脑卒中发病环境因素分析及干预

脑卒中发病环境因素分析及干预

摘要

脑卒中，俗名脑中风，或者脑缺陷。近几年越来越成为一类威胁人们健康甚至生命的疾病。由于发病率较高，患病人群从儿童到老人，各种职业的人也都有患病，因此受到各类人群的关注。现已证实发病原因确实与环境因素有关。

本文主要讨论脑卒中发病环境因素分析及干预问题。根据题中所给出的数据，通过合理的假设对某地区四年间脑卒中发病人数情况，利用SPSS20 软件进行相关性统计分析，分别对各气象因素进行单因素分析，进而建立后退法线性回归分析模型，得到脑卒中与气压、气温、相对湿度之间的关系。同时在广泛收集各种资料找出影响脑卒中发病的其他重要因素，并综合考虑环境因素，对脑卒中高危人群提出预警和干预的建议方案。总之，通过各方面因素分析，找出相关性大的各种环境因素，让人们注意防范，对预防脑卒中发病具有指导意义。

针对问题一，首先对原始数据进行加工整理，SPSS20软件,从患病人群的性别、年龄、职业和时间序列，在删除了缺失或失真数据的基础上，对数据进行统计分析，做出男性与女性患病情况的饼状图，得到2007-2010年男性患病人数高于女性，且男性所占比例有逐年下降趋势，女性则有上升趋势，因此，性别比例呈减小趋势。分析不同年龄段患病人数，做出不同年龄段、不同职业的柱状图，得到患病高峰期为75-77岁之间，且青少年比例逐年呈增长趋势，可见患病比例趋于年轻化。同时在不同的职业中，农民发病人数最多，教师，渔民，医务人员，职工，离退人员的发病人数较少。此外，做出2007-2010年患病人数的。。。图。以此对趋势做出对未来的预判。

针对问题二，由题中所给数据先进行单因素分析，逐步剔除对脑卒中影响不显著的因素，得出气温、气压、相对湿度对脑卒中的影响程度大小，进而采用后退法线性回归分析建立模型，利用SPSS20对数据进行分析，求得脑卒中发病率与气温、气压、相对湿度之间的关系。即发病率与平均温度成正相关，与最高温度成负相关，发病率与平均气压成正相关，与最低气压成负相关，与平均相对湿度成负相关，与最小相对湿度成正相关。

针对问题三，通过查找资料发现，影响脑卒中的因素有两类，一类是不可干预因素，如年龄、性别、先天性遗传，另一类是可干预因素，关键指标如高血压、高血脂、糖尿病、肥胖、抽烟、酗酒等因素。分析这些因素，建立双变量因素分析模型，并结合问题1和问题2，对高危人群提出预警和干预的建议方案。从这几个方案得知，减少脑卒中发病率要从我们的生活习惯等各方面考虑，是已患病的亚健康人群了解自己患病的原因以及情况，或者让尚未患病的健康人群做好防范，以此减少脑卒中的发病率。

总而言之，通过研究脑卒中发病环境因素分析及干预问题，有助于更确切地让我们了解脑卒中发病因素，从而在现实中减少脑卒中的患病概率，对降低我国脑卒中发病概率有着不可名状的现实意义。

关键词 脑卒中 单因素分析 后退法线性回归分析 双变量因素分析

一 问题的重述

脑卒中，相信大家都有所耳闻，因为我们身边的人或多或少的都忍受着脑卒中病痛的折磨。脑卒中（俗称脑中风）是目前威胁人类生命的严重疾病之一，它的发生是一个漫长的过程，一旦得病就很难逆转。这种疾病的诱发已经被证实与环境因素，包括气温、湿度之间存在密切的关系。对脑卒中的发病环境因素进行分析，其目的是为了进行疾病的风险评估，对脑卒中高危人群能够及时采取干预措施，也让尚未得病的健康人，或者亚健康人了解自己得脑卒中风险程度，进行自我保护。同时，通过数据模型的建立，掌握疾病发病率的规律，对于卫生行政部门和医疗机构合理调配医务力量、改善就诊治疗环境、配置床位和医疗药物等都具有实际的指导意义。

数据（见Appendix-C1）来源于中国某城市各家医院2007年1月至2010年12月的脑卒中发病病例信息以及相应期间当地的逐日气象资料（Appendix-C2）。请你们根据题目提供的数据，回答以下问题：

1．根据病人基本信息，对发病人群进行统计描述。

2．建立数学模型研究脑卒中发病率与气温、气压、相对湿度间的关系。 3．查阅和搜集文献中有关脑卒中高危人群的重要特征和关键指标，结合1、2中所得结论，对高危人群提出预警和干预的建议方案。

