《环境与职业医学》杂志官方网站 《环境与职业医学》杂志官方网站

首页> 过刊浏览> 正文

2021, 38(11):1224-1230.doi:10.13213/j.cnki.jeom.2021.21146

道路交通伤害死亡风险的影响因素分析及预测


1. 复旦大学公共卫生学院/公共卫生安全教育部重点实验室, 上海 200032 ;
2. 复旦大学浦东预防医学研究院职业人群健康研究室,上海 200136 ;
3. 上海市浦东新区疾病预防控制中心肿瘤与伤害防治科, 上海 200136

收稿日期: 2021-04-11;  录用日期:2021-10-11;  发布日期: 2021-11-25

基金项目: 浦东新区卫生、计生科技项目(PW2016A-8)

通信作者: 金克峙, Email: zhkjin@fudan.edu.cn  

作者简介: 刘孟双(1996—),女,硕士生;E-mail: 19211020039@fudan.edu.cn

[背景] 近几年,道路交通伤害(RTI)已成为中国严重的公共卫生问题,RTI死亡风险的影响因素也较为复杂。

[目的] 寻找RTI死亡风险的影响因素,建立风险预测模型。

[方法] 回顾性收集2010—2016年间上海市浦东新区交通事故伤亡资料,并收集道路交通安全相关影响因素。采用logistic回归筛选RTI死亡风险的影响因素。建立RTI死亡风险列线图模型,用C-index评价模型的一致性和准确性,使用自抽样法对模型进行内部验证,并进行敏感性分析。

[结果] 研究共纳入3521名交通事故中伤亡的人员。logistic回归结果显示伤亡人员的年龄、医疗救援距离、道路类型、交通方式、受伤部位、事故发生时间、是否为工作日均对RTI死亡风险的影响有统计学意义(P<0.05)。以此建立RTI死亡风险列线图,模型显示影响最大的因素是受伤部位(尤其是头颈部受伤),其次是年龄、交通方式、医疗救援距离、道路类型、事故发生时间、是否为工作日。模型的C-index为0.790,说明模型预测结果准确度良好,模型拟合良好。建立头颈部受伤的RTI死亡风险列线图模型,结果显示各纳入因素的评分标尺均有膨胀,最突出的是年龄,即影响最大的因素;不同道路类型对RTI死亡影响的风险改变,城市公路成为风险最大的道路类型;步行成为头颈部伤RTI死亡风险最大的交通方式。对不同伤亡人数的事故进行敏感性分析,结果显示所建立的模型具有一定的稳健性。

[结论] RTI死亡风险受到诸多因素的影响。基于logistic回归建立的列线图作为预测RTI死亡风险的简易工具,对道路交通安全具有一定的参考意义。

关键词: 道路交通伤害;  logistic回归;  列线图;  风险预测 

世界卫生组织《2018年全球道路安全现状报告》指出,道路交通死亡人数不断攀升,每年死亡人数高达135万人,且90%的死亡事故发生在中低收入国家,并且强调在解决世界道路缺乏安全性问题方面进展缓慢[1]。道路交通伤害(road traffic injury,RTI)是紧急医疗服务中最常见的事件,RTI死亡人数约占全球与伤害有关死亡的23%,RTI人员的死亡率与众多因素有关,例如性别、年龄、交通方式、受伤部位、酒后驾驶等人为因素及医疗救援距离(medical rescue distance, MRD)等。随着中国道路建设发展与车辆数量快速增长,RTI也随之增多。国家统计局《2019年统计年报》指出,2019年我国交通事故发生24万起,造成6万余人死亡,RTI已成为中国严重的公共卫生问题[2]。此外,中国政府颁布的《健康中国2030年计划纲要》要求:“到2030年,每10000辆汽车的RTI造成的死亡人数减少30%。”[3]浦东新区目前是上海市最大的市辖区,自建区以来,经济快速增长,道路建设不断完善,机动车数量也快速增加。2002—2015年浦东新区交通事故标化死亡率为7.03/10万,高于2013年全国水平[4]。因此,本研究以上海市浦东新区发生交通事故的人员为研究对象,对其死亡风险的影响因素进行分析,建立交通伤害死亡风险预测列线图模型,为降低RTI的严重程度及其死亡风险提供理论依据,为道路安全提供科学指导。

1   对象与方法

1.1   数据来源和测量

对上海市浦东新区交通事故伤亡人员进行回顾性研究,通过交警事故处理系统获得2010—2016年间的涉及健康结局(受伤或死亡)的一般程序处理的伤亡事故记录,收集可能影响伤亡情况的相关因素,包括伤亡人员的年龄、性别、受伤部位,事故发生的医疗救援距离、时间、日期、道路类型、交通方式、天气。

影响因素分类规则:将交通事故发生时间分为4个时间段,07:01—10:00为早高峰,10:01—17:00为日间,17:01—21:00为晚高峰,21:01—07:00为夜间。将事故发生的道路分为一般城市道路、城市公路、城市快速路/高速3种类型。RTI伤亡人员的交通方式分为客车、货车、摩托车、电动自行车、自行车、步行6种。将受伤部位分为多部位、头颈部、腰腹胸背部、四肢4种。天气情况根据记录分为晴、阴、雨雪雾3种。周一至五为工作日,周六、周日为非工作日。

1.2   统计学分析

基于浦东道路网络数据集(2014年),应用ArcMap中GIS的网络分析工具包,计算从事故地点到浦东新区35个急救站中最近急救站的道路距离作为MRD。连续型变量使用t检验或秩和检验,分类变量采用卡方检验或Fisher精确法来检验各组间变量差异是否具有统计学意义。采用逐步回归法logistic回归(α进入=0.05, $\beta$ 排除=0.1)筛选RTI死亡风险的影响因素。使用R语言的rms包建立预测交通事故伤亡人员死亡风险的列线图模型。列线图通过构建多因素回归模型,并根据预测模型中变量的贡献度对变量的每个取值水平进行赋分,将预测模型进行可视化展示,使结果更具可读性。每个变量通过评分标尺找到其对应的得分,并将每个变量的得分相加可以得到总分。总分越高,其所对应的死亡风险越高。最后进行敏感性分析,对不同伤亡人数的事故分别进行logistic回归,比较各影响因素对RTI死亡风险影响的变化程度。

模型的一致性和准确性用C-index进行评价:C-index为0.5~0.7时,表示模型预测准确度低;C-index为0.7~0.9时,表示模型预测准确度良好;C-index>0.9时,表示模型预测准确度高。

以上分析采用Excel 2018、SPSS 20.0和R 4.0.3软件进行数据清洗与统计分析,检验水准α=0.05。

2   结果

2.1   基线资料的描述统计分析

2010—2016年间,上海市浦东新区一般程序处理的交通事故记录中存在伤亡的事故2814件,共涉及6410人,伤亡3521人;其中有2326件事故仅涉及一人伤亡,有372件事故涉及两人伤亡。所有事故涉及人员的平均年龄为(40.77±15.58)岁。平均MRD为(2.66±1.54)km,中位数2.37 km,MRD分布如图1所示,91.98%救援距离都在5km以内。

图 1

RTI医疗救援距离核密度图

Figure1.

Kernel density diagram of RTI medical rescue distance

表1对RTI的潜在影响因素进行了描述统计,不同事故发生时间和天气之间RTI结局差异没有统计学意义(P>0.05),而不同性别、年龄、MDR、道路类型、交通方式、受伤部位、是否为工作日分组下的RTI结局差异存在统计学意义(P≤0.001)。

表1

RTI基线特征(n=6410)

Table1.

