氣象因素與急性閉角型青光眼發作關系的研究

李 柳，金 昱，劉 淼

（1.南昌市第一醫院眼科，江西 南昌 330008；2.中山大學中山眼科中心南昌眼科醫院，江西 南昌 330008）

急性閉角型青光眼（acute angle-closure glaucoma，AACG）是由于前房角突然關閉而造成眼壓大幅度上升的眼部疾病[1]，發病時患者自覺劇烈眼痛，甚至惡心、嘔吐，并有顯著的視力障礙[2，3]。一般認為此病的誘因除情緒大幅度波動、極度疲勞外[4]，還與特定的氣象條件相關[5]。氣象因子可引起人體的內分泌系統轉變，從而影響身體健康[6]。有科學研究報導氣象因素與心血管疾病發病有關[7]。但目前國內外并無對氣象因素與AACG 發病關聯的研究。本研究通過對不同氣象條件下AACG 就診人次進行分析，探討南昌市氣象條件下AACG 發病特點與規律以及極端溫度對AACG 發病的影響，建立南昌市AACG 逐月就診人次數的預測模型，為AACG 病因學的探討、診治和預防提供參考。

1 資料與方法

1.1 一般資料 收集2015 年1 月1 日～2019 年10 月31 日在南昌市規模較大的綜合性三級甲等醫院門診就診的所有AACG 發病病例，AACG 診斷標準[8]：①視力驟降、有確定的發病時間；②眼壓≥30 mmHg；③眼痛、頭痛、畏光、流淚、部分患者惡心、嘔吐等癥狀；④裂隙燈檢查有睫狀或混合充血；角膜和結膜水腫；前房較淺；瞳孔散大、變形或固定。搜集與AACG 就診資料數據同步的氣象資料，含日平均溫度Ta（℃）、日最高溫度Th（℃）、日最低溫度Tl（℃）、日均值氣壓Pa（hpa）、日最大氣壓Ph（hpa）、日最小氣壓Pl（hpa）、日均值空氣濕度Ha（%）、日最低濕度Hl（%）。以2015 年1 月1 日～2018 年10 月31 日（共46 個月）的數據用來擬合ARIMA 模型，2018 年11 月1 日～2019 年10 月31 日（共12 個月）的數據用于模型預測效果評價。

1.2 圓形分布計算流程 將12 個月轉換成360°，1

天相當于0.9863°，以每月的月中值為組中值（αi）。按下列流程進行計算：①計算cosαi及sinαi的均值，分 別 以X 和Y 表 示。，fi為頻數，n 為AACG 總人數；②計算角度離散程度指標γ 值；③計算平均角的正弦及余弦。，由上述結果推算值；④計算角離差S或S=；⑤檢驗方法為雷氏Z 值檢驗。Z=nγ2，Z＞Z0.05，表示有統計學意義。

1.3 建立ARIMA 模型 時間序列的特征分析及平穩化：建立時間序列，通過自相關系數函數圖（Autocorrelationfunction，ACF）和偏自相關系數函數圖（Partialautocorrelationfunction，PACF）分析序列的平穩性，因為ARIMA 模型只適用于平穩序列分析，非平穩序列需通過自然對數轉換、一般差分或季節差分等方法進行處理。

1.3.1 模型識別和定階 根據ACF 圖、PACF 圖和SPSS 23.0 軟件初步擬合結果，定階預先考慮使用ARIMA（p，d，q）或ARIMA（p，d，q）×（P，D，Q）模型，對模型參數從低階到高階進行逐項試驗，根據文獻資料[9]，該模型的階數一般不超過2，因此可以在二階以下逐一檢驗。

1.3.2 備選模型的參數估計和診斷 通過非線性最小二乘法估計參數，對模型的殘差進行Ljung-BoxQ（白噪聲）檢驗，以判定模型是否具有合理性。對各模型的AIC 和SBC 值進行綜合比較。AIC 和SBC 值與模型的預測效果負相關。選擇三個擬合優度統計量（AIC 和SBC）最小的模型為備選模型。