二 问题分析

2.1 问题的背景

随着社会现代化进程的加快，人们的生活节奏也加快，在各种不良的生活习惯与生活环境下，身体素质却大为下降。到中老年时，各种并发症层出不穷，而且相互影响。如高血压、糖尿病、血脂异常等都可能引起脑中风。这些疾病严重威胁人们的健康。而脑卒中的发病率呈现上升趋势。全球每年有460万人死于脑卒中，中国每年死于脑卒中的病人有160多万。脑卒中以其发病率高、死亡率高、致残率高的特点严重影响了人们的正常生活，成为仅次于癌症的“第二号杀手”。脑卒中一旦发生，多数患者治疗效果不能满意，完全恢复正常者只占少数，大多数患者会遗留严重的后遗症，给患者和家庭带来沉重的心理和经济负担。其成因包括环境、情绪、生活习惯、生理状况等多种因素，气象条件是脑卒中诱发的主要因素之一，根据气象条件变化对脑卒中发生的可能性进行预测，可以指导人们在不同天气条件下对脑卒中采取不同的预防措施，从而预防、减少脑卒中的发生。如果能对脑卒中高危人群高位程度、患脑卒中的类型、患病风险、以及患病时间进行准确的评估，从而提出有针对性的防范措施，可以帮助医护人员对脑卒中的诊断，对于卫生行政部门和医疗机构合理调配医务力量、改善就诊治疗环境、配置床位和医疗药物等都具有实际的指导意义。 2.2 对发病人群的统计描述

根据题中所给出的数据，通过初步分析发现原有数据存在缺失，但影响都非常小，缺失数据直接采用删除数据。利用SPSS20 软件，分别从性别、年龄、职业这几个因素出发，对数据进行统计性分析。

首先从性别进行分析，男女之间存在不同的生理结构，抵御环境的能力的不同，对脑卒中的影响也不同，分析男女在2007-2010年间每一年患病的比例，以及四年间变化的趋势情况，找出相关规律，进而可以更好的针对不同性别对脑卒中的防护工作。

随着的年龄的增长，患病人数在逐渐增长，分析不同年龄段患病人数的比例，得到脑卒中达到高峰时的年龄段。

从2007-2010年整体趋势看，脑卒中的发病率在逐年增加。

不同的职业工作的环境不同，受教育程度不同，个人习惯也不同，进而影响到其得病的概率。其次，不同的职业对脑卒中的预防与重视度不同。农民可能由于经济状况的原因，不及时治疗，也可能与他们长期劳作的艰苦坏境有关，使得患病人数所占比例较大，而其他职业则相对较小。 2.3 脑卒中发病率与气温、气压、相对湿度间的关系

由于平均温度、最高温度、最低温度、平均气压、最低气压、最高气压、平均相对湿度、最小相对湿度对脑卒中的影响并不都非常显著，所以本文先通过单因素分析得出最低气温、最高气压对脑卒中的影响不显著。然后建立后退法线性回归分析模型，利用SPSS20软件得出脑卒中发病率与气温、气压、相对湿度之间的关系。即发病率与平均温度成相关，与最高温度成负相关，发病率与平均气压成正相关，与最低气压成负相关，与平均相对湿度成负相关，与最小相对湿度成正相关

2.4 高危人群提出预警和干预的建议方案

广泛收集各种资料并综合考虑环境因素，发现影响脑卒中的因素有两类，一类是不可干预因素，如年龄、性别、遗传等因素；另一类是可干预因素，如高血压、糖尿病、血脂异常、肥胖、饮酒等。

分别分析这些因素对脑卒中的影响，建立双变量分析模型，进而提出高危人群预警和干预的建议方案。

三 问题的假设

1.假设不考虑该地区人数的变化。 2.假设不考虑脑卒中的患病类型。

3.假设影响脑卒中发病率的各因素之间互不相关。

4.假设不考虑影响遗传因素、个体差异对脑卒中的影响。 5.假设不同人群长期所处的生活环境基本不会发生改变。

四 符号说明

x1 x2 x7 平均温度 最高温度 最低温度 平均气压 最高气压 最低气压 平均相对湿度 x4 x5 x6 x7 x8 F ?Y 最小相对湿度 统计量 随机误差 脑卒中患病率 五 模型的建立与求解

5.1 模型一的建立与求解

随着社会的发展与进步，统计学在各个领域的作用越来越重要，以其对大量数据的快速整理分析为特征，得到人们的大量应用与认可，而且发挥着极其重要的指导性作用。模型一在初步整理数据的基础上，主要运用SPSS 20 软件分别从性别、年龄、职业、趋势对发病人群进行统计分析。 5.1.1对性别的统计分析

表1 脑卒中不同性别逐年发病情况 年份 性别 男 2007 女 合计 男 2008 女 合计 男 2009 女 合计 男 2010 女 合计 频率 7293 5928 13221 10380 8646 19026 5171 4780 9951 10537 9163 19700 百分比 55.2 44.8 100 54.5 45.4 99.9 52 48 100 53.5 46.5 100 有效百分比 55.2 44.8 100 54.6 45.4 100 52 48 100 53.5 46.5 100 累积百分比 55.2 100 54.6 100 52 100 53.5 100

图1,。脑卒中不同性别发病人数比例趋势图

从上表可以看出，2007年-2010年脑卒中发病人群中，男性高于女性。分析原因可能男性普遍有吸烟饮酒的不良生活习惯，还与当前男性可能比女性面临更多的生活压力，导致高血压、糖尿病、高血脂等脑卒中危险因素的增加。同时从脑卒中不同性别发病人数比例趋势图可以直接看出男女性别比例的差异，男性所占比例有下降趋势，女性所占比例有上升趋势，因此，性别比例呈现减小趋势。