RTI baseline characteristics(n=6410)

2.2   RTI死亡风险的影响因素

因未受伤人员无受伤部位,若将其纳入回归分析,则会严重干扰受伤部位对结局的影响,因此本研究仅纳入结局为受伤或死亡的人员。逐步回归法logistic回归结果显示,事故人员的性别、故事发生时的天气对死亡风险的影响无统计学意义,将这两种因素排除出最终拟合的logistic回归模型。RTI死亡风险的logistic回归模型结果如表2所示,该模型拟合度良好(χ2=897.439,P<0.001)。年龄越大(OR=1.015,95%CI:1.011~1.020),MRD越远(OR=1.082,95%CI:1.026~1.141),则RTI死亡风险越高。与一般城市道路相比,发生在城市公路(OR=1.627,95%CI:1.372~1.931)和城市快速路、高速(OR=2.404,95%CI:1.382~4.179)的RTI死亡风险更高。相对于驾驶或乘坐机动车,驾驶或乘坐非机动车或步行人员的RTI死亡风险更高(摩托车,OR=1.486,95%CI:1.087~2.033;电动自行车,OR=2.538,95%CI:1.917~3.359;自行车,OR=2.497,95%CI:1.787~3.489;步行,OR=2.459,95%CI:1.794~3.370)。相对于其他受伤部位,头颈部受伤人员的RTI死亡风险最大(OR=70.945,95%CI:36.363~138.413)。相对于日间,RTI在夜间的死亡风险较高(OR=1.233,95%CI:1.001~1.519),在日间、早高峰、晚高峰三个水平上风险差异无统计学意义(P>0.05)。另外,非工作日相对工作日的RTI死亡风险更高(OR=1.355,95%CI:1.130~1.626)。

表2

预测RTI死亡风险的logistic回归模型

Table2.

Logistic regression model for predicting fatality risk of RTI

2.3   RTI死亡风险的预测列线图模型

根据logistic回归分析筛选出的7个变量建立RTI死亡风险列线图,由图2可知,影响最大的因素是受伤部位(尤其是头颈部受伤),其次是年龄、交通方式、MRD、道路类型、事故发生时间、是否为工作日。每个变量通过评分标尺找到其对应的得分,并将每个变量的得分相加可以得到总分,总分越高,其所对应的死亡风险越高。例如,某交通事故受伤人员的MRD为2.7 km(得分=4),道路类型为城市公路(得分=10),年龄57岁(得分=20),交通方式为摩托车(得分=9),受伤部位是多部位(得分=71),时间在晚高峰(得分=1),周一发生事故(得分=0),则总分为115,死亡风险为0.18。

图 2

RTI死亡风险列线图

Figure2.

A nomogram predicting the fatality risk of RTI

将受到头颈部伤害的死亡人群对比其他RTI伤亡人群重新进行logistic回归变量筛选,并建立列线图模型,结果如图3所示:各纳入因素的评分标尺均有膨胀,最突出的是年龄,即年龄为头颈部受伤人群中影响最大的因素;不同道路类型对RTI死亡影响的风险改变,城市公路成为风险最大的道路类型;另外,步行成为头颈部伤RTI死亡风险最大的交通方式。

图 3

头颈部伤死亡人群对比其他RTI人群死亡风险列线图

Figure3.

A nomogram predicting the fatality risk of head and neck injuries versus other RTI injuries

2.4   列线图模型评价

RTI死亡风险列线图的C-index为0.790,说明模型预测结果准确度良好。通过对新构建的列线图模型进行200次自助重抽样与实际情况进行比较,结果如图4所示,预测值与真实值之间符合度的平均绝对误差为0.006,预测风险接近于实际风险,一致性良好。

图 4

列线图模型预测RTI死亡风险与实际情况拟合曲线图

Figure4.

Fitting curve of the nomogram predicting the death risk of RTI and the actual data points

头颈部RTI死亡风险列线图的C-index为0.688,其预测准确度低于RTI死亡风险列线图模型。对其进行200次自助重抽样与实际情况进行比较,结果如图5所示,预测值与真实值之间符合度的平均绝对误差为0.007,高于RTI死亡风险列线图模型,但其一致性仍表现良好。

图 5

列线图模型预测头颈部RTI死亡风险与实际情况拟合曲线图

Figure5.

