基于環(huán)境氣象因素影響的異常就診量預(yù)測

于廣軍，熊贇，彭思佳，阮璐

1. 上海市兒童醫(yī)院，上海 200040；

2. 上海交通大學(xué)醫(yī)學(xué)院，上海 200025；

3. 復(fù)旦大學(xué)計算機(jī)科學(xué)技術(shù)學(xué)院，上海 200433；

4. 上海市數(shù)據(jù)科學(xué)重點實驗室，上海 200433；

5. 復(fù)旦大學(xué)化學(xué)系，上海 200433

1 引言

環(huán)境氣象被認(rèn)為是影響人類健康的因素之一，某些疾病的發(fā)生與惡化通常具有明顯的周期性氣候特征[1,2]。如春季氣溫回升，細(xì)菌滋生，小兒麻疹、風(fēng)疹、水痘、手足口病等病高發(fā)；秋冬季氣溫下降，肺結(jié)核、哮喘、肺炎、流行性感冒等疾病較為嚴(yán)重。另外，空氣污染物顆粒，如NOx、NO2、CO、O3、SO2、PM2.5、PM10等，都有可能導(dǎo)致相關(guān)疾病發(fā)生率升高[3,4]。

就醫(yī)人數(shù)作為疾病發(fā)生率的一種表現(xiàn)，易于統(tǒng)計，分析不同科室就醫(yī)人數(shù)與氣候變化的關(guān)系，為就醫(yī)人數(shù)建立預(yù)測模型和公共衛(wèi)生部門做出決策提供支持[5]，同時可以為人們選擇就醫(yī)時段提供參考。當(dāng)前，反映氣候狀況的氣溫、空氣環(huán)境的相應(yīng)指標(biāo)數(shù)據(jù)可以被準(zhǔn)確全面地記錄和整理。因為涉及隱私，對特定疾病發(fā)病情況的收集相對困難，而特定科室的就醫(yī)人數(shù)也可以在一定程度上反映疾病的發(fā)生情況。

利用大數(shù)據(jù)技術(shù)從醫(yī)療相關(guān)數(shù)據(jù)中發(fā)現(xiàn)潛在的關(guān)系與模式，幫助醫(yī)院和公共衛(wèi)生部門做出決策已經(jīng)受到關(guān)注。例如，2009年，Google公司借助大數(shù)據(jù)技術(shù)從用戶的搜索行為中預(yù)測了甲型H1N1流感的爆發(fā)，比美國疾病控制與預(yù)防中心先一步發(fā)出預(yù)警[6]；一些研究根據(jù)用戶在Twitter上的文章構(gòu)建了流感樣病例率的預(yù)測模型，取得了較準(zhǔn)確的結(jié)果[7]。這表明大數(shù)據(jù)可以幫助預(yù)測疾?。ㄓ绕涫橇餍胁。┑谋l(fā)趨勢，然而，這一領(lǐng)域的研究存在以下問題。

（1）數(shù)據(jù)的隱私保護(hù)

不管是用戶的搜索行為、社交網(wǎng)絡(luò)的言論，還是醫(yī)院或?qū)嶒炇业尼t(yī)療數(shù)據(jù)，都涉及用戶隱私，如何在保護(hù)隱私的前提下對數(shù)據(jù)進(jìn)行分析與挖掘是一大挑戰(zhàn)。

（2）數(shù)據(jù)的規(guī)模

數(shù)據(jù)是大數(shù)據(jù)分析技術(shù)的基礎(chǔ)，在需要用戶授權(quán)的情況下，目前往往只能收集到少量的用戶行為數(shù)據(jù)，無法得到具有普遍性的結(jié)論。

（3）就診量的波動性

特定科室的就醫(yī)人數(shù)聚合了多種疾病的發(fā)病率信息，就醫(yī)人數(shù)與氣候指標(biāo)間未必存在直接相關(guān)性，如何給出合理的預(yù)測預(yù)警是需要考慮的問題。

不同于現(xiàn)有的研究，本文利用反映氣候狀況的氣溫、空氣環(huán)境的相應(yīng)指標(biāo)數(shù)據(jù)對就診量進(jìn)行預(yù)測，數(shù)據(jù)準(zhǔn)確且規(guī)模大；通過對特定科室的就醫(yī)人數(shù)進(jìn)行預(yù)測，間接預(yù)測了特定類型疾病的發(fā)生發(fā)展情況，避免了對涉及隱私的病人發(fā)病情況的收集；并且側(cè)重于預(yù)測就醫(yī)人數(shù)的突發(fā)，建立就醫(yī)人數(shù)突發(fā)的預(yù)警模型。

