《環境與職業醫學》雜志官方網站 《環境與職業醫學》雜志官方網站 白小姐一肖精选中特网 股票配资平台推荐是什么 浙体彩20选5开奖结果 体育彩票网上购买 紫鑫药业股票 pk10软件免费下载 广西快3走势图彩经网 广汇能源股票最新公 一秒彩 多乐彩平台app 福建快3推荐号码

股票配资平台推荐是什么 浙体彩20选5开奖结果 体育彩票网上购买 紫鑫药业股票 pk10软件免费下载 广西快3走势图彩经网 广汇能源股票最新公 一秒彩 多乐彩平台app 福建快3推荐号码

首頁> 過刊瀏覽> 正文

2020, 37(1):9-14.doi:10.13213/j.cnki.jeom.2020.19485

隨時間變化的分布滯后非線性模型應用介紹:以氣溫與死亡關系為例


蒙納士大學公共衛生與預防醫學學院流行病與預防醫學系, 澳大利亞 墨爾本市 3004

收稿日期: 2019-07-19;  錄用日期:2019-01-27;  發布日期: 2020-02-14

通信作者: 郭玉明, Email: [email protected]  

作者簡介:

趙琦(1989-), 男, 博士; E-mail:[email protected]

利益沖突??無申報

[背景] 多項研究發現室外氣溫與健康之間的關系會隨著時間的推移而發生變化。但是目前大部分研究方法只是簡單地把時間序列數據分為不同時間段進行分析,由于模型穩定性等原因,特別是對于小樣本數據集,該方法并不能很好地用于揭示兩者關系的時間變化趨勢。為此,推薦使用不破壞時間序列數據的方法進行研究。

[目的] 介紹隨時間變化的分布滯后非線性模型(DLNM),并以芝加哥市1987-1997年死亡數據為例,比較該模型與普通DLNM在研究室外氣溫對人群死亡影響隨時間變化特征中的表現,以體現隨時間變化DLNM的優勢。

[方法] 介紹隨時間變化DLNM的基本數學結構,并比較其與普通DLNM的異同。下載R軟件"dlnm"程序包中內置的芝加哥市1987-1997年每日死亡和環境暴露數據(日均氣溫、相對濕度和可吸入顆粒物)。采用隨時間變化DLNM(基于類泊松回歸),估計1987年和1997年的氣溫-死亡累積效應。采用普通DLNM(基于類泊松回歸),估計1987-1997年、1987-1989年、1995-1997年、1987年和1997年的氣溫-死亡累積效應,并與隨時間變化DLNM的結果相比較。

[結果] 芝加哥市1987-1997年累積0~30 d的日均氣溫-死亡關系近似V型,19.2℃時的死亡風險最低。隨時間變化DLNM分析結果顯示,與死亡相對風險最低的氣溫值(MMT)相比,極端冷氣溫(日均氣溫第1百分位,-15.8℃)的相對危險度(RR),即冷溫效應,由1987年的1.59(95% CI:1.25~2.01)降低至1997年的1.50(95% CI:1.13~1.98),但差異無統計學意義(P=0.756)。極端熱氣溫(日均氣溫第99百分位,28.9℃)的RR,即熱溫效應,由1987年的1.04(95% CI:0.85~1.28)升高至1997年的1.75(95% CI:1.39~2.21),差異有統計學意義(P=0.001)。采用普通DLNM擬合的1987-1989年和1995-1997年的冷溫和熱溫效應,與隨時間變化DLNM擬合的1987-1997年的冷溫和熱溫效應有相似變化趨勢。采用普通DLNM擬合的單一年份(1987年和1997年)與隨時間變化DLNM擬合的氣溫-死亡累積效應相比,普通DLNM擬合結果更不穩定。

