CN117196309A - 公众冬季寒潮健康风险全阶段分级预警管理***及方法 - Google Patents
公众冬季寒潮健康风险全阶段分级预警管理***及方法 Download PDFInfo
- Publication number
- CN117196309A CN117196309A CN202311189327.3A CN202311189327A CN117196309A CN 117196309 A CN117196309 A CN 117196309A CN 202311189327 A CN202311189327 A CN 202311189327A CN 117196309 A CN117196309 A CN 117196309A
- Authority
- CN
- China
- Prior art keywords
- early warning
- public
- risk
- health risk
- temperature
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000036541 health Effects 0.000 title claims abstract description 270
- 238000000034 method Methods 0.000 title claims abstract description 77
- 238000012544 monitoring process Methods 0.000 claims abstract description 70
- 230000000875 corresponding effect Effects 0.000 claims abstract description 54
- 238000012502 risk assessment Methods 0.000 claims abstract description 53
- 238000012545 processing Methods 0.000 claims abstract description 36
- 230000000007 visual effect Effects 0.000 claims abstract description 17
- 230000000750 progressive effect Effects 0.000 claims abstract description 8
- 238000007726 management method Methods 0.000 claims description 71
- 230000034994 death Effects 0.000 claims description 70
- 231100000517 death Toxicity 0.000 claims description 70
- 230000002354 daily effect Effects 0.000 claims description 66
- 238000004364 calculation method Methods 0.000 claims description 54
- 230000006870 function Effects 0.000 claims description 24
- 238000012795 verification Methods 0.000 claims description 18
- 230000005180 public health Effects 0.000 claims description 16
- 208000024172 Cardiovascular disease Diseases 0.000 claims description 14
- 201000010099 disease Diseases 0.000 claims description 14
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 14
- 238000010197 meta-analysis Methods 0.000 claims description 13
- 238000010276 construction Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 8
- 231100000673 dose–response relationship Toxicity 0.000 claims description 8
- 230000000694 effects Effects 0.000 claims description 8
- 230000001276 controlling effect Effects 0.000 claims description 7
- 238000009826 distribution Methods 0.000 claims description 7
- 238000009795 derivation Methods 0.000 claims description 6
- 230000002526 effect on cardiovascular system Effects 0.000 claims description 6
- 230000002631 hypothermal effect Effects 0.000 claims description 6
- 230000002045 lasting effect Effects 0.000 claims description 6
- 238000011160 research Methods 0.000 claims description 6
- 230000007613 environmental effect Effects 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 5
- 208000023504 respiratory system disease Diseases 0.000 claims description 5
- CLOMYZFHNHFSIQ-UHFFFAOYSA-N clonixin Chemical compound CC1=C(Cl)C=CC=C1NC1=NC=CC=C1C(O)=O CLOMYZFHNHFSIQ-UHFFFAOYSA-N 0.000 claims description 4
- 230000007774 longterm Effects 0.000 claims description 4
- BULVZWIRKLYCBC-UHFFFAOYSA-N phorate Chemical compound CCOP(=S)(OCC)SCSCC BULVZWIRKLYCBC-UHFFFAOYSA-N 0.000 claims description 4
- 230000006872 improvement Effects 0.000 claims description 3
- 230000001960 triggered effect Effects 0.000 claims description 3
- 238000012108 two-stage analysis Methods 0.000 claims description 3
- 206010063746 Accidental death Diseases 0.000 claims description 2
- 208000015606 cardiovascular system disease Diseases 0.000 claims description 2
- 230000006806 disease prevention Effects 0.000 claims description 2
- 230000003203 everyday effect Effects 0.000 claims description 2
- 238000012886 linear function Methods 0.000 claims description 2
- -1 more than R2 Chemical compound 0.000 claims description 2
- 230000004044 response Effects 0.000 claims description 2
- 230000002452 interceptive effect Effects 0.000 abstract description 2
- 206010008531 Chills Diseases 0.000 description 90
- 238000004458 analytical method Methods 0.000 description 15
- 238000011156 evaluation Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 8
- 230000005183 environmental health Effects 0.000 description 8