1.3.3 明確最優模型 用備選模型預測2018 年11 月1 日～2019 年10 月31 日（共12 個月）AACG 就診人數，并與具體就診人數進行對比，選擇預測相對誤差最小的模型為最優模型。

1.4 統計學方法 選用Excel 錄入以上AACG 就診資料及當期氣象因素數據信息，選用SPSS 23.0 進行統計分析不同季節AACG 就診率，采用圓分布方法分析AACG 就診集中趨勢，應用單因素相關分析及多元逐步回歸分析8 項氣象因素與AACG 就診的關聯性，建立ARIMA 模型，繪制相應的預測效果圖。

2 結果

2.1 南昌市AACG 就診集中趨勢 2015 年1 月1日～2019 年10 月31 日記錄的AACG 就診人數顯示，冬季發生AACG 的例數最多，見表1。

表1 各年度AACG 就診人數月份分布情況（n）

2.2 氣象因素與AACG 就診人次數的關聯性 將8項氣象因素（Ta、Th、Tl、Pa、Ph、Pl、Ha、Hl）與AACG就診人數分別進行單因素相關性分析，結果顯示AACG 與Ta、Th、T1 呈負相關，與Pa、Ph、Pl、Ha、Hl呈正相關，見表2；多元逐步回歸分析顯示，Ta、Th、T1、Hl 與AACG 就診人次數有關（P＜0.05），見表3。

表2 氣象因子與AACG 就診人次數的單因素相關性分析

表3 氣象因素與AACG 就診人次數的多元逐步回歸分析

2.3 ARIMA 預測模型

2.3.1 南昌市AACG 發病趨勢 依據2015 年1 月1日～2018 年10 月31 日南昌市AACG 就診人數隨時間的趨勢分析，見圖1，初步認為南昌市AACG 搜集病例的時間序列是非平穩曲線，每年12 月～次年2月為一個發病高峰，2017 年12 月～2018 年1 月就診的病例較多，且呈顯著的單峰分布。ACF 和PACF圖均不截尾，但有拖尾，見圖2，提示該時間序列為非平穩序列。

圖1 AACG 就診人數時間序列圖

圖2 AACG 就診人數ACF 和PACF 函數圖

2.3.2 序列的平穩化及模型識別 對2015 年1 月1日～2018 年10 月31 日南昌市AACG 數據信息進行自然對數轉化和1 階差分處理，獲得差分后的ACF圖和PACF 圖，見圖3。相關系數在滯后編號12 時尚未落入95%的置信區間內，初步說明需建立的最優ARIMA（p，d，q）或ARIMA（p，d，q）×（P，D，Q）模型將比較復雜。

圖3 AACG 就診人數數經自然對數轉化和1 階差分處理后ACF 和PACF 函數圖

2.3.3 模型的初步建立、確定 在滿足模型簡潔、各參數都有統計學意義（P＜0.05）和Ljung-BoxQ 統計量所對應的P＞0.05 的情況下，選擇標準化BIC 最小（0.651）、平穩R2最大（0.658）、均方根誤差較小（1.124）的ARIMA（1，0，0）（2，0，0）12模型，其Ljung-BoxQ=9.762，P=0.834，殘差序列為白噪聲。圖4 顯示，殘差序列ACF、PACF 均落入置信區間內，表示模型信息提取較為充分，時間序列各項之間沒有相關性。

圖4 模型ARIMA（1，0，0）（2，0，0）12 殘差序列ACF、PACF 函數圖

2.3.4 模型預測分析 以2015 年1 月1 日～2018 年10 月31 日AACG 就診人數時間序列擬合ARIMA（1，0，0）（2，0，0）12后，再以2018 年11 月1 日～2019年10 月31 日的數據為驗證數據進行預測分析，根據預測值與實際值的相對誤差判斷模型的預測實際效果，見表4，并繪制實際值和預測值序列圖，見圖5。實際值與本模型預測的結果基本一致，且未超出95%可信區間。其中，2019 年5、9、10 月預測值大于實際值，2018 年12 月～2019 年2 月和2019 年7、8月預測值小于實際值。

