Nhiệt độ môi trường tăng lên tác động trực tiếp đến sức khỏe. Đợt sóng nhiệt vào năm 2003 tại Châu Âu đã gây ra 70.000 trường hợp tử vong đặc biệt là bệnh tim mạch và hô hấp 6. Nhiệt độ tăng có khả năng gây ra các stress nhiệt làm tăng số ca tử vong ngắn hạn do đột quỵ do nhiệt 4. Các khu vực thành thị hóa hoàn toàn sẽ chịu tác động có hại nhiều hơn so với các khu vực nông thôn. Dân số thành thị vì vậy cũng đặc biệt dễ tổn thương hơn đối với BĐKH 5, đặc biệt là những người đã mắc các bệnh hô hấp và tim mạch trước đó. Một nghiên cứu tại Vùng Vịnh lập mô hình BĐKH tiên đoán số ca tử vong do tim mạch và bệnh hô hấp, bệnh lây truyền qua vector sẽ gia tăng trong giai đoạn 20702099 2. Đợt sóng nhiệt tại California cho thấy số nhập viện do tim mạch và các bệnh khác tăng rõ rệt 3. Bên cạnh đó dân số thành thị tại các nước đang phát triển gia tăng từ 2,3 tỷ năm 2005 lên đến 4 tỷ năm 2030 sẽ tạo ra các đô thị với tình trạng nghèo đói và chật chội. Điều này sẽ càng làm tăng nguy cơ gây ra sóng nhiệt và đột quị do nhiệt tại các thành phố của các quốc gia đang phát triển như là kết quả của hiệu ứng đảo nhiệt.
Trang 1MỤC LỤC
Trang
DANH SÁCH CÁC CHỮ VIẾTTẮT iii
DANH SÁCH BẢNG iv
CHƯƠNG I TỔNG QUAN TÀI LIỆU 1
1.1 Tổng quan về biến đổi khí hậu 1
1.2 Tổng quan về huyện Cần Giờ 10
1.3 Thực trạng biến đổi khí hậu tại huyện Cần Giờ 15
CHƯƠNG 2 NỘI DUNG NGHIÊN CỨU 18
1 Khu vực nghiên cứu 18
2 Thu thập dữ liệu 19
3 Phân tích dữ liệu 19
CHƯƠNG 3 KẾT QUẢ 23
1 Số ca mắc SXH và các biến số môi trường 23
2 Sự biến thiên của các ca tả theo thời gian 36
3 Sự biến thiên của các ca thương hàn theo thời gian 38
4 Sự biến thiên của các ca lỵ theo thời gian 39
5 Sự biến thiên của các ca lỵ amip theo thời gian 40
6 Sự biến thiên của các ca tiêu chảy theo thời gian 41
7 Sự biến thiên của các ca sốt rét theo thời gian 54
8 Sự biến thiên của các ca sởi theo thời gian 55
9 Sự biến thiên của các ca rubella theo thời gian 56
10 Sự biến thiên của các ca cúm theo thời gian 57
11 Sự biến thiên của các ca cúm A theo thời gian 58
12 Sự biến thiên của các ca tay chân miệng theo thời gian 59
13 Sự biến thiên của các ca đột quỵ theo thời gian 60
CHƯƠNG 4 BÀN LUẬN 66
4 1 Sốt xuất huyết Dengue và biến đổi khí hậu tại Cần Giờ 66
4 2 Số ca tiêu chảy và biến đổi khí hậu tại Cần Giờ 70
4 3 Bệnh tim mạch và biến đổi khí hậu tại Cần Giờ 72
4 4 Bệnh hô hấp và biến đổi khí hậu tại Cần Giờ 73
Trang 2CHƯƠNG 5 KẾT LUẬN VÀ ĐỀ NGHỊ 75 TÀI LIỆU THAM KHẢO 76
Trang 3DANH SÁCH CÁC CHỮ VIẾTTẮT
ADB Ngân Hàng Phát Triển Á Châu
TNMT Tài nguyên môi trường
BTNMT Bộ Tài Nguyên Môi Trường OECD Organization for Economic
Co-operation and Development IPCC Intergovernmental Panel on
Climate Change ENSO El Niño-Southern Oscillation
Trang 4DANH SÁCH BẢNG
1.1 Một số ví dụ về tác động của biến đổi khí hậu 4 1.2 Các ngành và đối tượng chịu tác động của biến đổi khí hậu
phân loại theo vùng địa lý
5
1.3 Xu thế lượng mưa giai đoạn 1978 – 2007 (mm) 10 1.4 Lụt lội trong năm 2009 và dự tính trong năm 2050 (dưới ảnh
hưởng của BĐKH) – ADB (2010)
12
1.5 Quy trình lập kế hoạch ứng phó với biến đổi khí hậu 17 1.6 Quy trình đánh giá tác động của biến đổi khí hậu 18 1.7 Các loại phạm vi không gian trong đánh giá tác động biến
đổi khí hậu
22
1.8 Các thông tin, số liệu cần thu thập cho đánh giá tác động của
biến đổi khí hậu
24 2.1 Danh sách các đối tượng tham gia nghiên cứu 31
Trang 5CHƯƠNG I TỔNG QUAN TÀI LIỆU
1.1 Tác động của biến đổi khí hậu lên bệnh tim mạch
Nhiệt độ môi trường tăng lên tác động trực tiếp đến sức khỏe Đợt sóng nhiệt vào năm 2003 tại Châu Âu đã gây ra 70.000 trường hợp tử vong đặc biệt là bệnh tim mạch và
hô hấp [6] Nhiệt độ tăng có khả năng gây ra các stress nhiệt làm tăng số ca tử vong ngắn hạn do đột quỵ do nhiệt [4] Các khu vực thành thị hóa hoàn toàn sẽ chịu tác động có hại nhiều hơn so với các khu vực nông thôn Dân số thành thị vì vậy cũng đặc biệt dễ tổn thương hơn đối với BĐKH [5], đặc biệt là những người đã mắc các bệnh hô hấp và tim mạch trước đó Một nghiên cứu tại Vùng Vịnh lập mô hình BĐKH tiên đoán số ca tử vong do tim mạch và bệnh hô hấp, bệnh lây truyền qua vector sẽ gia tăng trong giai đoạn 2070-2099 [2] Đợt sóng nhiệt tại California cho thấy số nhập viện do tim mạch và các bệnh khác tăng rõ rệt [3] Bên cạnh đó dân số thành thị tại các nước đang phát triển gia tăng từ 2,3 tỷ năm 2005 lên đến 4 tỷ năm 2030 sẽ tạo ra các đô thị với tình trạng nghèo đói và chật chội Điều này sẽ càng làm tăng nguy cơ gây ra sóng nhiệt và đột quị do nhiệt tại các thành phố của các quốc gia đang phát triển như là kết quả của hiệu ứng đảo nhiệt
1.2 Các nghiên cứu về tác động biến đổi khí hậu lên bệnh tim mạch
Trang 6
CHƯƠNG 2 NỘI DUNG NGHIÊN CỨU
1 Khu vực nghiên cứu
Cần Giờ là một trong 5 huyện ngoại thành của thành phố Hồ Chí Minh, nằm về hướng Đông Nam, cách trung tâm thành phố khoảng 50 Km theo đường chim bay, có hơn 20 Km bờ biển chạy dài theo hướng Tây Nam – Đông Bắc, có các cửa sông lớn của các con sông Lòng Tàu, Cái Mép, Gò Gia, Thị Vải, Soài Rạp, Đồng Tranh
Khí hậu Cần Giờ có hai mùa rõ rệt, mùa mưa từ tháng 5 đến tháng 10, mùa khô từ tháng 11 đến tháng 4 năm sau Số giờ nắng trung bình đạt 5 – 9 giờ/ngày Các tháng mùa khô đều đạt trên 240 giờ/tháng; cao nhất là tháng 3 đạt 276 giờ Các tháng mùa mưa đạt
170 giờ/tháng; tháng thấp nhất là tháng 9 đtạ 169 giờ/tháng Nhiệt độ trung bình năm: 27,330C, nhiệt độ thấp nhất là tháng 12: 260C, nhiệt độ cao nhất là tháng 5: 290C Từ tháng 6 trở đi nhiệt độ giảm theo mùa mưa Trong ngày nhiệt độ thấp nhất xảy ra vào lúc sáng sớm (5 – 6 giờ sáng), cao nhất xảy ra lúc trưa (13 – 15 giờ chiều)
Độ ẩm cao hơn các tháng khác trong thành phố từ 4% – 8% Trong mùa mưa độ
ẩm từ 79 – 83%; mùa khô độ ẩm từ 74 – 77% Độ ẩm cao tuyệt đối đạt đến 100%, thấp nhất là 40% Lượng bốc hơi 4mm/ngày và 120,4 mm/tháng, cao nhất là tháng 6 (173,2 mm) và thấp nhất là tháng 9 (83,4mm) Vùng Cần Giờ có lượng mưa thấp nhất thành phố
Hồ Chí Minh, trung bình từ 1300 – 1400 mm/năm, có khuynh hướng giảm dần từ Bắc xuống Nam, mũi Nhà Bè 1744 mm/năm, Tam Thôn Hiệp 1504 mm/năm Số ngày mưa không quá 160 ngày/năm, tập trung vào tháng 6 và tháng 9 Mưa thường xảy ra vào buổi chiều từ 14 giờ đến 17 giờ
Huyện Cần Giờ nằm trong vùng bán nhật triều không đều (2 lần nước lớn và 2 lần nước ròng trong ngày) Biên độ triều khoảng 2m khi triều trung bình và 4m khi triều cường Theo quan sát, hai đỉnh triều thường bằng nhau nhưng hai chân triều lệch nhau rất xa Biên độ triều cực đại từ 4,0 – 4,2m vào loại cao nhất Việt Nam, có xu hướng giảm dần từ phía Nam lên phía Bắc vì phía Nam tiếp giáp với biển Đông Thời gian có biên độ triều lớn nhất từ tháng 9 đến tháng 1 với biên độ từ 3,6 – 4,1m ở phía Nam và từ 2,8 –
Trang 73,3m ở phía Bắc Các tháng có đỉnh triều cực đại là 10 và 11, thấp nhất là tháng 4 và tháng 5 Chế độ thủy triều của huyện Cần Giờ phụ thuộc nhiều vào dòng chảy của sông Sài Gòn và Đồng Nai Sau khi các công trình thủy điện Trị An, Thác Mơ, Dầu Tiếng… được xây dựng thì chế độ dòng chảy tự nhiên của sông thay đổi thủy triều ở Cần Giờ, dẫn đến các đỉnh triều phụ thứ 2 xuất hiện vào tháng 7,8 là thời kỳ các công trình trữ nước vào hồ Theo âm lịch vào các ngày 29, 30, 1, 2, 3 và các ngày 14, 15, 16, 17, 18 mỗi ngày có 2 con nước lớn ngập toàn bộ huyện Cần Giờ khi triều cường, 2 ngày triều thấp nhất là ngày 8 và 25 âm lịch
2 Thu thập dữ liệu
2.1 Dữ liệu về số ca mắc bệnh truyền nhiễm
Số ca mắc và tử vong hàng tháng tại Cần Giờ từ năm 2000-2014 của các bệnh tả, thương hàn, lỵ, lỵ amip, tiêu chảy, sốt xuất huyết, sốt rét, rubella, cúm, cúm A, và tay chân miệng được thu thập từ số liệu báo cáo hàng tháng của Trung tâm Y tế dự phòng thành phố Hồ Chí Minh Số ca mắc và tử vong hàng tháng được Trung tâm Y tế dự phòng thành phố Hồ Chí Minh thu thập từ các trạm y tế xã, và các bệnh viện trong thành phố thành phố Hồ Chí Minh Để tránh tình trạng lệch số liệu, số ca bệnh được chuyển đổi thành dạng Ln
2.2 Dữ liệu về số ca mắc bệnh không lây
