急诊就诊量与气象要素的相关性分析.docx

急诊就诊量与气象要素的相关性分析
【摘要】 目的 探讨急诊就诊量与气象要素的关系。方法 分析2005年1月至2006年12月本院急诊就诊量的变化特征，并与同期杭州市气象资料进行相关性分析。结果 7月份的急诊日就诊人次最高，而2月份最低。使用多元线性回归模型发现，平均相对湿度、最高气温、最低气温和最大风速与急诊就诊量显着相关。结论 急诊就诊量与气象要素密切相关。
【关键词】 急诊 气象要素 相关性
　　【Abstract】 Objective To explore correlation between the volume of emergency department visits and meteorological factors. Methods Correlation between the volume of emergency department visits at Zhejiang Provincial People‘s Hospital in 2005-2006 and meteorological factors during the same period was analyzed. Results The volume of emergency department visits was highest in July and lowest in February. Average humidity, maximum temperature, minimum temperature and maximum wind speed were significantly correlated with the volume of emergency department visits in a linear regression model. Conclusion There is a significant correlation between the volume of emergency department visits and meteorological factors.
　　【Key words】 Emergency Meteorological factors Correlation

　　在临床工作中，常常发现不同的天气气候情况影响着急诊科的就诊人数，而国外已有一些研究报道了气象要素对急诊就诊量的影响，但杭州地区气象要素变化与急诊就诊量的研究目前尚无相关报道。本院为浙江省急救指挥中心挂靠单位，且急诊数量较大。为此，作者对本院近2年的急诊数量及同期气象资料进行分析，以寻求影响急诊就诊量的天气条件，为减少和应对急诊提供科学依据。
　　1 资料与方法
　　一般资料 急诊就诊资料由本院急诊科提供，包括2005年1月至2006年12月急诊数据，资料连续完整。气象资料由中国气象科学数据共享服务网提供，包括气温、相对湿度、风速、降水量等9个气象要素共6 570个气象数据。
　　方法 收集2005年1月至2006年12月本院急诊患者就诊资料和同期杭州市气象资料，建立成Excel文档，并使用多元线性回归模型筛选出影响急诊就诊量的气象要素。
　　统计学处理 采用SPSS 软件，使用post hoc检验。
　　2 结果
　　急诊就诊量的月分布特征 2005年1月1日至2006年12月31日的连续730天中，本院急诊科共接纳急诊患者199 649人次，平均每日人次。每个月的平均日急诊人次(图1)，可见7月份急诊量最高，而2月份最低。这两个月的日急诊人次与其他月份相比，差异有显着性。

　　急诊就诊量与气象要素的相关性 选用最大相对湿度、最小相对湿度、平均相对湿度、最高气温、最低气温、平均气温、最大风速、平均风速、降水量这9个气象因子与同期急诊就诊量进行相关性分析。使用多元线性回归模型发现，平均相对湿度、最高气温、最低气温和最大风速与急诊就诊量显着相关，见表1。
　　表1 气象因素与急诊就诊量的多元线性回归分析　略
　　根据上述气象因素预测急诊日就诊量的公式为：日就诊人次＝＋ (×平均相对湿度)＋(×最高气温)＋(×最低气温)－(×最大风速)。
　　3 讨论

　　之前国外已有多项研究显示很多疾病的急性发作与气候季节变化有关。如心肌梗死的发作与气候变化明显相关，研究发现在下雪天中，因心肌梗死和心脏骤停的就诊量增加了27%［1］；髋部骨折有独立的季节发生率，冬季发生率较高［2］，而且在冰雨日子中发生最多［3］；儿童桡骨远端骨折的发生率，与日照时间呈明显正相关，而与雨天呈负相关［4］；而国内也有报道心脑血管疾病［5］、呼吸道疾病［6］、消化道疾病［7］发病率的增高，与气温变化的相关性比较好；精神分裂症、燥狂症等精神类疾病与气压的相关性比较高［8］。

　　而关于急诊就诊量与气象要素关系的研究并不多。Bhattacharyya和Millham［9］发现创伤的急诊就诊量与日最高气温有关，而下雨会导致创伤就诊量下降，特别是大于一英寸的降水量时可使创伤总就诊量下降10%； Rotstein等［10］进行了一项两年的回顾性研究，结果发现气温、降雨和湿度与急诊就诊量显着相关。而在本次研究中发现，7月份的急诊日就诊人次最高，而2月份最低；使用多元线性回归模型发现，平均相对湿度、最高气温、最低气温和最大风速与急诊就诊量显着相关。

