·方法学·

武冈市农村地区心脑血管住院病例的时间

序列预测分析

吴玉攀　韦柳意　王双　陆姗　胡博睿　他福慧　陈磊　毛宗福４３００７１武汉市，武汉大学健康学院全球健康系（吴玉攀、韦柳意、王双、胡博睿、毛宗福）；４３００７２武汉市，武汉大学全球健康研究中心（陆姗、他福慧、陈磊、毛宗福）通信作者：毛宗福，Ｅｍａｉｌ：ｚｆｍａｏ＠１２６．ｃｏｍＤＯＩ：１０．１６４６２／ｊ．ｃｎｋｉ．ｚｈｊｂｋｚ．２０１９．０２．０２０

　　【摘要】　目的　建立武冈市农村地区心脑血管疾病（ｃａｒｄｉｏｃｅｒｅｂｒｏｖａｓｃｕｌａｒｄｉｓｅａｓｅ，ＣＶＤ）住院病例的预测模型，并对ＣＶＤ住院病例的变化趋势进行预测分析，为医院合理配置ＣＶＤ科室医疗资源提供参考依据。方法　利用 Ｓｔａｔａ１４０软件对武冈市２０１３年１月 ～２０１６年１２月农村地区ＣＶＤ住院人次月度数据构建季节性自回归移动平均混合模型（ｓｅａｓｏｎａｌａｕｔｏｒｅｇｒｅｓｓｉｖｅｉｎｔｅｇｒａｔｅｄｍｏｖｉｎｇａｖｅｒａｇｅｍｏｄｅｌ，ＳＡＲＩＭＡ），并对２０１７年武冈市农村地区ＣＶＤ住院病例进行预测分析。结果　通过模型构建最终拟合的ＣＶＤ住院病例预测模型为ＳＡＲＩＭＡ（２，１，１）ｘ（０，１，０）１２。ＬｊｕｎｇＢｏｘＱ检验结果显示残差序列为白噪音序列（Ｑ＝１１１２，Ｐ＝０６８０），说明所建模型拟合度较好，且２０１７年的预测结果与观测结果基本一致，总体相对误差在１２％左右。预测结果显示，夏季为每年ＣＶＤ住院高峰期。结论　ＳＡＲＩＭＡ模型可以对武冈市ＣＶＤ住院病例进行较准确的短期预测，医院可以根据不同月份ＣＶＤ就医需求合理配置院内ＣＶＤ科室医疗资源。

【关键词】　心脑血管；时间序列分析；自回归综合移动平均模型；季节性；预测【中图分类号】Ｒ４５；Ｒ１３　　 【文献标识码】Ａ 【文章编号】１６７４３６７９（２０１９）０２０２２２０５基金项目：中组部全国党建研究会、原国家卫计委基层卫生司联合委托重点课题［（２０１７）５３号］

ＡｔｉｍｅｓｅｒｉｅｓｐｒｅｄｉｃｔｉｏｎａｎｄａｎａｌｙｓｉｓｏｎｒｕｒａｌｉｎｐａｔｉｅｎｔｗｉｔｈｃａｒｄｉｏｃｅｒｅｂｒｏｖａｓｃｕｌａｒｄｉｓｅａｓｅｉｎＷｕｇａｎｇ　ＷＵＹｕｐａｎ，ＷＥＩＬｉｕｙｉ，ＷＡＮＧＳｈｕａｎｇ，ＬＵＳｈａｎ，ＨＵＢｏｒｕｉ，ＴＡＦｕｈｕｉ，ＣＨＥＮＬｅｉ，ＭＡＯＺｏｎｇｆｕＳｃｈｏｏｌｏｆＨｅａｌｔｈＳｃｉｅｎｃｅｓ，ＷｕｈａｎＵｎｉｖｅｒｓｉｔｙ，Ｗｕｈａｎ　４３００７１，Ｃｈｉｎａ（ＷｕＹＰ，ＷｅｉＬＹ，ＷａｎｇＳ，ＨｕＢＲ，ＭａｏＺＦ）；ＧｌｏｂａｌＨｅａｌｔｈＩｎｓｔｉｔｕｔｅ，ＷｕｈａｎＵｎｉｖｅｒｓｉｔｙ，Ｗｕｈａｎ　４３００７２，Ｃｈｉｎａ（ＬｕＳ，ＴａＦＨ，ＣｈｅｎＬ，ＭａｏＺＦ）Ｃｏｒｒｅｓｐｏｎｄｉｎｇａｕｔｈｏｒ：ＭＡＯＺｏｎｇｆｕ，Ｅｍａｉｌ：ｚｆｍａｏ＠１２６．ｃｏｍ　　【Ａｂｓｔｒａｃｔ】　Ｏｂｊｅｃｔｉｖｅ　ＴｏｅｓｔａｂｌｉｓｈａｐｒｅｄｉｃｔｉｖｅｍｏｄｅｌｆｏｒｉｎｐａｔｉｅｎｔｓｏｆｃａｒｄｉｏｃｅｒｅｂｒｏｖａｓｃｕｌａｒｄｉｓｅａｓｅｉｎｒｕｒａｌａｒｅａｓｏｆＷｕｇａｎｇｔｈｒｏｕｇｈｔｉｍｅｓｅｒｉｅｓａｎａｌｙｓｉｓ，ａｎｄｐｒｅｄｉｃｔｔｈｅｃｈａｎｇｉｎｇｔｒｅｎｄｏｆｃａｒｄｉｏｃｅｒｅｂｒｏｖａｓｃｕｌａｒｄｉｓｅａｓｅ，ｓｏａｓｔｏｏｆｆｅｒｇｕｉｄａｎｃｅｆｏｒｔｈｅｈｅａｌｔｈｃａｒｅｒｅｓｏｕｒｃｅｓａｌｌｏｃａｔｉｏｎａｎｄｐｒｅｖｅｎｔｉｏｎａｎｄｃｏｎｔｒｏｌｏｆｃａｒｄｉｏｃｅｒｅｂｒｏｖａｓｃｕｌａｒｄｉｓｅａｓｅ．Ｍｅｔｈｏｄｓ　Ｔｈｅｓｅａｓｏｎａｌａｕｔｏｒｅｇｒｅｓｓｉｖｅｉｎｔｅｇｒａｔｅｄｍｏｖｉｎｇａｖｅｒａｇｅｍｏｄｅｌ（ＳＡＲＩＭＡ）ｗａｓｃｏｎｓｔｒｕｃｔｅｄｂａｓｅｄｏｎｔｈｅｍｏｎｔｈｌｙｎｕｍｂｅｒｏｆｃａｓｅｓｏｆｃａｒｄｉｏｃｅｒｅｂｒｏｖａｓｃｕｌａｒｄｉｓｅａｓｅｉｎｒｕｒａｌａｒｅａｓｆｒｏｍＪａｎｕａｒｙ２０１３ｔｏＤｅｃｅｍｂｅｒ２０１６ｂｙＳｔａｔａ１４０ｓｏｆｔｗａｒｅ，ａｎｄｔｈｅｐｒｅｄｉｃｔｉｖｅｅｆｆｅｃｔｏｆｔｈｅｍｏｄｅｌｗａｓｖｅｒｉｆｉｅｄｗｉｔｈｔｈｅｍｏｎｔｈｌｙｎｕｍｂｅｒｏｆｉｎｐａｔｉｅｎｔｓｏｆｃａｒｄｉｏｃｅｒｅｂｒｏｖａｓｃｕｌａｒｄｉｓｅａｓｅｉｎ２０１７．Ｒｅｓｕｌｔｓ　ＴｈｅｆｉｎａｌｆｉｔｔｉｎｇｍｏｄｅｌｏｆｉｎｐａｔｉｅｎｔｓｏｆｃａｒｄｉｏｃｅｒｅｂｒｏｖａｓｃｕｌａｒｄｉｓｅａｓｅｗａｓＳＡＲＩＭＡ（２，１，１）×（０，１，０）１２．Ｔｈｅｒｅｓｉｄｕａｌｓｅｑｕｅｎｃｅｏｆｔｈｅｍｏｄｅｌｗａｓｄｉａｇｎｏｓｅｄ．ＲｅｓｕｌｔｓｏｆＬｊｕｎｇＢｏｘＱｔｅｓｔｓｈｏｗｅｄｔｈａｔｔｈｅｒｅｓｉｄｕａｌｓｅｑｕｅｎｃｅｗａｓｗｈｉｔｅｎｏｉｓｅｓｅｑｕｅｎｃｅ（Ｑ＝１１１２，Ｐ＝０６８）．Ｉｎａｄｄｉｔｉｏｎ，ｔｈｅ２０１７ｆｏｒｅｃａｓｔｗａｓｂａｓｉｃａｌｌｙｃｏｎｓｉｓｔｅｎｔｗｉｔｈｔｈｅｏｂｓｅｒｖａｔｉｏｎｓ，ｔｈｅｏｖｅｒａｌｌｒｅｌａｔｉｖｅｅｒｒｏｒｗａｓａｒｏｕｎｄ１２％．Ｔｈｅｒｅｓｕｌｔｓｓｈｏｗｅｄｔｈａｔｔｈｅｓｕｍｍｅｒｗａｓｔｈｅｐｅａｋｐｅｒｉｏｄｏｆｃａｒｄｉｏｖａｓｃｕｌａｒａｎｄｃｅｒｅｂｒｏｖａｓｃｕｌａｒｈｏｓｐｉｔａｌｉｚａｔｉｏｎ．Ｃｏｎｃｌｕｓｉｏｎ　ＳＡＲＩＭＡｍｏｄｅｌｃａｎａｃｃｕｒａｔｅｌｙｐｒｅｄｉｃｔｔｈｅｎｕｍｂｅｒｏｆｉｎｐａｔｉｅｎｔｓｏｆｃａｒｄｉｏｃｅｒｅｂｒｏｖａｓｃｕｌａｒｄｉｓｅａｓｅｉｎＷｕｇａｎｇ，ｗｈｉｃｈｃａｎｐｒｏｖｉｄｅｄａｔａｓｕｐｐｏｒｔｆｏｒｔｈｅｈｏｓｐｉｔａｌａｄｍｉｎｉｓｔｒａｔｏｒｔｏｒａｔｉｏｎａｌｌｙａｌｌｏ

·２２２· 中华疾病控制杂志２０１９年２月第２３卷第２期　ＣｈｉｎＪＤｉｓＣｏｎｔｒｏｌＰｒｅｖ　２０１９Ｆｅｂ；２３（２）

ｃａｔｅｍｅｄｉｃａｌｒｅｓｏｕｒｃｅｓｉｎｔｈｅｃａｒｄｉｏｖａｓｃｕｌａｒａｃｃｏｒｄｉｎｇｔｏｔｈｅｎｅｅｄｓｏｆｃａｒｄｉｏｃｅｒｅｂｒｏｖａｓｃｕｌａｒｔｒｅａｔｍｅｎｔｉｎｄｉｆｆｅｒｅｎｔｍｏｎｔｈｓ．

【Ｋｅｙｗｏｒｄｓ】　Ｃａｒｄｉｏｃｅｒｅｂｒｏｖａｓｃｕｌａｒｄｉｓｅａｓｅ；Ｔｉｍｅｓｅｒｉｅｓａｎａｌｙｓｉｓ；Ａｕｔｏｒｅｇｒｅｓｓｉｖｅｃｏｍｐｒｅｈｅｎｓｉｖｅｍｏｖｉｎｇａｖｅｒａｇｅｍｏｄｅｌ；Ｓｅａｓｏｎａｌｉｔｙ；Ｐｒｅｄｉｃｔｉｏｎ

Ｆｕｎｄｐｒｏｇｒａｍ：ＴｈｅＮａｔｉｏｎａｌＰａｒｔｙＢｕｉｌｄｉｎｇＲｅｓｅａｒｃｈＡｓｓｏｃｉａｔｉｏｎｏｆｔｈｅＣｅｎｔｒａｌＯｒｇａｎｉｚａｔｉｏｎＤｅｐａｒｔｍｅｎｔａｎｄｔｈｅＰｒｉｍａｒｙＨｅａｌｔｈＤｅｐａｒｔｍｅｎｔｏｆｔｈｅｆｏｒｍｅｒＮａｔｉｏｎａｌＨｅａｌｔｈａｎｄＦａｍｉｌｙＰｌａｎｎｉｎｇＣｏｍｍｉｓｓｉｏｎｊｏｉｎｔｌｙｃｏｍｍｉｓｓｉｏｎｅｄａｋｅｙｐｒｏｊｅｃｔ［（２０１７）５３］．

（ＣｈｉｎＪＤｉｓＣｏｎｔｒｏｌＰｒｅｖ２０１９，２３（２）：２２２２２６）

　　心脑血管疾病（ｃａｒｄｉｏｃｅｒｅｂｒｏｖａｓｃｕｌａｒｄｉｓｅａｓｅ，ＣＶＤ）是严重威胁人类生命质量和期望寿命的重大公共卫生问题之一，目前已成为世界大多数国家人

口的首要死因［１］。据世界卫生组织报道，２０１６年全世界大约有 ４１００万人死于慢性非传染性疾病（ｎｏｎｃｏｍｍｕｎｉｃａｂｌｅｄｉｓｅａｓｅｓ，ＮＣＤｓ），其中，因 ＣＶＤ死亡的人数达到了１７９０万，占所有因ＮＣＤｓ死亡人数的４４％［２］。随着社会老龄化和城市化进程加快，

居民不健康生活方式流行，我国居民ＣＶＤ发病呈现出在低龄化、低收入群体中快速增长及个体聚集趋

势。２０１７年我国 ＣＶＤ患者已经超过 ２９亿人，每年死于 ＣＶＤ近 ３００万人，占每年总死亡病因的５１％［３］。既往研究表明季节性自回归综合移动平

均模型（ｓｅａｓｏｎａｌａｕｔｏｒｅｇｒｅｓｓｉｖｅｉｎｔｅｇｒａｔｅｄｍｏｖｉｎｇａｖｅｒａｇｅｍｏｄｅｌｓ，ＳＡＲＩＭＡ模型）可以应用于医院门急诊量的预测［４］，然而针对ＣＶＤ住院病例进行预测模型构建的研究却比较少。本研究通过分析２０１３－２０１７年武冈市新农合收集的 ＣＶＤ住院患者资料，试图运用时间序列分析中的 ＳＡＲＩＭＡ模型对２０１３－２０１６年每月 ＣＶＤ住院病例数量进行建模拟合，预测２０１７年该市 ＣＶＤ住院病例数量，并将其与实际数值比较以验证预测性能，从而为ＣＶＤ的防控及医院ＣＶＤ科室医疗资源配置提供科学依据。

１　资料与方法

１．１　资料　数据来源于武冈市新农合数据库管理平台，获取年限为２０１３年１月１日至２０１７年１２月３１日，其中２０１３－２０１６年住院数据用于建立时间序列模型，２０１７年住院数据用于验证模型预测能力。以住院患者出院诊断的第一诊断为主，根据国

际疾病分类标准（ｉｎｔｅｒｎａｔｉｏｎａｌｃｌａｓｓｉｆｉｃａｔｉｏｎｏｆｄｉｓｅａｓｅｓ１０，ＩＣＤ１０）对 ＣＶＤ编码，ＩＣＤ１０编码中 Ｉ００Ｉ９９的疾病即为 ＣＶＤ病例。剔除重复和缺失数据，最终整理出武冈市２０１３－２０１７年 ＣＶＤ住院患者病例１４６４１例。因湖南省建立了全省统一的标准化医保监测管理平台，武冈市所有医疗机构均与省级医

保系统进行了对接，保证了数据质量。

１．２　方法　采用时间序列分析中的季节性自回归综合移动平均模型对 ＣＶＤ住院病例数进行预测。ＳＡＲＩＭＡ（ｐ，ｄ，ｑ）（Ｐ，Ｄ，Ｑ）ｓ中，ｐ、ｄ、ｑ和 Ｐ、Ｄ、Ｑ分别表示连续模型和季节模型中自回归、差分和移动

平均的阶数，ｓ表示季节模型的周期。ｄ和 Ｄ的值可根据差分次数进行确定，ｐ、ｑ、Ｐ以及 Ｑ的值可根据样本自相关函数（ａｕｔｏｃｏｒｒｅｌａｔｉｏｎｆｕｎｃｔｉｏｎ，ＡＣＦ）图和偏自相关函数（ｐａｒｔｉａｌａｕｔｏｃｏｒｒｅｌａｔｉｏｎｆｕｎｃｔｉｏｎ，ＰＡＣＦ）图来识别。１．３　统计分析　运用 Ｓｔａｔａ１４０统计软件进行数据分析，通过序列平稳→模型识别→参数估计→模型诊断→模型预测五个步骤建立 ＳＡＲＩＭＡ模型，对２０１３－２０１６年武冈市农村地区 ＣＶＤ住院病例进行时间序列分析，并对２０１７年住院病例进行预测分析。运用ｄｉｃｋｅｙｆｕｌｌｅｒ单位根检验序列的平稳性，用ＢｏｘＬｊｕｎｇ检验评估模型的残差序列之间是否彼此独立。检验水准α＝００５。

２　结果

２．１　一般情况　２０１３－２０１６年，武冈市农村地区共有３３４６３名ＣＶＤ患者住院。住院患者人次数呈逐年增长趋势，并且存在明显的季节性周期，即每年

的６、７月份为“峰值”，每年的１、２月份为“谷底”。初步判断该时间序列为非平稳时间序列。见图１。２．２　ＳＡＲＩＭＡ模型建模步骤２．２．１　序列相关性与平稳性检验　结合原始时间序列图（图１）和ｄｉｃｋｅｙｆｕｌｌｅｒ单位根检验（Ｚ（ｔ）＝－２４１，Ｐ＝０１４０），可以确定原始时间序列是非平稳的，因此，需要对其进行相应的差分变换以减小序列波动。

