趙創(chuàng)藝，袁空軍，楊媛，周光清，李海燕

本文要點：

（1）1990—2019年中國全人群慢性阻塞性 肺 疾 ?。–OPD） 患 病 率 從 2 344.40/105增 至3 175.37/105，年均增長1.04%；男性和女性COPD患病率平均每年分別增長0.92%和1.13%。（2）1990—2019年中國全人群COPD死亡率由105.09/105下降至72.94/105，年均降幅為1.29%；男性和女性COPD死亡率平均每年分別下降0.83%和1.83%。（3）1990—2019年中國全人群COPD 傷殘調整壽命年（DALYs）率從2 206.55/105下降至1 400.71/105，年均下降1.56%；男性和女性的COPD DALYs率平均每年分別下降1.37%和1.86%。（4）預測得到2020—2024年中國COPD患病率分 別 為 3 229.77/105、3 262.44/105、3 292.38/105、3 322.31/105、3 352.25/105；死亡率分別為 74.50/105、75.49/105、76.11/105、76.50/105、76.75/105；DALYs率分別為 1 429.56/105、1 452.07/105、1 469.64/105、1 483.35/105、1 494.05/105。

慢性阻塞性肺疾?。–OPD）是一種常見的、可以預防和治療的、以呼吸道持續(xù)性癥狀和氣流受限為主要特征的慢性?。?］。COPD目前居全球死亡原因的第四位，而到2030年COPD將可能成為全球第三大死亡原因［2］。我國每年約有100萬人死于COPD，并有大約500萬人因COPD致殘［3］。2015年，我國≥20歲成年人中有8.6%（9 990萬）的成年人患有COPD，在≥40歲人群中COPD患病率更是高達13.7%［4］。隨著我國吸煙人數(shù)的逐漸增多和人口老齡化程度的不斷加劇，預計我國COPD患病率和疾病負擔將會持續(xù)上升。中國COPD防控形勢嚴峻，有效預測COPD疾病負擔發(fā)展趨勢可為COPD預防和控制策略的制定提供理論支持［5］?；疾÷?、死亡率和傷殘調整壽命年（DALYs）率是衡量人群疾病負擔的重要指標。既往研究多側重于對我國COPD疾病負擔的變化趨勢進行描述與分析，較少涉及對COPD患病率、死亡率和DALYs率未來發(fā)展趨勢的預測［6-8］。COPD患病率、死亡率和DALYs率數(shù)據(jù)呈現(xiàn)一種長期趨勢，且具有隨機波動的特點，而自回歸移動平均（ARIMA）模型和神經(jīng)網(wǎng)絡自回歸（NNAR）模型均是用于擬合呈現(xiàn)長期趨勢、非平穩(wěn)數(shù)據(jù)的常用預測模型［9-11］。本研究通過收集1990—2019年中國COPD患病率、死亡率和DALYs率數(shù)據(jù)，分析我國COPD疾病負擔變化趨勢，并分別采用ARIMA和NNAR模型進行建模，擇優(yōu)選擇模型預測2020—2024年中國COPD的疾病負擔。

1 資料與方法

1.1 數(shù)據(jù)來源 1990—2019年中國COPD患病率、死亡率和DALYs率等數(shù)據(jù)來源于2019年全球疾病負擔（GBD 2019）。GBD 2019采用標準的、可復制的方法估算了全球204個國家和地區(qū)的369種疾病和傷害所造成的疾病負擔情況，并按國家和地區(qū)、年份、性別和年齡組分別報告。疾病負擔的詳細數(shù)據(jù)可從全球健康數(shù)據(jù)交換數(shù)據(jù)庫網(wǎng)站（http://ghdx.healthdata.org/gbd-2019）下載，GBD數(shù)據(jù)是一套具有內部一致性和可比性的高質量數(shù)據(jù)，GBD 2019的詳細介紹和使用方法參見文獻［12-13］。

