基于机器学习的两个代表城市上呼吸道感染与气象要素关系及其发病风险预测研究

选取华南地区深圳市、西南地区攀枝花市2个不同气候区的当地医院上呼吸道感染发病逐日就诊病例数据和同期气象数据,采用随机森林方法和RNN(Recurrent neural network)深度学习方法,通过对两地上呼吸道感染发病特征及其与气象条件关系进行研究,分别构建了两地上呼吸道感染发病风险预测模型。结果表明:(1)深圳市上呼吸道感染就诊人数峰值出现在6—8月,谷值出现在1—2月,呈现以热不舒适的效应为主;而攀枝花市上呼吸道感染就诊人数峰值出现在11月—次年1月,谷值出现在3—7月,呈现以冷不舒适效应为主。(2)逐日平均气温的变化对两地上呼吸道感染发病的影响最明显,当日平均气温>25℃或者<10℃时,两地上呼吸道感染发病风险明显上升。(3)日平均风速影响次之,它与日平均相对湿度和日平均气温一起,通过对气候舒适度产生影响,进而影响人群上呼吸道感染发病情况。(4)在上呼吸道感染与气象要素关联性分析及预测方法优选的基础上,基于RNN深度学习方法构建的两城市上呼吸道感染发病风险预测模型,可为当地相关疾病风险预测及防控提供重要科技支持。