圖5 AACG 就診人數趨勢預測分析圖

表4 AACG 就診人數預測值與實際值比較（n）

3 討論

3.1 AACG 發病的特征 AACG 是由于房角突然關閉，使得房水流出受阻，并最終導致眼壓升高，其發生往往有內在的或外在的促發因素，臨床上最多見的是情緒波動，亦見于過度疲勞、近距離用眼過度、暗室環境、全身疾病等等。本研究共收集因AACG就診的患者226 例，其中50～70 歲最多，與臨床流行病學研究結果一致[10]。

3.2 AACG 發病的季節規律 南昌處在北半球亞熱帶，氣候屬于亞熱帶季風氣候，每年的7～8 月份溫度最高，1～2 月份溫度最低且溫差變化較大。本研究對226 例AACG 患者不同月份就診人數進行分析，就診人次數與月份分布表表明，AACG 的多發于冬季（12 月～次年2 月）。從2015 年1 月～2019 年10月的AACG 就診人數時間序列分析圖可得出，AACG 就診人數隨時間波動，波峰為每年12 月～次年2 月。圓分布方法分析結果表明，每年的12 月12日是AACG 就診高峰日。

3.3 氣象因素與AACG 發病的關聯 分析8 個氣象因素與AACG 日就診人數的關聯，數據顯示AACG與Ta、Th、T1 呈負相關（R=-0.216、-0.167、-0.171，P＜0.05），與Pa、Ph、Pl、Ha、Hl 呈正相關（R=0.048、0.049、0.041、0.079、0.074）。從相關系數值來看，AACG 發病與單一氣象因素的相關系數較小。進一步多元逐步回歸分析顯示，Ta、Th、T1、Hl 與AACG就診人次數有關（P＜0.05）。表明溫度、氣濕會影響AACG 的發病。分析其原因可能是溫度突變影響了調節中樞，自主神經引起房角關閉，進而導致眼壓的升高，并最終引起急性閉角型青光眼大發作。因此，需高度關注溫度變化，溫度驟降時，應當盡量避免戶外活動；出門時，必須做好防寒保暖工作，避免閉角型青光眼大發作。

3.4 AACG 就診人次數的預測模型 本研究構建了ARIMA 預測模型，該模型相比于線性回歸模型，對波動性、隨機性較大的數據擬合效果較好、預測精度較高，其將多種因素（包含未知因素）的綜合效應都蘊含于時間變量，常用于預測某一疾病與季節變換的關系[11，12]。本研究以46 個時間點長度的AACG 就診人數為預測數據，以12 個時間點的數據為驗證數據，經過模型的識別、估計和診斷，最終明確含有氣象因素的預測模型：ARIMA（1，0，0）（2，0，0）12模型，該結果表明平均溫度等氣象因子對AACG 就診人數有一定影響。模型各參數、Box-Ljung 統計量、平穩R2、標準化BIC 和均方根誤差等指標均表明ARIMA 模型對AACG 就診人次數序列的擬合效果良好，進一步分析模型對AACG 發病的預測結果顯示2018 年11 月1 日～2019 年10 月31 日模型預測值與具體情況基本一致，2018 年11 月1 日～2019年10 月31 日就診人數各實測值均落入預測值的可信區間內，表明模型對AACG 就診的預測分析實際效果較好，可用于預測分析AACG 就診情況，能為AACG 的預防和治療提供依據。

總之，AACG 多發于冬季，其發病與溫度、氣濕相關，氣象因子之間協同作用影響AACG 的發生。溫度驟變引起AACG 發生的風險升高。ARIMA（1，0，0）（2，0，0）12對AACG 的發病預測實際效果比較理想，可用于預測AACG 月就診情況，實現警示預報功效。