北京鐵路局進藏列車乘務人員健康狀態預警模型研究＊

南京工業大學應用數學系 (210009) 陳建麗 施慶生

青藏鐵路格拉段于 2005年 10月全線貫通,2006年列車開行,列車乘務人員全部采用全程擔當值乘方案。由于要持續的處于高原環境中,且要短時間內頻繁往返平原和高原,身心疲勞不能得到有效的恢復,長期累積可能會引起列車乘務人員生理和心理的應激反應,這可能會破壞人體內環境的平衡,使人體處于一種異常狀態〔1〕。因此,北京鐵路局按照鐵道部要求,于2006年 3月對進藏列車乘務人員進行體檢選拔,習服培訓后上崗值乘。為了加強進藏旅客列車乘務人員健康管理工作,掌握人員健康變化規律,進一步完善防治工作措施,又分別于 2007年 3月和 2007年 11月進行了兩次崗間體檢,在崗時間跨度都為 8個月。

本文利用北京鐵路局進藏列車乘務人員的兩次崗間體檢資料,應用累積比數 logit模型,探討影響列車乘務人員健康狀態的重要生理監測敏感指標,并利用篩選出的重要生理檢測敏感指標建立乘務人員身體健康狀態的累積比數 logit預測模型。

資料與方法

1.樣本、指標選擇

本文的研究資料為北京鐵路局進藏列車乘務人員的兩次崗間體檢數據資料,分別為 2007年 3月的崗間體檢,400人;2007年 11月的崗間體檢,296人,兩次共計 696個樣本。剔除缺失數據樣本,最后保留兩次崗間體檢樣本 510個。

北京鐵路局兩次體檢項目包括個人生活史、既往病史調查,內科、外科、耳鼻喉科、眼科檢查,血氧飽和度、胸部 X線、肺功能、腹部 B超、心電圖、超聲心動圖檢查,血、尿常規檢查,血液肝功能、腎功能、血糖、血酯生化檢查。

本文選取 38個體檢指標來構造統計分析的自變量,每個自變量的取值xi結合相應體檢指標檢測值ui和鐵路局崗前體檢、崗間體檢生理指標異常標準限值vi和改變標準限值wi進行賦值,異常(xi=2),改變(xi=1),正常(xi=0)。其中改變標準限值wi只有血壓和血常規給出標準,其他指標采用如下方法給出:wi=vi×(1+5%)(對≤vi為異常的體檢指標)或wi=vi×(1-5%)對≥vi為異常的體檢指標)。

對ui≥vi為異常的體檢指標,若ui≥vi,視為異常(xi=2);如果wi≤ui

對ui≤vi為異常的體檢指標,若ui≤vi,視為異常(xi=2);如果vi

表 1 本文選取 38個初始體檢指標

因變量即乘務人員的健康狀態分三類:異常 (y=1),需采取相應措施;改變 (y=2),需引起注意;正常(y=3)。

因變量采取以下構造方法:將每個樣本出現異常的生理指標個數相加,就得到該樣本異常生理指標的個數 n。根據健康監測的標準從嚴格到寬松,我們分為三個等級〔2〕:等級 Ⅰ:n≤2時,y=3;n=3時,y=2;n≥4時,y=1。等級Ⅱ:n≤3時,y=3;n=4時,y=2;n≥5時,y=1。等級Ⅲ:n≤4時,y=3;n=5時,y=2;n≥6時 ,y=1。

2.累積比數 logit回歸模型〔3〕

累積比數模型是一種有序回歸模型,可用于處理按等級進行分類的有序因變量。在應用中可利用模型中的斜率系數解釋實際問題,并能獲得因變量與解釋變量之間聯系強度的OR值。

設因變量 y為 K個等級的有序變量,K個等級分別用 1,2,…,K表示。XT=(x1,x2,…,xp)為自變量。記等級為 j的概率為 P(y=j|X),則等級小于等于 j的累計概率為:

P(y≤j|X)=P(y=1|X)+ …+P(y=j|X)有序分類結果的 logit回歸定義為:

根據有序結果的 logit回歸,可得每類的概率:

結果與分析

1.單因素累積比數 logit回歸分析

首先,在所選擇的 38個變量中,以防有重要變量遺漏,在 0.2的顯著水平上對三種分類等級分別進行單因素累積比數 logit回歸分析,尋找有統計學意義的影響進藏列車乘務人員身體健康狀態的生理監測指標。三種監控等級對應的三個模型篩選出的有統計學意義的變量,見表 2。累積比數模型對這一條件并不敏感,即當條件不成立時,參數估計仍然較穩定〔5〕。所以我們對三種等級全部采用累積比數 logit模型。

