降雨量與腦卒中入院的關聯性：基于分布滯后非線性模型

曾繁艷 楊學智 劉星雨 莫佳麗 劉祖婷 盧依 易應萍 況杰

【摘要】 背景 腦卒中是嚴重危害人類健康的主要慢性病，降雨量與腦卒中發病的關系尚未明確。目的 分析南昌市降雨量與腦卒中入院的關聯性，為制定腦卒中綜合防治策略和措施提供科學依據。方法 收集江西省衛生健康委員會信息中心DRGs管理系統中南昌市2015—2019年腦卒中入院數據及全國城市空氣質量實時發布平臺大氣污染物和南昌市氣象基站數據，分析腦卒中入院患者、大氣污染物及氣象因素的基本特征。采用Spearman秩相關分析探究腦卒中入院例數與大氣污染物和氣象因素的相關性，利用分布滯后非線性模型分析降雨量與腦卒中入院的關系，并按照性別、年齡（<65歲和≥65歲）進行分層分析，lag代表滯后天數。結果 2015—2019年南昌市腦卒中入院患者79 523例，其中男性（49 072例，61.71%）、年齡≥65歲 （48 092例，60.48%）的患者所占比例較大，冬（12月～次年2月）、春（3～5月）季腦卒中入院例數分別為20 065例（25.23%）、20 358例（25.60%）。降雨量與腦卒中入院呈非線性關系，并存在一定的滯后效應。降雨量對腦卒中入院的效應在lag1、lag2的RR值均為1.009，95%CI分別為1.000～1.019、1.001～1.016。分層分析顯示：較高降雨量對男性腦卒中入院例數的主要效應為lag6，RR值為1.003；對女性腦卒中入院例數的主要效應為lag1和lag2，RR值分別為1.018（95%CI=1.004～1.031）、1.020（95%CI=1.009～1.031）；對65歲以下缺血性腦卒中入院例數的主要效應為lag1（RR=1.016，95%CI=1.003～1.030）、lag2（RR=1.018，95%CI=1.007～1.029）。結論 短期暴露于較高降雨量可增加腦卒中入院風險，女性、65歲以下人群對降雨暴露更為敏感，應加強對該人群的防護。

【關鍵詞】 腦卒中；降雨量；危險因素；分布滯后非線性模型；入院例數；氣候和疾??；江西省

【中圖分類號】 R 743 【文獻標識碼】 A DOI：10.12114/j.issn.1007-9572.2024.0010

Association between Rainfall and Stroke Admissions：Based on Distributional Lag Nonlinear Modeling

ZENG Fanyan1，YANG Xuezhi1，LIU Xingyu1，MO Jiali1，LIU Zuting1，LU Yi1，YI Yingping2，KUANG Jie1*

1.Department of Epidemiology，School of Public Health，Nanchang University/Jiangxi Provincial Key Laboratory of Preventive Medicine，Jiangxi Medical College，Nanchang University，Nanchang 330006，China

2.Medical Big Data Research Center，the Second Affiliated Hospital of Nanchang University，Nanchang 330006，China

*Corresponding author：KUANG Jie，Associate professor； E-mail：kuangjie@ncu.edu.cn

【Abstract】 Background Stroke is a chronic condition that seriously impairs human health. The correlation between rainfall and onset of stroke remains unclear. Objective To analyze the correlation between rainfall and stroke admissions in Nanchang City，and to provide scientific references for developing a comprehensive prevention and treatment strategy for stroke. Methods Stroke admission data from Nanchang City（2015-2019） from the digital-related group（DRG） system of the Jiangxi Provincial Health Commission Information Center were collected. In addition，atmospheric pollutant data from the national urban air quality real-time release platform and meteorological data from the Nanchang meteorological base station were collected. Basic characteristics of stroke admission patients，air pollutants，and meteorological factors were analyzed. Spearman rank correlation analysis was performed to identify the correlation of case number of stroke admissions with air pollutants and atmospheric factors. Distributional lag nonlinear model was used to explore the linkage between rainfall and stroke admissions. Stratified analysis was conducted based on gender and age（<65 years old and ≥65 years old），and lag represented the lagging days. Results From 2015 to 2019，there were 79 523 hospitalized patients with stroke in Nanchang City，of which 49 072（61.71%） were males and 48 092（60.48%）were ≥65 years old，accounting for a large proportion. The number of stroke admissions in winter

