.9969 -0.3538 -0.7250 -0.1470bint = 52.3006 813.6932 -0.7236 0.0161 -1.0984 -0.3516 -0.2427 -0.0512stats =0.1341 18.6299 0.0000 197.61512009 T1=xlsread(d:data,sheet1,A2:A366);T1=xlsread(d:data,sheet1,A2:A366);T2=xlsread(d:data,sheet1,D2:D366);T3=xlsread(d:data,sheet1,G2:G366);y=xlsread(d:data,sheet1,I2:I366);T=ones(365,1),T1,T2,T3;b,bint,r,rint,stats=regress(y,T);b,bint,statsb = 301.9953 -0.2630 -0.1884 -0.0628bint = 99.0131 504.9776 -0.4587 -0.0674 -0.3786 0.0018 -0.1326 0.0069stats = 0.0235 2.8906 0.0354 64.32762010T1=xlsread(d:data,sheet1,A2:A1462);T2=xlsread(d:data,sheet1,D2:D1462);T3=xlsread(d:data,sheet1,G2:G1462);y=xlsread(d:data,sheet1,I2:I1462);T=ones(1461,1),T1,T2,T3;b,bint,r,rint,stats=regress(y,T);b,bint,statsb = 262.5465 -0.2142 -0.3391 -0.1112bint = -3.6709 528.7640 -0.4716 0.0431 -0.5957 -0.0825 -0.1924 -0.0299stats =0.0115 5.6501 0.0008 445.02962007-2010年回归系数T1=xlsread(d:data,sheet1,A2:A1462);T2=xlsread(d:data,sheet1,D2:D1462);T3=xlsread(d:data,sheet1,G2:G1462);y=xlsread(d:data,sheet1,I2:I1462);T=ones(1461,1),T1,T2,T3;b,bint,r,rint,stats=regress(y,T);b,bint,statsb = 262.5465 -0.2142 -0.3391 -0.1112bint = -3.6709 528.7640 -0.4716 0.0431 -0.5957 -0.0825 -0.1924 -0.0299stats = 0.0115 5.6501 0.0008 445.0296附录二：关系图形程序2007年图T1=xlsread(d:2007data,sheet1,A2:A366);T2=xlsread(d:2007data,sheet1,D2:D366);T3=xlsread(d:2007data,sheet1,G2:G366);y=xlsread(d:2007data,sheet1,I2:I366);T=ones(365,1),T1,T2,T3;b,bint,r,rint,stats=regress(y,T);X,Y,Z=griddata(T1,T2,T3,linspace(min(T1),max(T1),linspace(min(T2),max(T2),v4);%插值X,Y,y=griddata(T1,T2,y,linspace(min(T1),max(T1),linspace(min(T2),max(T2),v4);%插值figure,surf(X,Y,Z,y)2008年图T1=xlsread(d:2008data,sheet1,A2:A366);T2=xlsread(d:2008data,sheet1,D2:D366);T3=xlsread(d:2008data,sheet1,G2:G366);y=xlsread(d:2008data,sheet1,I2:I366);T=ones(365,1),T1,T2,T3;b,bint,r,rint,stats=regress(y,T);X,Y,Z=griddata(T1,T2,T3,linspace(min(T1),max(T1),linspace(min(T2),max(T2),v4);%插值X,Y,y=griddata(T1,T2,y,linspace(min(T1),max(T1),linspace(min(T2),max(T2),v4);%插值figure,surf(X,Y,Z,y)2009年图T1=xlsread(d:2009data,sheet1,A2:A366);T2=xlsread(d:2009data,sheet1,D2:D366);T3=xlsread(d:2009data,sheet1,G2: