道路交通伤害监测的数据来源与应用研究进展

随着经济的发展和城市化进程的加快,全球每天有超过3 400人死于道路交通伤害(road traffic injury,RTI)。高质量的数据来源是评估RTI的危险因素及制定干预措施减少RTI发生的依据。本文主要介绍RTI监测的数据来源、特点及应用情况,以期借助当下的大数据进行RTI研究。

应用聚类分析识别上海浦东新区道路交通事故模式

[目的]应用聚类分析方法对道路交通事故进行分类,识别不同事故的发生模式,为制定适应不同事故模式的干预措施提供依据。[方法]从上海市浦东新区交警事故处理记录数据库中调取自2010年1月1日—2016年12月31日期间共3 135起事故主要责任人信息。选取年龄、性别、时间、季度、天气、道路类型、路口路段、交通方式、事故原因9个变量作为分析变量,分别采取潜类别分析与系统聚类两种方法对交通事故进行聚类,分析聚类结果与伤害结局。[结果]潜类别分析可识别更多事故模式类别,优于传统系统聚类方法,潜类别分析聚类结果将事故发生模式分为6类,分别命名为"青中年机动车公路组""青中年客车一般道路组""青中年夜间摩托客车无证酒驾组""中老年电动车自行车组""中老年早晚步行组""青中年深夜机动车组"。各类别间伤害结局存在统计学差异(χ2=1 492.492,P<0.05),且伤害结局与事故分类具有相关关系(r=0.568,P<0.05)。各类别对健康结局的贡献以"中老年早晚步行组"最大,"中老年电动车自行车组"次之,"青中年客车一般道路组"最小。对比原始数据logistic回归模型与各类别logistic回归模型结果,发现事故被分类后,增加了新的伤害危险因素信息,且同一个自变量值在不同的事故模式中对伤害结局的贡献不同。[结论]对于本研究所用特定数据库潜类别分析在道路交通事故发生模式识别的结果优于传统聚类分析。中老年步行、骑行电动自行车违规横过机动车道以及青中年夜间驾驶机动车为该地区伤害高风险变量组合。

道路交通伤害死亡风险的影响因素分析及预测

[背景]近几年,道路交通伤害(RTI)已成为中国严重的公共卫生问题,RTI死亡风险的影响因素也较为复杂。[目的]寻找RTI死亡风险的影响因素,建立风险预测模型。[方法]回顾性收集2010—2016年间上海市浦东新区交通事故伤亡资料,并收集道路交通安全相关影响因素。采用logistic回归筛选RTI死亡风险的影响因素。建立RTI死亡风险列线图模型,用C-index评价模型的一致性和准确性,使用自抽样法对模型进行内部验证,并进行敏感性分析。[结果]研究共纳入3 521名交通事故中伤亡的人员。logistic回归结果显示伤亡人员的年龄、医疗救援距离、道路类型、交通方式、受伤部位、事故发生时间、是否为工作日均对RTI死亡风险的影响有统计学意义(P <0.05)。以此建立RTI死亡风险列线图,模型显示影响最大的因素是受伤部位(尤其是头颈部受伤),其次是年龄、交通方式、医疗救援距离、道路类型、事故发生时间、是否为工作日。模型的C-index为0.790,说明模型预测结果准确度良好,模型拟合良好。建立头颈部受伤的RTI死亡风险列线图模型,结果显示各纳入因素的评分标尺均有膨胀,最突出的是年龄,即影响最大的因素;不同道路类型对RTI死亡影响的风险改变,城市公路成为风险最大的道路类型;步行成为头颈部伤RTI死亡风险最大的交通方式。对不同伤亡人数的事故进行敏感性分析,结果显示所建立的模型具有一定的稳健性。[结论] RTI死亡风险受到诸多因素的影响。基于logistic回归建立的列线图作为预测RTI死亡风险的简易工具,对道路交通安全具有一定的参考意义。