Bệnh không lây được thu thập bao gồm bệnh COPD và bệnh đột quỵ Số liệu được thu thập từ báo cáo hàng quý của Sở Y tế thành phố Hồ Chí Minh Số liệu bao gồm số ca mắc và số ca tử vong của COPD và đột quỵ
2.3 Dữ liệu về các yếu tố môi trường
Nhiệt độ tối đa, tối thiểu, lượng mưa trung bình, độ ẩm trung bình, mực nước tối đa được thu thập từ các trạm quan trắc môi trường tại Phú An và Nhà Bè
3 Phân tích dữ liệu
3.1 Thiết lập mô hình tiên đoán cho số ca mắc
Sử dụng phương pháp Box-Jenkins để lập mô hình ARIMA cho số ca mắc các bệnh truyền nhiễm Phương pháp này bao gồm bốn bước:
Trang 8 Bước thứ nhất: kiểm tra sự phân tán của số liệu ca mắc bệnh truyền nhiễm bằng biểu
đồ hộp mô tả số trung vị của các ca bệnh theo tháng Nếu số liệu có sự phân tán mạnh cần phải chuyển đổi số liệu sang dạng ln để loại trừ sự phân tán số liệu
Bước thứ hai: xác định bậc cho tham số tự hồi quy (AR) không theo mùa và theo mùa (p và P) và tham số trung bình tịnh tiến (MA) không theo mùa và theo mùa (q và Q),
và xác định có cần phải tính hiệu số không theo mùa và theo mùa hay không (d và D) Các công cụ sau được sử dụng để xác định tham số cho mô hình: 1) Đồ thị số ca bệnh truyền nhiễm trong giai đoạn 2000-2014 dùng để xác định tính khuynh hướng của mô hình Nếu đồ thị không thể hiện rõ xu hướng, áp dụng kỹ thuật làm mềm 5 lag để phát hiện xu hướng rõ hơn Ngoài ra phương trình hồi quy tuyến tính đơn biến giữa số ca mắc bệnh truyền nhiễm và thời gian cũng được thiết lập để xác định số ca mắc bệnh truyền nhiễm có xu hướng tương quan tuyến tính theo thời gian hay không; 2) Đồ thị chu kỳ số ca mắc bệnh truyền nhiễm theo tháng dùng để mô tả tính theo mùa của dữ liệu 3) Yếu tố hiệu chỉnh theo mùa (SAF) được sử dụng để xác định đỉnh biến thiên theo mùa; 4) Tính hàm tương quan nội tại (ACF) và hàm tương quan nội tại từng phần (PACF) để xác định cấu trúc phụ thuộc thời gian của số ca SXH đã chuyển đổi (nếu có); 3) Sử dụng phép kiểm AIC (Akaike Information Criterion) để xác định độ tương hợp của mô hình; 4) phép kiểm Ljung-Box dùng để đo lường ACF của hệ số dư mô hình và 5) Xác định ý nghĩa thống kê của tham số (khác 0) (giá trị t phải > |2|)
Bước thứ ba là ước lượng tham số của mô hình ARIMA bằng likelihood tối đa
Bước bốn là so sánh giá trị tính được từ mô hình và giá trị quan sát để kiểm tra mức
độ phù hợp của mô hình
Mô hình sau khi thiết lập được sử dụng để tiên đoán số mắc bệnh truyền nhiễm cho năm 2015 Có hai phương pháp được sử dụng để ước tính các giá trị tiên đoán cho năm
2015 Phương pháp thứ nhất sử dụng mô hình ARIMA đã được thiết lập để tiên đoán cho