- 231100000206 health hazard Toxicity 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000010438 heat treatment Methods 0.000 description 5
- 239000011324 bead Substances 0.000 description 4
- 230000007547 defect Effects 0.000 description 4
- 230000005182 global health Effects 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 239000000383 hazardous chemical Substances 0.000 description 3
- 230000008821 health effect Effects 0.000 description 3
- 238000012800 visualization Methods 0.000 description 3
- 230000002411 adverse Effects 0.000 description 2
- 238000012821 model calculation Methods 0.000 description 2
- 230000000630 rising effect Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 239000000809 air pollutant Substances 0.000 description 1
- 231100001243 air pollutant Toxicity 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 230000001684 chronic effect Effects 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000010223 real-time analysis Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明属于健康风险预警技术领域,公开了一种公众冬季寒潮健康风险全阶段分级预警管理***及方法,该方法包括如下步骤:S1:构建寒潮健康风险评估模型;S2:构建寒潮健康风险分级预警模型;S3:获取、处理外部数据;S4:寒潮健康风险评估值与分级预警匹配计算;S5:寒潮健康风险与分级预警对应效果的验证;S6:公众寒潮健康风险分级预警信息发布。本发明以日最低温作为预警的温度指标,实施分阶段预警,将预警分为冬季监测、关注阶段和三级预警阶段,对冬季寒潮人群健康风险进行递进式、全阶段、交互式可视化的预测预警管理,实时预报特定区域的人群冷暴露所致健康风险水平,依据预警预设条件发布分级警报,降低公众寒潮健康风险。
Description
技术领域
本发明属于公众健康风险预警技术领域,涉及极端天气事件健康风险预警分析技术,具体涉及一种公众冬季寒潮健康风险全阶段分级预警管理***及方法,为公众提供专业提示并为政策制定者应对冬季寒潮的公众健康风险提供科学依据。
背景技术
气候变化是全球人类面临的共同挑战。随着经济社会的发展,公众对于环境健康危害信息和防护对策的知晓需求日益增长,因此,探索以健康影响为核心要素的环境健康风险预警监测,推动其在公共卫生服务中的应用势在必行。但是,由于多种条件的制约,特别是由于数据来源、专业分析过程复杂等诸多技术方面的制约,导致包括冬季寒潮健康风险分级预警在内的环境健康风险预警相关监测依然存在着诸多的不足。
现有技术中,环境健康风险预警工作,需要基于环境监测和健康监测等多种专业数据,由专家人工分析、定量化预测环境健康风险,进而依托相关部门的公共平台进行风险预警发布,因此,需要卫生健康、环境、气象等多个部门构建数据共享、合作研发、联合发布等机制。但是,要打通多部门合作的渠道,建立包括疾控部门、医疗***门、环境保护部门、气象部门等在内的多部门合作机制,才能建立构建出环境健康风险预警体系,然后才能在此基础上逐步建立健全环境健康风险预警发布工作体系,实际上存在着较大的困难。本发明人团队在2021年发表的专业监测文章《加强环境健康风险预警监测,推动风险预警公共卫生服务》一文中,对相关的制约因素进行了综述。
现有技术中,仅将寒潮类灾害按照气象数据标准进行定性区分、公众难以判断其实际对应的健康风险。通常将预警信号的等级简单划分为四级:IV级(一般)、III级(较重)、II级(严重)、I级(特别严重),分别用蓝色、黄色、橙色、红色中英文图标标识。其中,发出寒潮蓝色预警信号的标准为:48小时内最低气温将要下降8℃以上,最低气温小于等于4℃,陆地平均风力可达5级以上;或者已经下降8℃以上,最低气温小于等于4℃,平均风力达5级以上,并可能持续;发出寒潮黄色预警信号的标准为:24小时内最低气温将要下降10℃以上,最低气温小于等于4℃,陆地平均风力可达6级以上;或者已经下降10℃以上,最低气温小于等于4℃,平均风力达6级以上,并可能持续;发出寒潮橙色预警信号的标准为:24小时内最低气温将要下降12℃以上,最低气温小于等于0℃,陆地平均风力可达6级以上;或者已经下降12℃以上,最低气温小于等于0℃,平均风力达6级以上,并可能持续;发出寒潮红色预警信号标准为:24小时内最低气温将要下降16℃以上,最低气温小于等于0℃,陆地平均风力可达6级以上;或者已经下降16℃以上,最低气温小于等于0℃,平均风力达6级以上,并可能持续。
综上,近年来低温寒潮、高温热浪等极端天气事件的发生,对人类生存和生产生活造成了严重影响。寒潮是一种大型天气过程,往往引发多种严重的气象灾害。现有监测成果表明,寒潮增加人群疾病的发病和死亡和风险,并且在一定范围内,随着寒潮强度的增加,疾病发病和死亡风险也随之增加。现有技术中的低温寒潮健康风险评估与预警预报,都是由相关行业领域的专家人工完成,其存在着评估与分析速度慢、不支持基于气象数据的动态更新以及结果容易受到主观因素影响等不足。
本发明人团队的在先研究成果、CN116485172A所公开的一种夏季热健康风险分级预警方法,介绍了气候变化健康风险预警学科的基本技术方法和步骤流程,但是该方法仅能应用于夏季热健康风险分级预警,但是无法直接应用于低温寒潮的健康风险分级预警,因为低温寒潮的健康风险与高温热健康风险的影响机制不同、影响因素、涉及的数据和区域均不相同,因此需要在该成果的基础上,进一步研究提出新的分析方法,才能解决低温寒潮的健康风险分级预警问题。
针对上述问题,在气候变化健康风险预警学科的基本技术方法和步骤流程的基础上,如果能够通过信息化手段,将低温寒潮健康风险研究专家的专业知识和能力,采用针对性强而且准确性高的程序加以实现,建立低温寒潮健康风险预警预测平台,基于动态气象数据,实时进行低温寒潮健康风险评估与预警,并滚动发布低温寒潮健康预警信息,则可以有效帮助公众提前做好应对和健康防护,达到降低健康损失的目的。但是,由于存在多方面的技术困难,一方面是低温寒潮健康风险研究专家的专业知识和能力较多而且宽泛,包括对现有的寒潮类各级预警的划分标准进行量化和气象数据的在线更新、寒潮健康风险评估与预警预报的专业技术等,另一方面由于专业判断标准较为复杂、普通公众难以掌握,采用现有技术(包括高温热健康风险分级预警方法)均难以做出科学的健康风险判断;同时现有技术通常也未考虑特定区域内动态的低温寒潮气象数据与人群暴露健康风险因素的关联性,因而也不能对特定的监测区域(例如城市,市、区等),根据用户请求进行针对性的监测、并直接指导该区域内的社会公众应对寒潮灾害。
发明内容
本发明针对的上述问题,提供一种公众冬季寒潮健康风险全阶段分级预警管理方法及***,构建多个计算模型组合,将低温寒潮专家的相关专业能力程序化,采用信息化手段,无需人工干预,基于各地区的气象数据和暴露数据等多种因素和数据,基于网络***而提供一套基于区域水平的、未来3天的寒潮-人群健康风险预警方法及***,能够具体地为公众和政策制定者应对冬季寒潮的健康风险提供科学依据,以解决目前需要专家人工处理、关于寒潮健康风险分级与预警存在的风险阈值识别不清、缺乏有效的预警模型、预警适用性评价方法匮乏等技术问题,使网络***通过互联网能够输出相应的可视化分析及预报预警结果,通用性强,可以应用于全国范围内特定区域的针对性分析、监测和结果输出,克服上述现有技术的不足。
为实现上述发明目的,本发明提供如下技术方案:
一种公众冬季寒潮健康风险全阶段分级预警管理方法,其包括如下步骤:
S1:构建公众寒潮健康风险评估模型
绘制温度与非意外总死亡的暴露-反应关系曲线;
低温段暴露-反应关系曲线二阶求导确定阈值;
为公众寒潮健康风险评估设置两类阈值:“关注”级别阈值和“预警”级别阈值;
S2:构建公众寒潮健康风险分级预警模型
以日最低温作为预警的温度指标,从保护人群健康和控制预警频率两个维度选择阈值,结合温度阈值和持续时间,识别寒潮事件,然后根据寒潮事件的风险,在事件水平上确定预警分级,将寒冷预警分为冬季监测阶段、一个关注级别和三个预警级别,实施分阶段预警,递进式、全阶段管理;
S3:获取、处理外部数据
从外部数据源分别获取公共卫生数据,包括暴露数据、死因数据,并且将该公共卫生数据处理为结构化数据,存入数据库中;
从外部数据源获取监测时间与地区的气象数据,包括温度、湿度和空气质量,并且将该气象数据处理为结构化数据,存入数据库中;
S4:公众寒潮健康风险评估值与分级预警匹配计算