[結論] 隨時間變化DLNM能很好地應用于時間序列分析,估計氣溫等環境暴露因素的健康效應的長期變化趨勢。

關鍵詞: 隨時間變化的分布滯后非線性模型;  死亡;  氣溫;  應用;  效應 

極端氣候是目前人類面臨的最嚴重威脅之一[1]。大量研究顯示氣溫與健康效應的暴露-反應關系為非線性,例如U型、V型或者J型,同時該效應又存在時間上的滯后性[2-4]。近年來,分布滯后非線性模型(distributed lag non-linear model,DLNM)的提出極大地促進了氣象條件與健康效應的研究[5]。此外,有研究利用數十年的健康和氣象數據,發現兩者間的暴露-反應關系并不恒定,而是隨時間發生變化[6-7]。DLNM應用于小數據集時,如單個城市的單一年份,所擬合的暴露-反應關系受極端值影響較大。為追求穩定性,多數研究將數十年數據集拆分成2個或多個子數據集來研究氣溫健康效應的長期趨勢。為了克服這一短板,Gasparrini等[8-9]提出了隨時間變化的DLNM,為研究極端氣候健康效應的長期趨勢提供了新的方法學思路。本文將介紹此模型的基本結構,并以R軟件“dlnm”程序包中內置的芝加哥市1987—1997年每日死亡數據為例,比較隨時間變化的DLNM和普通DLNM的氣溫-死亡累積效應結果,進一步闡述隨時間變化的DLNM的應用。

1   材料與方法

1.1   普通DLNM

DLNM由Armstrong于2006年引入氣溫健康效應的研究中,并簡要介紹了交叉基函數的基本概念[10]。Gasparrini等于2010年進一步詳細闡述了DLNM的原理以及在R軟件中通過“dlnm”程序包的實現方式[5]。以氣溫-滯后-死亡的關系為例,該模型的基本結構如下:

$\begin{array}{l}{\rm{ \mathsf{ μ} = E}}\left( {\rm{Y}} \right)\\g\left( {{\mu _t}} \right) = \alpha + s\left( {{X_t};{\rm{ \mathsf{ η} }}} \right) + \sum\nolimits_{i = 1}^J {{h_j}\left( {{u_{jt}};{r_j}} \right)} \end{array}$

(1)

其中,μt為第t天的預期死亡人數;g(.)是鏈接函數,考慮到離散分布,一般采用類泊松;α為模型的截距,假設氣溫的效應最大滯后天數為L天,自變量xt=(xt,xt-1,…,xt-L)是第t天至前L天的每日氣溫數據所組成的行矢量,η為相應參數;s(.)為擬合xt效應的交叉基函數;ujt是一系列隨時間變化的混雜變量,如日均濕度、風速和空氣污染數據等,rj為相應參數,hj(.)為相應的函數。

s(.)通過DLNM來擬合氣溫-滯后-死亡的關系,即利用交叉基函數整合氣溫-死亡的非線性關系和氣溫的非線性滯后效應這兩個維度。假設氣溫-死亡的非線性關系用基函數?1(.),…,?νx(.)來描述,非線性滯后效應用基函數φ1(.),…,φνl(.)來描述,則DLNM可表達為:

$s\left( {{x_t};{\rm{ \mathsf{ η} }}} \right)=\sum\nolimits_{j = 1}^{{v_x}} {\sum\nolimits_{k = 1}^{{v_l}} {{r_{tj}}{c_{\rm{k}}}{\eta _{jk}}} } $

(2)

其中,rtj=[?jxt),…,?jxt-L)]是通過基函數?j(.)轉換氣溫維度xt得到的矢量;ck=[φk(0),…,φkL)]是通過基函數φk(.)轉換滯后維度(0,…,L)得到的矢量;η=(η11,…,ηνxνl)則是交叉基函數的相應參數?;瘮?j(.)和φk(.)多采用樣條函數,例如自然三次樣條,νxνt分別為相應自由度。

1.2   隨時間變化的DLNM

相較于普通DLNM,隨時間變化的DLNM加入了時間變量與交叉基函數的交互項,以研究隨時間變化的氣溫-滯后-死亡非線性關系。該設計的重要假設是氣溫-滯后-死亡效應是隨時間線性變化的。其基本結構如下:

