上海市杨浦区2007～2014年急性心肌梗死空间数据探索性分析

刘杰，陈挺，余云华，韩雪，郑兴

· 论著 ·

上海市杨浦区2007～2014年急性心肌梗死空间数据探索性分析

刘杰1，陈挺2，余云华2，韩雪3，郑兴2

目的 探索上海市杨浦2007～2014年区急性心肌梗死患者发病、死亡人群空间分布的特征，寻找“热点区域”。方法 建立2007～2014年上海市杨浦区基于街区的急性心肌梗死空间数据库，运用地理信息系统技术、全局空间自相关（Moran's I）与局部空间自相关（Local Moran's I，LISA）方法对急性心肌梗死资料进行分析处理，探索杨浦区急性心肌梗死空间分布模式和规律。结果 全局空间自相关结果显示，杨浦区急性心肌梗死发病率（45.81/万）、死亡率（13.86/万）在各街区间存在明显的空间聚集现象（I发病=0.1012，P=0.0291；I死亡=0.1428，P=0.0281）；局部空间自相关分析探测出了急性心肌梗死发病率、死亡率的高发热点地区为杨浦区长白新村街区和延吉新村街区。结论 杨浦区急性心肌梗死发病率、死亡率呈显著的地区分布规律，可根据这一特征进一步寻找地区差异性的原因，为合理配置医疗资源和调整管理策略提供科学依据。

急性心肌梗死；空间流行病学分布；地理信息系统；空间自相关分析

急性心肌梗死作为心血管疾病的重要组成部分，其死亡率常年居高不下。为了研究急性心肌梗死的分布特征、流行规律及临床特点等情况，世界各地均展开了针对急性心肌梗死的流行病学研究［1-4］。中国居民随着经济发展、心血管疾病危险因素的增加，罹患急性心肌梗死的人数逐年增长，已成为中国人群重大的公共卫生问题［5］。中国MONICA研究针对急性冠心病事件的发病率、死亡率及危险因素水平进行长期监测，了解急性心肌梗死在不同危险因素暴露人群中的分布特点，探讨其发展变化趋势以及与饮食结构、时令温度、性别年龄等因素的关系，为急性心肌梗死的预防控制开展提供了方向和工作重点［6］。

1　资料与方法

1.1资料来源 建立2007～2014年上海市杨浦区各街区急性心肌梗死发病、死亡数据库，各街区人口资料均由上海市杨浦区疾病预防控制中心提供。根据在杨浦区疾病预防控制中心收集整理的资料，建立急性心肌梗死数据库，统计各街区急性心肌梗死的发病率、死亡率。

1.2地图绘制 以《上海市杨浦区行政区划地图》为基础地图，利用 GIS软件MAPGIS对整理后的急性心肌梗死疾病资料与相应的杨浦区行政街区进行匹配，根据地理坐标（杨浦区各街区近似中心点的经度和纬度），以点数据形式输入电子地图，并用不同颜色表示率的变化，形成杨浦区各街区急性心肌梗死发病率、死亡率专题地图。

1.3空间自相关分析 利用全局自相关（Moran's I）、局部自相关（Local Moran's I，LISA）分别对杨浦区急性心肌梗死发病率、死亡率的全局和局部空间自相关性进行分析。Moran's I总体上反映了研究目标的空间相关性［10］，计算公式如下：

其中i≠j，n是参与分析的空间单元数；Xi和Xj分别表示某现象X在空间单元i和j上的观测值；Wij是空间权重矩阵，本研究采用反距离空间准则，以街区间坐标距离的倒数作为权重，距离越远，相关性越低。

局部空间自相关，描述一个空间单元与其领域的相似程度，能够表示每个局部单元服从全局总趋势的程度，并提示空间异质，说明空间依赖是如何随位置变化的。其常用反映指标是Local Moran's I ，计算公式为：

式中Ii是i点的LISA值，其余参数的定义和设定及假设检验方法同全局Moran's I。

1.4观察指标 Moran's I取值介于-1～1之间，E（I）为I的期望值，若Moran's I＞E（I），表示空间分布正相关，相邻空间单元具有相似的属性值，表明急性心肌梗死发病、死亡特征呈聚集性分布；若Moran's I＜E（I），表示空间分布负相关，表明急性心肌梗死发病、死亡特征呈离散型分布；当I接近期望值时，表明空间单元（街区）之间不存在自相关。