将步骤S3处理后的数据,先导入公众寒潮健康风险评估模型,获得为公众寒潮健康风险评估设置的“关注”级别阈值和“预警”级别阈值两类阈值中的至少一类;然后,再导入到公众寒潮健康风险分级预警模型中,在温度水平上根据不同温度对应的健康风险确定预警阈值;结合预警阈值温度和持续时间,在寒潮事件水平上进行对应风险等级的划分,计算各定义寒潮对应的超额健康风险,并进一步计算出公众寒潮健康风险所对应的具体预警等级;
S5:公众寒潮健康风险与分级预警对应效果的验证
根据预警级别与健康结局之间的关系,比较公众寒潮健康风险与分级预警级别的风险差异,获得对应效果最优的公众寒潮健康风险评估值与分级预警级别相匹配的计算方法,并校准步骤S4,得到公众寒潮健康风险评估值与分级预警匹配计算结果;
S6:公众寒潮健康风险分级预警信息发布
重复步骤S3-S5,从外部数据源获取监测时间与地区的气象数据并处理,进行公众寒潮健康风险评估值与分级预警匹配计算,然后进行公众寒潮健康风险与分级预警对应效果的验证,最后输出监测时间与地区的公众寒潮健康风险分级预警信息,向公众提示寒潮健康风险;
S7:构建网络管理***
构建一可视化网络管理***,其是一基于互联网的计算机***,包括外部数据源、远程云服务器、WEB服务器及多个管理终端、用户终端,并将步骤S1-S6中的计算模型、数据获取及处理、运算与验证所对应的程序,均内置到远程云服务器中;由该计算机***接收用户请求、执行步骤S1-S6,并返回计算后所得到的公众寒潮健康风险分级预警信息。
一种实现前述方法的公众冬季寒潮健康风险全阶段分级预警管理***,其为一基于互联网的计算机***,包括外部数据源、远程云服务器、WEB服务器及多个管理终端、用户终端,所述的远程云服务器内置有执行所述步骤S1-S6的计算机程序;所述远程服务器内置的程序包括依次连接并交互通讯的数据获取单元、数据处理单元、公众寒潮健康风险评估单元、公众寒潮健康风险分级预警单元、匹配计算单元、效果验证单元与可视化输出单元;所述的公众寒潮健康风险评估单元内设有公众寒潮健康风险评估模型;所述的公众寒潮健康风险分级预警单元内设有公众寒潮健康风险分级预警模型;所述的远程云服务器通过各内置程序单元,获取外部数据,并对监测地区和监测时段内的数据进行实时标准化处理,实时预报监测地区与时段内的人群低温暴露所致健康风险水平,根据设定的风险分级预警阈值触发条件,输出寒潮健康分级预警的计算结果信息。
本发明提供的公众冬季寒潮健康风险全阶段分级预警管理***及方法,其有益效果包括:
1、本发明提供的方法及***相互协同,针对公众冬季寒潮健康风险分级预警管理需求,通过构建多个计算模型、将专家的专业工作程序化,使***能够基于各地区的气象数据和暴露数据等多种因素和数据,分步骤完成相应的专业化的数据处理和运算,得到专业化的运算结果,并且由对应的各模块组合出整体的计算机***,运行过程中无需人工干预,突破了人工处理的各种局限,能够实时获取数据、分析运算并按照用户需求输出结果;实现了对众冬季寒潮健康风险分级预警管理专业问题和专业数据、分析的信息化、实时化、结果可视化。
2、本发明提供的方法及***,是基于计算机网络而提供的一整套基于区域水平(区、市)的、未来3天的寒潮-人群健康风险预警管理方法及管理***,能够覆盖全国各地、全部冬季的风险监测,实时和详细、直观地为公众和政策制定者应对冬季寒潮的健康风险提供科学依据,可以较好的解决目前主要依赖专家人工处理,以及关于寒潮健康风险分级与预警存在的风险阈值识别不清、缺乏有效的预警模型、预警适用性评价方法匮乏等技术问题,使网络***通过互联网能够接收用户请求并直接输出相应的可视化分析及预报预警结果,通用性强,可以应用于全国范围内的区域性分析,克服了现有技术所存在的诸多不足。
3、本发明提供的方法及***,以冬季寒潮健康风险全阶段管理为核心思想,可以覆盖全部冬季的风险监测、风险关注和风险预警,具体将预警分为冬季监测阶段、一个关注阶段和三级预警阶段,递进式、全阶段管理实现冬季寒潮人群健康风险预测预警,一方面可以降低公众寒潮健康风险,另一方面也避免频繁预警对正常工作和生活的干扰,可以同时为管理部门和公众提供更全面的寒潮健康信息服务。
4、本发明提供的方法及***,建立的寒潮健康风险评估模型和分级预警模型,综合考虑了气象、环境、卫生健康等多个部门提供的多种专业化数据,并基于这些动态更新的数据,构建了相应的监测和分级预警预报分析模型,由该分析模型自动根据动态数据的输入和用户的请求而输出的分级预警结果,社会公众无需了解更多的专业知识,也无需专家介入即可自动输出分析结果,可更为有效的保护我国居民健康免受低温寒潮的侵袭。
5、本发明提供的方法及***,基于计算机网络***、程序(计算模型)和数据的结合,解决了现有技术中对专家的依赖和不能采用计算机***自动运行的问题,将专家的专业能力和经验转化为对应的模型、程序,结合专业数据获取、数据分析、处理等,并且优化算法和提高算力,使***能够根据设定的条件自动采集和更新数据,自动进行评估和分析,并且输出数字化、可视化的评估结果,省时、省力。
6、本发明提供的方法及***,可为公众提供冬季低温天气监测和健康预警的双重服务,也能为各地区因地制宜的寒潮健康风险管理和实施人群适应性政策提供重要依据。
附图说明
通过参考以下结合附图的说明,并且随着对本发明的更全面理解,本发明的其他目的及结果将更加明白和易于理解。
图1为本发明实施例公众冬季寒潮健康风险全阶段分级预警管理方法的流程示意图;
图2为本发明实施例公众冬季寒潮健康风险全阶段分级预警管理***的网络拓扑结构示意图;
图3为本发明实施例公众冬季寒潮健康风险全阶段分级预警管理***的组成结构示意图;
图4是本发明实施例中预警分级方法的流程示意图;
图5为本发明实施例京津冀地区一个关注级别和三个预警级别与3个主要疾病别死亡风险的暴露-反应关系示意图。
图6为本发明实施例珠三角地区一个关注级别和三个预警级别与3个主要疾病别死亡风险的暴露-反应关系示意图。
图7为本发明实施例山东省一个关注级别和三个预警级别与3个主要疾病别死亡风险的暴露-反应关系示意图。
图8为本发明实施例2023年06月30日发布的青岛市低温寒潮健康风险预警可视化结果示意图;
图9为本发明实施例与图8对应的低温寒潮健康风险预警信息与对应的防护措施建议示意图。
具体实施方式
以下通过实施例和附图对本发明的技术方案进行细致说明。
实施例1
参见附图1-4,本实施例提供的公众冬季寒潮健康风险全阶段分级预警管理***及方法,其重点是以日最低温作为预警的温度指标,实施分阶段预警,将预警分为冬季监测阶段、一个关注阶段和三级预警阶段,递进式、全阶段管理实现冬季寒潮人群健康风险预测预警,以降低公众寒潮健康风险,其中的管理方法包括如下步骤:
S1:构建公众寒潮健康风险评估模型
绘制温度与非意外总死亡的暴露-反应关系曲线;
低温段暴露-反应关系曲线二阶求导确定阈值;
为公众寒潮健康风险评估设置两类阈值:“关注”级别阈值和“预警”级别阈值;
具体包括如下步骤:
S11:绘制温度与非意外总死亡的暴露-反应关系曲线
在区县水平上估算各区县的暴露-反应关系,然后将各区县的结果进行Meta分析,采用两阶段分析方法,得到日最低温相对值的风险曲线,其中一阶段计算采用R语言中的分布滞后非线性模型与广义线性函数,具体见式1:
LogE(Yt)=α+βcbt+ns(timet,df)+ns(Rhmeant,df)+γDOWt 式1
式中:
Yt为心血管病在t日的死亡数;cb为日最低温与滞后的交叉基,使用二次B样条函数控制温度,degree设置为2,自由度设置为4,节点knots设置在P40和P60;滞后时间设置为14天,logknots函数等间距放置2个节点;ns(timet,df)为控制时间趋势的自然样条函数,df为自由度,取值为6/年;ns(RHmeant,df)为日均相对湿度的自然样条函数,自由度为3;DOWt为星期几的指示变量;
二阶段计算采用荟萃分析合并,具体方法为:使用一阶段所得各区县滞后14天的累积风险的交叉基系数和协方差矩阵,带入mvmeta函数进行荟萃分析合并;然后计算各区县每个百分位数的温度均值,使用onebasis函数构建不同百分位数对应日最低温的均值的矩阵;最后使用crosspred函数计算各百分位对应温度的相对风险RR值;以日最低温的百分位数为横坐标,以相对风险RR值为纵坐标绘制暴露-反应关系曲线;
S12:低温段暴露-反应关系曲线二阶求导确定阈值
对低于P5段的低温段暴露-反应关系曲线进行二次求导,计算P5以下各温度百分位的风险增加速度;选择风险增加速度最快的百分位Px作为预警中心阈值,进而确定P(5+x)/2为预警启动阈值;
S13:为公众寒潮健康风险评估设置两类阈值:“关注”级别的阈值和“预警”级别的阈值;其中关注级别的阈值设置1个,为:关注阈值;用于分级预警的预警级别的阈值设置两个,分别为:启动阈值和中心阈值;将日最低温的P5作为关注阈值;当日最低温度低于监测期间逐日最低温的P5时,启动“关注”级别。
所述的步骤S13中“预警”级别中心阈值的确定,包括如下步骤:
S131:将冬季监测阶段设定为每年的11月至次年3月,覆盖全部冬季的风险监测;
S132:绘制日最低温相对值与心血管病死亡风险的暴露-反应关系曲线;
S133:对低于P5段的低温段暴露-反应关系曲线进行二次求导,计算P5以下各温度百分位的风险增加速度。
S2:构建公众寒潮健康风险分级预警模型
以日最低温作为预警的温度指标,从保护人群健康和控制预警频率两个维度选择阈值,结合温度阈值和持续时间,识别寒潮事件,然后根据寒潮事件的风险,在事件水平上确定预警分级,将寒冷预警分为冬季监测阶段、一个关注级别和三个预警级别,实施分阶段预警,递进式、全阶段管理;具体包括:
S21:选择阈值,当阈值温度小于P5,持续4天及以上的寒潮平均每年发生次数不足一次,在基于寒潮事件进行预警分级时,则仅考虑持续1天及以上、2天及以上、3天及以上的寒潮;结合温度阈值和持续时间,识别寒潮事件,然后根据寒潮事件的风险,在事件水平上确定预警分级;具体为:
S211:各类低温日与非低温日相比,在14天的滞后期内,心血管死亡风险增加的百分比;将低温日标记为1,非低温日标记为0,其它日期标记为2;使用如下两阶段模型计算后,只提取标记为1的低温日的结果参数;
第一阶段在区县水平寒潮与死亡风险的暴露-反应关系估算
每个区县分别进行暴露—反应关系的估算,使用广义线性模型分析连接准泊松回归,使用非约束DLM拟合寒潮当日及滞后期内的每日超额死亡风险,将年、月、星期几作为因子变量进行控制,计算模型见式2:
式中:
Yt为非意外疾病在t日的死亡数;
CSt-l为t+l日是否为寒潮日的指示变量,其中寒潮日为1,非寒潮日为0;
n为滞后天数,不同的滞后天数分别进行模型拟合;
ns(RHmean,2)为日均相对湿度的自然样条函数,自由度为2,当寒潮定义中的温度指标为THW时,在模型中不控制相对湿度;
Yearit为t日所在年的指示变量,i分别对应研究期间的5个年份;
Monthjt为t日所在月份的指示变量,j分别对应研究期间的5个月;
Dowkt为t日在星期几的指示变量,k分别对应一周内的7天;
提取上述模型结果中的滞后期内每一日的风险参数,估算每日风险,计算模型见式3:
RRl=exp(βl) 式3
式中:
RRl为l日的RR值;
βl为模型所得滞后第l日的系数;
然后将滞后期内的逐日相对风险增加,估算平均每日的风险,计算模型见式4:
式中:
RRoverall为l天滞后期内平均每日的风险;
βl为模型所得滞后第l日的系数;
第二阶段使用荟萃分析合并整个研究地区寒潮与死亡风险的暴露-反应关系
根据第一阶段所得风险的估计值以及标准误,使用随机效应模型的Meta分析,分别合并为全国、南方、北方的风险;研究所得结果为滞后期内,平均每天的超额死亡风险;最终的风险以风险增加的百分比,即ER值表达,计算模型见式5:
ER=(RR-1)×100% 式5
S212:将P5 day1即日最低温低于长期日最低温暴露的第5%分位数、并持续一天及以上低温日的心血管病超额死亡风险定义为R0;将P1 day1即日最低温低于长期日最低温暴露的第1%分位数、并持续一天及以上低温日的心血管超额死亡风险定义为R2;
S213:计算R0与R2的超额死亡风险差值△R;
S214:计算预警触发的超额死亡风险水平:R1=R2-△R/2;
S215:计算预警升级的超额死亡风险水平:R3=R2+△R/2;
S216:在以P(5+x)/2为阈值的寒潮事件中,定位ER值高于R1的持续天数j,将p(5+x)dayj作为预警启动的触发事件;如果p(5+x)dayj的ER值高于R1的部分超过△R,即超过R2,则选择p(5+x)day(j-1)为预警启动的触发事件;
S22:根据步骤S213-S216的计算结果,将寒冷预警分为冬季监测阶段、一个关注级别和三个预警级别。
S3:获取、处理外部数据
从外部数据源分别获取公共卫生数据,包括暴露数据、死因数据,并且将该公共卫生数据处理为结构化数据,存入数据库中;
从外部数据源获取监测时间与地区的气象数据,包括温度、湿度和空气质量,并且将该气象数据处理为结构化数据,存入数据库中;具体包括:
S31:从外部数据源分别获取监测地区和时间的暴露数据,其中温度数据(日最低温)来源于中国气象局国家气候中心,湿度(日均相对湿度)来源欧洲中期天气预报中心的再分析的气象数据集(日最低温、日均相对湿度、每日空气污染物PM2.5浓度),空气质量数据(每日PM2.5浓度)来自中国环境监测总站实时发布的空气质量监测数据;
S32:从外部数据源分别获取监测地区和时间的死因数据,该死因数据采自中国疾病预防控制中心死因监测***,疾病终点为非意外总死亡,心血管***疾病死亡、呼吸***疾病死亡;
S33:分别将暴露数据和死因数据处理为结构化数据,并存入数据库中;其数据中变量mcode为监测区域的区县代码,每个区县代码对应一个区县;变量Tminc为日最低温;变量total为非意外总死亡,cir为心血管***疾病死亡,res为呼吸***疾病死亡。
S4:公众寒潮健康风险评估值与分级预警匹配计算
将步骤S3处理后的数据,先导入公众寒潮健康风险评估模型,获得为公众寒潮健康风险评估设置的“关注”级别阈值和“预警”级别阈值两类阈值中的至少一类;然后,再导入到公众寒潮健康风险分级预警模型中,在温度水平上根据不同温度对应的健康风险确定预警阈值;结合预警阈值温度和持续时间,在寒潮事件水平上进行对应风险等级的划分,计算各定义寒潮对应的超额健康风险,并进一步计算出公众寒潮健康风险所对应的具体预警等级;具体包括如下步骤:
S41:将步骤S3处理后的数据,以温度阈值定义的寒潮与非意外总死亡的死亡风险的暴露-反应关系估算,先导入公众寒潮健康风险评估模型中,获得对应的两类阈值中的一类;
S43:结合预警阈值温度和持续时间,在寒潮事件水平上进行多种风险分级方法的风险等级划分,计算出公众寒潮健康风险所对应的具体预警等级。
S5:公众寒潮健康风险与分级预警对应效果的验证
根据预警级别与健康结局之间的关系,比较公众寒潮健康风险与分级预警级别的风险差异,获得对应效果最优的公众寒潮健康风险评估值与分级预警级别相匹配的计算方法,并校准步骤S4,得到公众寒潮健康风险评估值与分级预警匹配计算结果,具体包括如下步骤:
S51:根据预警级别与健康结局之间的关系,比较公众寒潮健康风险预警各预警等级的健康风险差异;
S52:通过比较不同风险等级划分方法得到的公众寒潮健康风险预警方法对健康风险的指示能力,即在不同预警等级下健康风险是否随着预警等级的提升而升高;以及在最低风险预警等级,是否能观察到超额健康风险的发生,据此获得对应效果最优的公众寒潮健康风险分级预警方法与分级预警级别相匹配的计算方法,并校准步骤S4,得到公众寒潮健康风险评估值与分级预警匹配计算结果。
S6:公众寒潮健康风险分级预警信息发布
重复步骤S3-S5,从外部数据源获取监测时间与地区的气象数据并处理,进行公众寒潮健康风险评估值与分级预警匹配计算,然后进行公众寒潮健康风险与分级预警对应效果的验证,最后输出监测时间与地区的公众寒潮健康风险分级预警信息;具体可根据管理***自身的设定,或者基于授权用户的请求,通过互联网发出特定的被监测区域的公众寒潮健康风险分级预警信息,通过数据可视化展示界面,向公众提示寒潮健康风险;
S7:构建网络管理***
构建一可视化网络管理***(即公众冬季寒潮健康风险全阶段分级预警管理***),该***是一基于互联网的计算机***,包括外部数据源、远程云服务器、WEB服务器及多个管理终端、用户终端,并将步骤S1-S6中的计算模型、数据获取及处理、运算与验证所对应的程序,均内置到远程云服务器中,具体包括如下步骤:
S71:分别设置通过互联网相互连接的外部数据源、远程云服务器、WEB服务器及多个管理终端(授权用户使用)、用户终端(非授权用户使用);
S72:在所述的远程云服务器内置执行所述步骤S1-S6的计算机程序;
S73:授权用户(各地公众健康主管部门或相关组织)使用的多个管理终端,可以分别通过WEB服务器访问远程云服务器,发送指令给远程云服务器内置的计算机程序,请求执行所述步骤S1-S6,远程云服务器将执行完毕的结果返回到发出请求的管理终端;
S74:多个非授权用户(社会公众),分别通过其用户终端分别通过WEB服务器访问远程云服务器,发送请求指令给远程云服务器内置的计算机程序,远程云服务器将已经执行完毕的所述步骤S1-S6的结果,返回到发出请求的用户终端。
一般是先接受授权用户(城市或区、县的主管部门管理人员)的访问、先进行步骤S73,或者由管理***按照事先的设定,定时、自动运行步骤S73,由***自动完成执行所述步骤S1-S6、并得到运算结果,再接受步骤S74的非授权用户(社会公众)的访问,直接输出步骤S73已经运算完毕的运算结果。
前述的步骤S1-S6中的各计算模型构建、数据获取及处理、运算与验证所对应的技术方案,均必须依照顺序进行,在后的步骤通常以在先的步骤为条件或者输入,不能打乱先后顺序,否则就会导致整个管理方法无法进行。
一种实现前述方法的公众冬季寒潮健康风险全阶段分级预警管理***,其为一基于互联网的计算机***,包括外部数据源、远程云服务器、WEB服务器及多个管理终端、用户终端,所述的远程云服务器内置有执行所述步骤S1-S6的计算机程序;所述远程服务器内置的程序包括依次连接并交互通讯的数据获取单元、数据处理单元、公众寒潮健康风险评估单元、公众寒潮健康风险分级预警单元、匹配计算单元、效果验证单元与可视化输出单元;所述的公众寒潮健康风险评估单元内设有公众寒潮健康风险评估模型;所述的公众寒潮健康风险分级预警单元内设有公众寒潮健康风险分级预警模型;所述的远程云服务器通过各内置程序单元,获取外部数据,并对监测地区和监测时段内的数据进行实时标准化处理,实时预报监测地区与时段内的人群低温暴露所致健康风险水平,根据设定的风险分级预警阈值触发条件,输出寒潮健康分级预警的计算结果信息。