２．２．２　模型的识别　原始序列１次非季节性差分后，ＡＣＦ图ＰＡＣＦ图与所处的时间无相关，识别为平稳序列，初步拟合为ｄ＝１的非季节性ＡＲＩＭＡ（ｐ，１，ｑ）模型。又因每年６、７月份出现住院高峰，１、２月份出现住院“谷底”，且非季节性一阶差分后偏自相

关系数在１２的整数倍上显著不为零，提示序列有季

·３２２·中华疾病控制杂志２０１９年２月第２３卷第２期　ＣｈｉｎＪＤｉｓＣｏｎｔｒｏｌＰｒｅｖ　２０１９Ｆｅｂ；２３（２）

图１　武冈市２０１３－２０１６年心脑血管住院病例的时间分布序列图

Ｆｉｇｕｒｅ１　ＴｈｅｓｅｒｉｅｓｄｉａｇｒａｍｏｆｃａｒｄｉｏｃｅｒｅｂｒｏｖａｓｃｕｌａｒｉｎｐａｔｉｅｎｔｓｉｎＷｕｇａｎｇｆｒｏｍ２０１３ｔｏ２０１６

节性周期变动，故作时间序列周期为１２的１阶季节性差分转换。从季节性差分后的ＡＣＦ和ＰＡＣＦ图以及ｄｉｃｋｅｙｆｕｌｌｅｒ单位根检验结果（Ｚ（ｔ）＝－１２１１，Ｐ＜０００１）可以判断，该序列已基本消除了周期性趋势，构建的季节性模型为ＳＡＲＩＭＡ（Ｐ，１，Ｑ）１２。因此，最终确定的ＳＡＲＩＭＡ模型为（ｐ，１，ｑ）ｘ（Ｐ，１，Ｑ）１２。２．２．３　模型参数估计和模型诊断　通过１次非季节性差分和１次季节性差分后的时间序列 ＡＣＦ图和ＰＡＣＦ图可知，自相关系数在滞后１阶后落在置信区间内，但存在拖尾属性。偏自相关系数滞后３阶截尾，则 ＳＡＲＩＭＡ连续模型的自回归阶数 ｑ≤１，移动平均阶数ｐ≤３。再考虑季节自相关特征，ＡＣＦ图在滞后１２阶落入２倍标准差范围，ＰＡＣＦ图在滞后１２阶落入２倍标准差范围。因此，Ｐ可能取值为０，１；Ｑ的取值为０，１，见图２。　　将满足条件 ｐ≤３，ｑ≤１，Ｐ≤１，Ｑ≤１的所有值带入ＳＡＲＩＭＡ（ｐ，１，ｑ）ｘ（Ｐ，１，Ｑ）１２模型中，最终得到ＳＡＲＩＭＡ（２，１，１）ｘ（０，１，０）１２和ＳＡＲＩＭＡ（２，１，０）（０，１，０）１２模型的拟合参数差异具有统计学意义，其他模型至少有一个参数差异无统计学意义（Ｐ＞００５），见表 １。比较两个备选模型的 ＡＩＣ和 ＢＩＣ值，模型 ＳＡＲＩＭＡ（２，１，１）（０，１，０）１２的 ＢＩＣ值（ＢＩＣ＝２８８７８５）较小，因此，模型 ＳＡＲＩＭＡ（２，１，１）（０，１，０）１２为最佳模型。

表１　备选模型的参数估计Ｔａｂｌｅ１　ＴｈｅｅｓｔｉｍａｔｉｏｎｏｆｍｏｄｅｌｐａｒａｍｅｔｅｒｓＳＡＲＩＭＡ（２，１，１）（０，１，０）１２Ｂ值 Ｚ值 Ｐ值

ＳＡＲＩＭＡ（２，１，０）（０，１，０）１２Ｂ值 Ｚ值 Ｐ值

ＡＲ１ －０．６７ －３．６８ ＜０．００１ －０．９１ －５．２０ ＜０．００１ＡＲ２ －０．５７ －３．４４ ０．００１ －０．６５ －４．３０ ＜０．００１Ｍａ１ －０．９９ －３．０９ ０．００２ － － －

图２　原始序列作周期为１２的一阶季节性差分后的自相关图、偏自相关图

Ｆｉｇｕｒｅ２　Ａｕｔｏｃｏｒｒｅｌａｔｉｏｎｆｉｇｕｒｅａｎｄｐａｒｔｉａｌａｕｔｏｃｏｒｒｅｌａｔｉｏｎｆｉｇｕｒｅｏｆｔｈｅｓｅｑｕｅｎｃｅａｆｔｅｒｔｗｏｔｉｍｅｓｄｉｆｆｅｒｅｎｃｉｎｇ

　　对ＳＡＲＩＭＡ（２，１，１）（０，１，０）１２模型的残差序列进行检验，结果ＬｊｕｎｇＢｏｘＱ统计量差异无统计学意义（Ｑ＝１１１２，Ｐ＝０６８０），可以认为残差已是随机分布的白噪声序列，即模型基本提取了原始序列的

趋势，可以用该模型进行统计学预测。

２．２．４　模型预测　利用２０１３－２０１６年武冈市ＣＶＤ住院病例资料所建立的模型对２０１７年ＣＶＤ实际住院数据进行预测分析，将实际值与模型预测值的相

对误差作为评价模型预测效果的标准，并绘制模型

拟合预测序列图。模型预测的 ＣＶＤ住院患者数量的动态趋势与实际情况基本相同，见图３。模型预测的２０１７年武冈市 ＣＶＤ住院患者人数为 １１２４０人，与实际住院人数基本一致，表明预测能力总体可