（December to February）and spring（March to May）were 20 065（25.23%）and 20 358（25.60%），respectively. There was a nonlinear relationship between rainfall and stroke admission，and there was a certain lag effect. The RR values of lag1 and lag2 for the effect of rainfall on stroke admission was both 1.009，and 95%CI were 1.000-1.019 and 1.001-1.016，respectively. Stratified analysis showed that the main effect of higher rainfall on the number of male stroke admissions was lag6，RR value was 1.003；the main effect on the number of hospital admissions for female stroke was lag1 and lag2，with RR values of 1.018（95%CI=1.004-1.031）and 1.020（95%CI=1.009-1.031），respectively. The main effects on the number of hospitalizations for ischemic stroke under 65 years of age were lag1（RR=1.016，95%CI=1.003-1.030），and lag2（RR=1.018，95%CI=1.007-1.029）. Conclusion Short-term exposure to higher rainfall can increase the risk of stroke hospitalization，and women and people under 65 years of age are more sensitive to rainfall exposure，and protection should be strengthened for this group of people.

【Key words】 Stroke；Rainfall；Risk factors；Distributional lag nonlinear model；Hospital admissions；Climates and diseases；Jiangxi province

隨著老齡化、城鎮化、工業化進程加快和行為危險因素流行，腦卒中導致的死亡及疾病負擔在我國總死亡和疾病負擔中的占比巨大。腦卒中發病急，病因復雜，已有研究表明，氣象因素與腦卒中發病有一定的關系［1］。

降雨量是一個重要的氣象指標，既往研究表明其與心腦血管疾病發病相關，如降雨量對心血管疾病住院率的影響、降水量增加與住院的發病率增加有關［2］，與缺血性腦卒中住院率減少有關［3］。KINTOKI MBALA等［4］研究表明降雨量減少與缺血性腦卒中之間存在正相關關系，降雨量增加與出血性腦卒中之間存在正相關關系。有研究顯示，較高的空氣濕度會增加卒中的風險［5］。目前，降雨量與腦卒中入院關系的研究較少，且結果并不一致。因此，本研究旨在采用分布滯后非線性模型（distributed lag nonlinear model，DLNM）研究2015—2019年南昌市降雨量與腦卒中入院例數的關聯性，為相關部門制定腦卒中綜合防治策略和措施提供科學依據。

1 資料與方法

1.1 數據來源

腦卒中入院數據來自江西省衛生健康委員會信息中心DRGs（diagnosis related groups）管理系統，腦卒中的診斷基于國際疾病分類第10版（ICD-10）編碼：I60～I69。病例信息主要包括入院日期、住院時間、性別、年齡等臨床信息。病例納入標準：年齡≥18歲，住院時長>24 h，研究期間首次住院，并診斷為腦卒中，醫療類別為住院的所有腦卒中患者。數據先由江西省11個地級市二、三級綜合醫院上傳至江西省衛生健康委員會信息中心，信息中心對數據進行統一的標準化，邏輯查錯以及疾病編碼校對，以確保數據的完整性及準確性。

2015—2019年每日氣象資料來源于南昌市氣象基站數據，包括日最高溫、日最低溫、均溫、濕度、風向、風速、能見度、云量、大氣壓、降雨量。每日大氣污染物資料來源于全國城市空氣質量實時發布平臺，包括大氣顆粒物PM10、PM2.5、臭氧（O3）、二氧化硫（SO2）、一氧化碳（CO）、二氧化氮（NO2）。

