Mortality Baselines and Excess Mortality Events in Belgian and Greek Cities Using Singular Spectrum Analysis
本研究利用带有自动组件选择和离群值插值的奇异谱分析，为六个比利时和希腊城市建立了可重复的死亡率基准，结果表明，尽管大流行时期解释了大部分超额死亡，但仍有相当数量的事件无法由极端温度或已知流行病来解释。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。 阅读完整免责声明
为了了解一个社会的健康状况，公共卫生官员经常观察每周的死亡人数。这不仅仅是统计死亡人数，更是为了识别出什么是“正常”以及什么是“危险”。每年，死亡率都会随着季节的变化而起伏：在流感流行和寒潮袭袭的冬季达到顶峰，在夏季降至低谷。这种可预测的节奏被称为“基线”。当死亡人数突然大幅超过这条预期的曲线时，就意味着发生了超额死亡事件。这些峰值可能由一种新病毒、一次严重的热浪或两者的结合所引起。科学家面临的挑战在于如何准确地画出这条“正常”的线。如果线画得太低，一个普通的冬季看起来就像是一场危机；如果线画得太高，一场真正的灾难可能会被忽视。传统方法通常依赖于僵化的数学公式，这些公式假设过去会以简单的方式重复，但在数据混乱或发生像全球大流行这样的大规模事件导致图像扭曲时，这些方法往往难以应对。
比利时和希腊的一个研究小组决定测试一种不同的画线方法。他们专注于六个主要城市：比利时的布鲁塞尔、安特卫普和列日，以及希腊的雅典、塞萨洛尼基和拉里萨。选择这些地点是因为它们提供了气候和人口规模的多样性，使研究小组能够观察该方法是否能处理不同的现实世界条件。他们没有强行将数据套入预设的公式，而是使用了一种称为奇异谱分析（Singular Spectrum Analysis）的技术。可以将这种方法想象成聆听一首复杂的歌曲，并从中分离出稳定的节拍、旋律和背景噪音。通过将2015年至2024年的每周死亡记录分解为核心模式，研究人员可以识别出死亡率真实的长期节奏，而无需去猜测这个节奏应该是怎样的。为了确保他们没有在定义“正常”时意外地将大流行的混乱包含进去，他们暂时移除了那些极端周的数据，重建了模式，然后检查结果在统计学上是否合理。
结果显示，死亡的节奏在各地并不相同。在比利时的城市中，模式非常直接：一个单一且强烈的周期，即死亡在冬季上升，在夏季下降。然而，在希腊的城市中，模式更为复杂。除了冬季高峰外，数据还显示在夏季月份存在第二次显著的死亡上升。这种半年度周期在近年来变得愈发明显，表明夏季的高温是希腊死亡率的一个反复驱动因素，而标准模型可能会忽略这一点。通过使用这种灵活的、数据驱动的方法，研究人员能够为每个城市建立一个可靠的基线，尊重其独特的当地历史。
在建立这些基线后，团队记录了每一个死亡人数显著超过预期数值的周数。在九年的时间里，他们在六个城市中识别出了170个不同的超额死亡事件，涉及超过14,000例额外死亡。这些死亡中的绝大多数（约77%）发生在新冠疫情期间。研究人员还寻找了这些峰值与极端天气之间的联系。他们发现，有96个超额周与严寒或热浪同时发生。例如，2020年8月袭击比利时的一场特别致命的热浪（发生在疫情波峰之间），被清晰地捕捉为一个重大事件。在希腊，塞萨洛尼基2020年秋季的一段持续性超额死亡期，则与寒潮和疫情重叠在一起。
有趣的是，并非每一个峰值都有明确的原因。研究人员发现了56个既不与大流行、极端气温，也不与已知流感流行相吻合的事件。这些“无法匹配”的事件占总超额死亡人数的比例很小，但它们的存在凸显了死亡率往往是由难以分割的多种因素共同驱动的。这项研究并不声称已经解开了每一次死亡峰值的谜团，也没有证明某个特定因素导致了某个特定事件。相反，它提供了一个稳健且可重复的工具，用于绘制死亡率的图景。通过展示不同国家拥有不同的季节性节奏，以及灵活的方法可以揭示如希腊夏季高峰这类隐藏模式，这项工作为监测公共卫生提供了一种更清晰的方式。它表明，要真正理解一个社会何时处于危机之中，我们必须首先理解其自身“常态”那独特且不断变化的节拍。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。