预测日本每日因浴缸溺水导致的死亡人数:统计方法、机器学习方法与深度学习方法的比较分析

《Frontiers in Public Health》:Forecasting daily bathtub-drowning mortality in Japan: a comparative analysis of statistical, machine learning, and deep learning approaches

【字体: 大 中 小 】 时间:2025年12月10日 来源:Frontiers in Public Health 3.4

编辑推荐:

  日本通过整合1995-2020年死亡记录与气象、人口数据,开发了浴室溺水死亡的全国性预测模型。采用分布式滞后非线性模型(DLNM)、极端梯度提升(XGBoost)和长短期记忆网络(LSTM)三种算法,结果显示DLNM在减少至最高温和最低温等常规气象变量后仍保持相同预测精度(RMSE=0.577,MAE=0.344)。模型成功捕捉温度、地区人口和节假日等关键因素,为日本实施浴室安全预警提供了实用工具。

  
日本浴室溺水死亡预测模型的全国性研究进展与公共卫生启示

一、问题背景与现状分析
日本是全球老年浴室溺水死亡率最高的国家,该问题已成为持续数十年的公共卫生难题。研究数据显示,2023年日本共报告6944例ICD-10编码为W65的浴室溺水死亡案例,其中91.2%(6333例)发生在浴室场景。65岁以上群体浴室溺水死亡率是交通事故的3倍,成为该年龄段意外外部死亡的首要原因。值得注意的是,若将浴室引发的内在性致命疾病(如心肌梗死、脑卒中)纳入统计,年死亡人数可达2万例。这种表面健康有益的沐浴行为与实际致命风险之间的矛盾,揭示了传统干预措施的局限性。

现有预防措施包括:公共安全建议(水温控制、时间限制、药物规避)、环境温度监测预警等。但研究证实这些措施尚未有效降低死亡率,相反呈现持续上升趋势。这种矛盾现象促使研究者探索更精准的预测预警机制,而Kagoshima Prefecture的试点经验虽取得局部成效,但其地域局限性(依赖本地数据训练模型)和简单线性回归方法(仅考虑气温因素)的缺陷亟待解决。

二、研究方法与技术路线
研究团队构建了多维度预测框架,整合了26年(1995-2020)的死亡证书数据(99,930例)与气象、人口等元数据。创新性采用"三步验证法"确保模型可靠性:
1. **数据预处理**:建立气象变量(温度、湿度、气压、降水)的标准化流程,通过局部立方样条插补处理缺失值。人口数据采用五期普查数据动态插补,精确捕捉老龄化趋势。
2. **模型构建**:开发了"统计模型+机器学习"的混合验证体系。传统方法包括广义线性模型(GLM)、广义加性模型(GAM)和分布式滞后非线性模型(DLNM),现代算法涵盖极端梯度提升树(XGBoost)、随机森林(RF)、长短期记忆网络(LSTM)等。特别值得关注的是DLNM的改良应用,通过交叉基函数同时捕捉温度的非线性效应和滞后影响,解决了传统统计模型线性假设的局限。
3. **验证机制**:采用三阶段时间序列划分(训练1995-2015,验证2016-2018,测试2019-2020),同时引入滚动交叉验证(17个时间窗口)确保泛化能力。创新性地开发了双指标评估体系:对于死亡计数采用RMSE、MAE和泊松偏差;对于事件发生预测则使用ROC-AUC、PR-AUC和Brier评分,形成多维评估矩阵。

三、关键研究发现与模型解析
(一)预测性能对比分析
测试集显示,XGBoost、LSTM和DLNM模型表现尤为突出,其RMSE分别达到0.574、0.575和0.577,MAE在0.333-0.345区间波动。值得注意的是,当将气象变量缩减为常规预报的日最高/最低温时,DLNM的预测误差(RMSE=0.577)与完整特征集模型无显著差异,这验证了核心预测因子的确定性和模型鲁棒性。