12 tháng tiếp theo, tức 12 quan sát ngoài mẫu của năm 2015 Phương pháp này có thể sử dụng cho giám sát bệnh truyền nhiễm Tuy nhiên phương pháp này không phản ánh được bản chất luôn thay đổi của giám sát Phương pháp thứ hai sử dụng mô hình ARIMA để tiên đoán cho 1 tháng tiếp theo, tức tháng 1 năm 2015 Sau đó Khi dữ liệu thực tế của
Trang 9tháng 1 năm 2015 được thu thập, chúng tôi cập nhật dữ liệu đến tháng 1 năm 2015 và sau
đó ước lượng lại các tham số của mô hình ARIMA và lại tiên đoán 1 tháng tiếp theo tức tháng 2 năm 2015 Quy trình này sẽ tiếp tục cho đến cuối tháng 12 năm 2015
Chúng tôi đánh giá năng lực tiên đoán ngoài mẫu của cả hai phương pháp bằng cách tính căn bậc hai của sai số bình phương trung bình (RSME), là giá trị dùng để đo lường hiệu số giữa giá trị tính được từ mô hình và giá trị thực tế quan sát được Nếu RSME thấp chứng tỏ phương pháp có năng lực tiên đoán cao Ngoài ra, chúng tôi cũng sử dụng phép kiểm Wilcoxon signed-ranks để ước lượng hiệu số sai số giữa hai phương pháp này Phép kiểm này đánh giá nếu trung vị của phân phối hiệu số của hai sai số (tức giá trị
mô hình trừ giá trị quan sát) của hai phương pháp có ý nghĩa thống kê khác không ở mức
ý nghĩa 0,05 hay không
3.2 Thiết lập tương quan giữa các biến môi trường và số ca mắc
Để lựa chọn các biến môi trường đưa vào mô hình ARIMA đa biến, chúng tôi tính hệ
số tương quan Pearson giữa số ca mắc bệnh truyền nhiễm và các biến môi trường sau khi
áp dụng phương pháp “lọc sai số” của các dữ liệu Trước khi sử dụng những biến này vào mô hình cuối cùng, tính không ổn định được kiểm tra bởi vì các đặc tính thống kê của time series theo dịch tễ học thường thay đổi theo thời gian và có thể dẫn đến các vấn
đề hồi quy sai lệch Chúng tôi kiểm tra độ ổn định của dữ liệu bằng phép kiểm Dickey-Fuller và phép kiểm Phillips–Perron Tiếp theo, chúng tôi loại bỏ thành phần xu hướng
và khuynh hướng của các dữ liệu sử dụng mô hình ARIMA và lập lại các bước đã nêu trên Bước tiếp theo là tính hệ số dư cho mô hình ARIMA của số ca mắc bệnh truyền nhiễm và các yếu tố môi trường Chúng tôi tính hệ số tương quan giữa hai hệ số dư của
số ca mắc bệnh truyền nhiễm và từng yếu tố môi trường trong vòng một số lag Nếu có lag của biến giải thích có tương quan đáng kể với biến phụ thuộc sẽ dẫn đến đồng tuyến tính có ý nghĩa thống kê Do đó, chúng tôi tạo nên các biến giải thích mới sử dụng giá trị trung bình của hai lag với hệ số hồi quy có ý nghĩa cao nhất Biến môi trường được phát hiện có mối tương quan với số ca mắc bệnh truyền nhiễm khi chạy phân tích này sẽ được đưa vào mô hình đa biến ARIMA Chúng tôi chạy mô hình ARIMA có biến môi trường
từ năm 2000-2014 và sau đó sử dụng mô hình đã lựa chọn để tiên đoán số ca mắc năm
Trang 102015 theo hai phương pháp Để đo lường năng lực dự đoán của mô hình sử dụng RSME.