Fitting curve of the nomogram predicting the death risk of head and neck injuries of RTI and the actual data points

2.5   敏感性分析

本研究中的仅涉及一人伤亡事故的RTI事故占所有事故的82.66%,随着事故涉及人数增加,其累计的死亡占比反而减少。通过对仅涉及一人伤亡的事故进行logistic回归分析,结果与全部样本所建模型比较,发现伤亡人员的交通方式对RTI的死亡风险影响发生变化,死亡风险较高的交通方式由电动自行车、自行车、步行变为货车、电动自行车、自行车,最安全的交通工具由客车变为摩托车。MRD对RTI的死亡风险影响增大。在一般城市道路上发生事故的死亡风险增大。其他影响因素对RTI死亡分析的影响无明显改变。该模型的C-index为0.777。

本研究中95.88%的事故涉及一人和两人伤亡,对此建立logistic模型后发现,其各影响因素对RTI死亡风险的影响与全部样本所建立的模型相似,该模型的C-index为0.776。

3   讨论

在联合国发布的可持续发展目标中,中国的RTI指标得分每年均低于50,提示急需控制RTI [5]。关于2015—2030年间中国RTI的死亡率和死亡人数下降趋势[6]的预测须基于合理的RTI控制策略的有效实施。本研究通过区域交通事故数据驱动的RTI影响因素死亡风险的可视化呈现,为道路交通安全相关政策制订和实施提供参考。

交通事故发生虽具有随机性和突发性,但受人、车辆、道路环境等系统影响[7],尤其医疗救援对于RTI受害者的结局至关重要[8]。本研究显示MRD是RTI死亡风险的重要影响因素,可以影响RTI医疗救援响应的“黄金时间”[9],提示需要合理设计急救站点的位置。

年龄是伤害研究的经典效应修饰因素。本研究结果与文献报告的年龄组死亡模式类似,RTI死亡率从高到低排序为70岁以上组> 50~69岁组>15~49岁组[10]

交通方式与碰撞时外力如何作用于人体而导致伤害有密切关系,比如厢式框架结构的交通工具同时具有较高的致伤能力和伤害保护能力。Nantulya等[11]认为,行人、骑自行车者和电动自行车者是RTI高风险人群。中国的研究也证实该结论[12],尤其骑电动自行车者重度RTI的风险是骑自行车者的14倍[5]。最近20年,电动自行车超速发展和快速普及其与道路安全管理滞后的冲突是造成中国RTI的重要因素[13], 2007—2015年机动车RTI事故相关死亡人数虽有下降,但自2012年以来,非机动车事故发生率迅速上升[14]。该区域的摩托车相关RTI的风险较低可能与上海市2002年开始实施新的摩托车管理条例后,在路摩托车数量大幅度减少和限行区域有关。

本研究中受伤部位对于RTI死亡风险影响最为突出,尤其头颈部伤,其死亡风险是四肢受伤个体的36倍,且头颈部伤亡占所有伤亡人员的40%。头颈部伤因其高致死率,更容易进入交警事故系统,而出现头颈部伤结局高估。基于这个考虑,本研究通过对比头颈部伤死亡和其余RTI伤亡数据考量影响因素与头颈部伤致死之间关联的变化,其中大部分影响因素的列线表尺度大致相应膨胀了2倍,而年龄尺度膨胀则更大,风险最大的交通方式由骑电动自行车变为步行,不同道路类型对RTI死亡影响的风险改变,城市公路成为头颈部伤致死风险最大的道路类型。创伤性脑损伤被世界卫生组织列为最迫切和最被忽视的公共卫生问题之一,约60%的创伤性脑损伤为RTI所致,其中一个原因是缺乏就近的医疗救治[15]。因此,从控制RTI致死角度,除控制碰撞和降低头颈能量传导等措施外,急救资源规划也是重要辅助措施。

华东某市交通事故的时间热点分析显示,白天各类交通事故发生率高于夜晚,并且在早、晚高峰时段达到最高[16]。而本研究显示夜晚事故的死亡风险最高,本研究区域在早、晚高峰时期的死亡风险不高,可能因为道路交通流量接近饱和,车速较慢,即使发生碰撞,传入机体的外部能量也相对小,因此致死率低;夜间车流小,车速高,事故时传入机体能量高,因此死亡风险提高。该解释也适用于非工作日的高RTI致死风险[17]