5.1.2 对不同职业的脑卒中患者统计分析

表2 脑卒中不同职业逐年发病情况 2007 农民 工人 退休人员 教师 有效 渔民 医务人员 职工 离退人员 合计 缺失 合计 频率 7164 814 1905 38 18 23 62 416 10440 2781 13221 百分比 54.2 6.2 14.4 0.3 0.1 0.2 0.5 3.1 79 21 100 有效百分比 68.6 7.8 18.2 0.4 0.2 0.2 0.6 4 100 累积百分比 68.6 76.4 94.7 95 95.2 95.4 96 100 2008 农民 工人 退休人员 教师 有效 渔民 医务人员 职工 离退人员 合计 缺失 合计 农民 工人 退休人员 教师 有效 渔民 医务人员 职工 离退人员 合计 缺失 合计 农民 工人 退休人员 教师 有效 渔民 医务人员 职工 离退人员 合计 缺失 合计 系统 系统 系统 10081 1252 2500 63 38 19 107 809 14869 4172 19041 2009 1499 1479 106 71 6 35 313 23 3532 6419 9951 2010 11000 1302 2131 44 4 13 253 503 15250 4450 19700 55.8 6.6 10.8 0.2 0 0.1 1.3 2.6 77.4 22.6 100 72.1 8.5 14 0.3 0 0.1 1.7 3.3 100 72.1 80.7 94.6 94.9 95 95 96.7 100 15.1 14.9 1.1 0.7 0.1 0.4 3.1 0.2 35.5 64.5 100 42.4 41.9 3 2 0.2 1 8.9 0.7 100 42.4 84.3 87.3 89.3 89.5 90.5 99.3 100 52.9 6.6 13.1 0.3 0.2 0.1 0.6 4.2 78.1 21.9 100 67.8 8.4 16.8 0.4 0.3 0.1 0.7 5.4 100 67.8 76.2 93 93.5 93.7 93.8 94.6 100 从上表可以看出： （1）农民的发病人数最多，其原因可能与农民高血压病例规则用药治疗所占的比率低，抽烟饮酒在人群中比例大，以及膳食结构不合理、摄入膳食结构不合理、摄入动物性优质蛋白少，长期工作在较为艰苦的环境下等因素有关。也可能由于经济状况，对脑卒中的不重视，不能及时治疗脑卒中。

（2）退休人员发病人数较多，其主要原因可能是退休人员年龄较大，脑供血，

脑供氧不足等原因，而年龄正是影响引发脑卒中的一个重要因素，根据我们的分析正好可以证明。

（3）教师，渔民，医务人员，职工，离退人员的发病人数较少。其原因可能与受教育程度，工作环境等因素有关。

5.1.3对不同年龄段不同性别患病情况的统计

表3 2007-2010年不同年龄段不同性别患病情况 2007 性别 年龄 18岁以下 18~40岁 41~80岁 80岁以上 总人数 人数 11 116 5984 1107 7218 男 比例 本年龄 52.38% 59.18% 57.52% 44.69% 55.11% 本性别 0.15% 1.61% 82.90% 15.34% 100.00% 2008 性别 年龄 18岁以下 18~40岁 41~80岁 80岁以上 总人数 人数 19 210 8434 1705 10368 男 比例 本年龄 34.55% 69.77% 56.94% 44.48% 54.57% 本性别 0.18% 2.03% 81.35% 16.44% 100.00% 2009 性别 年龄 18岁以下 18~40岁 41~80岁 80岁以上 总人数 人数 41 234 4192 704 5171 男 比例 本年龄 33.33% 60.62% 53.65% 43.32% 51.98% 本性别 0.79% 4.53% 81.07% 13.61% 100.00% 2010 性别 年龄 18岁以下 18~40岁 41~80岁 人数 10 185 8503 男 比例 本年龄 62.50% 62.93% 55.85% 本性别 0.09% 1.76% 80.70% 人数 6 109 6723 女 比例 本年龄 37.50% 37.07% 44.15% 本性别 0.07% 1.19% 73.37% 16 294 15226 总人数 人数 82 152 3622 921 4777 女 比例 本年龄 66.67% 39.38% 46.35% 56.68% 48.02% 本性别 1.72% 3.18% 75.82% 19.28% 100.00% 123 386 7814 1625 9948 总人数 人数 36 91 6378 2128 8633 女 比例 本年龄 65.45% 30.23% 43.06% 55.52% 45.43% 本性别 0.42% 1.05% 73.88% 24.65% 100.00% 55 301 14812 3833 19001 总人数 人数 10 80 4420 1370 5880 女 比例 本年龄 47.62% 40.82% 42.48% 55.31% 44.89% 本性别 0.17% 1.36% 75.17% 23.30% 100.00% 21 196 10404 2477 13098 总人数 80岁以上 总人数 1839 10537 44.16% 53.49% 17.45% 100.00% 2325 9163 55.84% 46.51% 25.37% 100.00% 4164 19700 由上表可知： （1）18岁以下的青少年患病比例逐年基本呈增长趋势，可见患病年龄比例趋于年轻化。究其原因可能是因为现在青少年没有时间而不注意运动与自身身体素质。 （2）。患病人数主要集中在41-80岁，其原因可能是年龄逐渐增长，血液循环所需能量减少，代谢减慢，高供血，脑供氧不足等原因，而在职业中退休人员全都集中于这个年龄段，相互验证其正确性。

