데이터 소스 및 연구 모집단
우리 연구는 한국 국민건강보험공단에서 제공하는 건강관리 픽데이터(Health Care Picdata)의 구조화된 데이터베이스를 기반으로 합니다. 이 데이터에는 2011년부터 2020년까지 국제질병분류 제10판(ICD-10: T67)에 따라 온열 질환으로 진단된 외래환자 및 입원환자가 모두 포함되었습니다. 연구 대상 도시는 서울, 부산, 대구, 인천, 광주, 대전, 울산이다.
표 1은 온열질환(HRI)의 영향을 받는 환자 수를 나타냅니다. 10년 동안 296,829명이 HRI 진단을 받았습니다. 이 중 65세 이상 노인은 4만6393명, 65세 미만 노인은 25만436명이다. 데이터 세트에는 13,735명의 장애 환자가 포함되었으며, 이는 중증 장애 4,106명과 경증 장애 9,629명으로 분류되었습니다. 저소득층과 외부근로자는 각각 51,653명, 33,159명이다.
윤리적 승인
우리의 연구 프로토콜은 공주대학교 기관검토위원회(IRB)로부터 철저한 검토와 승인을 받았습니다(승인 번호 2022-46). 본 연구의 관찰적 성격과 익명의 통계 데이터 사용을 고려하여 IRB 위원회는 사전 동의 요건을 승인했습니다. 모든 방법은 건강 및 임상 데이터 사용과 관련하여 한국 정부가 정한 지침을 준수합니다.
사회 경제적 분류
참가자들은 사회경제적 결정요인에 따라 노인, 청년, 실업자, 저소득층, 장애인으로 분류됐다. 65세 이상은 노인으로 분류하고, 이 기준치 미만은 청년으로 분류했습니다. 야외 근로자 범주에는 농업, 수렵, 임업, 어업, 광업, 전기, 건설 및 제조를 포함한 분야의 전문가가 포함됩니다. 보험료와 Medicaid 수혜자는 저소득층 개인이 설정합니다. 국민건강보험공단이 공식적으로 정의하는 장애의 종류에는 신체장애, 뇌병변 장애, 시각 장애, 기타 장애(언어 장애, 지적 장애, 자폐증, 정신 장애, 신장 장애, 심장 장애, 기도 장애, 간 장애, 안면 장애, 장루 장애, 요로 장애, 기타 장애)가 포함됩니다. 간질) 및 관련 장애가 있는 국가 자격. 장애등급은 우리나라의 장애등급제도와 장애등급판정기준을 따릅니다. 우리나라는 2019년부터 중증(1~3등급)과 경증(4~6등급)으로 분류됐다.
날씨 데이터
각 도시별 기상자료는 기상청에서 제공하는 ASOS(Automatic System Observation System)로부터 획득하였다. 우리의 분석에는 일일 최대 온도(D최고) 및 일일 평균 상대 습도.
경험적 방법
통계분석은 두 단계로 나누어졌다. 첫 번째 단계에서는 각 도시에 대해 시계열 회귀 분석을 사용하여 열 관련 질병과 주변 온도 사이의 위치별 연관성 추정치를 얻었으며 이는 상대 위험(RR)으로 보고되었습니다. 온열질환과 주변온도의 관계를 분석하기 위해 DLNM(Distributed Regression Nonlinear Model)을 사용하였습니다. DLNM은 역학에 널리 사용됩니다.26,27,2829. DLNM의 주요 특징은 비선형성, 시간 지연 효과 및 혼란 요인 제어입니다. 이 모델을 사용하면 노출과 결과 변수 간의 비선형 관계를 포착할 수 있습니다. 이 모델은 결과에 대한 노출의 지연 효과를 설명합니다. 모델에는 잠재적 교란 요인이나 시간에 따라 변하는 공변량에 대한 조정이 포함될 수 있습니다. 본 연구를 위한 모델의 변수 구성은 다음과 같다.