$\begin{array}{l}{\rm{ \mathsf{ μ} = E}}\left( {\rm{Y}} \right)\\g\left( {{\mu _t}} \right) = \alpha + s\left( {{x_t}, {\mathit{T}_\mathit{t}};{\rm{ \mathsf{ η} }}} \right) + \sum\nolimits_{i = 1}^J {{h_j}\left( {{u_{jt}};{r_j}} \right)} \\s\left( {{x_t}\mathit{, }{\mathit{T}_\mathit{t}};{\rm{ \mathsf{ η} }}} \right) = \sum\nolimits_{j = 1}^{{v_x}} {\sum\nolimits_{k = 1}^{{v_l}} {{r_{tj}}{c_{\rm{k}}}{\eta _{jk0}}} } + {T_t}\sum\nolimits_{j = 1}^{{v_x}} {\sum\nolimits_{k = 1}^{{v_l}} {{r_{tj}}{c_\mathit{k}}{{\rm{ \mathsf{ η} }}_{jk1}}} } \end{array}$

(3)

交叉基函數的參數η=(η110,…,ηνxνl0)+(η111,…,ηνxνl1)。其中,(η110,…ηνxνl0)同公式(2)中η=(η11,…,ηνxνl),是交叉基函數的參數;(η111,…,ηνxνl1)則為交叉基函數sxt;η)與時間變量Tt交互項的參數。

1.3   數據介紹

實例分析采用R軟件“dlnm”程序包中內置的芝加哥市1987年1月1日—1997年12月31日每日居民全死因死亡及環境數據(daily mortality weather and pollution data for Chicago,chicagoNMMAPS)。該數據集包含了每日的死亡、氣象、空氣污染和時間數據,如日期(date)、時間變量(time)、星期幾(dow)、死亡總數(death)、平均氣溫(temp)、平均相對濕度(rh)、可吸入顆粒物(PM10)。數據格式見表 1。

表1

芝加哥1987—1997年逐日死亡及環境數據格式

Table1.

The data structure of daily mortality and environmental factors in Chicago between 1987 and 1997

1.4   R代碼和參數解釋

使用R軟件3.5.1的dlnm程序包分析隨時間變化的氣溫-滯后-死亡關系?;灸P瓦x擇廣義相加模型,具體代碼及相應參數的解釋如下:

#載入dlnm程序包#

library(dlnm)

#載入芝加哥市1987—1997年數據(共4 018 d),計算rh和PM10滯后0~1 d的移動平均值rh01和pm01#

data < - subset(chicagoNMMAPS,year<=1997)

data$rh01 < -filter(data$rhum,c(1,1)/2,side=1)

data$pm01 < -filter(data$pm10,c(1,1)/2,side=1)

#建立交叉基函數bs.t,根據經驗最大滯后天數設置為30 d,氣溫和滯后維度的自由度均為4#

kn < - quantile(data$temp,c(0.1,0.5,0.9))

bs.t < - crossbasis(data$temp,lag=30,argvar=list(fun="ns",knots=kn),arglag=list(knots=logknots(30,2)))

#建立time與交叉基函數的兩個交互項,并把time中心錨定在1987年7月1日(即第182天)和1997年7月1日(即第3 835天),由于采用線性假設,bs.t的系數可以代表全年的氣溫效應[8, 11] #

int1 < -((data$time-182)/4018)*bs.t

int2 < -((data$time-3835)/4018)*bs.t

#建立三個廣義相加模型,通過時間變量time(自由度為每年8個)控制逐日死亡人數的季節趨勢和長期趨勢,同時控制rh、PM10以及dow的混雜效應,參照點cen設置為死亡相對風險最低的氣溫值(minimum mortality temperature,MMT);提取相應的氣溫-死亡關系在滯后0~30 d的累積效應;模型fit為普通DLNM,交叉基函數bs.t的參數代表1987— 1997年的平均氣溫-滯后-死亡效應;模型fit1為隨時間變化的DLNM,額外添加交互項int1,則bs.t的參數代表1987年7月1日的氣溫-滯后-死亡效應,由于采用線性交互項,bs.t的參數亦可視為1987年全年的平均效應;模型fit2為隨時間變化的DLNM,額外添加交互項int2,則bs.t的參數代表1997年的氣溫-滯后-死亡效應#