Local Moran's I系数反映了某区域周围相似属性值的空间聚集程度。Ii＞0表示空间单元i与邻近单元的属性值相似（高值聚集或低值聚集），即存在空间正相关现象；Ii＜0表示空间单元i与邻近单元的属性值不相似，即存在空间负相关现象。Local Moran's I可以看作是全局Moran's I的各区域分量，它反映了各区域的空间自相关现象对区域整体空间自相关的影响程度［11］。

1.5统计学方法 专题地图采用MapGIS软件绘制。统计分析采用统计软件R完成［12］。计数资料采用万分比率形式表示，各街区间率的比较采用卡方检验，P≤0.05时，存在显著统计学差异。空间自相关分析计算Moran's I系数与E（I），统计假设检验采用Monte Carlo模拟方法进行随机抽样，模拟数据10 000次进行置换检验，P≤0.05为差异有统计学意义。对各街区进行多重检验时，除未校正结果外，还提供经Benjamini Y和Hochberg的FDR控制法校正后的P值［13］，控制I型错误率膨胀。

2　结果

2.1调查城区基本特征及发病、死亡情况 杨浦区位于上海市中心城区东北部，黄浦江下游西北岸，区域面积60.61平方公里，户籍人口1 089 478人，辖下有11个街区和1个镇，分别是定海、大桥、平凉、江浦、四平、控江、延吉新村、长白新村、五角场、殷行、新江湾城（资料暂缺）和五角场镇［14］。2007～2014年杨浦区急性心肌梗死发病共计4979例，急性心肌梗死死亡1506例，杨浦区急性心肌梗死发病率、死亡率的空间分布见发病率、死亡率专题地图如图1，图2。杨浦区各街区间率的卡方检验表明急性心肌梗死发病率（χ2=1464.351，P＜0.001）与死亡率（χ2=515.564，P＜0.001）存在街区分布上的统计学差异。长白街区和延吉街区的急性心肌梗死发病率、死亡率均最高，表明急性心肌梗死发病率、死亡率在街区尺度上存在空间差异性。

2.2全局Moran's I空间自相关分析结果 杨浦区急性心肌梗死发病率、死亡率的全局Moran's I空间自相关分析结果见表1，急性心肌梗死发病率、死亡率在各街区间并未随机分布，存在明显的空间聚集现象（I发病=0.1012，P=0.0291；I死亡=0.1428，P=0.0281），由于Moran's I＞0，表明成正向空间自相关。

图1　上海市杨浦区急性心肌梗死发病率空间分布专题地图

图2　上海市杨浦区急性心肌梗死死亡率空间分布专题地图

2.3局部空间自相关Local Moran's I分析结果 杨浦区急性心肌梗死发病率、死亡率的局部空间自相关分析结果分别见表2，表3，对Local Moran's I值进行显著性水平检验有统计学意义（P＜0.05）的街区有2个，分别是长白街区和延吉街区，且两个街区Moran's I均大于0，表明长白街区和延吉街区存在空间自相关现象。其与周围街区（控江、定海、大桥）的急性心肌梗死发病率、死亡率相似，说明急性心肌梗死发病、死亡在长白和延吉两个街区及南部周围街区存在高高分布，地理环境与急性心肌梗死的发病、死亡具有相关性。

表1　Moran's I空间自相关分析结果

3　讨论

疾病的发生与流行除了在时间和人群中有其分布特点，与一定地域空间的环境因素密切相关，然而流行病的调查研究多聚焦在时间和人群两个要素，往往忽视了空间环境的分析［15］。早期研究疾病在空间上的分布特点和规律采用的是绘制疾病地图，它能够直观地揭示疾病的发生与地理环境位置因素间的关系［16］。本研究利用MAPGIS软件对上海市杨浦区急性心肌梗死发病率、死亡率的空间分布进行地图绘制，可以直观的观察到急性心肌梗死发病率、死亡率在街区上的空间聚集特征，通过卡方检验，急性心肌梗死发病率、死亡率在杨浦区总体街区上存在显著统计学差异，进一步验证了急性心肌梗死在杨浦区空间分布上的规律。