1.2 統計學方法

對研究期間的腦卒中入院病例資料、氣象資料進行統計描述，將腦卒中入院例數按照春季（3～5月）、夏季（6～8月）、秋季（9～11月）和冬季（12月～次年2月）進行分組，獲得腦卒中入院的季節性特點。計數資料以相對數表示，對大氣污染物、氣象因素進行Spearman秩相關分析，采用DLNM定量探索降雨量對腦卒中入院的影響，其中腦卒中每日入院例數為因變量，由于日平均氣溫、日最高氣溫、日最低氣溫之間存在高度相關性，為避免多重共線性對模型的影響，在構建模型時，只取了日最低氣溫這一指標，因其與腦卒中入院的相關系數r最大，然后按照向前逐步回歸進行變量篩選，以降雨量為研究變量，將篩選出的大氣污染物和氣象因素作為混雜變量，控制長期趨勢、星期幾效應和節假日效應，構建DLNM模型，最終模型如下：

log［E（Yt）］=α+βCb.rainfall+NS（time，ν）+DOW+holiday+PM10+SO2+NO2+O3+fs+lt+njd+airpressure

式中Yt為腦卒中日入院例數，α為截距，Cb.rainfall為降雨量與滯后時間的交叉基，β為Cb.rainfall系數，NS為自然立方樣條函數，ν為自由度，time為時間變量，DOW為星期幾效應，holiday為節假日效應，fs為風速，lt為日最低氣溫，njd為能見度，airpressure為氣壓。

根據廣義赤池信息量準則（quasi-likelihood for Akaike's information criterion，Q-AIC），選擇最長滯后時間為7 d，繪制降雨量在不同滯后時間下對腦卒中入院影響的三維關聯圖；根據既往類似研究［6-7］，確定氣象因素的自由度均為3，大氣污染物的自由度為4，時間趨勢變量每年的自由度為7。建立模型后，繪制相應的滯后效應分布圖，并按性別、年齡分層，分析降雨量對腦卒中入院的影響。lag代表滯后天數，所有分析采用R 4.1.2軟件進行，雙側檢驗水準α=0.05。

2 結果

2.1 腦卒中病例入院特征和季節性變化特征

2.1.1 腦卒中病例入院特征：2015—2019年南昌市共報告腦卒中病例79 523例，其中缺血性腦卒中59 193例，出血性腦卒中20 330例。在腦卒中總病例數及缺血性腦卒中、出血性腦卒中患者中，男性占比均較大；在缺血性腦卒中入院病例中，65歲及以上老年人（68.23%）所占比例較大，而在出血性卒中入院病例中，65歲以下人群（62.12%）所占比例較大，詳見表1。

2.1.2 腦卒中入院季節性變化特征及降雨量分布：2015年腦卒中急性發作病例數為13 666例，2016年16 998例，2017年15 078例，2018年16 353例，2019年17 428例。不同年份腦卒中急性發作的季節分布比較，差異有統計學意義（χ2=25.405，P=0.013，表2）。降水量每年分布差異不大（圖1）。

2.2 大氣污染物及氣象資料主要特征描述及與腦卒中的相關性分析

大氣污染物及氣象因素均為偏態分布，故用中位數及四分位間距表示16個變量的集中趨勢和離散趨勢（表3），采用Spearman秩相關分析計算各變量之間的相關性（圖2），結果顯示：腦卒中急性發作總人數與PM10、NO2、日溫差、氣壓呈正相關關系（P<0.05），與SO2、O3、日最高溫、日最低溫、日均溫、風速、降雨量呈負相關關系（P<0.05），其中缺血性腦卒中急性發作與NO2、日最高溫、日最低溫、日均溫、日溫差、風向、能見度呈正相關關系（P<0.05），與SO2、濕度、風速、降雨量呈負相關關系（P<0.05）；出血性腦卒中與PM2.5、PM10、NO2、氣壓呈正相關關系（P<0.05），與SO2、O3、日最高溫、日最低溫、日均溫、日溫差、風速、風向、能見度呈負相關關系（P<0.05，圖2）。