fit < - gam(death~ns(time,length(unique(data$year))*8)+bs.t+ns(rh01,3)+ pm01+as.factor(dow),family= quasipoisson,data=data)

cross_all < -crosspred(bs.t,model=fit,cen= MMT)

fit1 < - gam(death~ns(time,length(unique(data$year))*8)+bs.t+ns(rh01,3)+ pm01+as.factor(dow)+ int1,family= quasipoisson,data=data)

cross_all1 < -crosspred(bs.t,model=fit1,cen= MMT1)

fit2 < - gam(death~ns(time,length(unique(data$year))*8)+bs.t+ns(rh01,3)+pm01+as.factor(dow)+ int2,family= quasipoisson,data=data)

cross_all2 < -crosspred(bs.t,model=fit2,cen= MMT2)

為比較隨時間變化DLNM的結果,本研究采用普通DLNM擬合1987—1989年、1995—1997年、1987年和1997年的累積氣溫-死亡關系。R代碼同模型fit,為方便比較隨時間變化的DLNM的結果,參照點cen的參數分別同MMT1和MMT2。溫度效應采用相對危險度(relative risk, RR)及其95%可信區間(confidence interval,CI)描述。使用薈萃回歸檢驗不同年份的冷、熱效應各自的統計學差異,檢驗水準α=0.05[12-13]。

2   結果

圖 1是將1987—1997年數據作為整體分析的結果。圖 1A是采用普通DLNM擬合芝加哥市1987—1997年日均氣溫與死亡累積0~30 d的暴露-反應關系,呈近似V型,19.2℃時死亡風險最低,為MMT。圖 1B是采用隨時間變化DLNM的擬合結果,顯示該市1987年和1997年累積0~30 d的日均氣溫與死亡的暴露-反應關系,MMTs分別為18.2℃和19.8℃。與圖 1A相比,圖 1B的置信區間同樣較窄,提示擬合結果比較穩定。

圖 1

日均氣溫與總死因死亡的累積暴露-反應關系(lag0~30 d)

以MMT為參照點,定義日均氣溫第1百分位(-15.8℃)和第99百分位(28.9℃)累積0~30 d的RR值分別為冷溫和熱溫效應。1987—1997年的平均冷溫效應和熱溫效應的RR值分別為1.53(95% CI:1.34~1.75)和1.32(95% CI:1.17~1.48)。冷溫效應RR值由1987年的1.59(95% CI:1.25~2.01)降低至1997年的1.50(95% CI:1.13~1.98),但差異無統計學意義(P=0.756)。熱溫效應RR值由1987年的1.04(95% CI:0.85~1.28)升高至1997年的1.75(95% CI:1.39~2.21),差異有統計學意義(P=0.001)。

圖 2均為采用普通DLNM對不同年份小數據集擬合的結果。圖 2A是為提高模型穩定度,擬合3年數據(即1987—1989年和1995—1997年)的結果。結果顯示,同一冷溫(-15.8℃)效應RR值在1987—1989年間為1.33(95% CI:1.03~1.71),在1995—1997年間為1.54(95% CI:1.14~2.08),差異沒有統計學意義(P=0.471)。同一熱溫(28.9 ℃)效應RR值在1987— 1989年間為1.24(95% CI:1.00~1.52),在1995—1997年間為2.32(95% CI:1.78~3.04),差異有統計學意義(P < 0.001)。圖 2B為1987年和1997年單一年份的擬合結果,結果顯示可信區間較大(特別是冷溫效應),提示模型穩定度較低。