2 基于環(huán)境氣象因素的就診量預(yù)測模型

環(huán)境氣象因素與一些特定疾病的發(fā)生息息相關(guān)，尤其是流行病和小兒疾病。當(dāng)前，反映氣候狀況的氣溫、空氣環(huán)境的相應(yīng)指標(biāo)數(shù)據(jù)可以被準(zhǔn)確全面地記錄和整理。因此，通過環(huán)境氣象因素來對就診量進(jìn)行預(yù)測，是一個合理的選擇。本文用到的環(huán)境因素包括兩類：氣溫和大氣污染物。氣溫因素包括3個指標(biāo)：最高氣溫、最低氣溫和平均氣溫；大氣污染指標(biāo)包括PM2.5、SO2、NO2、CO。

由于環(huán)境因素并不是就診量變化的唯一因素，因此直接對就診量的數(shù)值進(jìn)行預(yù)測是不合適的。本文試圖對就醫(yī)人數(shù)的異常情況建模，即預(yù)測就診量的環(huán)比變化情況。比如，預(yù)測當(dāng)天的就醫(yī)人數(shù)相對前幾天是平穩(wěn)的還是突變的。因此，預(yù)測模型是一個分類模型。筆者選擇隨機(jī)森林[8]作為分類器。

將氣溫因素和污染物因素及醫(yī)院傳染科平均就醫(yī)人數(shù)作為模型的特征，建立就醫(yī)人數(shù)與環(huán)境特征間的隨機(jī)森林分類器，實現(xiàn)對就醫(yī)突變情況預(yù)測。具體如下。

選擇溫度、PM2.5、SO2、NO2、CO指標(biāo)和平均就醫(yī)人數(shù)作為模型的特征，并假定各特征之間相互獨立。變量Tt=＜Tmin,t,Tmax,t,Tmean,t＞表示日期t當(dāng)天的最高氣溫、最低氣溫和平均氣溫?？紤]就醫(yī)人數(shù)與溫度的時滯效應(yīng)，選擇預(yù)測日期前N天（不含當(dāng)日）的溫度變化作為特征，分別計算N天平均溫度天內(nèi)最大溫差Dev(TN)，其中：

對PM2.5、SO2、NO2、CO指標(biāo)做同樣的處理，形成污染物的特征，表示N天內(nèi)PM2.5的平均值。表示經(jīng)過標(biāo)準(zhǔn)化后的前N天的平均就醫(yī)人數(shù)（不含當(dāng)日）。因此模型的特征集表示為：

對就醫(yī)人數(shù)的異常情況建模，異常情況是指環(huán)比變化情況。模型的目標(biāo)變量應(yīng)該反映預(yù)測當(dāng)天的就醫(yī)人數(shù)的突變情況，假定閾值當(dāng)G＞α?xí)r，判定就醫(yī)人數(shù)突增，當(dāng)G＜β時，判定就醫(yī)人數(shù)突減，即當(dāng)標(biāo)準(zhǔn)化后的就醫(yī)人數(shù)偏離超過均值的α或β倍標(biāo)準(zhǔn)差時判定為就醫(yī)人數(shù)突增或突減，見表1。

表1 判定就醫(yī)異常情況

其中，將L(Y)作為標(biāo)簽，特征集F中，的取值為連續(xù)變量，L為類別標(biāo)簽。

本文在訓(xùn)練樣本集上構(gòu)造了10棵決策樹組合的隨機(jī)森林分類器。

3 實驗分析

（1）數(shù)據(jù)集

模型涉及多源數(shù)據(jù)集，包括大氣污染物監(jiān)測數(shù)據(jù)、氣溫數(shù)據(jù)和就醫(yī)人數(shù)的數(shù)據(jù)，下面以某市為例進(jìn)行說明。

● 大氣污染物監(jiān)測數(shù)據(jù)來源于國家氣象中心，包括該市2013年1月1日—2014年11月30日的大氣SO2、NO2、CO、PM2.5污染物濃度。

● 氣溫數(shù)據(jù)為國家氣象信息中心提供的2013年1月1日—2014年11月30日該市氣象站每日常規(guī)連續(xù)監(jiān)測數(shù)據(jù)，包括最高氣溫、最低氣溫和平均氣溫。

● 就醫(yī)數(shù)據(jù)是2013年1月1日—2014年11月30日該市某兒童醫(yī)院傳染科科室就醫(yī)人數(shù)每日變化數(shù)據(jù)。