2.3 降雨量與腦卒中入院的滯后效應分析

由降雨量對腦卒中入院影響的3D圖（圖3）可知，降雨量越大，降雨量對腦卒中入院的當日影響越弱，而滯后2 d與滯后6 d時，隨降雨量的增多，降雨量對腦卒中入院的影響逐漸增強。降雨量對缺血性腦卒中入院的影響與對腦卒中入院的影響類似；對出血性腦卒中入院的影響表現出了顯著的滯后性，對出血性腦卒中入院的效應在滯后1～2 d出現。降雨量對腦卒中入院、缺血性腦卒中入院、出血性腦卒中入院的影響的累積效應在各滯后期均無統計學意義（圖4）。

由圖5可知，降雨量與腦卒中日發作人數為非線性關系。以降雨量0 mm為參照，降雨量對腦卒中急性發作的效應在lag1、lag2最大，RR值均為1.009，95%CI分別為1.000～1.019、1.001～1.016。降雨量對缺血性腦卒中的主要效應為lag1、lag2，RR均為1.011，95%CI分別為1.000～1.022、1.002～1.020，對出血性腦卒中的主要效應為lag1，RR為1.004（95%CI=0.987～1.020）。

2.3.1 按性別分層的降雨量與腦卒中入院的關聯性：降雨量對男性腦卒中急性發作人數的主要效應為lag6，RR值為1.003（P>0.05），對女性腦卒中急性發作人數的主要效應為lag1和lag2，RR值分別為1.018（95%CI=1.004～1.031）、1.020（95%CI=1.009～1.031），對男、女性缺血性腦卒中發病人數的效應同上。對男性出血性腦卒中發病人數的主要效應為lag5（RR=1.004，95%CI=0.988～1.020），對女性出血性腦卒中發病人數的主要效應為lag1（RR=1.021，95%CI=0.996～1.047），見圖6。

2.3.2 按年齡分層的降雨量與腦卒中入院的關聯性：降雨量對65歲以下缺血性腦卒中急性發作人數的主要效應為lag1（RR=1.016，95%CI=1.003～1.030）、lag2（RR=1.018，95%CI=1.007～1.029），對65歲及以上缺血性腦卒中急性發作人數的主要效應為lag6（RR=1.015，95%CI=0.999～1.031），對65歲及以上出血性腦卒中急性發作人數的主要效應為lag1（RR=1.004，95%CI=0.984～1.025）、lag2（RR=1.004，95%CI=0.987～1.021），對65歲以下出血性腦卒中急性發作人數的主要效應為lag6（RR=1.005，95%CI=0.980～1.029），見圖7。

3 討論

本研究旨在了解腦卒中急性發作患者的入院特征，采用DLNM探討降雨量與腦卒中入院的關聯性，為做好腦卒中的綜合防治提供科學依據。本研究結果顯示，腦卒中入院患者中，男性、年齡≥65歲人群占比更多，與諸多研究結果一致［8-10］。值得注意的是，在出血性腦卒中入院病例中65歲以下人群所占比例較大。中山市一項研究表明，年輕人群（35～64歲）和65歲及以上人群急性心肌梗死和腦卒中發病分別占總數的30.53%、68.09%，年輕化趨勢顯著［11］，本研究結果與之相似。同樣還有研究表明，中國低收入人群中腦卒中發病有年輕化趨勢［12］。