（3）80岁以上的患病人群中，女性高于男性。

图二2007年脑卒中不同年龄段发病人数趋势图

图三2008年脑卒中不同年龄段发病人数趋势图

图四2009年脑卒中不同年龄段发病人数趋势图

图五2010年脑卒中不同年龄段发病人数趋势图

从上图中可以看出，脑卒中发病高峰年龄段2007年为75-77岁之间，2008年为74-76岁之间，2009年76-78岁之间，2010年为75-78岁之间。由此可知，脑卒中发病率高峰年龄段为75-77岁之间。 5.2 模型二的建立与求解

通过题中所给数据，首先通过单因素分析得出气温、气压、相对湿度对脑卒中发病情况的影响关系大小，其次建立多元线性回归分析模型，最后利用SPSS20软件对数据进行分析，得到气温、气压、相对湿度与发病情况的关系。 5.2.1 单因素模型的建立

假设a为给定的显著性水平，则列出：

气温、气压、相对湿度分别对脑卒中的影响程度分析，即单因素分析，公式如下：

2n(x?x)?iirF???(xi?1j?1i?1rniij?xi)2

若F?Fa，表明均值之间的差异显著，该因素对观测值有显著影响。 若F?Fa,表明均值之间的差异不显著，该因素对观测值没有显著影响。 5.2.2 模型的求解

利用SPSS20 得出平均温度、最高温度、平均气压、最低气压、平均相对湿

度、最小相对湿度对脑卒中的影响显著，而最低气温、最高气压对脑卒中的影响不显著。

5.2.3 多元化线性回归模型的建立

在大多数的实际问题中，影响因变量的因素不止一个而是多个，因此对这类的问题本文采用多元化的线性回归分析。根据脑卒中发病率与气温、气压、相对湿度之间的关系建立多元化线性回归模型，如下： 5.2.4 多元线性回归模型的基本假定

假设1，解释变量是非随机的或固定的，且各x之间互不相关（无多重共线性）

假设2，随机误差项具有零均值、同方差及不序列相关性，即：

E??i??0 i?1,2?8

?Var??i??E??i2???2????Cov??i,?j??0

假设3，解释变量与随机项不相关，即：

i?1,2?8i?ji,j?1,2?8Cov?xj,?i??0 i?1,2?8 j?1,2?n

假设4，随机项满足正态分布，即：

?~N?0,?2?

在医学病学研究中经常会遇到某一疾病的发生与变化取决于几个影响因素的情况，也就是一个因变量和几个自变量有依存关系的情况，而且有时几个影响因素主次难以区分，或者有的因素虽属次要，但也不能略去其作用，这时采用一元回归分析预测法是难以奏效的，需要采用多元回归分析预测法。

列出多元线性回归模型的一般表现形式为：

Y?b0?b1x1?b2x2?b3x3???b8x8??

将n个统计数据代入上述模型，则问题转化为：

?Y1?b0?b1x11?b2x21?b3x31???b8x81??1?Y?b?bx?bx?bx???bx???201122223328822?????Yn?b0?b1x1n?b2x2n?b3x3n???b8x8n??n

5.2.5 模型的求解

利用SPSS20 软件对数据进行分析，得到气温、气压、相对湿度之间的关系如下：

表4 回归效果检验表 Anova 模型 平方和 df 均方 F Sig. d回归 .003 1 残差 .003 总计 .006 回归 .003 2 残差 .003 总计 .006 回归 .002 3 残差 .004 总计 .006 8 39 47 7 40 47 6 41 47 .000 3.866 .002 .000 ba.000 4.511 .001 .000 c.000 4.656 .001 .000 a. 预测变量: (常量), 最小相对湿度, 最低气压, 平均相对湿度, 最高气压, 最高温度, 最低温度, 平均气压, 平均温度。 b. 预测变量: (常量), 最小相对湿度, 最低气压, 平均相对湿度, 最高气压, 最高温度, 平均气压, 平均温度。 c. 预测变量: (常量), 最小相对湿度, 最低气压, 平均相对湿度, 最高温度, 平均气压, 平均温度。 d. 因变量: 患病比例 由以上结论可知：模型拟合优度检验Anova表中的F检验的显著性均小于显著水平0.05，表明多元线性回归模型显著。气温、气压、相对湿度具有统计学意义。