(二)特征重要性解析
SHAP(可解释机器学习)分析揭示了三个关键驱动因素:
1. **气象因素**:日平均气温对模型具有持续影响,尤其在滞后效应方面。DLNM通过交叉基函数将温度效应分解为6个非线性基函数,时间维度延伸至21天,这种设计有效捕捉了低温环境对心血管系统的影响延迟效应。
2. **地域特征**:47个都道府县中,Hokkaido(北海道)、Tochigi(栃木县)、Kanagawa(神奈川县)等区域的预测值显著高于全国均值。这可能与地域特有的建筑结构(如传统浴槽使用率)、人口老龄化程度(如Fukuoka市65岁以上人口占比达24.7%)及气候特征(如Toyama县冬季平均气温-3.2℃)相关。
3. **时间结构**:除日序列索引外,研究发现"新年初日"(1月1日)和"岁末年初"(12月31日)具有显著风险提升效应。这可能与节日期间家庭聚居、浴室使用频次增加及心理压力因素相关。

(三)模型性能优化路径
研究团队通过敏感性分析发现了三个改进方向:
1. **数据维度扩展**:建议补充家庭室内温度监测数据(当前日本气象厅仅提供户外温度),以及引入医疗电子记录系统(如ICD-10代码W65之外的关联疾病编码)。
2. **模型架构创新**:针对DLNM的改进方案包括引入交互效应基函数(如温度×湿度组合效应)和动态权重调整机制,使模型能更好适应不同季节的死亡率波动模式。
3. **应用场景适配**:开发双通道预警系统,其中常规气象播报采用DLNM的简化版本(仅保留温度变量),移动端推送则整合实时位置数据、个人健康档案(如血压监测记录)和社区关怀网络信息。

四、公共卫生实践启示
(一)预警系统建设方案
1. **分级预警机制**:基于模型输出的预测风险值(0-100分),设立三级预警:
- 黄色预警(30-70分):建议高风险人群(如独居老人)缩短沐浴时间
- 橙色预警(70-90分):强制要求医疗机构对脆弱患者进行居家安全评估
- 红色预警(>90分):启动区域性公共卫生应急响应(如社区志愿者上门检查)
2. **传播渠道优化**:
- 传统媒体:在NHK天气预报中增设"浴室安全指数"板块,采用DLNM模型简化版输出
- 移动端:开发"智慧沐浴"APP,集成个人健康数据(如药物使用记录)、实时天气、社区紧急联系人功能
- 社区层面:建立预警响应网络,包括养老院自动报警系统、社区浴室智能监测终端等

(二)政策干预建议
1. **建筑标准升级**:针对寒冷地区(如北海道)强制安装浴室恒温装置,设置水温自动保护(≤40℃)和超时报警(>20分钟)
2. **医疗协同机制**:要求急救中心建立浴室意外事件登记系统,与预测模型联动分析
3. **教育体系改革**:在社区大学开设"安全沐浴"课程,重点培训老年群体识别预警信号的能力

(三)技术实施路线图
1. **基础建设阶段(1-2年)**:
- 建立全国统一的浴室安全监测数据库(需整合现有死亡登记、气象数据、医疗记录)
- 开发标准化预警接口,兼容现有气象广播系统(NHK、JMA)
2. **系统优化阶段(3-5年)**:
- 引入可穿戴设备实时监测老人活动轨迹与浴室环境参数
- 构建动态权重调整模型,适应不同地域的气候特征与人口结构
3. **全面推广阶段(5-10年)**:
- 将浴室安全指数纳入健康保险精算模型
- 开发AI辅助决策系统,为家庭提供个性化沐浴时间建议

五、研究局限与未来方向
当前研究存在三方面局限:①数据源依赖死亡证书编码,可能存在内在性致死事件漏报;② prefecture-level数据粒度不足以捕捉城市内部差异;③模型未充分考虑社会因素(如家庭结构变化、护理服务可及性)。
未来研究建议:
1. 建立多源数据融合平台,整合医疗电子记录、智能家居设备、社区服务数据
2. 开发空间分辨率更高的预测模型(如采用地级市数据)
3. 构建社会干预效果评估体系,量化预警系统对实际死亡率的降低幅度

该研究标志着老年浴室安全从经验管理转向数据驱动模式,其核心价值在于建立了可复制的预测预警框架。通过将复杂机器学习模型转化为可解释的统计模型,既保证了算法的实用性,又增强了公共卫生决策的可信度。这种"算法透明化+多场景适配"的设计思路,为全球老龄化社会的居家安全防控提供了重要参考范式。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号