以接受，见表２。

３　讨论

　　由于自然和社会环境等诸多因素都对 ＣＶＤ的发生产生着错综复杂的影响，传统的因果回归分析

法往往难以明确预测变量及其影响强度［５］。而时

间序列分析作为一种实用性强的短期预测方法，可

以用时间替代各种综合影响因素进行预测分析，其

优越性尤为凸显［６７］。本研究运用 ＳＡＲＩＭＡ模型对武冈市２０１３－２０１７年ＣＶＤ住院病例数及其变化趋

·４２２· 中华疾病控制杂志２０１９年２月第２３卷第２期　ＣｈｉｎＪＤｉｓＣｏｎｔｒｏｌＰｒｅｖ　２０１９Ｆｅｂ；２３（２）

图３　武冈市２０１３－２０１７年心脑血管住院病例数拟合和预测情况

Ｆｉｇｕｒｅ３　ＴｈｅｏｂｓｅｒｖａｔｉｏｎｓａｎｄｐｒｅｄｉｃｔｅｄｖａｌｕｅｓｏｆｃａｒｄｉｏｃｅｒｅｂｒｏｖａｓｃｕｌａｒｉｎｐａｔｉｅｎｔｓｉｎＷｕｇａｎｇｆｒｏｍ２０１３ｔｏ２０１７

表２　２０１７年武冈市农村心脑血管

住院病例实际值与预测值的结果比较

Ｔａｂｌｅ２　Ｃｏｍｐａｒｉｓｏｎｂｅｔｗｅｅｎｐｒｅｄｉｃｔｅｄａｎｄａｃｔｕａｌｖａｌｕｅｓｏｆ

ｒｕｒａｌｃａｒｄｉｏｃｅｒｅｂｒｏｖａｓｃｕｌａｒｉｎｐａｔｉｅｎｔｓｉｎＷｕｇａｎｇｉｎ２０１７

月份 实际值 预测值 绝对误差 相对误差

１ ７４１ ８０８ ６７ ０．０９０２ ８４ ７３１ －１１４ －０．１３５３ １００７ ９３８ －６９ －０．０６９４ ９８０ ８９９ －８１ －０．０８３５ ９０２ ９８９ ８７ ０．０９６６ １０４４ ９７９ －６５ －０．０６２７ １１１２ １０６５ －４７ －０．０４２８ ９９１ ９３９ －５２ －０．０５２９ ８７９ １０１６ １３７ ０．１５６１０ ９１１ ９３８ ２７ ０．０３０１１ ９６８ ９５４ －１４ －０．０１４１２ ９１５ ９８２ ６７ ０．０７３合计 １１２９５ １１２４０ －５５ －０．０１２

势进行分析，建立了预测模型；同时，２０１７年月度住院人数的预测值与实际值基本一致，这证明 ＳＡＲＩＭＡ模型在模拟 ＣＶＤ住院人数变化趋势中具有较好的应用价值，可以用来预测ＣＶＤ住院患者数量的变化趋势。

既往研究表明 ＣＶＤ发病具有显著的季节性趋势［８９］。低温的冬季或冷暖交替的春季是ＣＶＤ发病的危险因素［１０１１］；也有部分研究证明在夏季，日最

高气温的增加会增加ＣＶＤ急诊人次，而秋季日最高气温的增加反而作为一种保护性因素，能减少 ＣＶＤ急诊人次［１２１３］。本研究在进行时间序列建模时也

充分考虑了季节效应，提高了模型的拟合预测精度，

研究结果与后者一致，即武冈市 ＣＶＤ住院人数在６、７月份大幅增加，而冬季住院人数则相对较少，这一发现也为进一步相关研究证实提出了新的关注

点。

本文ＣＶＤ住院病例在每年２月ＣＶＤ住院病例呈骤减趋势。这可能由于２月正值中国农历春节，大多数病情稍缓的患者往往选择返家团聚，这一暂

时性的住院人数减少也在３月份住院人数小高峰得到了验证。同时，２月份住院人数“低谷”可能还与阳历本月是“小月”存在相关性。６、７月份 ＣＶＤ住院病例呈现“高峰”，这可能与夏季温度有关。夏季