Để kiểm tra độ ý nghĩa giữa hiệu số sai số của hai phương pháp sử dụng phép kiểm Wilcoxon signed-rank
Đối với bệnh không lây, hệ số tương quan Spearman được sử dụng để đo lường mối tương quan đơn biến giữa số ca đột quỵ/COPD và các biến khí hậu Hệ số tương quan Pearson giữa các biến khí hậu được sử dụng để diễn giải nếu số ca mắc đột quỵ/COPD
có tương quan với từ 2 biến khí hậu trở lên Mô hình không tuyến tính phân bố theo lag (DLNM) được sử dụng để ước lượng mối kết hợp giữa số ca mắc đột quỵ/COPD và các lag của biến khí hậu, hiệu chỉnh theo xu hướng thời gian sử dụng phương pháp lấy spline bậc ba, ngày trong tuần và ngày nghỉ trong năm Để loại trừ các kết hợp trễ, chúng tôi kiểm tra tác động của thời tiết lên đến 30 ngày trước ghi bệnh nhân nhập viện Để tính được các ước lượng đường cong nóng và lạnh, DLNM được sử dụng với mối quan hệ liều lượng đáp ứng tuyến tính theo mảng dạng V hoặc u Mối quan hệ này bao gồm xác định một hoặc hai ngưỡng nhiệt độ và sau đó ước tính sự thay đổi của log linear trong nguy cơ nhập viện trên/dưới ngưỡng nóng/lạnh
Phần mềm thống kê Stata 12 được sử dụng trong phân tích dữ liệu
Trang 11CHƯƠNG 3 KẾT QUẢ
1 Sự biến thiên của các ca đột quỵ theo thời gian
quy
m_dotquy_6q
Hình 2 Số ca đột quỵ theo quý trong giai đoạn 2006-2014
Đồ thị cho thấy các ca đột quỵ có xu hướng tăng đỉnh vào quý 4 hằng năm Đặc biệt trong năm 2008 số ca đột quỵ tăng vào các quý đầu năm (quý 1 và quý 2) sau đó lại giảm vào quý 3 và quý 4
7
Trang 12Poisson regression Number of obs = 36 Wald chi2(1) = 4.83 Prob > chi2 = 0.0280 Log pseudolikelihood = -20343.183 Pseudo R2 = 0.0496
| Robust
m_dotquy_6q | Coef Std Err z P>|z| [95% Conf Interval] tmax_quy | -.1792474 .0815584 -2.20 0.028 -.339099 -.0193959 _cons | 13.96221 2.683565 5.20 0.000 8.702522 19.2219
-Mô hình hồi quy Poisson đơn biến được sử dụng để tiên đoán số ca đột quỵ của 6 quận huyện và nhiệt độ tối đa Giá trị hồi quy có ý nghĩa thống kê được tính trong phân tích này (chi(1) = 4,83; p=0,028) với R2 = 4,96 Số ca đột quỵ được dự đoán bằng phương trình 13,96 – 0,18(nhiệt độ tối đa) trong đó nhiệt độ tối đa được đo bằng (0C) Số
ca đột quỵ sẽ giảm 0,18 ca nếu nhiệt độ tăng lên 1 0C Nhiệt độ tối đa có mối tương quan
có ý nghĩa thống kê dự đoán số ca đột quỵ (p=0,03)
Poisson regression Number of obs = 36
Wald chi2(1) = 19.94
Prob > chi2 = 0.0000
Log pseudolikelihood = -14337.143 Pseudo R2 = 0.3302
| Robust
m_dotquy_6q | Coef Std Err z P>|z| [95% Conf Interval]
amtb_quy | .0894085 .0200208 4.47 0.000 0501685 .1286484
_cons | 1.16163 1.497586 0.78 0.438 -1.773585 4.096845
-8