本发明实施例中,可以对特定的地级市区域、或者特定城市区域进行实时、精确、自动监控,并输出可视化计算结果信息。本发明实施例在构建的寒潮健康风险评估模型中,明确了关键阈值及其计算方式,对本技术领域的相关术语、参数进行了标准化定义。将寒潮健康风险设置两类主要阈值:“关注”级别的阈值和“预警”级别的阈值。其中关注级别的阈值设置1个,称为:关注阈值;预警级别的阈值设置两个,用于分级预警,分别为:启动阈值和中心阈值。监测将日最低温的P5作为关注阈值。当日最低温度低于监测期间逐日最低温的P5时,启动“关注”级别。“预警”级别中心阈值的确定分为两个主要步骤:(1)首先绘制日最低温相对值与心血管病死亡风险的暴露-反应关系曲线。(2)对低于P5段的低温段暴露—反应关系曲线进行二次求导,计算P5以下各温度百分位的风险增加速度;其通过多元化数据获取、标准化数据处理和多模型计算的密切结合,解决了现有技术存在的多方面的技术困难,包括对现有的寒潮类各级预警的划分标准进行量化和气象数据的在线更新、寒潮健康风险评估与预警预报技术等,另一方面也解决了由于公众寒潮健康风险判断标准较为复杂、涉及的计算方法、数据、参数众多,普通公众难以掌握,难以做出科学的健康风险判断的问题。本发明还充分考虑了特定区域内动态的气象数据与人群暴露健康风险因素的关联性,因而可以对特定的监测区域(例如城市,县、区等),根据授权用户的请求进行针对性的在线监测、并直接指导该区域内的社会公众应对寒潮灾害。
本发明实施例,在本发明人团队的在先研究成果、CN116485172A所公开的一种夏季热健康风险分级预警方法的基础上,进行了多方面的针对性改进,以将低温寒潮专家的专业能力程序化为核心,构建出具有必然的前后逻辑顺序的步骤S1-S7,实现对低温寒潮的健康风险全阶段分级预警管理,并且满足如下的实际需求:1、相关政策对于低温寒潮健康风险有明确的差异化规定,我们北方地区一般都有集中供暖设施、南方地区则一般都没有集中供暖设施,因此南、北方温度与公众健康关联的曲线形态有显著的差异,因此低温寒潮采用现有技术无法直接在全国范围内开展预警研究,寒潮预警必须进行分区域的开展;2、低温寒潮与高温健热浪的温度健康效应曲线中,其低温段和高温段的形状显著不同,导致热浪的阈值可根据曲线拐点选择阈值,而低温段曲线陡峭,无法直接定位阈值,因此必须综合考虑多种因素和数据、甚至考虑历史经验等情况确定阈值,并必须再通过验证、才能加以确定。3、由于低温和高温致病(健康影响)机制的不同,低温和高温时间持续时间对同一公众的健康风险的影响也具有显著的差异,根据验证高温热浪预警可不考虑持续天数,而低温寒潮需要考虑持续天数的影响,导致其针对性采用的单日和多日事件的模型与建模方法均不同,低温寒潮事件建模方法只能采用非约束分布滞后等非线性分析模型,而高温热浪则可以使用glm等线性分析模型。4、各模型中选择的滞后时间等参数也显著不同,寒潮产生滞后效应的时间比热浪长,因此针对两类风险持续的时间,必须使用不同的模型参数进行模型拟合,才能符合实际情况,得到准确的分级预警分析结果。
实施例2
本实施例提供的公众冬季寒潮健康风险全阶段分级预警管理***及方法,是在实施例1的基础上,京津冀地区为例,进行多元化数据处理和模型构建,从寒潮定义、寒潮识别、预警等级分布合理性、预警与死亡关联的强弱程度等方面进行验证评估。
本实施例获取了2013至2018年典型监测地区的历史逐日最低温和人群非意外疾病死亡等监测数据,按百分位法分别将日最低气温将低于历史多年日最低温的不同百分位数(P1,P2.5,P5,P7.5,P10)定义为极端低温;按极端气温出现连续超过2天、3天、4天的天气过程定义为寒潮。
本发明实施例对寒潮定义包括的三个要素:温度指标、阈值和持续时间。本发明使用日最低温与百分位温度,绘制温度与死亡风险暴露-反应关系,在温度水平确定阈值,利用阈值构建不同持续时间的寒潮。
本发明实施例对寒潮的识别:寒潮分级采用两个指标,即日最低温度和其持续时间。根据寒潮定义,在每个区县上独立进行寒潮识别。在温度水平上,根据不同温度的健康风险确定阈值,最后结合阈值温度和持续时间,识别寒潮。
请参见图5,本发明实施例提供京津冀地区(代表冬季供暖地区)的公众冬季寒潮健康风险全阶段分级预警管理方法,是在多元化数据和模型的基础上,从寒潮定义、寒潮识别、预警等级分布合理性、预警与死亡关联的强弱程度等方面进行验证评估,最终获得相应的分级预警计算结果数据和可视化输出结果。
本实施例提供的京津冀地区公众冬季寒潮健康风险全阶段分级预警管理方法,具体是以日最低温作为预警的温度指标,实施分阶段预警,将预警分为一个关注阶段和三级预警阶段,递进式、全阶段管理实现京津冀地区冬季寒潮人群健康风险预测预警,以降低公众寒潮健康风险,其包括如下步骤:
S2:构建寒潮健康风险评估模型
绘制京津冀地区温度与非意外总死亡的暴露-反应关系曲线;
京津冀地区低温段暴露-反应关系曲线二阶求导确定阈值;
为京津冀地区寒潮健康风险评估设置两类阈值:“关注”级别的阈值和“预警”级别的阈值;
S3:构建京津冀地区寒潮健康风险分级预警模型
从保护人群健康和控制预警频率两个维度选择阈值,结合温度阈值和持续时间,识别寒潮事件,然后根据寒潮事件的风险,在事件水平上确定预警分级,将京津冀地区寒冷预警分为一个关注级别和三个预警级别;
S4:外部数据获取、处理
从外部数据源分别获取京津冀地区公共卫生数据,包括暴露数据、死因数据,并且将该公共卫生数据处理为结构化数据,存入数据库中;
从外部数据源获取京津冀地区监测时间的气象数据,包括温度、湿度和空气质量,并且将该气象数据处理为结构化数据,存入数据库中;
S5:京津冀地区寒潮健康风险评估值与分级预警匹配计算
将步骤S4处理后的数据,拟合京津冀地区寒潮健康风险评估模型,获得每摄氏度温度的健康风险,进而绘制京津冀地区温度与健康风险的曲线图。寒潮健康然后,在温度水平上根据不同温度对应的健康风险确定京津冀地区预警阈值。选定阈值后,将各阈值与不同的持续时间组合,定义京津冀地区的多个寒潮事件。将京津冀地区寒潮识别结果输入寒潮健康风险预警模型,不同寒潮定义的超额健康风险。结合京津冀地区不同寒潮定义的超额健康风险,在寒潮事件水平上进行对应风险等级的划分并进一步确定出京津冀地区寒潮健康风险预警各预警等级对应的寒潮定义;
S6:寒潮健康风险分级预警对应效果的验证
通过模型拟合S5中得到的京津冀地区各预警级别与不同健康结局(包括死亡、住院、门诊)健康风险的关系,根据各预警级别与健康结局之间的数值关系,评估预警方法对寒潮健康风险的指示能力。据此评估寒潮健康风险评估值与分级预警级别相匹配的计算方法,并校准步骤S5。
S7:寒潮健康风险分级预警信息发布
重复步骤S4-S6,从外部数据源获取多个不同监测时间与京津冀地区的气象数据并处理,进行京津冀地区寒潮健康风险评估值与分级预警匹配计算,与对应效果的验证,然后输出各个监测时间与京津冀地区的寒潮健康风险分级预警信息。
S7:构建网络管理***:
构建一可视化网络管理***,该管理***是一基于互联网的计算机***,其包括外部数据源、远程云服务器、WEB服务器及多个管理终端、用户终端,用于实现步骤S1-S6。
本实施例中,绘制温度与非意外总死亡的暴露-反应关系曲线的具体步骤为:
首先在京津冀地区的区县水平上估算各区县的暴露-反应关系,然后将各区县的结果进行Meta分析,得到日最低温相对值的风险曲线,两阶段分析方法主要运用R软件中的dlnm、mvmata工具包。
一阶段计算包括:DLNM+GLM
LogE(Yt)=α+βcbt+ns(timet,df)+ns(Rhmeant,df)+γDOWt 式1
式1中:
Yt为心血管病在t日的死亡数;cb为日最低温与滞后的交叉基,使用二次B样条函数控制温度,degree设置为2,自由度设置为4,节点knots设置在P40和P60;滞后时间设置为14天,logknots函数等间距放置2个节点;ns(timet,df)为控制时间趋势的自然样条函数,df为自由度,取值为6/年;ns(RHmeant,df)为日均相对湿度的自然样条函数,自由度为3;Dowt为星期几的指示变量。
二阶段计算:Meta分析合并
使用一阶段所得各区县滞后14天的累积风险的交叉基系数和协方差矩阵,带入mvmeta函数进行Meta分析合并。然后计算各区县每个百分位数的温度均值,使用onebasis函数构建不同百分位数对应日最低温的均值的矩阵。最后使用crosspred函数计算各百分位对应温度的相对风险RR值。以日最低温的百分位数为横坐标,以相对风险RR值为纵坐标绘制暴露—反应关系曲线。
通过低温段暴露-反应关系曲线二阶求导确定阈值的过程为:
对低于P5段的低温段暴露-反应关系曲线进行二次求导,计算P5以下各温度百分位的风险增加速度。选择风险增加速度最快的百分位Px作为预警中心阈值;进而确定P(5+x)/2为预警启动阈值。
构建寒潮健康风险分级预警模型的步骤为:
当阈值温度小于P5,持续4天及以上的寒潮平均每年发生次数不足一次,因此在基于寒潮事件进行预警分级时,仅考虑持续1天及以上、2天及以上、3天及以上的寒潮。结合温度阈值和持续时间,构建寒潮事件,然后根据寒潮事件的风险,在事件水平上确定预警分级。
阈值选择的步骤为:
(1)各类低温日与非低温日相比,在14天的滞后期内,心血管死亡风险增加的百分比。将低温日标记为1,非低温日标记为0,其它日期标记为2。带入模型计算后,只提取标记为1的低温日的结果参数见表1(低温日及非低温日对照表)。
表1
(2)将p5day1低温日的心血管病超额死亡风险定义为R0;p1day1低温日的心血管超额死亡风险定义为R2。
(3)计算R0与R2的超额死亡风险差值△R。
(4)计算预警触发的超额死亡风险水平:R1=R2-△R/2。
(5)计算预警升级的超额死亡风险水平:R3=R2+△R/2。
(6)在以P(5+x)/2为阈值的寒潮事件中,定位ER值高于R1的持续天数j,将p(5+x)dayj作为预警启动的触发事件。如果p(5+x)dayj的ER值高于R1的部分超过△R,即超过R2,则选择p(5+x)day(j-1)为预警启动的触发事件。
根据以上结果将寒冷预警分为冬季监测阶段、一个关注级别和三个预警级别,见表2(预警分级标准)。