为了散热，体表血管扩张，体表血液较多，供应心脏

和大脑的血液减少。夏天体内水分流失严重，血管

容易粘稠，容易形成血栓，且闷热烦躁的天气容易引

发心率失常，也容易诱发ＣＶＤ［１４］。此外，夏季开空

调或者风扇使得室内外冷热交替，骤冷骤热，会引起

血管和血压的变化［１５］。

ＳＡＲＩＭＡ模型是时间序列建模中预测精度较高的模型，广泛应用于医院门急诊量的预测［１６］。但本

模型也存在一定局限性，ＳＡＲＩＭＡ模型在分析预测时只考虑时间序列本身的特性，未考虑其他影响住

院量的因素，实际应用时应结合具体问题综合分析。

另外，随着预测时间的延长，预测数据的误差也会增

大。如果用于长期预测，预测效果可能会不太理想。

本研究中，ＣＶＤ的住院病例逐年上升且具有明显的季节性分布，每年的６、７月份高发，提示当地卫生部门要提早进行心血管防治规划。同时医院可以在夏

季心血管高住院月通过增设临时病床、借调卫生技

术人员和下转病病情稳定的患者到基层康复等措施

来提高医疗服务效率，最大限度满足患者就医需求，

保障人民群众健康。

利益冲突　无

参 考 文 献

［１］　王妮，吴炳义，武继磊，等．２０１２年山东省心脑血管疾病死亡

状况及去死因期望寿命研究 ［Ｊ］．中华疾病控制杂志，２０１７，

２１（０９）：９１７９２０．ＤＯＩ：１０．１６４６２／ｊ．ｃｎｋｉ．ｚｈｊｂｋｚ．２０１７．０９．０１４．

ＷａｎｇＮ，ＷｕＢＹ，ＷｕＪＬ，ｅｔａｌ．Ｄｉｓｔｒｉｂｕｔｉｏｎｏｆｃａｒｄｉｏｃｅｒｅｂｒａｌ

ｖａｓｃｕｌａｒｄｉｓｅａｓｅｄｅａｔｈａｎｄｉｔｓｌｉｆｅｅｘｐｅｃｔａｎｃｙｅｌｉｍｉｎａｔｉｎｇｃａｕｓｅｓｏｆ

ｄｅａｔｈｉｎＳｈａｎｄｏｎｇＰｒｏｖｉｎｃｅｉｎ２０１２［Ｊ］．ＣｈｉｎＪＤｉｓＣｏｎｔｒｏｌ

Ｐｒｅｖ，２０１７，２１（０９）：９１７９２０．ＤＯＩ：１０．１６４６２／ｊ．ｃｎｋｉ．ｚｈｊｂｋｚ．

２０１７．０９．０１４．

［２］　ＷｏｒｌｄＨｅａｌｔｈＯｒｇａｎｉｚａｔｉｏｎ．Ｗｏｒｌｄｈｅａｌｔｈｓｔａｔｉｓｔｉｃｓ２０１８［ＥＢ／

ＯＬ］．（２０１８３２８）［２０１８１２１５］ｈｔｔｐ：／／ｗｗｗ．ｗｈｏ．ｉｎｔ／ｉｒｉｓ／ｂｉｓ

ｔｒｅａｍ／ｈａｎｄｌｅ／１０６６５／２７２５９６／９７８９２４１５６５５８５ｅｎｇ．ｐｄｆ？ｕａ＝１．

［３］　陈伟伟，高润霖，刘力生，等．《中国心血管病报告２０１７》概要

［Ｊ］．中国循环杂志，２０１８，３３（１）：１８．ＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ．

１０００３６１４．２０１８．０１．００１．

ＣｈｅｎＷＷ，ＧａｏＲＬ，ＬｉｕＬＳ，ｅｔａｌ．ＳｕｍｍａｒｙｏｆＣｈｉｎａＣａｒｄｉｏｖａｓ

ｃｕｌａｒＤｉｓｅａｓｅＲｅｐｏｒｔ２０１７［Ｊ］．ＣｈｉｎＣｉｒｃｕｌＪ，２０１８，３３（０１）：１

·５２２·中华疾病控制杂志２０１９年２月第２３卷第２期　ＣｈｉｎＪＤｉｓＣｏｎｔｒｏｌＰｒｅｖ　２０１９Ｆｅｂ；２３（２）

８．ＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ．１０００３６１４．２０１８．０１．００１．

［４］　李小升，马春柳，雷海科，等．ＳＡＲＩＭＡ模型在医院门诊量预测

中的应用 ［Ｊ］．中国病案，２０１３，１４（３）：３７４０．ＤＯＩ：１０．３９６９／

ｊ．ｉｓｓｎ．１６７２２５６６．２０１３．０３．０１９．

ＬｉＸＳ，ＭａＣＬ，ＬｅｉＨＫ，ｅｔａｌ．ＡｐｐｌｉｃａｔｉｏｎｓｏｆＳＡＲＩＭＡＭｏｄｅｌｏｎ

ＰｒｅｄｉｃｔｉｎｇＯｕｔｐａｔｉｅｎｔｓＱｕａｎｔｉｔｙ［Ｊ］．ＣｈｉｎｅｓｅＭｅｄｉｃａｌＲｅｃｏｒｄ，

２０１３，１４（３）：３７４０．ＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ．１６７２２５６６．２０１３．０３．

０１９．

［５］　马翠荣，杨婕，余小金．江苏省２００６－２０１４年城乡未成年人跌

倒病例的时间序列预测分析 ［Ｊ］．中华疾病控制杂志，２０１８，

２２（２）：１２２１２５，１３７．ＤＯＩ：１０．１６４６２／ｊ．ｃｎｋｉ．ｚｈｊｂｋｚ．２０１８．０２．

００５．

ＭａＣＲ，ＹａｎｇＪ，ＹｕＸＪ，ｅｔａｌ．Ｔｈｅｆａｌｌｉｎｊｕｒｙｃａｓｅｓｏｆｕｒｂａｎａｎｄ

ｒｕｒａｌａｒｅａｓｆｏｒｍｉｎｏｒｓｉｎＪｉａｎｇｓｕＰｒｏｖｉｎｃｅ：ａｔｉｍｅｓｅｒｉｅｓｐｒｅｄｉｃｔｉｏｎ

ａｎｄａｎａｌｙｓｉｓ，２００６－２０１４［Ｊ］．ＣｈｉｎＪＤｉｓＣｏｎｔｒｏｌＰｒｅｖ，２０１８，

２２（２）：１２２１２５，１３７．ＤＯＩ：１０．１６４６２／ｊ．ｃｎｋｉ．ｚｈｊｂｋｚ．２０１８．０２．

００５．

［６］　易静，杜昌廷，王润华，等．自回归求和移动平均季节乘积模型

在结核病发病率预测中的应用 ［Ｊ］．中华预防医学杂志，

２００７，４１（２）：１１８１２１．ＤＯＩ：１０．３７６０／ｊ．ｉｓｓｎ：０２５３９６２４．２００７．

０２．００９．

ＹｉＪ，ＤｕＣＴ，ＷａｎｇＲＨ，ｅｔａｌ．Ａｐｐｌｉｃａｔｉｏｎｓｏｆｍｕｌｔｉｐｌｅｓｅａｓｏｎａｌ

ａｕｔｏｒｅｇｒｅｓｓｉｖｅｉｎｔｅｇｒａｔｅｄｍｏｖｉｎｇａｖｅｒａｇｅ（ＡＲＩＭＡ）ｍｏｄｅｌｏｎｐｒｅ

ｄｉｃｔｉｖｅｉｎｃｉｄｅｎｃｅｏｆｔｕｂｅｒｃｕｌｏｓｉｓ［Ｊ］．ＣｈｉｎＪＰｒｅｖＭｅｄ，２００７，４１

（０２）：１１８１２１．ＤＯＩ：１０．３７６０／ｊ．ｉｓｓｎ：０２５３９６２４．２００７．０２．００９．

［７］　王芳，柴宗举，刘雯，等．出血性脑卒中发病趋势及时间序列分

析 ［Ｊ］．中国老年学杂志，２０１３，３３（１７）：４１２８４１３０．ＤＯＩ：

１０．３９６９／ｊ．ｉｓｓｎ．１００５９２０２．２０１３．１７．０１２．

ＷａｎｇＦ，ＣｈａｉＺＪ，ＬｉｕＷ，ｅｔａｌ．Ｉｎｃｉｄｅｎｃｅｔｒｅｎｄａｎｄｔｉｍｅｓｅｒｉｅｓ

ａｎａｌｙｓｉｓｏｆｈｅｍｏｒｒｈａｇｉｃｓｔｒｏｋｅ［Ｊ］．ＣｈｉｎＪＧｅｒ，２０１３，３３（１７）：

４１２８４１３０．ＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ．１００５９２０２．２０１３．１７．０１２．