由于空间现象的非独立性特点，传统数理统计方法无法很好解决空间数据的采集和处理问题，结果会产生偏倚，因此出现了空间分析技术［17］。空间分析技术可用于描述与分析疾病和卫生事件的空间分布特点及规律，高危人群的分布，探索影响地区人群健康情况的因素，辅助卫生系统的资源分配和防控决策。本研究针对杨浦区2007～2014年各街区急性心肌梗死数据进行空间自相关分析，探索急性心肌梗死的空间分布模式。结果显示急性心肌梗死发病率、死亡率在杨浦区呈现空间聚集性，高发的“热点区域”为长白新村、延吉新村两个街区，高值聚集区域位于杨浦区中南部，为有效防控急性心肌梗死、配置和管理街区医疗资源提供了科学依据。考虑到长白、延吉街区主要为旧城区组成，街区环境特征与其余街区可能存在一定差异，同时，研究中观察到中西北街区的急性心肌梗死的发病率、死亡率为较低值，空间分布特征呈现随机性分布，这些街区属于高校园区教育、产业、服务功能区，但资源分布与区域经济相互封闭独立，新的街区功能还待完善［18］，这为进一步研究急性心肌梗死在杨浦各街区存在空间分布差异性的原因提供了线索。

表2　杨浦区各街区急性心肌梗死发病率局部空间自相关Local Moran's I分析结果

表3　杨浦区各街区急性心肌梗死死亡率局部空间自相关Local Moran's I分析结果

本研究存在不足之处：年龄、性别是急性心肌梗死发病的危险因素之一，同时也是街区人口的结构特征，由于未能收集到杨浦区各街区的年龄、性别人口结构数据，无法计算各街区的标化发病率和死亡率，对空间自相关分析可能产生年龄、性别上的偏倚；目前针对公共卫生系统的地理信息数据资源极为有限，限制了急性心肌梗死空间分析的内容，很难寻找急性心肌梗死在空间分布上的影响因素，进一步的地理信息数据和疾病相关数据的收集有待完善。

［1］ Rumana N，Kita Y，Turin TC，et al. Trend of increase in the incidence of acute myocardial infarction in a japanese population： Takashima ami registry，1990-2001［J］. Am J Epidemiol，2008，167（11）：1358-64.

［2］ McManus DD，Piacentine SM，Lessard D，et al. Thirty-year （1975 to 2005）trends in the incidence rates， clinical features， treatment practices， and short-term outcomes of patients ＜55 years of age hospitalized with an initial acute myocardial infarction［J］. Am J Cardiol，2011，108（4）：477-82.

［3］ Katzenellenbogen JM，Sanfilippo FM，Hobbs MS，et al. Incidence of and case fatality following acute myocardial infarction in aboriginal and nonaboriginal western australians （2000-2004）： A linked data study［J］. Heart Lung Circ，2010，19（2）：717-25.

［4］ Gil M，Marti H，Elosua R，et al. Analysis of trends in myocardial infarction case-fatality， incidence and mortality rates in girona， spain，1990-1999［J］. Rev Esp Cardiol，2007，60（4）：349-56.

［5］ 陈伟伟，高润霖，刘力生，等. 中国心血管病报告2013概要［J］. 中国循环杂志，2014（7）：613-5.

［6］ 赵冬，吴兆苏，王薇，等. 北京地区1984～1997年急性冠心病事件发病率变化趋势（中国MONICA方案的研究） ［J］. 中华心血管病杂志，2000，28（1）：14-7.

［7］ Writing Group M，Lloyd-Jones D，Adams RJ，et al. Heart disease and stroke statistics--2010 update： A report from the american heart association［J］. Circulation，2010，121（7）：e46-e215.

［8］ 苏懿，王磊， 张敏州. 急性心肌梗死的流行病学研究进展［J］. 中西医结合心脑血管病杂志，2012，10（4）：467-9.

［9］ Soares PA，Nascimento LF. Spatial analysis of hospitalization for heart diseases in vale do paraiba［J］. Arq Bras Cardiol，2010，94（6）：747-53.