表5 脑卒中与气象资料回归分析SPSS20回归分析 系数 非标准化系数 模型 B (常量) 0.051 平均气压 1 最高气压 最低气压 平均温度 最高温0.003 0 -0.002 0.002 -0.00标准 误差 0.618 0.001 0.001 0.001 0.001 0.001 标准系数 试用版 2.05 -0.754 -1.267 0.082 2.362 -1.005 -3.695 0.935 0.023 0.321 0.001 相关性 t Sig. 零阶 -0.015 -0.042 -0.105 偏 共线性统计量 部分 容差 0.019 0.025 0.122 0.011 0.04VIF 52.645 39.383 8.226 87.492 21.61a0.354 0.283 -0.159 -0.509 -0.12 -0.442 1.336 1.194 0.24 0.048 0.188 0.143 -1.336 -2.400.020.004 -0.35-0.28度 最低温度 2 0 0.001 0 0 0.591 0.001 0.001 0.001 0.001 0.001 0 0 0.602 0.001 0 0.001 0.001 0 0 3 0.287 0.282 -0.716 -4.181 1 0.779 0 0.031 0.873 0.008 0.117 0 0.008 0.011 0 0.012 0.907 0.022 0.001 0.003 0.007 0 0.009 9 7 6 0.014 0.487 0.287 0.024 0.045 1 72.452 2.053 3.489 42.206 22.263 0.075 0.045 0.034 -0.312 -0.556 -0.5 平均相-0.00对湿度 1 最小相0.001 对湿度 (常量) 0.095 平均气压 最高气压 最低气压 平均温度 最高温度 0.003 -0.001 -0.002 0.002 -0.002 0.499 2.235 0.16 0.011 0.337 0.267 -0.015 -0.042 -0.105 2.159 2.811 -0.894 -1.293 -1.603 -3.949 0.406 0.332 -0.246 -0.53 -0.189 -0.467 0.13 7.668 0.042 0.052 0.488 0.351 0.054 0.153 0.044 0.053 0.488 0.354 23.921 19.203 2.049 2.847 18.559 6.554 22.957 18.972 2.049 2.821 2 1.605 2.776 -1.388 -2.68 -0.719 -4.248 0.048 0.402 0.328 0.004 -0.39 -0.312 -0.558 -0.317 -0.502 平均相-0.00对湿度 1 最小相0.001 对湿度 (常量) 0.071 平均气压 最低气压 3 平均温度 最高温度 0.002 -0.002 0.002 -0.002 0.526 2.638 0.117 0.011 0.385 0.312 -0.015 -0.105 1.238 2.385 -1.093 -3.544 0.349 0.287 -0.484 -0.427 1.791 3.104 -1.479 -2.82 -0.718 -4.164 0.048 0.436 0.374 0.004 -0.312 -0.403 -0.545 -0.34 -0.502 平均相-0.00对湿度 1 最小相0.001 对湿度 0.557 2.752 0.011 0.395 0.331 a. 因变量: 患病比例

图六 回归标准化残差的P-P图

分析上表可得出，模型一与模型而的显著性并不完全小于0.05，而模型三显著性完全小于0.05.即为模型三更为准确，所以我们以模型3建立多元线性回归模型，结果得到最优化的回归方程：

Y=b0+b1*x1+b2*x2+b4*x4+b6*x6+b7*x7+b8*x8即：

y?0.071?0.002x1?0.002x2?0.002x4?0.002x6?0.001x7?0.001x8

由回归方程可知，脑卒中发病率与平均温度呈正相关，与最高温度呈负相关，与平均气压呈正相关，与最低气压呈负相关，与平均相对湿度呈负相关，与最小相对湿度呈正相关。

图七 2007-2010年月平均气压与患病比例的双轴变化图

图八 2007-2010年月平均相对湿度与患病比例的双轴变化图

图九 2007-2010年月平均温度与患病比例的双轴变化图

由回归方程结合折线图可得出各因素与脑卒中发病率的影响如下：

（1）脑卒中发病率与平均温度成正相关，即平均温度越高，发病率越高。与最高温度成负相关，即最高温度越低，发病率越高。

（2）脑卒中发病率与平均气压成正相关，即平均气压越高，发病率越高。与最低气压成负相关，即最低气压越低，发病率越高。

（3）脑卒中发病率与平均相对湿度成负相关，即平均相对湿度越低，发病率越高。与最小相对湿度成正相关，即最小相对湿度越高，发病率越高。 5.3 模型三的建立与求解 5.3.1脑卒中的危险因素

研究中发现脑卒中的发病因素可以分为以下几类,第一类是生来具有的难以改变的先天性因素,如性别、年龄;第二类是环境因素,如感染或气候的影响;第三类是个体生活方式和饮食习惯因素,包括吸烟、饮酒、不合理膳食等,是可以控制的因素;第四类是家庭因素与环境因素相结所致的疾病,如高血压、心脏病、糖尿病等,是可以调节和治疗的病证。提出脑卒中危险因素观念,是着重阐明这些因素与脑卒中发生的关系,并不是二者具有直接的因果关系。中风相关因素的主成分分别分年龄、血压、血糖、红细胞压积、胆固醇、甘油三酯等身体质量指数。 5.3.2模型的建立

目前被大家肯定的危险因素有高血压、心脏病、糖尿病、短暂性脑缺血发作(TIA)、吸烟,可能的危险因素有血脂增高、高钠盐的摄入、饮酒超重、季节与气候、某些疾病的影响、社会经济状况、头颈部外伤。先天性危险因素有年龄、性别、遗传因素等。对于结论清楚的危险因素,开展积极的预防措施效果显著,而有些是多种因素,因时存在比单一性因素危险性更大,需要通过综合分析与评价 通过查找资料，得到脑卒中高危人群的重要特征和关键指标，结合题目一和二的结论，采用双变量因素分析，建立各因素与脑卒中发病率的相关模型。 假设r为各因素的相关系数，公式如下：

r???x?x??y?y???x?x???y?y?22 当r的值越小，表示该因素与脑卒中发病率相关度越低。 当r的值越大，表示该因素与脑卒中发病率相关度越高。 5.3.3脑卒中危险因素的干预策略