上述3個數(shù)據(jù)集描述性統(tǒng)計結(jié)果見表2。

（2）環(huán)境氣象與就診人數(shù)趨勢相關(guān)性分析

圖1為該市PM2.5濃度的日平均值，為每日連續(xù)監(jiān)測數(shù)據(jù)，可見濃度在冬季（2013年12月—2014年2月）達(dá)到當(dāng)年最高值，春季次之，夏季（2014年9月—2014年10月）最低。污染物取值大于零，對污染物水平取對數(shù)發(fā)現(xiàn)，其對數(shù)取值滿足正態(tài)分布。圖2、圖3、圖4是該市大氣污染因子SO2、NO2、CO的連續(xù)分布圖，類似的，污染物在冬季（2013年12月—2014年2月）達(dá)到當(dāng)年最高值，春季次之，夏季（2014年9月—2014年10月）最低。

表2 描述性統(tǒng)計結(jié)果

如圖5所示，該市日氣溫變化具有明顯的時間規(guī)律性，高峰值出現(xiàn)在夏季的8月，低峰值出現(xiàn)在冬季的1月。

傳染科就診人數(shù)變化趨勢如圖6所示，具有明顯的周期性，其高峰值出現(xiàn)在初夏（6月—7月），8月—9月為次低谷，低峰值出現(xiàn)在深冬（1月—2月）。初夏之際，氣溫驟升，適合細(xì)菌繁殖，因此傳染科的就診量最高。而在1月—2月，氣溫是一年中最低的，不利于細(xì)菌的繁殖，就診量也就相對較低。

（3）實驗結(jié)果

實驗以該市2013年1月1日—2014年11月30日氣溫數(shù)據(jù)，PM2.5、SO2、NO2、CO大氣污染濃度和該市兒童醫(yī)院傳染科日就診人數(shù)為基礎(chǔ)，構(gòu)造上述特征和標(biāo)簽，對就醫(yī)人數(shù)進(jìn)行了前文所述的標(biāo)準(zhǔn)化處理，并且根據(jù)標(biāo)準(zhǔn)化后的就醫(yī)人數(shù)最多及最少的20%界定。實驗采用隨機(jī)森林作為分類器，以十折交叉驗證的方式分別計算分類器在突增、突減以及正常情況下的預(yù)測準(zhǔn)確率。為評估就診人數(shù)隨環(huán)境變化的時滯效應(yīng)，研究延遲天數(shù)N從1到7變化時，各情況下的準(zhǔn)確率和召回率，具體情況見表3。

圖1 2013年1月1日—2014年11月30日某市PM2.5濃度隨時間變化的趨勢

圖2 2013年1月1日—2014年11月30日某市SO2濃度隨時間變化的趨勢

實驗結(jié)果表明，在N較?。∟=1或N=2）時，分類的準(zhǔn)確率都不高，表明環(huán)境的變化無法在短時間內(nèi)立刻影響到就醫(yī)人數(shù)。隨著N的增大，分類效果逐漸提升，并在延遲4日時效果最好，此后隨時間的增加，分類效果遞減。這表明環(huán)境因素對傳染科就診人數(shù)的影響時滯在4日左右，延遲如果過大，則環(huán)境因素的影響變?nèi)酢嶒灲Y(jié)果表明分類模型可取N=4來獲取最好的分類效果。

表3 隨機(jī)森林分類器預(yù)測準(zhǔn)確率及召回率隨延遲變化

圖3 2013年1月1日—2014年11月30日某市NO2濃度隨時間變化的趨勢

圖4 2013年1月1日—2014年11月30日某市CO濃度隨時間變化的趨勢

圖5 2013年1月1日—2014年11月30日某市氣溫隨時間變化的趨勢

在延遲設(shè)定為4日（N=4）時，就醫(yī)人數(shù)突增預(yù)測的準(zhǔn)確率為92.8%，召回率為83.5%；就醫(yī)人數(shù)突減預(yù)測的準(zhǔn)確率為87.4%，召回率為92.4%；就醫(yī)人數(shù)沒有明確波動的情況預(yù)測準(zhǔn)確率為80.5%，召回率為78.1%?？傮w上看，分類器對正常情況的預(yù)測表現(xiàn)一般，這是因為就醫(yī)人數(shù)受多種因素影響，其他變量的變化也會導(dǎo)致就醫(yī)人數(shù)發(fā)生異常變化，使得結(jié)果不屬于正常情況?？梢詫⑵渌蛩丶尤敕诸惼髦校岣邔φＧ闆r的預(yù)測效果。分類器對突增和突減情況的預(yù)測要明顯好于對正常情況的預(yù)測，具有較高的準(zhǔn)確率和召回率，說明從環(huán)境因素預(yù)測就診量的異常波動是有效的。