　　7 月份杭州地区的气象特点是高湿、低压及日温差变化较大。这段时间天气以阴雨天较多,空气湿度大,天气闷热,加之日温差变化大,使机体在短时间内难以适应，容易发生机体调节功能紊乱；而我国传统的春节一般都在2月份，此时很多户外危险性比较大的工作都已停工休息，生活较为轻松愉悦，故意外事故的发生率也就相应降低。所以本次研究中，7月份的急诊日就诊人次最高，而2月份最低。

　　潮湿的空气使人体感到不适，特别是中老年人，造成许多心脑血管疾病急性发作。而气温的过高或过低，都会使人体感到较难适应，特别对于中老年人，容易造成心脑血管等急症发生率增加。而且在气温较低的冬季，特别是冰雪天，由于路面状况的恶劣，骨折外伤的就诊人次也随之增加。风速无论对于内科疾病急性发作还是外科创伤都影响甚微，只会影响人们的出行，减少户外受伤的机会，同时风速较大的天气会使一些病情不太严重的急诊患者就诊延迟或改期为他日门诊就诊，故在本研究中最大风速与急诊就诊量为负相关。可能出于同样的原因，虽然下雨天会造成交通事故的增加，但另一方面出行的不便利，导致非交通事故的急诊就诊人数减少，两者相互抵消，使得在本次研究中降水量与急诊就诊人数无正负相关性。由于国内气象资料的局限性，本次研究未能获取气压、日照时间、能见度等气象要素的资料数据，无法对其进行分析而与国外相关资料进行比较，有待于日后进一步研究探讨。

　　Holleman等［11］应用季节和气象因素较为准确地预测了就诊量，解释了84%的每日变量和44%的周日变量。本次研究根据分析结果，也计算出预测急诊日就诊量的公式，不仅需在接下来的急诊工作中对其进行检验校正，也可以利用公式对未来的急诊就诊量进行预测估计。所以了解影响急诊就诊量的气象因素，不但可以提醒公众特别是有基础疾病和从事户外危险性工作等人群注意保健和安全，而且还能及时预测可能的急诊就诊量，以利于合理分配急诊医疗资源。
【参考文献】
　　1 Spitalnic SJ, Jagminas L, Cox J. An association between snowfall and ED presentation of cardiac arrest. Am J Emerg Med, 1996, 14(6):572～573.
　　2 Jacobsen SJ, Sargeant DJ, Atkinson EJ, et al. Population based study of the contribution of weather to hip fracture seasonality. Am J Epidemiol, 1995, 141(1):79～83.
　　3 Levy AR, Bensimon DR, Mayo NE, et al. Inclement weather and the risk of hip fracture. Epidemiology, 1998, 9(2):172～177.
　　4 Materson E, Borton D, O‘Brien T. Victims of our climate. Injury, 1993,24(4): 247～248.
　　5 张晓云, 于世北, 刘彬贤, 等. 脑卒中高发期预报. 中国慢性病预防与控制, 2003 , 11 (5) : 230～231.
　　6 山义昌, 徐太安, 郑学山, 等. 潍坊市四类疾病与气象环境的关系. 气象, 2001 , 27(11) : 52～54.
　　7 张晓云, 刘彬贤, 刘艳, 等. 气象要素对肠道传染病的影响及预报. 气象, 2002 , 28 (5) : 53～55.
　　8 张晓云, 刘建勋, 李金华, 等. 气象要素与精神疾病的相关性研究. 中国现代临床医学, 2005, 4 (2) : 22～23.
　　9 Bhattacharyya T, Millham F. Relationship between weather and seasonal factors and trauma admission volume at a level-one trauma center. J Trauma, 2001, 51(1):118～122.
　　10 Rotstein Z, Wilf-Miron R, Lavi B, et al. The dynamics of patient visits to a public hospital ED: a statistical model. Am J Emerg Med, 1997, 15(6):596～599.
　　11 Holleman DR Jr, Bowling RL, Gathy C. Predicting daily visits to a walk-in clinic and emergency department using calendar and weather data. J Gen Intern Med, 1996, 11(4):237～239.