脑卒中危险因素的干预首先应该是对重点的高危人群的干预。包括:(1)普查、普治高血压。对高血压的预防和治疗是有效降低和减少脑卒中的最重要和根本性措施。据统计,我国高血压人数约1·1亿,但高血压患者对血压知患率仅占约30%。因此展开社区人群高血压的筛选,极早发现和诊断高血压,进行有效的药物或非药物性治疗,是脑卒中预防措施的重要环节。(2)早期发现和治疗TIA(短暂性脑缺血)。由于TIA发作短暂,容易忽视和漏诊,但有1/3的患者会导致脑卒中发作,因此必须早期明确诊断,有针对性地采取措施,可以预防TIA进展,降低脑卒中发生的可能性。(3)对卒中倾向个体,积极治疗其原有疾病,如心脏病、血液系统疾病,应尽量减少危险因的损害,可以预防和延缓脑卒中的发生。

针对不同的影响因素，给出不同的干预策略，如下： 1、高血压

动脉高血压是脑卒中最普遍并且可干预的危险因素，治疗高血压可降低脑卒中发病的危险。1份14个随机事件的meta分析表明接受治疗的患者中舒张压降低5~6mm Hg（1mm Hg=0.133kPa），脑卒中发生率减少42%。对单纯收缩压增高（>160mm Hg）的60岁以上老人进行血压控制，可是脑卒中的发生率降低36%。国内学者认为，血压≤140/85mm Hg时最有益，进一步降低血压（≤120/70mm Hg）未见明显一处。血压控制目前还没有确切的范围，但应注意降压切忌过快，因为血压的急剧降低可诱发心脑血管病。确诊为高血压的患者应当一年期服药，保持血压在正常范围。

2、糖尿病

尽管糖尿病被认为是缺血性脑卒中的独立危险因素，然而是否严格控制血糖即可降低脑卒中的发病率尚未确定。事实上，对糖尿病来说，磺脲类药物和（或）胰岛素治疗可以改善微血管并发症，但不能改善大血管的并发症，如脑卒中。

3、高胆固醇血症

血浆总胆固醇水平与心血管疾病的关系已确定，但其与脑卒中的关系尚不清楚。进来的meta分析结果显示血浆胆固醇水平与脑卒中的发病关系尚未确定，主要与脑卒中的致死率有关。反之，血浆胆固醇与出血性脑卒中之间呈负相关。普伐他汀治疗无症状的中度高胆固醇血症，可是心肌梗死的发生率或死于心血管疾病的概率显著小于31%。使用他汀类药物可以降低脑卒中的发生率。

4、吸烟

吸烟是导致缺血性脑卒中的独立危险因素，主要见于长期吸烟者，吸烟的人吸烟可使血液中的胆固醇与脂蛋白结合并沉积在血管壁上，从而加速动脉粥样硬化进程，容易引发脑中风。但吸烟对脑血管的影响是暂时的，只要停止吸烟2年以上，就可使脑中风的发生率大大下降。

5、饮酒

饮酒和脑卒中之间的关系尚不清楚，过度饮酒者发生出血性脑卒中的危险比不喝酒者高3倍。一箱多种族人群中的最新病例控制研究显示，适量的饮酒（每

天最多两种音频，两罐啤酒或两杯葡萄酒，20-30g酒精）可降低缺血性脑卒中的发病率，而过度饮酒可增加缺血性脑卒中的危险。

6、体育活动

适量的体育活动可降低脑卒中发病的危险性。最近，一项男性前瞻性研究发现，锻炼的效果如达到出汗的程度可降低脑卒中的危险性。体育活动通过影响体重、血压、血浆胆固醇及糖耐量而间接降低脑卒中发病的危险性，并不能直接降低脑卒中的发生率。

其次是要积极开展综合性的干预措施。脑卒中的发病可能是多种因素相互作用的结果，多因素并存比单因素危险性更大。如一个人可能同时存在着冠心病、高血压、糖尿病、肥胖等，因此在治疗过程中应多方位综合性措施并举，不宜采用单一方法进行干预，这样可以收到事半功倍的效果。同时还要不断强化健康教育，增强群众的自我保健意识，可以通过电视广播、报刊、宣传栏、咨询，提高防治对象的覆盖面，纠正人们的不健康的生活方式，不合理膳食结构，从而降低脑卒中危险因素的危害。

六 模型的评价与改进

6.1 模型的优点

1.采用SPSS软件，对于处理大量的数据，具有速度快、效率高、准确度高的优点

2.采用单因素分析，可以得到各因素对脑卒中的影响程度大小，为进一步求出各因素与脑卒中的关系奠定了基础

3 关于线性回归统计模型，在模型的建立过程中，若发现异常的值应及时剔除，有助于结果的合理性

4.此问题所用的数学方法为统计回归模型，易于多种数学软件求解，且简单明了。.