表2
进行分级预警适用性评价及优化的步骤为:
在预警方法评价中,将分别统计地区各级预警级别的天数,以及各级预警日的日最低温水平。同时,预警级别与健康结局之间的关系是评价预警方法有效性的重要内容。使用区域的心血管病、呼吸***疾病的死因数据与各预警级别再次构建暴露-反应关系,比较各预警级别的风险差异。
参见图5,京津冀地区(代表冬季供暖地区)、共同参照情景下两预警分级暴露-反应关系图。
如图5所示,本实施例的输出结果表明,在京津冀地区的公众冬季寒潮健康风险分级预警模型中,人群各疾病死亡风险随着预警级别的升高而逐级增加,该寒潮健康风险分级预警模型的预警级别较好地反映了冬季寒潮对于人群健康危害的严重程度,并且设立随着预警级别的增加而健康风险递增的预警级别,将有利于向公众传达健康风险信息,提高公众对于寒潮健康危害的感知度,更好地减少健康风险。此外,寒潮健康风险分级预警模型的关注级别也会增加人群死亡风险,设置关注级别可以关注人群防范寒潮低风险下的健康危害,有利于公众及时预防健康危害。对于一些慢性病患者、老年人等脆弱人群,该阶段可能对其健康造成更大的健康危害。
实施例3
参见附图6,本实施例提供的公众冬季寒潮健康风险全阶段分级预警管理***及方法,是在实施例1及实施2的基础上,提供珠三角地区(代表冬季非供暖地区)的公众冬季寒潮健康风险全阶段分级预警管理方法及***,其不同之处在于,是根据珠三角地区的数据,在多元化数据和模型的基础上,从寒潮定义、寒潮识别、预警等级分布合理性、预警与死亡关联的强弱程度等方面进行验证评估。
本实施例获取了2013至2018年珠三角地区的历史逐日最低温和人群非意外疾病死亡等监测数据,按百分位法分别将日最低气温将低于多年日最低温的P1、P3、P5百分位数定义为极端低温;按极端气温出现连续超过2天、3天的天气过程定义为寒潮。
本发明实施例对珠三角地区的寒潮进行识别:寒潮分级采用两个指标,即日最低温度和其持续时间。根据寒潮定义,在珠三角地区每个区县上独立进行寒潮识别。在温度水平上,根据不同温度的健康风险确定阈值。最后结合阈值温度和持续时间,识别寒潮。
本实施例提供的珠三角地区公众冬季寒潮健康风险全阶段分级预警管理方法,其是以日最低温作为预警的温度指标,实施分阶段预警,将预警分为一个关注阶段和三级预警阶段,递进式、全阶段管理实现珠三角地区冬季寒潮人群健康风险预测预警,以降低公众寒潮健康风险,除代入的数据和输出的结果不同之外,具体步骤、模型等与实施例1及实施例2均相同。
实施例4
参见附图7,本实施例提供的公众冬季寒潮健康风险全阶段分级预警管理***及方法,是在实施例1至实施例3的基础上,提供山东省的公众冬季寒潮健康风险全阶段分级预警管理方法,其不同之处在于,是根据山东省辖区内的市、县、区等区域数据,在多元化数据和模型的基础上,从寒潮定义、寒潮识别、预警等级分布合理性、预警与死亡关联的强弱程度等方面进行验证评估。
本实施例获取了2013至2018年山东省的历史逐日最低温和人群非意外疾病死亡等监测数据,该健康风险分级预警方法除代入的数据不同、还可以具体进行局部区域、城市(例如青岛)之外,其他步骤均于实施例1至实施例3相同。
请参见图8-图9,本发明应用于实时采集数据并输出可视化结果,具体为采用本发明技术,基于用户的请求,可随时获取任意日期的预警可视化结果,例如2023年06月30日发布的青岛市低温寒潮健康风险预警可视化结果,以及对应的低温寒潮和健康风险预警信息。该可视化结果与对应的防护措施建议的呈现方式简洁、明晰,有利于为社会公众了解和掌握。
综上,本发明上述各实施例提供的公众冬季寒潮健康风险全阶段分级预警管理方法及***,其中主要的监测步骤为:使用日最低温作为预警的温度指标,在温度水平根据不同温度的健康风险确定预警阈值,构建寒潮健康风险评估模型;结合阈值温度和持续时间,在寒潮事件水平上进行风险等级的划分,构建寒潮健康风险分级预警模型;确定分级后,计算各预警等级的健康风险进行分级预警适用性评价及优化。
本发明实施例通过构建寒潮健康风险评估网络***,能够具体地基于多个特定步骤及特定的计算模型组合,对指定的区域输出实时的分析结果,使其能够具体根据指定的区域获取实时数据,计算后再实时输出低温寒潮对人群多健康***不良影响的暴露-反应关系曲线及其引发不良健康影响的效应阈值;基于风险评估模型输出结果,结合人群暴露特征,在区域/城市上建立寒潮健康风险分级预警模型,设定预警触发条件;改进国内外现有的分级模式,进行更为合理的分级预警及模型优化调整;本发明提供的管理***,采用气象数据、卫生健康数据及环境数据的获取技术,能实时预报区域/城市尺度的人群低温寒潮暴露所致健康风险水平,设定预警触发条件,实现风险分级警报交互式可视化;借助云计算和互联网信息技术,实现寒潮健康的自动化风险预报预警功能。
采用本发明提供的上述技术方案,可为公众提供有关健康的低温寒潮天气监测和健康预警的双重服务,也能为各地区因地制宜的进行寒潮健康风险管理,和针对性的实施特定人群(老、幼、孕等)的适应性政策提供重要的科学依据。
以上所述仅为本发明的示例性实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种公众冬季寒潮健康风险全阶段分级预警管理方法,其特征在于,其包括如下步骤:
S1:构建公众寒潮健康风险评估模型
绘制温度与非意外总死亡的暴露-反应关系曲线;
低温段暴露-反应关系曲线二阶求导确定阈值;
为公众寒潮健康风险评估设置两类阈值:“关注”级别阈值和“预警”级别阈值;
S2:构建公众寒潮健康风险分级预警模型
以日最低温作为预警的温度指标,从保护人群健康和控制预警频率两个维度选择阈值,结合温度阈值和持续时间,识别寒潮事件,然后根据寒潮事件的风险,在事件水平上确定预警分级,将寒冷预警分为冬季监测阶段、一个关注级别和三个预警级别,实施分阶段预警,递进式、全阶段管理;
S3:获取、处理外部数据
从外部数据源分别获取公共卫生数据,包括暴露数据、死因数据,并且将该公共卫生数据处理为结构化数据,存入数据库中;
从外部数据源获取监测时间与地区的气象数据,包括温度、湿度和空气质量,并且将该气象数据处理为结构化数据,存入数据库中;
S4:公众寒潮健康风险评估值与分级预警匹配计算
将步骤S3处理后的数据,先导入公众寒潮健康风险评估模型,获得为公众寒潮健康风险评估设置的“关注”级别阈值和“预警”级别阈值两类阈值中的至少一类;然后,再导入到公众寒潮健康风险分级预警模型中,在温度水平上根据不同温度对应的健康风险确定预警阈值;结合预警阈值温度和持续时间,在寒潮事件水平上进行对应风险等级的划分,计算各定义寒潮对应的超额健康风险,并进一步计算出公众寒潮健康风险所对应的具体预警等级;
S5:公众寒潮健康风险与分级预警对应效果的验证
根据预警级别与健康结局之间的关系,比较公众寒潮健康风险与分级预警级别的风险差异,获得对应效果最优的公众寒潮健康风险评估值与分级预警级别相匹配的计算方法,并校准步骤S4,得到公众寒潮健康风险评估值与分级预警匹配计算结果;
S6:公众寒潮健康风险分级预警信息发布
重复步骤S3-S5,从外部数据源获取监测时间与地区的气象数据并处理,进行公众寒潮健康风险评估值与分级预警匹配计算,然后进行公众寒潮健康风险与分级预警对应效果的验证,最后输出监测时间与地区的公众寒潮健康风险分级预警信息,向公众提示寒潮健康风险。
2.根据权利要求1所述的公众冬季寒潮健康风险全阶段分级预警管理方法,其特征在于,其还包括如下步骤:
S7:构建网络管理***
构建一可视化网络管理***,其是一基于互联网的计算机***,包括外部数据源、远程云服务器、WEB服务器及多个管理终端、用户终端,并将步骤S1-S6中的计算模型、数据获取及处理、运算与验证所对应的程序,均内置到远程云服务器中。
3.根据权利要求2所述的公众冬季寒潮健康风险全阶段分级预警管理方法,其特征在于,所述的步骤S7,包括如下步骤:
S71:分别设置通过互联网相互连接的外部数据源、远程云服务器、WEB服务器及多个管理终端、用户终端;
S72:在所述的远程云服务器内置执行所述步骤S1-S6的计算机程序;
S73:多个管理终端分别通过WEB服务器访问远程云服务器,发送指令给远程云服务器内置的计算机程序,执行所述步骤S1-S6,远程云服务器将执行完毕的结果返回到发出请求的管理终端;
S74:多个用户终端分别通过WEB服务器访问远程云服务器,发送请求指令给远程云服务器内置的计算机程序,远程云服务器将已经执行完毕的所述步骤S1-S6的结果,返回到发出请求的用户终端。
4.根据权利要求1所述的公众冬季寒潮健康风险全阶段分级预警管理方法,其特征在于,步骤S1构建公众寒潮健康风险评估模型,包括如下步骤:
S11:绘制温度与非意外总死亡的暴露-反应关系曲线
在区县水平上估算各区县的暴露-反应关系,然后将各区县的结果进行Meta分析,采用两阶段分析方法,得到日最低温相对值的风险曲线,其中一阶段计算采用R语言中的分布滞后非线性模型与广义线性函数,具体见式1:
LogE(Yt)=α+βcbt+ns(timet,df)+ns(Rhmeant,df)+γDOWt 式1
式中:
Yt为心血管病在t日的死亡数;cb为日最低温与滞后的交叉基,使用二次B样条函数控制温度,degree设置为2,自由度设置为4,节点knots设置在P40和P60;滞后时间设置为14天,logknots函数等间距放置2个节点;ns(timet,df)为控制时间趋势的自然样条函数,df为自由度,取值为6/年;ns(RHmeant,df)为日均相对湿度的自然样条函数,自由度为3;DOWt为星期几的指示变量;