在降雨量與腦卒中發病的滯后效應分析中，控制了時間趨勢、星期幾效應及其他混雜因素后，發現降雨量與腦卒中日發作人數在lag0為負相關關系。但也有研究發現降雨量與心腦血管疾病門診量呈正相關關系［13］，這可能是因為心腦血管疾病包含的疾病種類較多，就可能存在降雨量與心腦血管疾病的某些類疾病的發病存在關聯，從而顯示出這種結果。以降雨量0 mm為參照，降雨量對腦卒中急性發作的效應在lag1、lag2最大，說明降雨量對腦卒中急性發作的滯后效應主要在lag1和lag2，且對缺血性腦卒中的影響較出血性腦卒中大。同樣有研究表明，極端降水可能增加缺血性腦卒中住院的風險［14］，日本一項研究也顯示高年降雨量與卒中發病風險增加相關［15］。關于降雨與腦卒中入院的可能機制主要有：（1）在潮濕的環境中，身體排汗能力降低，鈉離子和氯離子的排除被阻斷，可能引起血壓升高［16］，而高血壓是缺血性腦卒中的高風險因素。（2）降水可以增加細菌和病毒的傳播，而急性細菌或病毒感染會增加急性缺血性腦卒中的風險［17］。

本研究還按年齡、性別進行了分層分析，探究哪類人群更易受到降雨量的影響，結果顯示降雨量對男性腦卒中急性發作人數的主要效應無統計學意義，女性更容易受降雨的影響增加腦卒中入院風險；對65歲以下缺血性腦卒中急性發作人數的主要效應為lag1（RR=1.016，95%CI=1.003～1.030）、lag2（RR=1.018，95%CI=1.007～1.029）。合肥一項研究表明，男性和65歲以上的人對極端降水更敏感［14］，本研究結果與之不同；但也有研究顯示，在降雨量較高的社區中，婦女的卒中發病率高于其他社區婦女［15］，這可能是氣壓這一混雜因素在高降雨量和卒中之間呈正相關關系，氣壓低的地區降雨更多，已知低氣壓會增加凝血酶原和凝血酶-抗凝血酶復合物的濃度，并增強因子ⅤⅡa的活性。而且，潮濕空氣中粉塵的傳播會增加，接觸的有毒物質也會增加［18］。

本研究尚存在一定的局限性：（1）僅分析了南昌這一個地區。（2）降雨等監測數據來自監測站，并不能準確代表個人的暴露量，生態學偏倚難以避免。

4 小結

基于南昌市數據，短期暴露于較高降雨量可增加腦卒中入院風險，降雨量暴露對于女性、65歲以下人群更為敏感。近年來隨著極端天氣的強度、頻率的持續時間不斷增加，健康適應政策應關注降雨量增加的影響，做好極端天氣健康風險預警，提醒腦卒中好發的敏感人群關注極端天氣的健康風險并做好防護。

作者貢獻：況杰提出論文選題方向，負責研究設計，文章審校；曾繁艷負責統計分析及論文撰寫；楊學智、劉星雨、莫佳麗負責提供論文寫作思路，統計方法協助；劉祖婷、盧依負責數據收集、數據整理；易應萍負責研究可行性分析，文章質量控制；所有作者確認了論文的最終稿。

本文無利益沖突。

曾繁艷：https：//orcid.org/0009-0004-0190-3620

參考文獻

陳念，王春茹. 氣象環境因素與腦卒中發病的相關性研究［J］. 醫學信息，2019，32（16）：34-37. DOI：10.3969/j.issn.1006-1959.2019.16.011.

TSANGARI H，PASCHALIDOU A K，KASSOMENOS A P，

et al. Extreme weather and air pollution effects on cardiovascular and respiratory hospital admissions in Cyprus［J］. Sci Total Environ，2016，542（Pt A）：247-253. DOI：10.1016/j.scitotenv.2015.10.106.

CHU S Y，COX M，FONAROW G C，et al. Temperature and precipitation associate with ischemic stroke outcomes in the United States［J］. J Am Heart Assoc，2018，7（22）：e010020. DOI：10.1161/JAHA.118.010020.