由于同一類的體檢指標之間有較強的相關性,或某些體檢指標可能沒有顯著的預測作用,因此在選擇模型的過程中要對體檢指標進行篩選。以估計樣本為基礎,采用逐步后退法對初始體檢指標進行篩選,變量篩選后比例發生比檢驗 P全部大于 0.05,三個模型采用累積比數模型都是合適的。三個模型的似然比χ2檢驗和擬合優度統計指標如表 4。

表 2 在 0.2的顯著性水平下篩選出的有統計學意義的變量

表 4 模型擬合優度指標

2.多因素累積比數 logit回歸分析

單因素分析雖然能逐步確定一些自變量與因變量之間的關系,但由于自變量間的相互作用影響,不能真正反映自變量與因變量之間的關系〔4〕。為了更好地了解身體健康狀況與各個生理監測指標綜合作用的內在聯系,并排除混雜因素的影響,本文以單因素分析中具有統計學意義的生理監測指標為自變量,進行多因素累積比數 logit回歸分析,采用后退法篩選重要影響因素。

采用多因素累積比數 logit模型首先應對成比例發生比假設條件 (p roportional odds assump tion)進行檢驗。三個模型的檢驗結果如表 3。

三個模型的似然比χ2檢驗都是顯著的 (P<0.0001),這表明三個模型中所包含的自變量對因變量都有顯著的解釋能力。另外,三個模型的兩個擬合優度統計指標 Pearsonχ2和 devianceχ2的檢驗 (P=1)都是不顯著的,這說明三個模型都充分擬合了數據。三個模型參數估計結果見表 5～7。

表 5 模型Ⅰ的最大似然估計結果

表 3 比例發生比檢驗

由檢驗可知,篩選變量前模型Ⅱ和Ⅲ不能拒絕原假設,說明采用累積比數 logit模型是合適的。然而,

表 6 模型Ⅱ的最大似然估計結果

表 7 模型Ⅲ的最大似然估計結果

從三個累積比數 logit回歸模型的參數估計結果可知,三個模型中包含共同變量 x4(血氧飽和度)、x5(肺活量 )、x7(體重下降 )、x11(HGB)、x14(AL T)、x16(TB IL)、x18(TP)、x19(白球比 )、x24(UA)、x25(TC)、x26(HDL)、x28(TG)、x34(升主動脈內徑 )、x36(主肺動脈徑)、x38(右心室流出道),說明這些指標是影響進藏列車乘務人員身體健康狀況的重要生理檢測敏感指標。且這些變量在三個模型當中的 OR值的平均值由大到小為:x4、x25、x16、x19、x36、x14、x34、x26、x28、x5、x7、x38、x24、x1、x11。這說明平均來看,在其他自變量相同的情況下,進藏列車乘務人員崗間體檢中血樣飽和度(x4)每增加一個等級,身體健康狀態變差的可能性相對其他 14個生理檢測指標來說是最大的。

3.進藏列車乘務人員健康狀態預測

為了進一步檢驗模型的預測能力,我們將 510個樣本代入模型對其所處的狀態進行預測,三個模型的正確識別率情況,見表 8。

表 8 累積比數 logit模型的正確識別率

結 論

本文以北京鐵路局進藏列車乘務人員的兩次崗間體檢數據為基礎,建立進藏列車乘務人員健康狀態預警的累積比數 logit模型,探討影響列車乘務人員健康狀態的重要生理監測敏感指標。

本文的實證研究發現,血氧飽和度、肺活量、體重下降、HGB、AL T、TB IL、TP、白球比、UA、TC、HDL、TG、升主動脈內徑、主肺動脈徑、右心室流出道是影響進藏列車乘務人員健康狀態的重要生理監測敏感指?標,這集中體現了低氧對血液、心肺功能、代謝系統的影響。因此,在對進藏列車乘務人員健康管理工作過程中,這些指標可作為崗間體檢中的重要參考指標。另外,在健康監測嚴格程度不同的規定下,三個累積比數 logit模型對乘務人員所處狀態的正確識別率分別達到 79.6%,85.3%和 85.3%,顯示該模型具有較好的預測能力。

1.施紅生.高原鐵路機車乘務人員生理選拔指標研究.中國安全科學學報,2006,16(6):18-24.

2.周晶晗,趙桂芹.我國產險公司財務惡化預警研究——基于 L ogistic模型.經濟科學,2007(3):113-123.

3.王濟川,郭志剛.L ogistic回歸模型——方法與應用.北京:高等教育出版社,2001:237-349.

4.吳彬,田俊,羅仁夏.胃癌患者生存質量影響因素的累積比數模型分析.中國衛生統計,2007,24(1):36-38.

5.陳峰.醫用多元統計分析方法.北京:中國統計出版社,2001,105-109.