圖 2

采用普通DLNM擬合的日均氣溫與總死因死亡的累積暴露-反應關系(lag0~30 d)

隨時間變化DLNM將1987—1997年作為整體進行分析,不破壞時間序列數據;而普通DLNM把時間序列數據分為不同時間段進行分析,本文選取了1987—1989年和1995—1997年兩個時間段納入分析,結果顯示采用普通DLNM(圖 2A)擬合3年數據的結果類似于隨時間變化的DLNM(圖 1B)的擬合結果,即兩者都顯示隨著年份的延后,低溫效應RR值無明顯變化,而高溫效應RR值升高。隨時間變化DLNM的數據擬合結果(圖 1B)比普通DLNM采用1987年和1997年單一年份的擬合結果(圖 2B)更為穩定。該結果表明隨時間變化DLNM能很好地擬合極端溫度的效應隨時間的變化趨勢。

3   討論

本研究發現芝加哥市1987—1997年在0~30d的累積氣溫-死亡關系為非線性,近似V型,即冷溫和熱溫均會引起超額死亡風險。亞洲(例如中國、日本和韓國)、歐洲和澳洲(澳大利亞)等國家和地區的研究有類似的發現[14-15]。此前的研究顯示,人體的自主溫度調節系統不能完全抵消冷溫和熱溫的影響,引起多種病理生理改變進而導致死亡[16-17]。例如冷溫可導致血液黏稠度升高、血脂和心率異常等[18]。熱溫可以引起一系列高溫疾病,如熱中風、脫水、呼吸道炎性反應和急性腎衰竭等[19-22]。

本研究利用隨時間變化的DLNM,發現在1987— 1997年間氣溫-死亡非線性關系并非恒定,而是隨著時間的延后熱溫效應明顯升高。該發現提示存在對熱溫的不適應性。此前不同國家的發現各有異同,例如一項日本的研究顯示,隨著時間的延后冷溫和熱溫導致的死亡風險均下降[23]。另一項多國家研究顯示,在1993—2006年的14年間,熱溫效應在美國和西班牙等國家明顯下降,在澳大利亞升高,在韓國和英國無明顯變化[8]。由于缺乏必要的個體信息,很難直接解釋這種隨時間變化的氣溫效應的機制。但是有研究推測,這可能與社會經濟和地理因素有關,例如人口老齡化、地區差異、空調使用率以及經濟水平等[23]。

本研究同時比較了隨時間變化的DLNM、普通DLNM單一年份和普通DLNM三年數據的分析結果。普通DLNM單一年份的結果明顯更不穩定,特別是冷溫效應。隨時間變化的DLNM的結果與普通DLNM三年數據的結果相似,均為冷溫效應無明顯變化而熱溫效應明顯升高,反映了前者在氣溫效應隨時間變化研究中的可靠性。相比較普通DLNM三年的結果,隨時間變化的DLNM另一個優勢在于能很好地估計某特定氣溫的效應隨時間變化速率,特別是單一城市的小數據集。

隨時間變化的DLNM是在普通DLNM基礎上發展而來,因此也面臨DLNM相同的問題。例如目前缺乏統一的標準確定每年幾個自由度控制長期趨勢和季節趨勢,暴露和滯后兩個維度上自由度或者節點的數目,最大滯后時間和模型擬合效果等。此外,應用隨時間變化的DLNM的重要假設是氣溫效應隨時間為線性變化。實際情況有可能出現氣溫的效應為非線性變化。

本研究顯示,隨時間變化的DLNM能很好地擬合極端氣溫的效應隨時間的線性變化趨勢。該模型還可以推廣至其他時間序列研究中,探索多種暴露因素與結局的時間變化特征。

表1

芝加哥1987—1997年逐日死亡及環境數據格式

Table 1

The data structure of daily mortality and environmental factors in Chicago between 1987 and 1997

圖 1

日均氣溫與總死因死亡的累積暴露-反應關系(lag0~30 d)

Figure 1

The association between daily mean temperature and all-cause mortality (over lag 0-30 days)