敏感性分析结果显示,本研究所用模型呈现事故发生的平均水平在对比不同候选模型中具有一定的稳健性,至仅保留涉及一人伤亡事故时模型才发生较大改变,且该类事故的死亡比例最高,所以该模型有高估死亡风险倾向。

本研究存在的局限:本研究数据仅来源于一个城区,具有区域性,RTI死亡风险受当地交通方式、道路建设和维护等影响。虽本研究在自抽样后显示模型拟合度良好,但所建立的列线图预测模型仍需要外部数据验证。由于交警记录不以记录健康效应为目的,因此无伤害事故或者轻微伤害事故可能由于现场快速处理而未进入数据库,有分母损失的可能,本研究结果可能会高估死亡风险。

综上所述,本研究将logistic回归以及列线图作为预测RTI死亡风险的简易工具,对RTI死亡风险的相关因素进行可视化呈现,为促进政府、社区和个体多个层面、多个角度的综合治理提供方便。

图 1

RTI医疗救援距离核密度图

Figure 1

Kernel density diagram of RTI medical rescue distance

表1

RTI基线特征(n=6410)

Table 1

RTI baseline characteristics(n=6410)

表2

预测RTI死亡风险的logistic回归模型

Table 2

Logistic regression model for predicting fatality risk of RTI

图 2

RTI死亡风险列线图

Figure 2

A nomogram predicting the fatality risk of RTI

图 3

头颈部伤死亡人群对比其他RTI人群死亡风险列线图

Figure 3

A nomogram predicting the fatality risk of head and neck injuries versus other RTI injuries

图 4

列线图模型预测RTI死亡风险与实际情况拟合曲线图

Figure 4

Fitting curve of the nomogram predicting the death risk of RTI and the actual data points

图 5

列线图模型预测头颈部RTI死亡风险与实际情况拟合曲线图

Figure 5

Fitting curve of the nomogram predicting the death risk of head and neck injuries of RTI and the actual data points

参考文献

[1]

WHO.Global status report on road safety 2018. [EB/OL]. [2021/3/13]. https://www.who.int/violence_injury_prevention/road_safety_status/2018/en/.

[2]

国家统计局. 中国社会统计年鉴 2019 [J]. 北京: 中国统计出版社, 2020.

National Bureau of Statistics. China Social Statistics Yearbook 2019 [J]. Beijing: China Statistics Press, 2020.

[3]

中共中央国务院.“健康中国2030”规划纲要[EB/OL].(2016-10-25)[2021-3-13]. http://www.gov.cn/zhengce/2016-10/25/content_5124174.htm.

The Central Committee of the Communist Party of China and the State Council. Outline of the Healthy China 2030 Plan[EB/OL].(2016-10-25)[2021-3-13]. http://www.gov.cn/zhengce/2016-10/25/content_5124174.htm.

[4]

陈亦晨, 李小攀, 杨琛, 等. 2002—2015年上海市浦东新区居民交通事故死亡流行特征及趋势分析[J]. 中华疾病控制杂志, 2017, 21(6): 602-606.

CHEN Y C, LI X P, YANG C, et al. Analysis on the epidemiological characteristics and trend of traffic fatality data among residents in Pudong New Area of Shanghai, 2002−2015[J]. Chin J of Disease Cont Prev, 2017, 21(6): 602-606.

[5]

宇传华, 王璐. 联合国健康相关SDG指标及中国现状[J]. 公共卫生与预防医学, 2017, 28(1): 1-7.

YU C H, WANG L. United Nations Health-Related SDG indicators and its current situation in China[J]. J of Pub Health and Prev Med, 2017, 28(1): 1-7.

[6]

谭爱春, 田丹平, 黄渊秀, 等. 致死性道路交通伤害预测模型的构建[J]. 中华流行病学杂志, 2014, 35(2): 174-177.

DOI: 10.3760/cma.j.issn.0254-6450.2014.02.016

TAN A C, TIAN D P, HUANG Y X, et al. Development of forecasting models for fatal road traffic injuries[J]. Clin J Epidemiol, 2014, 35(2): 174-177.

