云南省孕产妇死亡率预测模型的构建与评估

赵珊; 高赛; 李堂春; 赵钟鸣; 吴亚婷; 郑敏

云南省孕产妇死亡率预测模型的构建与评估

赵珊¹,
高赛¹,
李堂春¹,
赵钟鸣²,
吴亚婷²,
郑敏^2, ,

1.
昆明医科大学公共卫生学院，云南昆明　650500
2.
云南省妇幼保健院妇女群体保健科，云南昆明　650051

基金项目: 云南省“兴滇英才支持计划”名医专项支持项目[（XDYC）-MY-2022-0073]；昆明医科大学2024年研究生教育创新基金（2024S181）

详细信息

作者简介:
赵珊（2000～），女，云南保山人，在读硕士研究生，主要从事公共卫生研究工作

通讯作者:
郑敏，E-mail：zhmin730@126.com

中图分类号: R173
计量
- 文章访问数: 16
- HTML全文浏览量: 10
- PDF下载量: 0
- 被引次数: 0
出版历程
- 收稿日期: 2024-10-08

Construction and Evaluation of Maternal Mortality Prediction Model in Yunnan Province

1.
School of Public Health，Kunming Medical University，Kunming Yunnan 650500
2.
Department of Women's Group Health ，Yunnan Provincial Maternal and Child Health Care Hospital，Kunming Yunnan 650021，China

摘要

摘要: 目的构建并评估云南省孕产妇死亡率预测模型，预测2024—2030年云南省孕产妇死亡率。方法基于1994—2023年云南省孕产妇死亡率，构建灰色预测模型和差分自回归移动平均模型，选择平均绝对误差、均方误差和均方根误差比较两种模型回代拟合效果，使用最优模型预测2024—2030年云南省孕产妇死亡率。结果 1994—2023年云南省孕产妇死亡率整体呈持续下降趋势（χ² = 50170.0，P < 0.05），构建的灰色预测模型和差分自回归移动平均模型平均绝对误差、均方误差和均方根误差分别为2.424、12.389、3.519和3.966、27.651、5.258，灰色预测模型的预测效果优于差分自回归移动平均模型，后验差比值C = 0.079，小概率误差P = 1，预测精确度为1级。用灰色预测模型预测2024—2030年云南省孕产妇死亡率分别为10.05/10万、9.16/10万、8.34/10万、7.59/10万、6.91/10万、6.30/10万、5.73/10万。结论灰色预测模型对云南省孕产妇死亡率有较好预测效果。经预测，云南省2030年孕产妇死亡率能达到《健康中国“2030”规划纲要》《中国妇女发展纲要（2021—2030年）》《云南妇女发展规划（2021—2030年）》中的孕产妇死亡率控制目标。
- 孕产妇死亡率 /
- 灰色预测模型 /
- 差分自回归移动平均模型 /
- 预测
Abstract: Objective To construct and evaluate the prediction model of maternal mortality in Yunnan Province, and predict the maternal mortality rate in Yunnan Province from 2024 to 2030. Methods Based on the maternal mortality rates in Yunnan Province from 1994 to 2023, a grey prediction model and a autoregressive integrated moving average model were constructed, The models were compared using mean absolute error, mean square error and root mean square error to assess their fitting performance, and the optimal model was used to predict the maternal mortality rate in Yunnan Province from 2024 to 2030. Resuls The maternal mortality rate in Yunnan Province showed a continuous decline from 1994 to 2023（χ² = 50170.0, P < 0.05）. The mean absolute error, mean-square error and root mean-square error for the grey prediction model were 2.424, 12.389, 3.519 , respectively, while for the differential autoregressive moving average model, they were 3.966, 27.651, 5.258, respectively. The prediction effect of the grey prediction model is superior to that of the autoregressive integrated moving average model, with a posterior difference ratio C = 0.079 and a low probability error P = 1, indicating a prediction accuracy of level 1. Using the grey prediction model, the maternal mortality rates for Yunnan Province from 2024 to 2030 are 10.05/100 000, 9.16/100 000, 8.34/100 000, 7.59/100 000, 691/100 000, 6.30/100 000 and 5.73/100 000, respectively. Conclusion The grey prediction model has a good prediction effect on maternal mortality in Yunnan Province. It is predicted that the maternal mortality rate in Yunnan Province in 2030 can meet the control targets outlined in the “Healthy China 2030 Plan”, the “Outline of Chinese Women's Development （2021—2030）” and the “Yunnan Women's Development Plan （2021—2030）.”
- Maternal mortality /
- Grey prediction model /
- Autoregressive integrated moving average model /
- Prediction