［10］ 王永，沈毅. 空间自相关方法及其主要应用现状［J］. 中国卫生统计，2008，25（4）：443-5.

［11］ 魏晓峰，吴健平. 基于ArcGIS的空间自相关分析模块的开发与应用［J］.测绘与空间地理信息，2005，28（6）：77-80.

［12］ R Core Team （2014）. R： A language and environment for statistical computing［OL］. R Foundation for Statistical Computing， Vienna， Austria. URL： http：//www.R-project.org/.

［13］ Benjamini Y，Hochberg Y. Controlling the false discovery rate： A practical and powerful approach to multiple testing［J］. J R Statist Soc B，1995，57（1）：289-300.

［14］ 上海杨浦区统计局. 杨浦区统计年鉴2014 ［OL］. 杨浦统计信息网.URL： http：//tjj.shyp.gov.cn/Attachments/file/20150513/20150513164 924_8761.pdf

［15］ Moore DA，Carpenter TE. Spatial analytical methods and geographic information systems： Use in health research and epidemiology［J］. Epidemio Rev，1999，21（2）：143-61.

［16］ 周晓农，杨国静，杨坤，等. 中国空间流行病学的发展历程与发展趋势［J］. 中华流行病学杂志，2011，32（9）：854-8.

［17］ Haining RP. Spatial data analysis：Theory and practice［M］. Cambridge University Press，2003.

［18］ 李冬生，陈秉钊. 上海市杨浦老工业区工业用地更新对策——从“工业杨浦”到“知识杨浦”［J］. 城市规划学刊，2005，（01）：44-50.

本文编辑：田国祥

Exploratory spatial data analysis of patients with acute myocardial infarction from 2007 to 2014 year in Yangpu District， Shanghai

LIU Jie*， CHEN Ting， YU Yun-hua， HAN Xue， ZHENG Xing.*Graduate management unit， Changhai hospital， Second Military Medical University， Shanghai， 200433， China.

ZHENG Xing， E-mail: zhengxing57530@163.com

Objective The purpose of this study is to explore the characteristic spatial distribution of the population with acute myocardial infarction （AMI）in the Shanghai Yangpu District， and look for hot spots. Methods With of Yangpu District AMI spatial database established， using geographic information system （GIS）， global spatial autocorrelation （Moran's I） and local spatial autocorrelation （Local Moran's I， LISA） method， AMI spatial distribution patterns and rules were explored. Results Results of global spatial autocorrelation analysis showed obvious spatial aggregation among neighborhoods（Imorbidity=0.1012，P=0.0291；Imortality=0.1428，P=0.0281）of AMI （morbidity=45.81/10000； mortality=13.86/10000）. Local spatial autocorrelation analysis detected two hot spots of AMI morbidity and mortality： Changbai Community and Yanji Community. Conclusion The spatial distribution of AMI morbidity and mortality in Yangpu District was significantly different. Further research can look for the cause of this difference based on the characteristic， provide scientific evidence for medical resources allocation and management policy adjustment.

Acute myocardial infarction； Spatial distribution of epidemic disease； Geographic information systems； Spatial autocorrelation analysis.

R541.4

A

1674-4055（2016）04-0464-04

1200433 上海，第二军医大学学员旅临床一队；2200433 上海，第二军医大学附属长海医院心内科；3200090 上海，杨浦区疾病预防控制中心慢病科

郑兴，E-mail：zhengxing57530@163.com

10.3969/j.issn.1674-4055.2016.04.24

急性心肌梗死发病、死亡特征在地区间的差异已受到关注，欧美地区急性心肌梗死的发病率显著高于亚洲地区［1］，美国田纳西州急性心肌梗死的死亡率更高［7］，这种差异经常被考虑为种族、气候、生活水平的异质性所引起［8，9］。空间分析可以描述、定量和解释心肌梗死在地理上分布变化，特别是针对小面积范围内环境暴露中心肌梗死分布的变化。本研究基于上海市杨浦区心脑血管疾病数据库，利用地理信息系统GIS和空间分析方法，探索2007～2014年杨浦区心肌梗死患者发病、死亡的空间分布模式及规律，为调整对心肌梗死防控和救治的方案提供科学依据。