二阶段计算采用荟萃分析合并,具体方法为:使用一阶段所得各区县滞后14天的累积风险的交叉基系数和协方差矩阵,带入mvmeta函数进行荟萃分析合并;然后计算各区县每个百分位数的温度均值,使用onebasis函数构建不同百分位数对应日最低温的均值的矩阵;最后使用crosspred函数计算各百分位对应温度的相对风险RR值;以日最低温的百分位数为横坐标,以相对风险RR值为纵坐标绘制暴露-反应关系曲线;
S12:低温段暴露-反应关系曲线二阶求导确定阈值
对低于P5段的低温段暴露-反应关系曲线进行二次求导,计算P5以下各温度百分位的风险增加速度;选择风险增加速度最快的百分位Px作为预警中心阈值,进而确定P(5+x)/2为预警启动阈值;
S13:为公众寒潮健康风险评估设置两类阈值:“关注”级别的阈值和“预警”级别的阈值;其中关注级别的阈值设置1个,为:关注阈值;用于分级预警的预警级别的阈值设置两个,分别为:启动阈值和中心阈值;将日最低温的P5作为关注阈值;当日最低温度低于监测期间逐日最低温的P5时,启动“关注”级别。
5.根据权利要求4所述的公众冬季寒潮健康风险全阶段分级预警管理方法,其特征在于,所述的步骤S13,“预警”级别中心阈值的确定,包括如下步骤:
S131:将冬季监测阶段设定为每年的11月至次年3月,覆盖全部冬季的风险监测;
S132:绘制日最低温相对值与心血管病死亡风险的暴露-反应关系曲线;
S133:对低于P5段的低温段暴露-反应关系曲线进行二次求导,计算P5以下各温度百分位的风险增加速度。
6.根据权利要求1所述的公众冬季寒潮健康风险全阶段分级预警管理方法,其特征在于,步骤S2构建公众寒潮健康风险分级预警模型,包括如下步骤:
S21:选择阈值,当阈值温度小于P5,持续4天及以上的寒潮平均每年发生次数不足一次,在基于寒潮事件进行预警分级时,则仅考虑持续1天及以上、2天及以上、3天及以上的寒潮;结合温度阈值和持续时间,识别寒潮事件,然后根据寒潮事件的风险,在事件水平上确定预警分级;具体为:
S211:各类低温日与非低温日相比,在14天的滞后期内,心血管死亡风险增加的百分比;将低温日标记为1,非低温日标记为0,其它日期标记为2;使用如下两阶段模型计算后,只提取标记为1的低温日的结果参数;
第一阶段在区县水平寒潮与死亡风险的暴露-反应关系估算
每个区县分别进行暴露-反应关系的估算,使用广义线性模型分析连接准泊松回归,使用非约束DLM拟合寒潮当日及滞后期内的每日超额死亡风险,将年、月、星期几作为因子变量进行控制,计算模型见式2:
式中:
Yt为非意外疾病在t日的死亡数;
CSt-l为t+l日是否为寒潮日的指示变量,其中寒潮日为1,非寒潮日为0;
n为滞后天数,不同的滞后天数分别进行模型拟合;
ns(RHmean,2)为日均相对湿度的自然样条函数,自由度为2,当寒潮定义中的温度指标为THW时,在模型中不控制相对湿度;
Yearit为t日所在年的指示变量,i分别对应研究期间的5个年份;
Monthjt为t日所在月份的指示变量,j分别对应研究期间的5个月;
Dowkt为t日在星期几的指示变量,k分别对应一周内的7天;
提取上述模型结果中的滞后期内每一日的风险参数,估算每日风险,计算模型见式3:
RRl=exp(βl) 式3
式中:
RRl为l日的RR值;
βl为模型所得滞后第l日的系数;
然后将滞后期内的逐日相对风险增加,估算平均每日的风险,计算模型见式4:
式中:
RRoverall为l天滞后期内平均每日的风险;
βl为模型所得滞后第l日的系数;
第二阶段使用荟萃分析合并整个研究地区寒潮与死亡风险的暴露-反应关系
根据第一阶段所得风险的估计值以及标准误,使用随机效应模型的Meta分析,分别合并为全国、南方、北方的风险;研究所得结果为滞后期内,平均每天的超额死亡风险;最终的风险以风险增加的百分比,即ER值表达,计算模型见式5:
ER=(RR-1)×100% 式5
S212:将P5 day1即日最低温低于长期日最低温暴露的第5%分位数、并持续一天及以上低温日的心血管病超额死亡风险定义为R0;将P1 day1即日最低温低于长期日最低温暴露的第1%分位数、并持续一天及以上低温日的心血管超额死亡风险定义为R2;
S213:计算R0与R2的超额死亡风险差值△R;
S214:计算预警触发的超额死亡风险水平:R1=R2-△R/2;
S215:计算预警升级的超额死亡风险水平:R3=R2+△R/2;
S216:在以P(5+x)/2为阈值的寒潮事件中,定位ER值高于R1的持续天数j,将p(5+x)dayj作为预警启动的触发事件;如果p(5+x)dayj的ER值高于R1的部分超过△R,即超过R2,则选择p(5+x)day(j-1)为预警启动的触发事件;
S22:根据步骤S213-S216的计算结果,将寒冷预警分为冬季监测阶段、一个关注级别和三个预警级别。
7.根据权利要求1或2所述的公众冬季寒潮健康风险全阶段分级预警管理方法,其特征在于,步骤S3外部数据获取、处理,包括如下步骤:
S31:从外部数据源分别获取监测地区和时间的暴露数据,其中温度数据采自中国气象局国家气候中心,湿度采自欧洲中期天气预报中心的再分析的气象数据集,空气质量数据采自中国环境监测总站实时发布的空气质量监测数据;
S32:从外部数据源分别获取监测地区和时间的死因数据,该死因数据采自中国疾病预防控制中心死因监测***,疾病终点为非意外总死亡,心血管***疾病死亡、呼吸***疾病死亡;
S33:分别将暴露数据和死因数据处理为结构化数据,并存入数据库中;其数据中变量mcode为监测区域的区县代码,每个区县代码对应一个区县;变量Tminc为日最低温;变量total为非意外总死亡,cir为心血管***疾病死亡,res为呼吸***疾病死亡。
8.根据权利要求1或2所述的公众冬季寒潮健康风险全阶段分级预警管理方法,其特征在于,步骤S4公众寒潮健康风险评估值与分级预警匹配计算,包括如下步骤:
S41:将步骤S3处理后的数据,以温度阈值定义的寒潮与非意外总死亡的死亡风险的暴露-反应关系估算,先导入公众寒潮健康风险评估模型中,获得对应的两类阈值中的一类;
S42:然后,再将数据导入公众寒潮健康风险分级预警模型中,在温度水平上根据不同温度对应的健康风险确定预警阈值;
S43:结合预警阈值温度和持续时间,在寒潮事件水平上进行多种风险分级方法的风险等级划分,计算出公众寒潮健康风险所对应的具体预警等级。
9.根据权利要求1或2所述的公众冬季寒潮健康风险全阶段分级预警管理方法,其特征在于,所述的步骤S5公众寒潮健康风险与分级预警对应效果的验证,包括如下步骤:
S51:根据预警级别与健康结局之间的关系,比较公众寒潮健康风险预警各预警等级的健康风险差异;
S52:通过比较不同风险等级划分方法得到的公众寒潮健康风险预警方法对健康风险的指示能力,即在不同预警等级下,健康风险是否随着预警等级的提升而升高;以及在最低风险预警等级,是否能观察到超额健康风险的发生,据此获得对应效果最优的公众寒潮健康风险分级预警方法与分级预警级别相匹配的计算方法,并校准步骤S4,得到公众寒潮健康风险评估值与分级预警匹配计算结果。
10.一种实现权利要求1-9任一项所述方法的公众冬季寒潮健康风险全阶段分级预警管理***,其特征在于,其为一基于互联网的计算机***,包括外部数据源、远程云服务器、WEB服务器及多个管理终端、用户终端,所述的远程云服务器内置有执行所述步骤S1-S6的计算机程序;所述远程服务器内置的程序包括依次连接并交互通讯的数据获取单元、数据处理单元、公众寒潮健康风险评估单元、公众寒潮健康风险分级预警单元、匹配计算单元、效果验证单元与可视化输出单元;所述的公众寒潮健康风险评估单元内设有公众寒潮健康风险评估模型;所述的公众寒潮健康风险分级预警单元内设有公众寒潮健康风险分级预警模型;所述的远程云服务器通过各内置程序单元,获取外部数据,并对监测地区和监测时段内的数据进行实时标准化处理,实时预报监测地区与时段内的人群低温暴露所致健康风险水平,根据设定的风险分级预警阈值触发条件,输出寒潮健康分级预警的计算结果信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311189327.3A CN117196309A (zh) | 2023-09-15 | 2023-09-15 | 公众冬季寒潮健康风险全阶段分级预警管理***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311189327.3A CN117196309A (zh) | 2023-09-15 | 2023-09-15 | 公众冬季寒潮健康风险全阶段分级预警管理***及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117196309A true CN117196309A (zh) | 2023-12-08 |
Family
ID=88995813
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311189327.3A Pending CN117196309A (zh) | 2023-09-15 | 2023-09-15 | 公众冬季寒潮健康风险全阶段分级预警管理***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117196309A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117894158A (zh) * | 2024-03-15 | 2024-04-16 | 江苏省气象台 | 一种基于智能网格气温预报的寒潮灾害危险性预评估方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104834821A (zh) * | 2015-05-13 | 2015-08-12 | 中国环境科学研究院 | 河流污染特征污染物环境健康风险评估人群暴露区域确定方法及其应用 |