［８］　谷少华，陆蓓蓓，边国林，等．大气可吸入颗粒物对心血管疾病

急救人次的短期影响 ［Ｊ］．环境与职业医学，２０１６，３３（１０）：

９６５９６９．ＤＯＩ：１０．１３２１３／ｊ．ｃｎｋｉ．ｊｅｏｍ．２０１６．１６１４０．

ＧｕＳＨ，ＬｕＢＢ，ＢｉａｎＧＬ，ｅｔａｌ．ＳｈｏｒｔＴｅｒｍＥｆｆｅｃｔｏｆＩｎｈａｌａｂｌｅ

ＰａｒｔｉｃｕｌａｔｅＭａｔｔｅｒｓｏｎＥｍｅｒｇｅｎｃｙＡｍｂｕｌａｎｃｅＤｉｓｐａｔｃｈｅｓｆｏｒＣａｒｄｉ

ｏｖａｓｃｕｌａｒＤｉｓｅａｓｅｓ［Ｊ］．ＪｏｕｒｎａｌｏｆＥｎｖｉｒｏｎｍｅｎｔａｌ＆Ｏｃｃｕｐａｔｉｏｎａｌ

Ｍｅｄｉｎｅ，２０１６，３３（１０）：９６５９６９．ＤＯＩ：１０．１３２１３／ｊ．ｃｎｋｉ．ｊｅｏｍ．

２０１６．１６１４０．

［９］　张霞，刘起勇．高温热浪对心脑血管病影响研究进展 ［Ｊ］．中

国公共卫生，２０１４，３０（２）：２４２２４３．ＤＯＩ：１０．１１８４７／ｚｇｇｇ

ｗｓ２０１４３００２３８．

ＺｈａｎｇＸ，ＬｉｕＱＹ．Ｒｅｓｅａｒｃｈｏｎｔｈｅｅｆｆｅｃｔｓｏｆｈｉｇｈｔｅｍｐｅｒａｔｕｒｅ

ｈｅａｔｗａｖｅｓｏｎｃａｒｄｉｏｖａｓｃｕｌａｒａｎｄｃｅｒｅｂｒｏｖａｓｃｕｌａｒｄｉｓｅａｓｅｓ［Ｊ］．

ＣｈｉｎｅｓｅＪｏｕｒｎａｌｏｆＰｕｂｌｉｃＨｅａｌｔｈ，２０１４，３０（２）：２４２２４３．ＤＯＩ：

１０．１１８４７／ｚｇｇｇｗｓ２０１４３００２３８．

［１０］刘方，张金良，陆晨．北京市气温与脑卒中发病关系的时间序

列研究 ［Ｊ］．中华流行病学杂志，２００４（１１）：４８５２．ＤＯＩ：１０．

３７６０／ｊ．ｉｓｓｎ：０２５４６４５０．２００４．１１．０１１．

ＬｉｕＦ，ＺｈａｎｇＪＬ，ＬｕＣ．Ｔｈｅｒｅｌａｔｉｏｎｓｈｉｐｏｆｔｅｍｐｅｒａｔｕｒｅａｎｄ

ｓｔｒｏｋｅｉｎｃｉｄｅｎｃｅｉｎＢｅｉｊｉｎｇ：ａｔｉｍｅｓｅｒｉｅｓｓｔｕｄｙ［Ｊ］．ＣｈｉｎＪＥｐｉｄｅ

ｍｉｏｌ，２００４（１１）：４８５２．ＤＯＩ：１０．３７６０／ｊ．ｉｓｓｎ：０２５４６４５０．２００４．

１１．０１１．

［１１］常倩，叶云杰，汪庆庆，等．南京市大气污染物与居民心脑血管

疾病死亡的相关性 ［Ｊ］．环境与职业医学，２０１７，３４（１２）：

１０４１１０４５．ＤＯＩ：１０．１３２１３／ｊ．ｃｎｋｉ．ｊｅｏｍ．２０１７．１７４３３．

ＣｈａｎｇＱ，ＹｅＹＪ，ＷａｎｇＱＱ，ｅｔａｌ．Ｃｏｒｒｅｌａｔｉｏｎｂｅｔｗｅｅｎａｉｒｐｏｌｌｕ

ｔａｎｔｓａｎｄｃａｒｄｉｏｃｅｒｅｂｒｏｖａｓｃｕｌａｒｍｏｒｔａｌｉｔｙｉｎＮａｎｊｉｎｇ［Ｊ］．Ｊｏｕｒｎａｌ

ｏｆＥｎｖｉｒｏｎｍｅｎｔａｌ＆ＯｃｃｕｐａｔｉｏｎａｌＭｅｄｉｎｅ，２０１７，３４（１２）：１０４１

１０４５．ＤＯＩ：１０．１３２１３／ｊ．ｃｎｋｉ．ｊｅｏｍ．２０１７．１７４３３．

［１２］许安阳，张丽娟，李觉，等．上海市温度和大气污染对居民心血

管疾病门急诊人数的影响 ［Ｊ］．同济大学学报（医学版），

２０１７，３８（０１）：１１４１１８，１２３．ＤＯＩ：１０．１６１１８／ｊ．１００８０３９２．

２０１７．０１．０２４．

ＸｕＡＹ，ＺｈａｎｇＬＪ，Ｌｉｊ，ｅｔａｌ．Ｅｆｆｅｃｔｓｏｆｔｅｍｐｅｒａｔｕｒｅａｎｄａｉｒｐｏｌ

ｌｕｔｉｏｎｏｎｏｕｔｐａｔｉｅｎｔａｎｄｅｍｅｒｇｅｎｃｙｖｉｓｉｔｓｆｏｒｃａｒｄｉｏｖａｓｃｕｌａｒｄｉｓｅａ