[注] A為采用普通DLNM擬合的1987—1997年的平均效應;B為采用隨時間變化DLNM擬合的1987年(藍色)和1997年(紅色)的效應。 [Note] A shows the average association between 1987 and 1997 modelled using ordinary DLNM; B shows the associations in 1987 (blue colour) and 1997 (red colour) modelled using time-varying DLNM.
圖 2

采用普通DLNM擬合的日均氣溫與總死因死亡的累積暴露-反應關系(lag0~30 d)

Figure 2

The association between daily mean temperature and all-cause mortality (over lag 0-30 d) modelled using ordinary DLNM

[注] A為1987—1989年(藍色)和1995—1997年(紅色)的效應;B為1987年(藍色)和1997年(紅色)單一年份的效應。 [Note] A shows the associations in 1987-1989 (blue colour) and 1995- 1997 (red colour); B shows the single-year associations in 1987 (blue colour) and 1997 (red colour).

參考文獻

[1]

IPCC. Summary for policymakers[M]//FIELD C B, BARROS V R, DOKKEN D J, et al. Climate change 2014: impacts, adaptation, and vulnerability. Part A: global and sectoral aspects. Cambridge, UK: Cambridge University Press, 2014: 1-32.

[2]

ZHAO Q, ZHANG Y, ZHANG W, et al. Ambient temperature and emergency department visits:time-series analysis in 12 Chinese cities[J]. Environ Pollut, 2017, 224:310-316.

DOI: 10.1016/j.envpol.2017.02.010
[3]

GUO Y, BARNETT AG, PAN X, et al. The impact of temperature on mortality in Tianjin, China:a case-crossover design with a distributed lag nonlinear model[J]. Environ Health Perspect, 2011, 119(12):1719-1725.

DOI: 10.1289/ehp.1103598
[4]

GUO Y, GASPARRINI A, ARMSTRONG B, et al. Global variation in the effects of ambient temperature on mortality:a systematic evaluation[J]. Epidemiology, 2014, 25(6):781-789.

DOI: 10.1097/EDE.0000000000000165
[5]

GASPARRINI A, ARMSTRONG B, KENWARD M G. Distributed lag non-linear models[J]. Stat Med, 2010, 29(21):2224-2234.

DOI: 10.1002/sim.3940
[6]

ONOZUKA D, HAGIHARA A. Variation in vulnerability to extreme-temperature-related mortality in Japan:a 40-year time-series analysis[J]. Environ Res, 2015, 140:177-184.

DOI: 10.1016/j.envres.2015.03.031
[7]

NORDIO F, ZANOBETTI A, COLICINO E, et al. Changing patterns of the temperature-mortality association by time and location in the US, and implications for climate change[J]. Environ Int, 2015, 81:80-86.

DOI: 10.1016/j.envint.2015.04.009
[8]

GASPARRINI A, GUO Y, HASHIZUME M, et al. Temporal variation in heat-mortality associations:a multicountry study[J]. Environ Health Perspect, 2015, 123(11):1200-1207.

DOI: 10.1289/ehp.1409070
[9]

GASPARRINI A, GUO Y, HASHIZUME M, et al. Changes in susceptibility to heat during the summer:a multicountry analysis[J]. Am J Epidemiol, 2016, 183(11):1027-1036.

DOI: 10.1093/aje/kwv260
[10]

ARMSTRONG B. Models for the relationship between ambient temperature and daily mortality[J]. Epidemiology, 2006, 17(6):624-631.

DOI: 10.1097/01.ede.0000239732.50999.8f
[11]

ZHANG Y, YU Y, PENG M, et al. Temporal and seasonal variations of mortality burden associated with hourly temperature variability:a nationwide investigation in England and Wales[J]. Environ Int, 2018, 115(6):325-333.

[12]

GUO Y. Hourly associations between heat and ambulance calls[J]. Environ Pollut, 2017, 220:1424-1428.