HTML全文

图 1 GM（1，1）模型建立流程图

Figure 1. Flowchart for the establishment of the GM（1，1） model

下载: 全尺寸图片幻灯片

图 2 1994—2023云南省孕产妇死亡率变化趋势

Figure 2. Trend of maternal mortality in Yunnan Province from 1994 to 2023

下载: 全尺寸图片幻灯片

图 3 GM（1，1）预测值与真实值的散点图分布

Figure 3. Scatter plot distribution of GM （1，1） predicted values and the actual values

下载: 全尺寸图片幻灯片

图 4 原始时间序列

Figure 4. Original time series

下载: 全尺寸图片幻灯片

图 5 原始时间序列ACF图

Figure 5. ACF plot of the original time series

下载: 全尺寸图片幻灯片

图 6 原始时间序列偏ACF图

Figure 6. Partial ACF plot of the original time series

下载: 全尺寸图片幻灯片

图 7 2阶差分序列

Figure 7. Second-order difference sequence

下载: 全尺寸图片幻灯片

图 8 2阶差分序列ACF图

Figure 8. ACF plot of the second-order difference sequence

下载: 全尺寸图片幻灯片

图 9 2阶差分序列PACF图

Figure 9. PACF plot of the second-order difference sequence

下载: 全尺寸图片幻灯片

图 10 白噪声检验图

Figure 10. White noise test plot

下载: 全尺寸图片幻灯片

图 11 ARIMA拟合效果

Figure 11. ARIMA fitting results

下载: 全尺寸图片幻灯片

图 12 两种模型的预测效果趋势

Figure 12. Trend of prediction effects of the two models

下载: 全尺寸图片幻灯片

图 13 2024—2030年云南省孕产妇死亡率预测值（1/10万）

Figure 13. Predicted maternal mortality rate in Yunnan province in 2024—2030 （1/100000）

下载: 全尺寸图片幻灯片

表 1 两种模型预测结果Tbl.1 Prediction results of the two models

年份	GM（1，1）偏差率（%）	平均偏差值（%）	ARIMA （1，2，1）偏差率（%）	平均偏差值（%）
1994	/	4.15	/	6.01
1995	−2.14		/
1996	−0.84		−12.81
1997	8.19		−0.45
1998	1.93		−9.79
1999	−2.94		−9.39
2000	0.30		6.38
2001	−8.37		−3.99
2002	−5.18		4.73
2003	−2.47		8.62
2004	0.03		3.59
2005	3.82		3.18
2006	9.84		4.71
2007	1.05		−11.31
2008	4.47		0.13
2009	0.61		−0.26
2010	0.00		−0.53
2011	0.77		3.16
2012	−2.90		−2.29
2013	−1.41		1.97
2014	−3.49		0.11
2015	0.29		4.02
2016	2.01		2.71
2017	0.29		−3.5
2018	0.27		−1.57
2019	−1.58		−1.58
2020	−2.20		−0.45
2021	−1.41		1.8
2022	0.15		2.12
2023	−1.34		−1.93

下载: 导出CSV

表 2 两种模型的指标数据值比较

Table 2. Comparison of indicator data values between the two models

模型	指标数据值比较
模型	MAE	MSE	RMSE
GM（1，1）	2.4238	12.39	3.52
ARIMA	3.9659	27.65	5.25
MAE，平均绝对误差；MSE，均方误差；RMSE，均方根误差。

下载: 导出CSV

参考文献(23)

[1]	尹小兰,何芯芯,杜林,等. RNN、JPR及ARIMA 3种模型预测中国农村孕产妇死亡率的比较[J]. 中华疾病控制杂志,2023,27(11):1308-1313.
[2]	Organization W H . Health in 2015: From MDGs to SDGs[J]. 2015.
[3]	国务院. 国务院关于印发中国妇女发展纲要和中国儿童发展纲要的通知[EB/OL]. (2021-09-08)[2024-06-26] -https://www.gov.cn/gongbao/content/2021/content_5643262.htm
[4]	云南省人民政府. 《云南妇女发展规划(2021—2030年)》[EB/OL](2022-05-31)[2024-06-26] https://www.ynzx.gov.cn/gwfb/264869.jhtml
[5]	王嫚,杨伟康. 基于ARIMA模型与GM(1,1)模型的深圳市5岁以下儿童死亡率的预测研究[J]. 现代预防医学,2024,51(3):466-470+506.
[6]	刘洁,高茵茵,曲波,等. 应用ARIMA模型预测我国孕产妇死亡率[J]. 中国医科大学学报,2011,40(02):107-108+121.
[7]	庞艳蕾. 孕产妇、婴儿及5岁以下儿童死亡率分析与预测[D]. 潍坊: 潍坊医学院,2016.
[8]	邵升清,夏桂梅. ARIMA模型与GM(1,1)模型在传染病发病率中的预测效果比较[J]. 宁夏师范学院学报,2021,42(7):13-18.
[9]	Yan J M,Li Y B,Zhou P Y. Impact of COVID-19 pandemicon the epidemiology of STDs in China: Based on the GM(1,1) model[J]. BMC Infect Dis,2022,22(1):519. doi: 10.1186/s12879-022-07496-y
[10]	Zeng B,Yang Y J,Gou X. Research on physical health early warning based on GM(1,1)[J]. Comput Biol Med,2022,143(1):105256.
[11]	Cheng T,Bai Y,Sun X,et al. Epidemiological analysis of varicella in Dalian from 2009 to 2019 and application of three kinds of model in prediction prevalence of varicella[J]. BMC Public Health,2022,22(1):678. doi: 10.1186/s12889-022-12898-3
[12]	张悦,郭海强. 1991—2017年我国妇幼保健主要统计指标趋势分析[J]. 中国卫生统计,2019,36(5):642-643.
[13]	联合国可持续发展峰会. 变革我们的世界: 2030年可持续发展议程: [EB/OL] (2015-09-27) [2024-06-28] https://www.un.org/zh/conferences/environment/newyork2015
[14]	世界卫生组织. 2000年至2020年孕产妇死亡率趋势: 世界卫生组织、儿童基金会、人口基金、世界银行集团和经社部/人口司的估计数[EB/OL] : (2023-02-23) [2024-6-28]. https://www.who.int/publications/i/item/9789240068759
[15]	刘昶荣. 我国妇幼健康核心指标达到历史最好水平[N]. 中国青年报,2022-08-23(004).
[16]	Samuel,O,Zewotir,T,North,D. Decomposing the urban-rural inequalities in the utilisation of maternal health care services: Evidence from 27 selected countries in Sub-Saharan Africa. Reprod Health. 2021; 18 (1): 216.
[17]	陈敦金,贺芳. 中国孕产妇死亡率极大程度降低——对世界的最大贡献[J]. 中国实用妇科与产科杂志,2019,35(10):1076-1080.
[18]	苏燕燕,神艳,聂雷,等. 1991—2021年我国孕产妇死亡率变化情况分析[J]. 中国初级卫生保健,2024,38(1):54-58. doi: 10.3969/j.issn.1001-568X.2024.01.0015
[19]	王震坤,王子伟,沈霞,等. 1992—2017年中国孕产妇死亡趋势及年龄—时期—队列模型分析[J]. 中华预防医学杂志,2021,55(6):742-746. doi: 10.3760/cma.j.cn112150-20210127-00083
[20]	黄翠敏,吴桂花,粘惠瑜,等. 海南省2003—2022年孕产妇死亡率变化趋势及预测分析[J]. 中国热带学,2023,23(11):1164-1168+,1179.
[21]	谭晓萍. 云南省实现联合国可持续发展目标中的妇幼保健和生殖健康相关目标研究[D]. 昆明: 昆明医科大学,2019.
[22]	张亚慧,张荣,贾素红,等. 灰色预测模型GM(1,1)和残差自回归模型在中国孕产妇死亡率预测中的应用[J]. 中国妇幼保健,2023,38(10):1747-1752.
[23]	张彬,张龙秀,王瑞,等. 基于ARIMA和GM(1,1)模型的我国农村MMR、IMR、NMR及U5MR趋势预测[J]. 中国医药科学,2023,13(14):7-10+15.