DOI: 10.3760/cma.j.issn.0254-6450.2014.02.016
[7]

HU F, LV D, ZHU J, et al. Related risk factors for injury severity of E-bike and bicycle crashes in Hefei[J]. Traffic Inj Prev, 2014, 15(3): 319-323.

DOI: 10.1080/15389588.2013.817669
[8]

HUSSAIN L M, REDMOND A D. Are pre-hospital deaths from accidental injury preventable?[J]. BMJ, 1994, 308(6936): 1077-1080.

DOI: 10.1136/bmj.308.6936.1077
[9]

张浩. 基于半参数加性logistic回归模型的交通事故紧急医疗救援响应时间的平滑效应分析[D]. 北京: 北京交通大学, 2018.

ZHANG H. Examing the smooth effect of emergency medical services response time in traffic accidents based on semi-parametric additive logistic regression model[D]. Beijing: Beijing Jiaotong University, 2018.

[10]

WANG L, YU C, ZHANG Y, et al. An analysis of the characteristics of road traffic injuries and a prediction of fatalities in China from 1996 to 2015[J]. Traffic Inj Prev, 2018, 19(7): 749-754.

DOI: 10.1080/15389588.2018.1487061
[11]

NANTULYA V M, SLEET D A, REICH M R, et al. Introduction: the global challenge of road traffic injuries: can we achieve equity in safety?[J]. Inj Control Saf Promot, 2003, 10(1–2): 3-7.

DOI: 10.1076/icsp.10.1.3.14109
[12]

段蕾蕾, 吴春眉, 邓晓, 等. 2006—2008年中国道路交通伤害状况分析[J]. 公共卫生与预防医学, 2010, 21(3): 10-13.

DUAN L L, WU C M, DENG X, et al. Road traffic injuries in China, 2006−2008[J]. J of Pub Health and Prev Med, 2010, 21(3): 10-13.

[13]

叶万宝, 严淑珍, 李丽萍. 1997—2016年中国道路交通伤害变化趋势的Joinpoint回归分析[J]. 中华疾病控制杂志, 2019, 23(5): 501-505.

YE W B, YAN S Z, LI L P. Joinpoint regression analysis of road traffic injuries tendency in China from 1997 to 2016[J]. Chin J of Disease Cont Prev, 2019, 23(5): 501-505.

[14]

WANG X, YU H, NIE C, et al. Road traffic injuries in China from 2007 to 2016: the epidemiological characteristics, trends and influencing factors[J]. PeerJ, 2019, 7: e7423.

DOI: 10.7717/peerj.7423
[15]

DEWAN M C, RATTANI A, GUPTA S, et al. Estimating the global incidence of traumatic brain injury[J]. J Neurosurg, 2019, 130(4): 1080-1097.

DOI: 10.3171/2017.10.JNS17352
[16]

刘尧, 王颖志, 王立君, 等. 交通事故的时空热点分析[J]. 浙江大学学报(理学版), 2020, 47(1): 52-59.

LIU Y, WANG Y Z, WANG L J, et al. Spatial-temporal hotspots analysis on traffic accidents[J]. J Zhejiang Uni (Sci Edition), 2020, 47(1): 52-59.

[17]

ADANU E K, HAINEN A, JONES S. Latent class analysis of factors that influence weekday and weekend single-vehicle crash severities[J]. Accid Anal Prev, 2018, 113: 187-192.

DOI: 10.1016/j.aap.2018.01.035
上一张 下一张
上一张 下一张

[基金项目] 浦东新区卫生、计生科技项目(PW2016A-8)

[作者简介]

[收稿日期] 2021-04-11

【点击复制中文】
【点击复制英文】
计量
  • PDF下载量 (283)
  • 文章访问量 (966)
  • XML下载量 (0)
  • 被引次数 (0)

目录

道路交通伤害死亡风险的影响因素分析及预测

导出文件

格式

内容

导出 关闭
《环境与职业医学》杂志官方网站