ｓｅｓｉｎＳｈａｎｇｈａｉ［Ｊ］．ＪｏｕｒｎａｌｏｆＴｏｎｇｊｉＵｎｉｖｅｒｓｉｔｙ（ＭｅｄｉｃａｌＳｃｉ

ｅｎｃｅ），２０１７，３８（０１）：１１４１１８，１２３．ＤＯＩ：１０．１６１１８／ｊ．１００８

０３９２．２０１７．０１．０２４．

［１３］ＹａｎｇＪ，ＺｈｏｕＭ，ＯｕＣＱ，ｅｔａｌ．Ｓｅａｓｏｎａｌｖａｒｉａｔｉｏｎｓｏｆｔｅｍｐｅｒａ

ｔｕｒｅｒｅｌａｔｅｄｍｏｒｔａｌｉｔｙｂｕｒｄｅｎｆｒｏｍｃａｒｄｉｏｖａｓｃｕｌａｒｄｉｓｅａｓｅａｎｄｍｙｏ

ｃａｒｄｉａｌｉｎｆａｒｃｔｉｏｎｉｎＣｈｉｎａ［Ｊ］．ＥｎｖｉｒｏｎＰｏｌｌｕｔ，２０１７，５（２２４）：

４００４０６．ＤＯＩ：１０．１０１６／ｊ．ｅｎｖｐｏｌ．２０１７．０２．０２０．

［１４］顾恺，何红．高血压患者夏季和冬季动态血压监测值的差异

［Ｊ］．中华高血压杂志，２０１６，２４（６）：５７８５８０．ＤＯＩ：１０．

１６４３９／ｊ．ｃｎｋｉ．１６７３７２４５．２０１６．０６．０１９．

ＧｕＫ，ＨｅＨ．Ｄｉｆｆｅｒｅｎｃｅｓｂｅｔｗｅｅｎｓｕｍｍｅｒａｎｄｗｉｎｔｅｒａｍｂｕｌａｔｏｒｙ

ｂｌｏｏｄｐｒｅｓｓｕｒｅｍｏｎｉｔｏｒｉｎｇｖａｌｕｅｓｉｎｐａｔｉｅｎｔｓｗｉｔｈｈｙｐｅｒｔｅｎｓｉｏｎ

［Ｊ］．ＣｈｉｎｅｓｅＪｏｕｒｎａｌｏｆＨｙｐｅｒｔｅｎｓｉｏｎ，２０１６，２４（６）：５７８５８０．

ＤＯＩ：１０．１６４３９／ｊ．ｃｎｋｉ．１６７３７２４５．２０１６．０６．０１９．

［１５］吕阳，王志盟，陈滨．室内空气环境与高龄者心脑血管疾病关

联性研究进展 ［Ｊ］．建筑科学，２０１８，３４（２）：１２４１３０．ＤＯＩ：

１０．１３６１４／ｊ．ｃｎｋｉ．１１１９６２／ｔｕ．２０１８．０２．２１．

ＬｖＹ，ＷａｎｇＺＭ，ＣｈｅｎＢ．ＡｒｅｖｉｅｗｏｆｔｈｅＲｅｌａｔｉｏｎｓｈｉｐｂｅｔｗｅｅｎ

ＩｎｄｏｏｒＡｉｒＥｎｖｉｒｏｎｍｅｎｔａｎｄＣａｒｄｉｏｖａｓｃｕｌａｒａｎｄＣｅｒｅｂｒｏｖａｓｃｕｌａｒ

ＤｉｓｅａｓｅｉｎｔｈｅＥｌｄｅｒｌｙ［Ｊ］．ＢｕｉｌｄｉｎｇＳｃｉｅｎｃｅ，２０１８，３４（２）：１２４

１３０．ＤＯＩ：１０．１３６１４／ｊ．ｃｎｋｉ．１１１９６２／ｔｕ．２０１８．０２．２１．

［１６］廉恒丽，俞剑琴，傅映晖．ＡＲＩＭＡ与ＳＡＲＩＭＡ模型在医院门诊

人次与出院人次预测中的应用 ［Ｊ］．中国医院统计，２０１７，２４

（０２）：８１８４．ＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ．１００６５２５３．２０１７．０２．００１．

ＬｉａｎｇＨＬ，ＹｕＪＱ，ＦｕＹＨ．ＡｐｐｌｉｃａｔｉｏｎｏｆＡＲＩＭＡａｎｄＳＡＲＩＭＡ

ｍｏｄｅｌｉｎｐｒｅｄｉｃｔｉｎｇｈｏｓｐｉｔａｌｏｕｔｐａｔｉｅｎｔｓａｎｄｄｉｓｃｈａｒｇｅｓ［Ｊ］．Ｃｈｉ

ｎｅｓｅＪｏｕｒｎａｌｏｆＨｏｓｐｉｔａｌＳｔａｔｉｓｔｉｃｓ，２０１７，２４（０２）：８１８４．ＤＯＩ：

１０．３９６９／ｊ．ｉｓｓｎ．１００６５２５３．２０１７．０２．００１．

（收稿日期：２０１８０９１７）

（修回日期：２０１８１１１９）

（本文编辑：王海莉）

·６２２· 中华疾病控制杂志２０１９年２月第２３卷第２期　ＣｈｉｎＪＤｉｓＣｏｎｔｒｏｌＰｒｅｖ　２０１９Ｆｅｂ；２３（２）