相关文章(20)

[1]	徐文秀, 莫小凤, 杨祥民, 杨丝露, 吴凡, 李特. Logistic回归与决策树模型在碘造影剂不良反应预测中的应用, 昆明医科大学学报. 2024, 45(9): 70-75. doi: 10.12259/j.issn.2095-610X.S20240911
[2]	刘春艳, 常炳庆, 李超, 任欣, 刘小琴. T淋巴细胞亚群与急性髓系白血病病理特征的关系及预测化疗预后的价值分析, 昆明医科大学学报. 2024, 45(5): 116-122. doi: 10.12259/j.issn.2095-610X.S20240518
[3]	闫兰竹, 乔顺义, 张艳丽, 赵二强, 杨虎, 林静, 付海艳. 免疫球蛋白在肝癌TACE治疗过程中的变化及预测疗效的价值, 昆明医科大学学报. 2024, 45(4): 128-134. doi: 10.12259/j.issn.2095-610X.S20240418
[4]	杨晓玲, 刘臻, 王煜, 王晶. sFlt-1、SDC4、sST2对紫癜性肾炎患儿疗效的预测价值, 昆明医科大学学报. 2024, 45(12): 1-6.
[5]	杨晓巍, 汪燕, 曾沥琼, 江雪莲. 重度子痫前期患者妊娠末期24-hUP、HCT-ALB、BNP联合预测产后高血压的效能分析, 昆明医科大学学报. 2024, 46(): 1-7.
[6]	字正梅, 郝丽, 王南, 陈国兵. 联合预测模型对急性A型主动脉夹层破裂的诊断价值, 昆明医科大学学报. 2023, 44(1): 35-40. doi: 10.12259/j.issn.2095-610X.S20230128
[7]	樊浩, 刘幸, 张乐, 李畏娴, 吴雪娇, 韩祎, 姚晓蝶. 决策树及Logistic回归模型在活动性肺结核预测中的应用, 昆明医科大学学报. 2023, 44(9): 25-31. doi: 10.12259/j.issn.2095-610X.S20230916
[8]	蔡丽, 杨华英, 程建红, 曹佳, 魏娜. 小儿消化性溃疡治疗期间血清6-Keto-PGF1α、TGF-α、TXB2水平变化及对预后的影响, 昆明医科大学学报. 2023, 44(9): 136-142. doi: 10.12259/j.issn.2095-610X.S20230928
[9]	郑倩文, 马晓燕, 刘继红, 郭珊珊, 知诗卓玛. 子宫宫颈角与子宫颈长度的早产预测分析, 昆明医科大学学报. 2023, 44(5): 132-137. doi: 10.12259/j.issn.2095-610X.S20230515
[10]	李桂军, 文鹏, 黄丽霞, 向恋. 不同数学模型多b值DWI在预测子宫内膜癌淋巴血管侵犯中的能力, 昆明医科大学学报. 2022, 43(4): 118-124. doi: 10.12259/j.issn.2095-610X.S20220411
[11]	樊浩, 刘幸, 沈凌筠, 李海雯, 余春红, 李婧炜. 基于AAT与细胞因子构建活动性肺结核的Nomogram预测模型, 昆明医科大学学报. 2022, 43(8): 106-112. doi: 10.12259/j.issn.2095-610X.S20220816
[12]	张桂梅, 陈蜀, 宋云华, 吴阳, 周虹媛. AECOPD患者再入院危险因素分析及预测模型的构建, 昆明医科大学学报. 2022, 43(8): 184-190. doi: 10.12259/j.issn.2095-610X.S20220830
[13]	贾吉, 陶四明. 基于血浆渗透压建立急性ST段抬高型心肌梗死重症患者发生院内死亡风险预测模型, 昆明医科大学学报. 2022, 43(12): 58-65. doi: 10.12259/j.issn.2095-610X.S20221212
[14]	蒋恩琰, 杨博伟, 刘建和. 基于24 h尿液代谢构建列线图模型预测高危泌尿系结石的复发, 昆明医科大学学报. 2020, 41(08): 100-104.
[15]	伏添, 王彩凤, 张谞丰, 党少农. SAP患者早期肠内营养过程FI的预测评估, 昆明医科大学学报. 2019, 40(12): 108-113.
[16]	许静. 宫颈长度测量对先兆早产孕妇分娩时间的预测分析, 昆明医科大学学报. 2015, 36(09): -1.
[17]	艾毅钦. Smac蛋白表达水平对预测直肠癌术前放化疗敏感性的临床意义, 昆明医科大学学报. 2015, 36(06): -1.
[18]	艾毅钦. Caspase-9蛋白表达水平对预测直肠癌术前放化疗敏感性的临床意义, 昆明医科大学学报. 2014, 35(10): -1.
[19]	胡万芹. 血清Th1/Th2细胞因子联合β-HCG预测先兆流产结局的价值, 昆明医科大学学报. 2012, 33(06): -.
[20]	万蓉. ARIMA乘积季节模型在食源性疾病月发病率预测中的应用, 昆明医科大学学报. 2012, 33(06): -.