1.2 統(tǒng)計學方法

1.2.1 疾病負擔趨勢分析 利用Excel 2016建立1990—2019年中國COPD患病率、死亡率和DALYs率數(shù)據(jù)庫，對COPD疾病負擔在全人群及不同性別人群中的變化趨勢進行分析，相關指標均采用GBD 2019全球標準人口進行年齡標準化。變化率=（2019年指標值-1990年指標值）/1990年指標值×100%。采用對數(shù)線性回歸模型計算平均年度變化百分比（AAPC），使用Joinpoint Regression Program 4.9.0.0軟件分析率的變化趨勢，AAPC的檢驗采用t檢驗，以P＜0.05為差異有統(tǒng)計學意義。

1.2.2 ARIMA、NNAR模型的建立與比較 利用1990—2016年中國COPD患病率、死亡率和DALYs率作為訓練集建立ARIMA和NNAR模型，利用2017—2019年數(shù)據(jù)作為測試集進行模型評價。ARIMA、NNAR模型的建立與比較基于R 4.1.0軟件實現(xiàn)。

1.2.2.1 ARIMA模型建立 ARIMA（p，d，q）是常用的時間序列模型，其中p、d、q分別為自回歸（AR）、為使數(shù)據(jù)平穩(wěn)所需差分和偏自回歸（MA）的階數(shù)。利用“forecast”“tseries”包中的“auto.arima”等函數(shù)實現(xiàn)對ARIMA模型的構建。根據(jù)赤池信息準則（AIC）和貝葉斯準則（BIC）篩選最優(yōu)模型類型及參數(shù)。對模型的殘差序列進行Ljung-Box檢驗，若P＞0.05，則通過檢驗，提示為白噪聲，ARIMA模型擬合度較好，否則重新建模。

1.2.2.2 NNAR模型建立 人工神經(jīng)網(wǎng)絡是模擬生物神經(jīng)網(wǎng)絡的數(shù)學模型，允許響應變量和預測變量之間存在復雜非線性關系，其結構主要包括3個層次，即由輸入層（預測變量）形成的底層，由輸出層（響應變量）形成的頂層，以及包含“隱藏神經(jīng)元”的中間層。把時間序列的滯后值作為輸入構建的神經(jīng)網(wǎng)絡，稱為NNAR（p，k）。其中p表示滯后輸入數(shù)，k表示隱藏層中的節(jié)點數(shù)。NNAR模型的構建可通過“forecast”包中的“nnetar”等函數(shù)實現(xiàn)。

1.2.2.3 模型比較 采用預測值與實際值的相對誤差、平均絕對百分誤差（MAPE）、平均絕對誤差（MAE）及均方根誤差（RMSE）對模型的擬合和預測效果進行評價。MAPE、MAE、RMSE值越小，模型擬合精度越高，MAPE＜15%時提示預測精度較好［14］。最后，利用最佳模型擬合1990—2019年中國COPD疾病負擔，預測得到2020—2024年中國COPD患病率、死亡率和DALYs率。

2 結果

2.1 1990—2019年中國COPD疾病負擔變化趨勢1990—2019年：（1）中國全人群COPD患病率從2 344.40/105增至 3 175.37/105，增長了 35.45%，年均增長1.04%（P＜0.001）；男性和女性COPD的患病率均呈上升趨勢，平均每年分別增長0.92%和1.13%（P＜0.001）。（2）中國全人群COPD死亡率由105.09/105下降至72.94/105，年均降幅為1.29%（P＜0.001）；男性和女性的COPD死亡率均呈下降趨勢，平均每年分別下降0.83%和1.83%（P＜0.001）。（3）中國全人群DALYs率從 2 206.55/105下降至 1 400.71/105，年均下降 1.56%（P＜0.001）；男性和女性的COPD DALYs率均呈下降趨勢，平均每年分別下降1.37%和1.86%（P＜0.001），見表1。

表1 1990—2019年中國COPD疾病負擔變化情況（1/105）Table 1 Changes in the burden of COPD in China，1990—2019