$${\text{ln}}{y}_{t}=\alpha +\beta \times Tma{x}_{t-3}+N{S}_{1}\left(s{n} _{t}\right)+N{S}_{2}\left(rhav{g}_{t}\right)+N{S}_{3}\left(do{y}_{t} \right)+\gamma \times weekda{y}_{t}+{\varepsilon }_{t},$$
어디 \({y}_{t}\) 온열질환자 수를 나타내며, \(rhav{g}_{t}\) 일일 평균 습도, \(할{y}_{t}\) 1년 중 하루, 그리고 \(s{n}_{t}\) 일련번호입니다. 자유도 \(s{n}_{t}\) 10년 데이터 길이의 6배로 설정합니다. \(주{y}_{t}\) 요일, 내추럴큐브(N. 에스)은 종속변수와 독립변수 사이의 선형 관계를 보여줍니다. 시간에 따른 변수를 제외하고 \(티\)일일 최고 기온, \(Tma{x}_{t-3}\), 3일 지연 시계열. Hess 등의 시간 지연 계열 사용.허 외.및 Roy 등.시간이 지남에 따라 열파의 영향이 강하다는 증거를 제공합니다.26,2728.
DLNM이 장착되면 모델에서 얻은 추정 계수를 사용하여 상대 위험을 계산할 수 있습니다. DLNM은 노출과 결과 사이의 로그-선형 관계를 추정하며, 다음 노출 변수와 관련된 계수를 확장하여 상대 위험도를 얻을 수 있습니다.
β는 로그 상대 위험을 나타내는 DLNM의 추정 계수입니다. 상대 위험도는 다른 교란 요인을 유지하면서 특정 온도에서 환자 발생 비율을 측정합니다.
그룹이나 도시 간의 상대적 위험을 비교하기 위해 비선형 RR을 일일 최대 온도 90번째 백분위수 이상의 평균 RR로 변환했습니다. 환자 수가 증가하기 시작하는 일일 최고기온, 즉 역치온도는 각 도시별 지역 기온차에 따라 달라진다. 대략 90번째 백분위수는 각 도시의 일일 최고 기온에 해당하는 것으로 나타났습니다(결과에서 확인할 수 있음). 따라서 일 최고기온 90%에 대한 RR을 평균하여 비선형 RR을 정량적 효과지표로 표현하고, 이를 다음 단계의 폭염에 대한 영향지표로 활용하여 도시나 집단 간 비교를 용이하게 하였다.
두 번째 단계에서는 메타 분석을 사용하여 여러 도시의 데이터를 모으고 분석했습니다. 메타 분석에서는 보다 정확하거나 포괄적인 상대 위험을 계산하기 위해 기준선에서 RR을 통합했습니다. 위치별 시계열 회귀 분석에서 각 효과 크기(본 연구에서는 90번째 백분위수 Tmax를 초과하는 평균 RR)에 할당된 가중치는 전체 효과 추정에 대한 기여도를 반영합니다. 본 연구에서는 효과크기에 대한 가중치를 역분산법으로 결정하였다. 메타 분석에서는 평균 효과를 추정하기 위해 고정 효과 모델과 무작위 효과 모델이 사용됩니다. 고정효과모형은 모집단의 동질성을 갖는 데이터에 대한 것이고, 랜덤효과모형은 이질성을 갖는 데이터에 대한 것이다. Q 통계와 Higgins I2는 모집단의 동질성을 테스트하는 데 사용됩니다. 단변량 테스트는 Q 통계와 Higgins I을 사용하여 수행되었습니다.2. 메타분석에서는 사례수가 제한되어 있어 Q-test에서는 p-value가 0.1 미만이고 I이면 동질성이 있다고 판단하였다.2 50%를 초과했습니다(표 2).
패키지의 기능을 사용하여 R 소프트웨어(버전 4.1.2)로 1차 회귀를 수행했습니다. dlnm (버전 4.3.0). 패키지 메타 2차 메타분석에는 R(버전 6.5.0)이 사용되었습니다.
“학생 시절부터 문화와 예술에 깊은 관심을 가진 카 범석은 대중 문화의 세세한 부분에까지 전문 지식을 가지고 있습니다. 그는 맥주를 사랑하며, 특히 베이컨에 대한 깊은 연구와 통찰을 공유합니다. 그의 모험심과 창조력은 독특하며 때로는 트러블 메이커로도 알려져 있습니다.”