6.2 模型的缺点

1.单因素分析中，很难得到一个因素在其他条件不变的情况下对目标条件的影响。

2.本文没有考虑个体因素与遗传因素对脑卒中发病的影响，使得结果略有偏差。

6.3 模型的改进

1.个体差异、遗传因素也是发病的重要因素，多数学者认为脑卒中发病为多基本遗传，其遗传环境等各种后天因素的影响变化较大，如若将遗传也考虑进去，结果将更为准确。

2.脑卒中分为缺血性和出血性两类，如果能分别统计出患病人数的不同类别，就可以进一步的给出更为确切的干预策略。

七 参考文献

[1] 程金泉，刘方，张金良，北京市气温与脑卒中发病关系的时间序列研究，中华流行病学杂志，2004,25:962-966

[2] 孟庆莲，梁迎春，孟超，脑卒中发病危险时间的分析，临床神经学杂志，2000.13(1)40-41

[3] 徐钧陶，陈万钧，肖翠芳，巢湖市气象因素对脑卒中发病的影响，安徽医学 2009年30卷第1期

[4] 王慧伶，徐元良，胡守观，气象因素对高血压脑出血发病的影响，海军医学杂志，2002,23(1):58-60

[5] 曹奕，刘广霞，论脑卒中的危险因素及其干预，生物学杂志，第18卷第4期，2001年8月

[6] 叶殿秀，杨贤为，吴桂贤，京、沪两地脑卒中及其预测模型的对比分析，应用气象学报，第16卷增刊，2005年3月

[7] 宋治，杨期东，脑卒中预警研究：困惑与思考，医学与哲学：第24卷第8期，2003年

【专家点评】

该论文利用SPSS软件对于脑卒中病人的发病人数，按照病人的基本特征进行了统计分析。分别对气压、气温、相对湿度进行单因素分析，建立了多元线性回归分析模型，得到脑卒中与气压、气温、相对湿度之间的关系，给出了定量关系的描述误差分析结果。

通过查找资料给出了脑卒中高危病人的主要特征和关键指标。包括：高血压、糖尿病、高胆固醇血症、吸烟、饮酒等因素，给出了不同类型高危病人在不同气象因素影响下，如何有效地防止出现脑卒中病的风险。

该论文层次清晰，方法得当，格式规范，所得结果基本合理。因此推荐其为国家一等奖。

五、存在问题

关于问题1

对题目附件提供的数据中存在的部分缺失和误差数据，能进行分析、处理并能说明理由，反映了学生能正确对待、理解来自实际的数据中难免有缺失和错误的数据；对职业、性别等病人基本信息统计详细，并以饼图、柱形图等直观表示，并能根据统计结果进行分析、讨论；在分析年龄与发病人数的关系时，讨论仔细，分析不同年龄段发病人数，讨论发病高峰年龄段，并能以直观柱形图表示。但也有的同学对残缺数据没有提及、没有处理或处理了却没说明理由，有的统计基本信息仅分年度进行，没有总体考虑，对基本信息缺少进一步的分析、讨论，如服从某个分布或近似分布、偏差等等，说明对题目中统计描述理解不够。

关于问题2

比较合理的做法是在前面建立全变量的多元线性回归模型、因子统计模型等的基础上，应考虑建立条件统计模型（如：分别对男，女，农民，60≤年龄≤80, 发病人数≥60的情况建立线性回归模型）并进行相应分析讨论；还应考虑异常值识别或剔除，模型的合理性，模型的检验或拓广。

有的先建立单因素统计回归模型，并报告模型中的参数估计、模型拟合误差等，再综合考虑分析，解释模型结果，这样处理虽然不尽合理，但对专科学生来说已经不易。

但是有的对要解决的问题或统计方法理解不够，仅进行单因素分析，也有的分年度讨论，分别考虑2007、2008、2009和2010年，没有统一处理，掩盖了可能存在的规律；所利用的数据有的是以月平均，也有的以旬平均或周平均，甚至有的用季平均作单位，信息利用不够充分；有的过分追求线性拟合中较大的R ，

删除数据过多；在建立非线性回归模型时，用到6次方甚至8次方，我们认为不太符合实际，也没有建模机理；对所得的数学模型，没有分析、讨论其特性、含义等，缺少必要的参数估计、误差检验等。

关于问题3

查阅脑卒中的高危人群重要特征时，大多论文重定性指标轻定量指标，而在对高危人群提出预警、干预方面，大多同学应用参考文献等资料泛泛而言，缺少由问题1、2的结果、结论而得预警、干预，说明对题目理解不够。应利用所建立的模型，预先以适当方式具体告诉或提醒具备脑卒中高危人群重要特征和关键指标的当事人，在怎样的环境下（如：什么时间、年龄、气压、温度）最容易发病或发病率明显增长，并提出建议方案（如：发病人数与平均相对湿度呈负相关关系；在气压大于一定数值时，发病人数随气压升高而有增大；年龄在60到80的人群容易发病。对于上述环境因素，高危人群应注意防范）。

谢谢大家!