DOI: 10.1016/j.envpol.2016.10.091
[13]

ZHAO Q, LI S, COELHO MS, et al. Geographic, demographic, and temporal variations in the association between heat exposure and hospitalization in Brazil:a nationwide study between 2000 and 2015[J]. Environ Health Perspect, 2019, 127(1):017001.

DOI: 10.1289/EHP3889
[14]

MA W, WANG L, LIN H, et al. The temperature-mortality relationship in China:an analysis from 66 Chinese communities[J]. Environ Res, 2015, 137:72-77.

DOI: 10.1016/j.envres.2014.11.016
[15]

GASPARRINI A, GUO Y, HASHIZUME M, et al. Mortality risk attributable to high and low ambient temperature:a multicountry observational study[J]. Lancet, 2015, 386(9991):369-375.

DOI: 10.1016/S0140-6736(14)62114-0
[16]

PARSONS K. Human thermal environments:the effects of hot, moderate, and cold environments on human health, comfort, and performance[M]. 3rd ed. New York:CRC Press, 2014.

[17]

GASPARRINI A, ARMSTRONG B, KOVATS S, et al. The effect of high temperatures on cause-specific mortality in England and wales[J]. Occup Environ Med, 2012, 69(1):56-61.

DOI: 10.1136/oem.2010.059782
[18]

LIU C, YAVAR Z, SUN Q. Cardiovascular response to thermoregulatory challenges[J]. Am J Physiol Heart Circ Physiol, 2015, 309(11):H1793-H1812.

DOI: 10.1152/ajpheart.00199.2015
[19]

WILLIAMS S, NITSCHKE M, WEINSTEIN P, et al. The impact of summer temperatures and heatwaves on mortality and morbidity in Perth, Australia 1994-2008[J]. Environ Int, 2012, 40:33-38.

DOI: 10.1016/j.envint.2011.11.011
[20]

HANSEN A L, BI P, RYAN P, et al. The effect of heat waves on hospital admissions for renal disease in a temperate city of Australia[J]. Int J Epidemiol, 2008, 37(6):1359-1365.

DOI: 10.1093/ije/dyn165
[21]

KALDUR T, UNT E, ??PIK V, et al. The acute effects of passive heat exposure on arterial stiffness, oxidative stress, and inflammation[J]. Medicina, 2016, 52(4):211-216.

DOI: 10.1016/j.medici.2016.06.001
[22]

MICHELOZZI P, ACCETTA G, DE SARIO M, et al. High temperature and hospitalizations for cardiovascular and respiratory causes in 12 European cities[J]. Am J Respir Crit Care Med, 2009, 179(5):383-389.

DOI: 10.1164/rccm.200802-217OC
[23]

CHUNG Y, YANG D, GASPARRINI A, et al. Changing susceptibility to non-optimum temperatures in Japan, 1972-2012:the role of climate, demographic, and socioeconomic factors[J]. Environ Health Perspect, 2018, 126(5):057002.

DOI: 10.1289/EHP2546
上一張 下一張
上一張 下一張

[作者簡介]

[收稿日期] 2019-07-19

【點擊復制中文】
【點擊復制英文】
計量
  • PDF下載量 (478)
  • 文章訪問量 (1515)
  • XML下載量 (3)
  • 被引次數 (0)

目錄

隨時間變化的分布滯后非線性模型應用介紹:以氣溫與死亡關系為例

導出文件

格式

內容

導出 關閉
《環境與職業醫學》雜志官方網站 股票配资平台推荐是什么 浙体彩20选5开奖结果 体育彩票网上购买 紫鑫药业股票 pk10软件免费下载 广西快3走势图彩经网 广汇能源股票最新公 一秒彩 多乐彩平台app 福建快3推荐号码 股票配资平台推荐是什么 浙体彩20选5开奖结果 体育彩票网上购买 紫鑫药业股票 pk10软件免费下载 广西快3走势图彩经网 广汇能源股票最新公 一秒彩 多乐彩平台app 福建快3推荐号码