《BMC Public Health》：Heat stress and cardiovascular hospitalizations in a semi-arid megacity: a multi-method epidemiological and machine-learning analysis in Isfahan, Iran
编辑推荐：
在气候变化加剧、高温频发的半干旱城市环境中，热应激对心血管疾病的健康威胁日益凸显。本研究以伊朗伊斯法罕为例，通过连接气象数据与医院入院记录，量化了多种热应激指数与心血管疾病住院率的关联，并利用机器学习模型识别了延长住院时间的风险因素。研究发现，同一天热指数每升高4.3°C，心血管疾病入院风险增加12%；持续5天或更长的热浪则使风险骤增42%。极端热暴露还与更长的住院时间（LOS>7天）相关。在预测模型（XGBoost、随机森林等）中，XGBoost表现出优异的判别性能（AUC=0.84），并确定热指数、湿球黑球温度（WBGT）和年龄为关键预测因子。该研究强调了将基于气候的早期预警系统整合到医院应急策略中的重要性，为减轻与热相关的心血管风险提供了科学依据。
想象一下，在全球变暖的背景下，你所在城市的夏天一年比一年炎热。对于生活在半干旱城市，如伊朗的伊斯法罕的人们来说，夏季的极端高温已是家常便饭。这种日益加剧的热暴露不仅让人体感不适，更悄无声息地加重着心血管系统（Cardiovascular System）的负担。心血管疾病是全球首要的死因，而高温被认为是诱发心血管事件的重要环境因素。然而，在干燥炎热的气候环境下，关于高温如何具体影响心血管疾病入院、如何延长患者住院时间、乃至其内在风险预测因素是什么，基于个体层面的证据仍然较为有限。为了填补这一知识空白，并为公共卫生干预提供精准的靶点，一项发表在《BMC Public Health》上的研究，在伊斯法罕这座半干旱的特大都市展开。研究人员旨在探索多种热应激指数与心血管疾病住院之间的关联，识别导致住院时间延长和院内死亡的风险因素，并评估在持续变暖趋势下的未来风险。
研究人员主要采用了多种数据分析与建模技术。他们首先将ERA5-Land再分析数据和六个本地气象站的每日气象数据，与2019年至2024年期间经过匿名处理的伊斯法罕心血管疾病患者住院记录（n=2,760）进行链接。在热暴露评估上，他们运用了五种指数：热指数（Heat Index, HI）、湿度指数（Humidex）、湿球黑球温度（Wet-Bulb Globe Temperature, WBGT）、日温度范围（Daily Temperature Range, DTR）和暖期持续指数（Warm Spell Duration Index, WSDI）。统计模型方面，研究使用准泊松回归模型分析热暴露与心血管疾病入院之间的关联，并对年龄、性别、社会经济地位、细颗粒物（PM2.5）、星期几和长期趋势等因素进行了校正。为了预测“住院时间延长”（定义为住院时间>7天），研究人员应用了逻辑回归、极端梯度提升（Extreme Gradient Boosting, XGBoost）和随机森林（Random Forest）三种机器学习模型，并通过五折交叉验证和SHAP（SHapley Additive exPlanations）特征解释方法来评估模型性能和解读预测因子的重要性。
研究结果
- •
热暴露与心血管疾病入院风险显著相关
统计分析显示，多种热应激指数均能独立预测更高的心血管疾病入院率。具体而言，同一天的热指数每升高一个标准差（约4.3°C），心血管疾病入院风险就增加12%（发生率比 IRR = 1.12）。更为显著的是，持续五天或更长时间的暖期（热浪）会使入院风险大幅提升42%（IRR = 1.42）。这些关联在调整了多种潜在混杂因素后依然稳健，清晰地表明了极端高温事件对公共健康的即时冲击。
- •
极端热暴露与更长的住院时间相关
研究进一步发现，暴露于极端高温环境，与患者住院时间延长（>7天）的风险显著增加有关，其比值比（Odds Ratio, OR）为1.85。这意味着，经历极端热暴露的心血管疾病患者，其住院时间超过一周的可能性是未经历者的1.85倍。这从医疗资源占用和患者康复进程的角度，量化了高温的次生健康影响。
- •
机器学习模型有效识别住院时长风险预测因子
在用于预测住院时间延长的三种机器学习模型中，XGBoost模型表现出最强的判别能力，其受试者工作特征曲线下面积（Area Under the Curve, AUC）达到0.84。通过对模型进行SHAP分析，研究人员识别出最重要的预测因子。结果显示，热指数、湿球黑球温度和患者年龄是预测心血管疾病患者是否会经历长时间住院的三个最具影响力的因素。这为临床风险分层和针对性预防提供了数据驱动的依据。
研究结论与意义
这项针对半干旱特大都市伊斯法罕的研究提供了强有力的证据，表明多种热应激指数（HI、WBGT、WSDI等）均能独立地预测更高的心血管疾病入院率和更长的住院时间。研究不仅证实了即时高温暴露的健康风险，也揭示了持续热浪事件的叠加危害更为严重。更重要的是，通过先进的机器学习方法，研究成功构建了能够有效预测不良住院结局（长时间住院）的模型，并精准定位了核心风险因子（热指数、湿球黑球温度、年龄）。
该研究的结论具有重要的公共卫生意义。它强烈支持将基于多种热应激指标的气候预警系统，整合到医院的应急准备和资源调配策略中。在高温季节来临前或热浪事件期间，医院可以根据预警提前部署心血管专科医疗资源，并对高龄等高风险人群进行重点健康宣教和社区干预。这项工作为全球其他面临类似气候挑战的城市提供了一个可借鉴的分析框架和干预思路，强调了在气候变化背景下，主动适应、数据驱动的公共卫生策略对于减轻心血管疾病负担至关重要。