2.2 COPD患病率預測模型構建 由“auto.arima”函數(shù)得到AIC與BIC最小的COPD患病率預測模型為ARIMA（1，2，0）（AIC=222.97，BIC=228.00）。 對殘差序列進行Ljung-Box檢驗，延遲6階χ2值為1.020（P=0.985），延遲12階χ2值為1.975（P=0.999），差異無統(tǒng)計學意義，提示為白噪聲。在訓練集上：ARIMA（1，2，0）MAPE、MAE、RMSE 分 別 為0.284%、8.048、13.399，提示模型預測性能良好；由“nnetar”函數(shù)得到的COPD患病率模型NNAR（1，1）的 MAPE、MAE和 RMSE分 別 為 0.506%、14.621、19.841。ARIMA（1，2，0）和NNAR（1，1）預測值的動態(tài)趨勢與實際情況基本一致（圖1～2）。無論是在訓練集還是在測試集上，ARIMA（1，2，0）的MAPE、MAE和RMSE值均小于NNAR（1，1），即ARIMA模型更優(yōu)，見表2。

圖1 ARIMA（1，2，0）COPD患病率預測模型的擬合和預測效果Figure 1 Goodness of fit and prediction performance of the ARIMA（1，2，0）COPD prevalence prediction model

圖2 NNAR（1，1）COPD患病率預測模型的擬合和預測效果Figure 2 Goodness of fit and prediction performance of the NNAR（1，1）COPD prevalence prediction model

2.3 COPD死亡率預測模型構建 ARIMA（0，1，1）（AIC=79.74，BIC=83.51）為AIC與BIC最小的COPD死亡率預測模型。對模型進行Ljung-Box檢驗，延遲6階、12階統(tǒng)計量分別為χ2=2.403（P=0.879）和χ2=5.151（P=0.953），提示模型擬合效果良好。在訓練集上，ARIMA（0，1，1）MAPE、MAE、RMSE分別為0.810%、0.730、0.965；NNAR（1，1）模型的 MAPE、MAE和RMSE分別為1.033%、0.921、1.107。從模型的擬合和預測情況來看，ARIMA（0，1，1）和NNAR（1，1）預測值的動態(tài)趨勢與實際情況基本一致（圖3～4）；由圖3可知，2017—2019年實際COPD死亡率均在ARIMA（0，1，1）預測值80%CI內。無論是在訓練集還是在測試集上，ARIMA（0，1，1）的MAPE、MAE和RMSE值均小于NNAR（1，1），即ARIMA模型更優(yōu)，見表2。

圖3 ARIMA（0，1，1）COPD死亡率預測模型的擬合和預測效果Figure 3 Goodness of fit and prediction performance of the ARIMA（0，1，1）COPD mortality prediction model

圖4 NNAR（1，1）COPD死亡率預測模型的擬合和預測效果Figure 4 Goodness of fit and prediction performance of the NNAR（1，1）COPD mortality prediction model

2.4 COPD DALYs率預測模型構建 ARIMA（0，1，2）（AIC=225.59，BIC=230.62）為AIC與BIC最小的COPD DALYs率預測模型。對模型進行Ljung-Box檢驗，延遲6階、12階統(tǒng)計量分別為χ2=0.726（P=0.994）和χ2=3.534（P=0.991），提示模型擬合效果良好。在訓練集上，ARIMA（0，1，2）MAPE、MAE、RMSE值均低 于 NNAR（1，1）（0.622% 比 0.823%，11.305比14.982，15.321比18.240）。從模型的擬合和預測情況來看，ARIMA（0，1，2）和NNAR（1，1）預測值的動態(tài)趨勢與實際情況基本一致（圖5～6）。在測試集上，ARIMA（0，1，2）MAPE、MAE、RMSE值亦均低于NNAR（1，1），提示ARIMA模型更優(yōu)，見表2。

圖5 ARIMA（0，1，2）COPD DALYs率預測模型的擬合和預測效果Figure 5 Goodness of fit and prediction performance of ARIMA（0，1，2）DALYs rate prediction model for COPD

圖6 NNAR（1，1）COPD DALYs率預測模型的擬合和預測效果Figure 6 Goodness of fit and prediction performance of NNAR（1，1）DALYs rate prediction model for COPD

表2 基于ARIMA和NNAR的中國COPD疾病負擔預測模型擬合和預測效果比較Table 2 Comparison of the goodness of fit and performance in predicting the burden of COPD in China between ARIMA and NNAR-based models

