背景：对于儿童肺炎,气候气象指标和空气污染数据在研究呼吸道病毒感染和传播方面具有一定基础。目前已知大多数呼吸道病毒在不同程度上具有一定的季节性趋势,这是所处气候条件所带来的影响结果。在对于肺炎的疾病进展方面,尚未了解气候和空气污染因素对于肺炎的发展贡献。方法：我们在重庆医科大学附属儿童医院开展了一项前瞻性的观察研究,以招募呼吸道感染的肺炎儿童。目前本项课题所涵盖的数据内容均为重庆2009-2018年间的肺炎患儿信息。我们对入组患者进行8种常见的呼吸道病毒(分别是呼吸道合胞病毒:Respiratory syncytial virus,RSV,腺病毒:Human adenovirus,HAd V,流感病毒:Influenza virus,Flu,博卡病毒:Human Bocavirus,HBo V,副流感病毒:Parainfluenza virus,PIV,人偏肺病毒:Human Metapneum virus,HMPV,人冠状病毒:Human coronavirus,HCo V,和人鼻病毒:Human rhinovirus,HRV检测。采用自回归分布滞后（ADL）模型预测呼吸道病毒检出率,并在人群水平上估计气象和空气污染预测因子对病毒感染的影响。应用随机森林（RF）算法的机器学习方法,通过宿主相关因素、病毒感染状况、气候数据和空气污染指标对重症肺炎患者个体进行预测,预测个体发生重症肺炎的可能性,以此识别重症肺炎的影响因素。结果：2009-2018年,共有6611例肺炎患儿纳入研究,其中重症肺炎990例（15%）,死亡3例。每年的肺炎患者人数在538至861人之间略有波动。男童4316例（65.3%）,年龄分布的中位数为0.75岁,1岁以下儿童占59.6%,早产儿占9.27%,入院延迟的中位数为10天,有4519（68.4%）的患儿入院前使用抗生素。其中有4846（73.3%）例患者的病毒感染检测结果（至少一项）为阳性。自回归分布滞后（ADL）模型对RSV、HRV、PIV和HMPV的月检出率有较好的拟合效果（R2>0.7）。随机森林（RF）模型在预测肺炎重症程度方面,单独利用病原学检测结果的数据预测重症肺炎时,模型的AUC值0.62（95%CI:0.60?0.63）,单独利用气候和空气污染数据预测重症肺炎时,模型的AUC值0.86（95%CI:0.85?0.88）,单独利用宿主人口学基础数据预测重症肺炎时,模型的AUC值0.88（95%CI:0.87?0.89）。当使用全部数据来预测重症肺炎时,模型的AUC的效果达到了0.95（95%CI:0.94?0.95）。RF模型显示,发病前一周的气候数据和空气污染指标是患儿发展为重症肺炎的重要因素,占模型总变量贡献度的62.53%,其次是患儿基本的相关因素,其贡献度为30.10%,二者均显著高于呼吸道病毒感染的贡献度7.36%。结论：气象和空气污染预测因子对儿童重症肺炎的影响大于呼吸道病毒。这些气象数据可能有助于预测儿童患重症肺炎的风险增加的时间,从而提示有必要采取诸如口罩等干预措施。