Page 75 - 2023-05-中国全科医学
P. 75

·588·  http: //www.chinagp.net   E-mail: zgqkyx@chinagp.net.cn                    February  2023, Vol.26  No.5


           合系数的核密度图结果显示:自变量风速的主峰系数为                            增加具有显著的促进作用。既往研究表明,风速对肺结
           负值,且各峰系数有正有负,表明自变量的增加对大多                            核发病存在促进作用         [21] ,较大的风速可降低气温,从
           数地区的肺结核发病情况呈现显著的保护作用,但在部                            而间接增加肺结核发病风险。针对本研究的双向作用,
           分地区仍具有显著的促进作用;自变量湿度、SO 2 的主                         可能存在的原因是:西藏、新疆属于高海拔地区,东三
           峰系数为正值,且各峰系数均 >0,表明自变量的增加                           省的平均气温本就偏低,这些地区更易受到风速的影响
           将显著促进肺结核发病率的增加;自变量 PM 2.5 、NO 2 、                   导致气温下降,从而使肺结核发病风险增加,因此这类
           CO、O 3 呈现多峰分布,且各峰系数有正有负,表明自                         地区应在大风天气注意保暖以预防疾病。而湖南、江西
           变量的增加对大多数地区的肺结核发病率的增加呈现显                            等地的平均温度较高,温度不易受风速影响,较大风速
           著的促进作用;自变量 PM 10 呈现单峰分布,主峰系数                        还会降低其空气污染物浓度            [22] ,进而使肺结核发病风
           为正值,表明自变量的增加将显著促进大多数地区肺结                            险降低。
           核发病率的增加。                                                自变量湿度对海南、广东、广西等地区的肺结核发
           3.2 各变量拟合系数的时空分布图分析 GTWR 模型                         病率增加具有显著的促进作用。这与既往研究中较高湿
           的显著优势是其拟合系数可以反映自变量对因变量影响                            度能增加肺结核发病风险的结论相符合                 [18,21] 。可能存
           的时空变异特征。本研究分别绘制了各变量拟合系数的                            在的原因是:在一定范围内,较高的湿度将增加结核杆
           时空分布图,结果显示:自变量风速对青海、甘肃、湖                            菌在空气中停留存活的时间,从而增加了人群感染结核
           南、江西等城市的肺结核发病率的增加具有显著的抑制                            杆菌的风险。因此,针对这类地区应注意对家具或生活
           作用,对西藏、新疆、黑龙江等地区的肺结核发病率的                            用品的勤加晾晒,尽量保持生活环境的干燥。












           C1_W                              C2_H                             C3_PM 2.5
















                                             C5_SO 2                           C6_NO 2
            C4_PM 10













                          C7_CO                               C8_O 3



                                                图 3 各变量拟合系数的时空分布图
                                   Figure 3 Spatial and temporal distribution of fitting coefficients of each variable
   70   71   72   73   74   75   76   77   78   79   80