2.5 COPD疾病負擔預測結果 由訓練集和測試集MAPE、MAE、RMSE結果可知，ARIMA模型在預測中國COPD患病率、死亡率、DALYs率上的性能更優(yōu)，最終利用ARIMA模型擬合1990—2019年中國COPD疾病負擔，預測得到2020—2024年中國COPD患病率、死亡率和DALYs率。2020—2024年中國COPD患病率分別為 3 229.77/105、3 262.44/105、3 292.38/105、3 322.31/105、3 352.25/105； 死 亡 率 分 別 為 74.50/105、75.49/105、76.11/105、76.50/105、76.75/105；DALYs率 分 別 為 1 429.56/105、1 452.07/105、1 469.64/105、1 483.35/105、1 494.05/105。 中 國 COPD 疾 病 負 擔 在2020—2024年仍保持上升趨勢，見表3。

表3 基于ARIMA模型的2020—2025中國COPD疾病負擔預測情況（1/105）Table 3 ARIMA model-based prediction of COPD burden in China from 2020 to 2025

3 討論

隨著疾病譜的不斷變化、慢性非傳染性疾病日益受到重視，通過開展基于國家視角的疾病負擔趨勢分析及預測研究，可為國家公共衛(wèi)生政策的科學制定、醫(yī)療衛(wèi)生資源的合理配置提供依據(jù)，也可為衛(wèi)生行政部門確定疾病預防控制的優(yōu)先領域、慢性病防控策略的制定提供參考。本研究結果顯示，1990—2019年中國全人群COPD患病率整體呈上升趨勢。2019年中國全人群COPD患病率為3 175.37/105，在全球范圍內仍處于較高水平［15］。1990—2019年中國全人群COPD死亡率和DALYs率整體呈下降趨勢，但2018年起中國全人群COPD死亡率和DALYs率較先前有所反彈，2019年中國全人群COPD死亡率和DALYs率分別達72.94/105和1 400.71/105，且 COPD DALYs 率高于全球同期平均水平（961.97/105）［16］。既往有學者發(fā)現(xiàn)，COPD疾病負擔在不同性別人群中存在的差異并不明顯［17］，但本研究發(fā)現(xiàn)，1990—2019年男性COPD死亡率平均每年下降幅度為0.83%，低于女性的1.83%，提示應加強和重視對導致男性COPD患者疾病快速進展的危險因素的控制，這也將有助于降低我國COPD疾病負擔。既往研究表明，大氣污染物中的顆粒狀污染物可對COPD患者死亡率產(chǎn)生不利影響，而男性因更易從事長時間暴露于粉塵環(huán)境中的工作，長期高水平吸入細微顆粒物的可能性更高［18-19］，再加上中國男性吸煙率一直居高不下，這些因素均增加了男性COPD患者的死亡風險。

本研究分析了1990—2019年中國COPD患病率、死亡率和DALYs率變化特征，建立了COPD患病率、死亡率及DALYs率的ARIMA模型和NNAR模型，并通過ARIMA模型預測得到2020—2024年中國COPD患病率、死亡率和DALYs率，發(fā)現(xiàn)2020—2024年中國COPD疾病負擔呈現(xiàn)上升趨勢。ARIMA作為經(jīng)典的時間序列模型，在擬合周期性、季節(jié)性變化的數(shù)據(jù)方面具有較大的優(yōu)勢，且ARIMA模型充分考慮了既往預測誤差對預測結果產(chǎn)生的影響，因此其預測精度較高［20］。本研究發(fā)現(xiàn)，無論在訓練集還是在測試集上，基于ARIMA的COPD患病率、死亡率及DALYs率模型的MAPE、MAE、RMSE值均低于基于NNAR的COPD患病率、死亡率及DALYs率模型，即ARIMA模型的擬合精度更高。ARIMA模型的預測能力也在既往許多研究中得到了證實。例如：周杰等［21］將其用于預測湖南省人畜血吸蟲病感染率；徐潔茹等［20］將其用于擬合1990—2019年女性卵巢癌發(fā)病趨勢，并基于其對女性2020—2029年發(fā)病率進行了預測；梁達等［22］用其來預測青海省肺結核發(fā)病例數(shù)等。ARIMA是一種用于預測疾病流行趨勢的有效方法，但其對數(shù)據(jù)的要求較高，需要時間序列具備平穩(wěn)性/不平穩(wěn)時間序列經(jīng)過d次差分后可轉化為平穩(wěn)時間序列，而每一次差分運算均會造成信息損失。同時ARIMA還存在非線性映射性能較弱、難以擬合不規(guī)則時間序列等不足。