KINTOKI MBALA F，LONGO-MBENZA B，MBUNGU FUELE S，et al. Impact of seasons，years El Nino/La Nina and rainfalls on stroke-related morbidity and mortality in Kinshasa［J］. J Mal Vasc，2016，41（1）：4-11. DOI：10.1016/j.jmv.2015.12.002.

HIREL C，BERTON L，PREDA C，et al. Air pollution and humidity as triggering factors for stroke. Results of a 12-year analysis in the West Paris area［J］. Rev Neurol，2019，175（10）：614-618. DOI：10.1016/j.neurol.2019.03.002.

LUO Y X，LI H B，HUANG F F，et al. The cold effect of ambient temperature on ischemic and hemorrhagic stroke hospital admissions：a large database study in Beijing，China between years 2013 and 2014-Utilizing a distributed lag non-linear analysis［J］. Environ Pollut，2018，232：90-96. DOI：10.1016/j.envpol.2017.09.021.

陳豪. 基于分布滯后非線性模型的空氣污染短期暴露與缺血性卒中的關聯研究［D］. 重慶：重慶醫科大學，2022.

楊宇鵬，柳艷萍，楊學禮，等. 2012—2021年天津市濱海新區居民腦卒中發病特征及趨勢分析［J］. 中國慢性病預防與控制，2023，31（4）：311-314. DOI：10.16386/j.cjpccd.issn.1004-6194.2023.04.015.

《中國腦卒中防治報告》編寫組，王隴德. 《中國腦卒中防治報告2021》概要［J］. 中國腦血管病雜志，2023，20（11）：783-792，封3. DOI：10.3969/j.issn.1672-5921.2023.11.009.

XUE X D，JIANG G H，LI W，ZHANG Y，et al. Epidemiological characteristics of hemorrhagic stroke among residents in Tianjin from 1999 to 2018［J］. Zhonghua Liu Xing Bing Xue Za Zhi，2021，42（8）：1460-1465. DOI：10.3760/cma.j.cn112338-20201028-01288.

張浩玲，林海，郭艷，等. 2015—2018年中山市急性心腦血管病流行特征分析［J］. 現代預防醫學，2021，48（3）：405-409，446.

WANG W Z，JIANG B，SUN H X，et al. Prevalence，incidence，and mortality of stroke in China：results from a nationwide population-based survey of 480 687 adults［J］. Circulation，2017，135（8）：759-771. DOI：10.1161/CIRCULATIONAHA.116.025250.

王在翔，趙晶，牛澤亮，等. 空氣污染對心腦血管疾病門診量影響的Poisson廣義可加模型分析［J］. 中國衛生統計，2017，34（2）：232-235.

TANG C，LIU X G，HE Y Y，et al. Association between extreme precipitation and ischemic stroke in Hefei，China：Hospitalization risk and disease burden［J］. Sci Total Environ，2020，732：139272. DOI：10.1016/j.scitotenv.2020.139272.

MATSUMOTO M，ISHIKAWA S，KAJII E. Cumulative effects of weather on stroke incidence：a multi-community cohort study in Japan［J］. J Epidemiol，2010，20（2）：136-142. DOI：10.2188/jea.je20090103.

CHO G J，AHN K H，KIM L Y，et al. Effect of relative humidity on preeclampsia［J］. Clin Exp Obstet Gynecol，2017，44（2）：264-267.

SEBASTIAN S，STEIN L K，DHAMOON M S. Infection as a stroke trigger［J］. Stroke，2019，50（8）：2216-2218. DOI：10.1161/STROKEAHA.119.025872.

ZAR?BA K，LASEK-BAL A，STUDENT S. The influence of selected meteorological factors on the prevalence and course of stroke［J］. Medicina，2021，57（11）：1216. DOI：10.3390/medicina57111216.

（收稿日期：2024-01-01；修回日期：2024-03-10）

（本文編輯：毛亞敏）