NGHIÊN CỨU GỐC (ORIGINAL PAPERS)

Đánh giá mối liên quan giữa ô nhiễm không khí và sức khỏe tại Việt Nam: Kỹ thuật phân tích chuỗi thời gian

DOI: https://doi.org/10.38148/JHDS.0404SKPT20-041 ↗
Điển Trần Minh1
1 Trường Đại học Y tế công cộng

Tóm tắt

Mục tiêu nghiên cứu: Phân tích chuỗi thời gian được sử dụng phổ biến trong các nghiên cứu dịch tễ học môi trường; đặc biệt trong việc đánh giá tác động tức thời (short-term effect) giữa ô nhiễm không khí bên ngoài và tình trạng sức khoẻ.

Phương pháp nghiên cứu: Nghiên cứu sử dụng số liệu gồm biến phụ thuộc và độc lập được ghi nhận theo ngày (ví dụ như số ca nhập viện hằng ngày và nồng độ chất ô nhiễm hằng ngày), để đánh giá sự thay đổi của biến độc lập lên biến phụ thuộc trong một thời gian ngắn.

Kết quả: Trong bài báo này, chúng tôi mô tả các bước thực hiện phân tích chuỗi thời gian và những điểm cần lưu ý khi phân tích mối tác động ngắn hạn giữa ô nhiễm không khí bên ngoài và số ca nhập viện. Nghiên cứu sử dụng số liệu trong nghiên cứu đánh giá tác động của ô nhiễm không khí bên ngoài lên sức khỏe trẻ em để làm ví dụ minh họa. Chúng tôi cũng trình bày các câu lệnh dùng để xây dựng mô hình trên phần mềm R và cách phiên giải số liệu ở dạng cơ bản.

Kết luận và khuyến nghị: Cần mô hình hóa tính mùa và tác động dài hạn, mối quan hệ tính tự tương quan và xử lý được các tác động của biến nhiễu. Mô hình này có thể tận dụng được các số liệu ghi nhận hằng ngày để đánh giá những tác động theo thời gian hoặc can thiệp.

Đã Xuất bản 2020-12-29
Toàn văn
PDF
Ngôn ngữ Tiếng Việt
Số Tập 4 Số 04 (2020): Tập 04, Số 04-2020
Chuyên mục Nghiên cứu gốc (Original papers)
DOI https://doi.org/10.38148/JHDS.0404SKPT20-041 ↗
Trang số 40-52
Từ khóa
phân tích chuỗi thời gian ô nhiễm không khí phân tích tác động ngắn hạn.

Cách trích dẫn

Trần Minh, Điển. (2020). Đánh giá mối liên quan giữa ô nhiễm không khí và sức khỏe tại Việt Nam: Kỹ thuật phân tích chuỗi thời gian. Tạp Chí Khoa học Nghiên cứu Sức khỏe Và Phát triển, 4(04), 40-52. https://doi.org/10.38148/JHDS.0404SKPT20-041
  1. 1. Tapia V, Steenland K, Sarnat SE, Vu B, Liu Y, Sánchez-Ccoyllo O, et al. Time-series analysis of ambient PM(2.5) and cardiorespiratory emergency room visits in Lima, Peru during 2010-2016. Journal of exposure science & environmental epidemiology. 2019.
  2. 2. Le TG, Ngo L, Mehta S, Do VD, Thach TQ, Vu XD, et al. Effects of short-term exposure to air pollution on hospital admissions of young children for acute lower respiratory infections in Ho Chi Minh City, Vietnam. Research report (Health Effects Institute). 2012(169):5-72; discussion 3-83.
  3. 3. Nhung NTT, Schindler C, Dien TM, Probst- Hensch N, Perez L, Kunzli N. Acute effects of ambient air pollution on lower respiratory infections in Hanoi children: An eight-year time series study. Environment international. 2018;110:139-48.
  4. 4. Schwartz J. Nonparametric smoothing in the analysis of air pollution and respiratory illness. Canadian Journal of Statistics. 1994;22(4):471-87.
  5. 5. Dominici F, McDermott A, Zeger SL, Samet JM. On the Use of Generalized Additive Models in Time-Series Studies of Air Pollution and Health. American Journal of Epidemiology. 2002;156(3):193-203.
  6. 6. Ramsay TO, Burnett RT, Krewski D. The effect Nguyễn Thùy Linh và cộng sự
  7. 50 Tạp chí Khoa học Nghiên cứu Sức khỏe và Phát triển (Tập 04, Số 04-2020) Journal of Health and Development Studies (Vol.04, No.04-2020) of concurvity in generalized additive models linking mortality to ambient particulate matter. Epidemiology. 2003;14(1):18-23.
  8. 7. Schwartz J, Zanobetti A, Bateson T. Morbidity and mortality among elderly residents in cities with daily PM measurements. In Revised Analyses of the National Morbidity, Mortality, and Air Pollution Study, Part II. In: Revised Analyses of Time-Series Studies of Air Pollution and Health2003. 25-58 p.
  9. 8. Touloumi G, Atkinson R, Tertre AL, Samoli E, Schwartz J, Schindler C, et al. Analysis of health outcome time series data in epidemiological studies. Environmetrics. 2004;15(2):101-17.
  10. 9. Roger D. Peng FDaTAL. Model choice in time series studies of air pollution and mortality. J R Statist Soc A. 2006;169:179-203. Time series regression to identifying the relationship between air pollution and health in Vietnam Nguyen Thuy Linh1, Le Tu Hoang1, Nguyen Thi Kim Ngan1, Nguyen Thi Bich Lien2, Nguyen Thi Trang Nhung1, Tran Minh Dien2 1Hanoi University of Public Health 2Vietnam National Children’s hospital Abstract: Time series has been widely used in environmental epidemiology; especially in identifying the short-term associations between ambient air pollution and health outcomes. For both exposure and outcome, data are available at regular time intervals (daily hospital admissions and pollution levels) to explore short-term associations between them. In this article, we described main steps to conduct time series regression and highlighted some key ideas when applying this technique. A sample data was used to investigate short-term association between PM10 and daily hospital admission among children in Hanoi between 2008 and 2016. This analysis was conducted with R software. Keywords: Time series, air pollution, short-term e,ect Nguyễn Thùy Linh và cộng sự
  11. 51 Tạp chí Khoa học Nghiên cứu Sức khỏe và Phát triển (Tập 04, Số 04-2020) Journal of Health and Development Studies (Vol.04, No.04-2020) Phụ lục 1: Câu lệnh mô hình hoàn chỉnh đánh giá mối liên quan giữa PM10 và số ca nhập viện tại bệnh viện Nhi 2007 – 2013 mod<-gam(nres~dmpm10+s(trend, k=9*8, bs=”ad”) + paper$dmtemp+ paper$dmhum + I(pa per$dmhum^2)+I(paper$dmwisp^2)+I(paper$dmtemp*paper$dmhum)+I(paper$dmtemp*pap er$dmwisp)+I(paper$dmhum*paper$dmwisp),family=quasipoisson,data=paper,na.action=na. exclude) Phụ lục 2: Đánh giá độ trễ của tác động Phơi nhiễm với chất gây ô nhiễm không khí tại thời điểm nhập viện: mod<-gam(nres~dmpm10 +s(trend, k=9*8, bs=”ad”) + paper$dmtemp+ paper$dmhum + I(paper$dmhum^2) + I(paper$dmwisp^2)+ I(paper$dmtemp*paper$dmhum) + I(paper$dmtemp*paper$dmwisp)+ I(paper$dmhum*paper$dmwisp), family=quasipoisson,data=paper,na.action=na.exclude) Phơi nhiễm với chất gây ô nhiễm khống khí trước 1 ngày nhập viện: mod<- gam(nres~dmpm10_1+s(trend, k=9*8, bs=”ad”) + paper$dmtemp+ paper$dmhum + I(paper$dmhum^2) + I(paper$dmwisp^2)+ I(paper$dmtemp*paper$dmhum) + I(paper$dmtemp*paper$dmwisp)+ I(paper$dmhum*paper$dmwisp), family=quasipoisson,da ta=paper,na.action=na.exclude) Phơi nhiễm với chất gây ô nhiễm không khí trước 2 ngày nhập viện: mod<-gam(nres~dmpm10_2 +s(trend, k=9*8, bs=”ad”) + paper$dmtemp+ paper$dmhum + I(paper$dmhum^2) + I(paper$dmwisp^2)+ I(paper$dmtemp*paper$dmhum) + I(paper$dmtemp*paper$dmwisp)+ I(paper$dmhum*paper$dmwisp), family=quasipoisson,data=paper,na.action=na.exclude) Phơi nhiễm với chất gây ô nhiễm khống khí trước 3 ngày nhập viện: mod<- gam(nres~dmpm10_3+s(trend, k=9*8, bs=”ad”) + paper$dmtemp+ paper$dmhum + I(paper$dmhum^2) + I(paper$dmwisp^2)+ I(paper$dmtemp*paper$dmhum) + I(paper$dmtemp*paper$dmwisp)+ I(paper$dmhum*paper$dmwisp), family=quasipoisson,da ta=paper,na.action=na.exclude) Phơi nhiễm với chất gây ô nhiễm không khí trước 4 ngày nhập viện: mod<-gam(nres~dmpm10_4 +s(trend, k=9*8, bs=”ad”) + paper$dmtemp+ paper$dmhum + I(paper$dmhum^2) + I(paper$dmwisp^2)+ I(paper$dmtemp*paper$dmhum) + I(paper$dmtemp*paper$dmwisp)+ I(paper$dmhum*paper$dmwisp), family=quasipoisson,data=paper,na.action=na.exclude) Phơi nhiễm với chất gây ô nhiễm khống khí trước 5 ngày nhập viện: mod<- gam(nres~dmpm10_5+s(trend, k=9*8, bs=”ad”) + paper$dmtemp+ paper$dmhum + I(paper$dmhum^2) + I(paper$dmwisp^2)+ I(paper$dmtemp*paper$dmhum) + I(paper$dmtemp*paper$dmwisp)+ I(paper$dmhum*paper$dmwisp), family=quasipoisson,da ta=paper,na.action=na.exclude) Nguyễn Thùy Linh và cộng sự
  12. 52 Tạp chí Khoa học Nghiên cứu Sức khỏe và Phát triển (Tập 04, Số 04-2020) Journal of Health and Development Studies (Vol.04, No.04-2020) Phụ lục 3: Câu lệnh kiểm tra độ nhạy và tính ổn định của mô hình Bậc tự do (df=5): mod<-gam(nres~dmpm10p3+s(trend, k=9*5, bs=”ad”) + paper$dmtemp+ paper$dmhum + I(paper$dmhum^2) + I(paper$dmwisp^2)+ I(paper$dmtemp*paper$dmhum) + I(paper$dmtemp*paper$dmwisp)+ I(paper$dmhum*paper$dmwisp), family=quasipoisson,d ata=paper,na.action=na.exclude) Bậc tự do (df=6): mod<-gam(nres~dmpm10p3+s(trend, k=9*6, bs=”ad”) + paper$dmtemp+ paper$dmhum + I(paper$dmhum^2) + I(paper$dmwisp^2)+ I(paper$dmtemp*paper$dmhum) + I(paper$dmtemp*paper$dmwisp)+ I(paper$dmhum*paper$dmwisp), family=quasipoisson,d ata=paper,na.action=na.exclude) Bậc tự do (df=7): mod<-gam(nres~dmpm10p3+s(trend, k=9*7, bs=”ad”) + paper$dmtemp+ paper$dmhum + I(paper$dmhum^2) + I(paper$dmwisp^2)+ I(paper$dmtemp*paper$dmhum) + I(paper$dmtemp*paper$dmwisp)+ I(paper$dmhum*paper$dmwisp), family=quasipoisson,d ata=paper,na.action=na.exclude) Bậc tự do (df=8): mod<-gam(nres~dmpm10p3+s(trend, k=9*8, bs=”ad”) + paper$dmtemp+ paper$dmhum + I(paper$dmhum^2) + I(paper$dmwisp^2)+ I(paper$dmtemp*paper$dmhum) + I(paper$dmtemp*paper$dmwisp)+ I(paper$dmhum*paper$dmwisp), family=quasipoisson,d ata=paper,na.action=na.exclude) Nguyễn Thùy Linh và cộng sự