NNAR模型提供了一種可以逼近非線性不平穩(wěn)時間序列的有效方法，具有良好的泛化能力，是一種用于時間序列分析的機器學習方法。目前，將NNAR模型應用于疾病負擔預測的研究相對較少。例如：馬倩倩等［11］將其用于食管癌疾病負擔的預測，張欣等［10］將其用于預測我國丙肝發(fā)病率，吳偉等［23］將其用于預測腎綜合征出血熱發(fā)病例數(shù)，上述研究的結果表明，NNAR模型具有較高的精度和較強的適用性。本研究中，雖然NNAR模型對COPD疾病負擔的擬合精度略低于ARIMA模型，但其擬合效果亦較好（DALYs率模型MAPE=0.823%），故NNAR模型同樣具有較好的推廣應用價值。但由于NNAR神經(jīng)網(wǎng)絡中的延時階數(shù)及隱藏的神經(jīng)元個數(shù)無法用科學的方法得出，只能依靠經(jīng)驗獲取，即NNAR模型依舊是“黑盒”模型［24］，并且與建立ARIMA模型相比，建立NNAR模型所需的數(shù)據(jù)量更大（旨在提高精確度），上述問題成為NNAR模型推廣與運用的制約因素。

綜上所述，我國COPD疾病負擔仍然呈上升趨勢，COPD防控形勢嚴峻?；鶎俞t(yī)療衛(wèi)生機構是醫(yī)療系統(tǒng)中的“基石”和核心，也是實現(xiàn)COPD可防、可治、可控的重要環(huán)節(jié)。但目前我國基層醫(yī)療衛(wèi)生機構的COPD防治存在明顯“短板”。衛(wèi)生行政部門應著力提升基層醫(yī)療衛(wèi)生機構的COPD篩查、干預能力；推動社區(qū)衛(wèi)生服務中心和鄉(xiāng)鎮(zhèn)衛(wèi)生院配備肺功能檢查儀等設備，同時還需加強對基層醫(yī)務人員的肺功能檢查培訓，進而確保肺功能檢查技術能夠在基層醫(yī)療衛(wèi)生機構實施和推廣。基層醫(yī)療衛(wèi)生機構應組建專業(yè)的健康管理團隊，構建COPD健康教育管理模式，鼓勵健康管理團隊對服務范圍內的COPD患者進行長期隨訪、定期健康宣教，并為其提供多途徑的健康咨詢服務；也可通過開展COPD專題講座，組織社區(qū)義診活動和發(fā)放科普資料等方式，提高居民對COPD的認知水平，擴大戒煙服務的提供范圍，減少吸煙和被動吸煙對居民健康造成的損害。

基于ARIMA和NNAR的COPD患病率、死亡率和DALYs率模型預測值的動態(tài)趨勢與實際情況基本吻合，但ARIMA模型表現(xiàn)更佳。ARIMA模型為疾病負擔的短期預測提供了一種行之有效的方法，對于控制COPD疾病負擔具有一定實際意義。本研究也存在一定不足：（1）盡管GBD 2019擁有廣泛的數(shù)據(jù)來源，并且在分析數(shù)據(jù)過程中使用了新型統(tǒng)計建模技術，但其提供的數(shù)據(jù)可能與基于全國疾病監(jiān)測系統(tǒng)監(jiān)測數(shù)據(jù)計算得出的結果存在一定出入。（2）COPD疾病負擔的變化是多因素共同作用的結果，但本文僅從單變量時間序列角度探討了疾病負擔的變化規(guī)律，未來，研究者在聚焦時間變化對COPD疾病負擔影響的同時，可將其他相關因素納入模型，以提高模型的預測精度。

作者貢獻：趙創(chuàng)藝負責數(shù)據(jù)收集、論文撰寫；袁空軍負責數(shù)據(jù)分析；楊媛負責文獻收集、論文修訂；周光清負責研究設計、論文修訂；李海燕負責論文修訂。

本文無利益沖突。