隨機(jī)森林的分類結(jié)果通過K個決策樹結(jié)果的投票來決定，提升了單個決策樹的分類精度，防止了過擬合的出現(xiàn)，是一種比較可靠的分類方法。為了評估隨機(jī)森林分類效果，本文挑選了6種常用的分類算法（高斯樸素貝葉斯、SVM、K近鄰、決策樹、XGBoost、邏輯回歸）進(jìn)行分類試驗，并與隨機(jī)森林分算法進(jìn)行對比。結(jié)果見表4。

實驗表明各種分類算法在不同情況下各有優(yōu)劣。高斯樸素貝葉斯方法在突增召回率上表現(xiàn)不錯，但是準(zhǔn)確率過低，且對正常情況的預(yù)測效果很差，說明過多地將正常情況判定為了異常情況；SVM和XGBoost在突增上的表現(xiàn)和隨機(jī)森林接近，但在突減上表現(xiàn)略差。K近鄰在各項指標(biāo)上的表現(xiàn)都較差。決策樹的召回率比較好，但準(zhǔn)確率低。邏輯回歸算法在正常情況下的召回率太低?？傮w來說，隨機(jī)森林的表現(xiàn)要優(yōu)于其他算法。

表4 各種分類算法進(jìn)行分類試驗的結(jié)果

4 結(jié)束語

本文研究分析了分類模型在某兒童醫(yī)院傳染科就診人數(shù)突變的應(yīng)用。抽取待預(yù)測日期前一段時間內(nèi)氣溫、污染物濃度以及就醫(yī)人數(shù)整體水平作為分類模型的特征，利用隨機(jī)森林模型預(yù)測就醫(yī)人數(shù)的異常情況，具有較高的準(zhǔn)確率和召回率。對就醫(yī)人數(shù)的預(yù)測可以輔助醫(yī)院合理安排醫(yī)療人員，亦可為公眾合理安排就醫(yī)時間提供幫助。由于科室就醫(yī)人數(shù)聚合了不同疾病患者的就醫(yī)信息，而不同疾病與外界環(huán)境的關(guān)系不盡相同，科室就醫(yī)人數(shù)與環(huán)境因素間的相關(guān)性在一定程度上被弱化了。為判明特定疾病與環(huán)境因素間的關(guān)系需要收集更精準(zhǔn)的數(shù)據(jù)，這是未來要完成的工作。

[1]KOUTRAS A, SAKELLAKIS M,MAKATSORIS T, et al. Seasonal variability in the incidence of carcinomatous meningitis[J]. Journal of Neurosurgery,2015, 122(3): 543-546.

圖6 2013年1月1日—2014年11月30日某市兒童醫(yī)院傳染科就診人數(shù)變化趨勢

[2]HONG J S, KANG H C. Seasonal variation in case fatality rate in Korean patients with acute myocardial infarction using the 1997-2006 Korean National Health Insurance Claims Database[J]. Acta Cardiologica, 2014, 69(5): 513-521.

[3]LEE S L, WONG W H S, LAU Y L.Association between air pollution and asthma admission among children in Hong Kong[J]. Clinical & Experimental Allergy,2006, 36(9): 1138-1146.

[4]LE T G, NGO L, MEHTA S, et al. Effects of short-term exposure to air pollution on hospital admissions of young children for acute lower respiratory infections in Ho Chi Minh City, Vietnam[J]. Research Report(Health Effects Institute), 2012, 12(4):174-181.

[5]SOYIRI I N, REIDPATH D D, SARRAN C.Forecasting asthma-related hospital admissions in London using negative binomial models[J]. Chronic Respiratory Disease, 2013, 10(2): 85-94.

[6]DAVIDSON M W, HAIM D A, RADIN J M. Using networks to combine “big data” and traditional surveillance to improve influenza predictions[J]. Scientific Reports, 2015(5): 8154.

[7]LAMPOS V, BIE T D, CRISTIANINI N.Flu detector: tracking epidemics on twitter[C]// European Conference on Machine Learning and Knowledge Discovery in Databases, September 20-24,2010, Barcelona, Spain. Heidelberg:Springer Press, 2010: 599-602.

[8]BREIMAN L. Random Forests[J]. Machine Learning, 2001, 45(1): 5-32.