附录

附录1：SPSS分析用表 年月 患病比平均温平均气压 最高气压 最低气压 例 度 4.25 4.38 4.51 4.62 最高温度 最低温度 8.24 8.38 8.46 8.48 1.23 1.34 1.45 1.60 平均相最小相对湿度 对湿度 71.70 47.39 72.53 48.05 73.02 49.14 73.06 49.86 2007年1月 6.84% 1028.63 1030.73 1026.58 2007年2月 5.54% 1028.52 1030.61 1026.46 2007年3月 7.70% 1028.39 1030.47 1026.30 2007年4月 8.10% 1028.32 1030.38 1026.27 2007年5月 2007年6月 2007年7月 2007年8月 2007年9月 2007年10月2007年11月2007年12月2008年1月 2008年2月 2008年3月 2008年4月 2008年5月 2008年6月 2008年7月 2008年8月 2008年9月 2008年10月2008年11月2008年12月2009年1月 2009年2月 2009年3月 2009年4月 2009年5月 2009年6月 2009年7月 2009年8月 2009年9月 2009年10月2009年11月2009年12月8.11% 1019.47 1022.51 7.81% 1017.39 1020.42 7.67% 1014.56 1017.35 9.05% 1008.01 1010.35 9.25% 1005.67 1007.24 10.41% 1003.45 1005.13 9.14% 1005.11 1007.04 10.37% 1011.40 1013.48 9.72% 1027.09 1029.76 10.42% 1027.88 1030.40 10.25% 1018.13 1020.65 9.35% 1013.99 1016.61 9.34% 1008.63 1010.82 7.52% 1005.21 1007.28 7.27% 1003.63 1005.20 7.29% 1005.82 1007.57 6.79% 1011.49 1013.25 7.75% 1018.87 1021.03 7.26% 1023.99 1026.20 7.03% 1025.29 1028.48 8.73% 1027.12 1029.78 8.52% 1018.96 1022.36 8.35% 1018.68 1022.05 8.66% 1014.18 1016.71 8.77% 1011.17 1013.22 7.94% 1003.73 1005.34 9.33% 1003.54 1005.33 9.36% 1006.33 1007.96 8.34% 1012.32 1013.94 7.60% 1017.19 1019.17 6.63% 1022.50 1024.83 7.77% 1024.43 1026.86 1016.31 1014.18 1012.06 1005.48 1003.97 1001.71 1003.13 1009.43 1024.41 1025.11 1015.40 1011.04 1006.27 1003.14 1001.67 1004.12 1009.70 1016.93 1021.84 1022.46 1024.02 1015.15 1015.34 1011.39 1008.74 1001.86 1001.70 1004.64 1010.75 1015.32 1020.15 1022.07

8.98 13.47 12.35 16.92 16.55 21.73 23.22 28.16 25.64 29.22 29.90 34.27 29.12 32.98 24.43 28.17 3.30 5.75 3.60 8.52 11.45 16.06 16.06 20.45 21.44 26.87 23.61 26.61 30.08 34.26 27.74 31.69 25.09 29.15 19.78 23.60 11.15 15.40 6.26 10.94 2.97 7.58 8.11 11.26 10.81 15.41 16.94 22.09 22.15 28.00 26.33 30.82 28.72 32.41 27.86 31.51 23.93 27.28 20.10 24.75 10.68 14.45 5.48

9.09

5.54 73.79 49.50 8.73 68.62 46.76 12.53 63.57 39.05 19.16 61.25 39.67 23.05 74.48 58.28 26.51 71.54 52.89 26.26 70.40 52.35 21.72 75.09 62.08 1.38 56.46 61.27 -0.18 58.56 37.75 7.76 60.11 40.02 12.63 63.48 49.52 17.16 66.12 40.42 21.41 85.78 72.06 26.90 71.72 51.82 24.58 77.79 57.23 22.51 80.79 60.64 16.71 76.34 54.51 7.64 73.87 48.46 2.26 66.21 40.52 -0.55 68.51 44.41 5.43 77.94 61.56 6.66 69.11 45.95 12.59 66.92 41.24 17.01 59.01 32.95 23.09 75.62 55.02 25.53 76.11 59.25 25.41 79.96 62.74 21.36 79.71 62.88 16.12 68.08 40.76 7.84 79.47 59.81 2.63

71.52 51.53

2010年1月 8.89% 1026.54 1029.69 1023.00 4.60 9.03 1.21 2010年2月 7.49% 1019.80 1022.98 1016.54 7.21 11.57 3.69 2010年3月 8.67% 1021.08 1024.75 1017.54 9.43 14.31 5.71 2010年4月 8.61% 1017.86 1021.19 1014.32 12.78 16.88 9.40 2010年5月 9.63% 1009.78 1011.69 1007.71 20.38 24.45 17.01 2010年6月 8.26% 1006.13 1007.65 1004.48 24.29 27.99 21.53 2010年7月 9.05% 1006.27 1007.88 1004.54 28.39 32.35 25.59 2010年8月 8.70% 1007.82 1009.52 1006.01 30.01 34.45 26.55 2010年9月 8.39% 1012.34 1014.03 1010.69 24.82 28.57 21.91 2010年10月 8.74% 1019.22 1021.17 1017.36 17.71 21.63 14.54 2010年11月 8.13% 1021.34 1023.60 1019.11 12.97 17.73 8.80 2010年12月 5.46% 1020.47 1023.47 1017.26

5.75

10.75

1.94

1. 性别分析： 2007年

2008年

72.11 51.49 74.90 54.84 66.88 44.58 68.86 51.02 68.71 47.60 78.22 59.48 75.18 58.43 72.68 52.83 76.61 58.14 74.97 53.73 67.72 42.26 60.85 38.14

2009年

2010年

2. 年龄分析： 2007年

本文来源：https://www.bwwdw.com/article/0dr8.html