US20170308672A1 (en) * | 2014-09-05 | 2017-10-26 | University Of Cincinnati | Methods for determining risk and treating diseases and conditions that correlate to weather data |
CN111325406A (zh) * | 2020-03-03 | 2020-06-23 | 广东省公共卫生研究院 | 一种基于小空间尺度的热相关健康风险预警方法 |
WO2021120765A1 (zh) * | 2019-12-19 | 2021-06-24 | 北京工业大学 | 一种突发大气污染事故动态应急预警评估与决策支持方法和*** |
CN114462837A (zh) * | 2022-01-25 | 2022-05-10 | 济南市疾病预防控制中心 | 一种基于大数据的空气质量健康指数平台及其实现方法 |
CN116485172A (zh) * | 2022-12-09 | 2023-07-25 | 中国疾病预防控制中心环境与健康相关产品安全所 | 一种夏季热健康风险分级预警方法及预测预警*** |
-
2023
- 2023-09-15 CN CN202311189327.3A patent/CN117196309A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170308672A1 (en) * | 2014-09-05 | 2017-10-26 | University Of Cincinnati | Methods for determining risk and treating diseases and conditions that correlate to weather data |
CN104834821A (zh) * | 2015-05-13 | 2015-08-12 | 中国环境科学研究院 | 河流污染特征污染物环境健康风险评估人群暴露区域确定方法及其应用 |
WO2021120765A1 (zh) * | 2019-12-19 | 2021-06-24 | 北京工业大学 | 一种突发大气污染事故动态应急预警评估与决策支持方法和*** |
CN111325406A (zh) * | 2020-03-03 | 2020-06-23 | 广东省公共卫生研究院 | 一种基于小空间尺度的热相关健康风险预警方法 |
CN114462837A (zh) * | 2022-01-25 | 2022-05-10 | 济南市疾病预防控制中心 | 一种基于大数据的空气质量健康指数平台及其实现方法 |
CN116485172A (zh) * | 2022-12-09 | 2023-07-25 | 中国疾病预防控制中心环境与健康相关产品安全所 | 一种夏季热健康风险分级预警方法及预测预警*** |
Non-Patent Citations (1)
Title |
---|
朱雨辰: "基于气象因素的山东省流行性腮腺炎风险评估及精准防控的***研究", 《中国博士学位论文全文数据库医药卫生科技辑》, 15 February 2023 (2023-02-15), pages 25 - 86 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117894158A (zh) * | 2024-03-15 | 2024-04-16 | 江苏省气象台 | 一种基于智能网格气温预报的寒潮灾害危险性预评估方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Modeling urban building energy use: A review of modeling approaches and procedures | |
Meng et al. | Degree-day based non-domestic building energy analytics and modelling should use building and type specific base temperatures | |
CN116485172B (zh) | 一种夏季热健康风险分级预警方法及预测预警*** | |
Lee et al. | Energy retrofit analysis toolkits for commercial buildings: A review | |
US7920997B2 (en) | Electric power distribution interruption risk assessment calculator | |
Soldo et al. | Improving the residential natural gas consumption forecasting models by using solar radiation | |
CN103679373B (zh) | 生产基建标准成本体系的全链条预算数据处理***及方法 | |
CN111536421B (zh) | 一种长输热网智能监控*** | |
CN117196309A (zh) | 公众冬季寒潮健康风险全阶段分级预警管理***及方法 | |
US8594936B1 (en) | Providing current estimates of precipitation accumulations | |
Eslamian et al. | A new multiple regression model for predictions of urban water use | |
Smith et al. | Constructing a 7‐day ahead forecast model for grass pollen at north London, United Kingdom | |
Schwartz et al. | Developing a data-driven school building stock energy and indoor environmental quality modelling method | |
CN104574209A (zh) | 一种城网配变重过载中期预警模型的建模方法 | |
Jang et al. | On the long-term density prediction of peak electricity load with demand side management in buildings | |
Esawey et al. | Determination and application of standard K factors for bicycle traffic | |
CN116307724A (zh) | 一种基于复杂网络的产业链风险传播方法和*** | |
Walding et al. | A comparison of the US National Fire Danger Rating System (NFDRS) with recorded fire occurrence and final fire size | |
KR101201705B1 (ko) | 전력 수요 예측 방법 | |
Symonds et al. | Home energy efficiency and subjective health in greater London | |
Coakley | Calibration of detailed building energy simulation models to measured data using uncertainty analysis | |
Suárez-Moreno et al. | Observational analysis of decadal and long-term hydroclimate drivers in the Mediterranean region: role of the ocean–atmosphere system and anthropogenic forcing | |
Liu et al. | Efficiency of risk management for tunnel security of megaprojects construction in China based on system dynamics | |
CN115907509A (zh) | 一种大区域协同发布的aqhi指标体系构建方法与*** | |
Newburn et al. | Growth management policies for exurban and suburban development: theory and an application to Sonoma County, California |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |