張維寧 孫媛媛 申喜鳳 李美婷 南嘉樂 高東平
中國醫(yī)學科學院 北京協(xié)和醫(yī)學院醫(yī)學信息研究所,北京 100020
隨著經(jīng)濟發(fā)展和城市化進程的加快,大氣污染隨著工業(yè)化發(fā)展而愈加嚴重,大氣污染物已造成全球每年約9 百萬人過早死亡[1]。在眾多的大氣污染物中,細顆粒物(particulate matter 2.5,PM2.5)是危害人體健康的主要污染物之一。《全球疾病負擔報告》顯示,接觸室外PM2.5是世界第五大死亡風險因素,造成每年420 萬人死亡,1.03 億殘疾[2]。由于PM2.5易于富集空氣中的有毒有害物質(zhì),并隨呼吸進入肺泡深部,影響多種呼吸系統(tǒng)疾病[3],短期暴露于PM2.5對居民的呼吸系統(tǒng)是有害的[4],可能導致呼吸系統(tǒng)門急診量及疾病發(fā)病風險增加[5-6]。隨著氣候變暖及極端天氣事件的頻發(fā),氣象因素對居民健康的影響也愈受關(guān)注。WHO 預計,在2030—2050 年,氣候變化將每年造成約25 萬人額外死亡[7]。有研究顯示,極端寒冷和高溫都會增加人群的死亡風險[8],且極端低溫對人群呼吸系統(tǒng)疾病發(fā)病住院有顯著影響[9]。為了綜合考慮健康效應的影響因素,本研究從大氣污染物和氣象條件兩個方面對居民呼吸系統(tǒng)疾病死亡情況進行研究。
本研究利用2014—2018 年我國某地區(qū)居民呼吸系統(tǒng)疾病死亡數(shù)據(jù)及同期當?shù)卮髿馕廴疚锖蜌庀髷?shù)據(jù),對居民呼吸系統(tǒng)疾病死亡數(shù)據(jù)的暴露效應指標進行時間序列分析,探討該地區(qū)PM2.5濃度和氣溫對人群的健康狀態(tài)影響,以及兩者協(xié)同作用對居民呼吸系統(tǒng)疾病死亡情況的影響,為大氣污染防治及呼吸系統(tǒng)疾病預防和干預提供科學參考。
本研究使用由中國疾病預防控制中心、中國疾病預防控制中心環(huán)境與健康相關(guān)產(chǎn)品安全所開展的科技部科技基礎調(diào)查專項“我國區(qū)域人群氣象敏感性疾病科學調(diào)查”收集得到的“我國某地區(qū)2014—2018 年死因及環(huán)境監(jiān)測數(shù)據(jù)”[10],其內(nèi)容如下:①該地區(qū)人群逐日死亡資料統(tǒng)計數(shù)據(jù),包括依據(jù)死因診斷統(tǒng)計的呼吸系統(tǒng)疾病死亡數(shù);②該地區(qū)大氣污染情況統(tǒng)計資料,包括PM2.5日平均濃度;③該地區(qū)逐日氣象資料,包括日平均氣溫(℃)、日最高氣溫(℃)、日最低氣溫(℃)、平均相對濕度(%)、平均氣壓(百帕)、平均風速(m/s)、降水量(0.1 mm)、日照時數(shù)(0.1 h),共8 項指標。時間跨度為2014 年1 月1 日至2018 年12 月31 日。
首先對該地區(qū)2014—2018 年居民每日呼吸系統(tǒng)疾病死亡情況、大氣污染水平和氣象要素進行描述性分析,分析指標包括平均值(x)、最小值(Min)、最大值(Max)、中位數(shù)(P50)、第25 百分位數(shù)(P25)及第75 百分位數(shù)(P75)。大氣污染物、氣象要素及死亡之間的相關(guān)分析使用Spearman 相關(guān)性分析。
廣義相加模型(generalized additive model,GAM)和分布滯后非線性模型(distributed lag non-linear model,DLNM)已被廣泛應用到環(huán)境暴露的健康效應研究中[11]。GAM 模型能夠處理因變量和眾多解釋變量間的復雜非線性關(guān)系,在調(diào)整混雜因素的前提下,估計大氣污染物的危險度[12];DLNM 模型通過建立引入自變量和滯后時間的交叉基,擬合暴露-滯后-反應的非線性關(guān)系[13-14]。
相對于該地區(qū)總?cè)丝诙?,居民因呼吸系統(tǒng)疾病死亡屬于小概率事件,分布近似服從泊松分布。采用基于泊松回歸的廣義相加模型,以呼吸系統(tǒng)疾病實際死亡人數(shù)作為響應變量,采用平滑樣條函數(shù)擬合時間序列長期趨勢和氣象要素的影響,設置啞變量控制星期幾效應和節(jié)假日效應[15]。其中,平滑函數(shù)自由度(df)選擇基于赤池信息準則(AIC)并參考相關(guān)文獻[16-18],時間平滑函數(shù)的df 為8,各氣象要素df 均為3。將PM2.5日均濃度作為線性變量引入模型,同呼吸系統(tǒng)疾病每日死亡人數(shù)建立廣義相加模型[19]。將PM2.5當日(lag0)和1~6 d 濃度(lag1~lag6)引入模型,采用AIC準則對模型進行檢驗,選擇最優(yōu)模型。模型具體如下:
式中:Yt是指第t 日的該地區(qū)呼吸系統(tǒng)疾病實際死亡人數(shù);E(Yt)指第t 日死亡人數(shù)的期望值;s 為非參數(shù)樣條平滑函數(shù);time 為日歷時間;df 為自由度;Zt為第t 日的氣象要素;β 為回歸系數(shù),即暴露-反應關(guān)系系數(shù);PMt為第t 日的PM2.5污染物濃度;DOW 是指處理“星期幾效應”的虛擬函數(shù),用以排除每日死亡人數(shù)在一周中的自然波動;Holiday 是指控制假日的變量;α 為截距[20]。
本研究以PM2.5日均濃度每升高10 μg/m3時,死亡人數(shù)的相對危險度[RR,RR=exp(10×β)]、超額危險度[ER,ER=(RR-1)×100%]及其95%置信區(qū)間(95%CI)作為效應指標,定量評估污染物的健康效應,進行危險度評估。
為探索大氣PM2.5與氣溫交互作用對呼吸系統(tǒng)疾病死亡的影響,建立非參數(shù)二元響應模型,構(gòu)建雙變量響應曲面。模型具體如下:
式中:s(tmean,PM2.5)為平均氣溫與污染物PM2.5對呼吸系統(tǒng)疾病的協(xié)同作用項,COVs 代表所有混雜因素。
使用SPSS 25.0 軟件進行數(shù)據(jù)整理及描述性分析,使用R 4.1.1 統(tǒng)計分析方法軟件中的“mgcv”和“dlnm”軟件包建模分析GAM 和DLNM 模型。以P <0.05 為差異有統(tǒng)計學意義。
該地區(qū)2014—2018 年居民呼吸系統(tǒng)疾病死亡共25 971 例,平均每天死亡人數(shù)為14.2 例,P25、P50、P75分別為10、13、17 例。日均氣溫為17.5℃,日平均氣溫變化范圍為-4.5~32.9℃。PM2.5大氣污染物的日均濃度為39.7 μg/m3,已超過國家GB0395-2012 環(huán)境空氣質(zhì)量標準中規(guī)定的二級空氣質(zhì)量標準(35 μg/m3)[21],研究時段共1 826 d,PM2.5超標天數(shù)為892 d,達到49%。見表1。
表1 2014—2018 年某地區(qū)大氣污染物、氣象要素與居民呼吸系統(tǒng)疾病死亡人數(shù)的描述性分析
除平均氣壓和日照時數(shù)外,PM2.5與各氣象要素均呈負相關(guān)(r=-0.520~-0.087,P <0.01);除平均氣壓和平均風速外,日平均氣溫與各氣象要素均呈正相關(guān)(r=0.072~0.970,P <0.01 或P <0.05)。PM2.5與呼吸系統(tǒng)疾病死亡人數(shù)呈正相關(guān)(P <0.01);日平均氣溫與呼吸系統(tǒng)疾病死亡人數(shù)呈負相關(guān)(P <0.01)。分析結(jié)果顯示,PM2.5與氣象要素之間存在較強關(guān)聯(lián)。見表2。
表2 2014—2018 年呼吸系統(tǒng)疾病每日死亡人數(shù)與大氣污染物、氣象要素間的Spearman 相關(guān)性分析(r 值)
在各氣象要素中,日平均氣溫對呼吸系統(tǒng)疾病死亡人數(shù)的影響最大,呈負相關(guān)(r=-0.485)。當氣溫由低到高變化時,死亡風險先逐漸減小,超過閾值(26℃)后再次增加。氣溫較適宜階段(25~27℃)對呼吸系統(tǒng)疾病每日死亡影響較小,該階段為相對健康的氣溫閾值范圍。
不同水平的氣溫的滯后效應相差較大,21~27℃內(nèi)的整體效應較弱,<21℃和>27℃的兩個氣溫段對呼吸系統(tǒng)疾病死亡具有一定的滯后作用,且滯后性的變化趨勢不同。最大危險度對應的滯后日主要表現(xiàn)在高溫效應的當天(lag0),lag=0 時,高溫的死亡風險較高(RR >1),表現(xiàn)為高溫的即時效應,lag=1 時,高溫效應與低溫效應同時存在,且低溫效應開始凸顯,高溫效應逐漸減弱,lag=4 時,高溫效應消失。隨著滯后時間的增加,低溫效應逐漸減弱,約在lag=6 時完全消失。見圖1。
圖1 平均氣溫對每日呼吸系統(tǒng)疾病死亡人數(shù)的滯后效應及相對危險度
對不同滯后天數(shù)下PM2.5與居民因呼吸系統(tǒng)疾病死亡的超額危險度ER 進行分析:PM2.5在當日對呼吸系統(tǒng)疾病死亡的影響差異無統(tǒng)計學意義(P >0.05)。滯后2~3 d 時可造成呼吸系統(tǒng)疾病死亡增高,其中,滯后2 d 時效應最大,PM2.5每升高10 μg/m3,居民每日呼吸系統(tǒng)疾病死亡風險增加0.36%(95%CI:0,0.72%)。見表3。PM2.5對居民呼吸系統(tǒng)疾病死亡的影響存在滯后效應,隨著滯后天數(shù)的增加,PM2.5對疾病的影響減弱。見圖2。
圖2 PM2.5 平均濃度每增加10 μg/m3 對居民呼吸系統(tǒng)疾病死亡的影響
表3 PM2.5 平均濃度每增加10 μg/m3 居民呼吸系統(tǒng)疾病死亡的超額危險度
非參數(shù)二元響應模型顯示,盡管低溫和高溫條件均會導致呼吸系統(tǒng)疾病死亡人數(shù)增加,但是在氣溫較低時,PM2.5造成死亡人數(shù)增加得更快。低溫、高濃度PM2.5條件下,估計呼吸系統(tǒng)疾病死亡人數(shù)最大,提示低溫可能會增強PM2.5的危害效應,即低溫和高濃度PM2.5對居民呼吸系統(tǒng)疾病死亡風險可能存在協(xié)同增強效應。見圖3。
圖3 日平均氣溫與PM2.5 交互作用對呼吸系統(tǒng)疾病每日死亡人數(shù)影響的雙變量響應曲面
本研究對我國某地區(qū)PM2.5及氣溫與人群因呼吸系統(tǒng)疾病死亡的關(guān)聯(lián)進行研究,發(fā)現(xiàn)氣溫、PM2.5及其協(xié)同作用對呼吸系統(tǒng)疾病人群存在一定的健康效應。本研究數(shù)據(jù)顯示,氣溫較適宜階段為25~27℃,氣溫對呼吸系統(tǒng)疾病表現(xiàn)為高溫即時效應和低溫滯后效應,最大滯后時間為6 d。
PM2.5濃度每升高10 μg/m3,呼吸系統(tǒng)疾病死亡風險增加0.36%,與王子豪等[22]、曾婕等[23]、馮建純等[24]關(guān)于重慶、成都、石家莊的研究結(jié)果總體一致:PM2.5濃度每升高10 μg/m3,呼吸系統(tǒng)疾病死亡風險分別增加0.98%、0.31%和0.63%。效應值大小的差異一方面與不同城市的污染水平有關(guān),地區(qū)之間的地理位置、地形等差異以及風向等氣象要素會影響污染水平;地區(qū)間經(jīng)濟產(chǎn)業(yè)結(jié)構(gòu)及工業(yè)發(fā)展情況等的不同會導致PM2.5的化學組成比例及所包含的污染成分產(chǎn)生差異。另一方面,人口構(gòu)成、經(jīng)濟收入情況及醫(yī)療救治水平也會對此產(chǎn)生一定的影響。
大氣污染物對人群的健康影響往往發(fā)生在特定氣象條件下。本研究發(fā)現(xiàn)PM2.5對居民呼吸系統(tǒng)疾病死亡的效應在較低溫度時更強,即低溫、高濃度PM2.5條件會導致呼吸系統(tǒng)疾病每日死亡人數(shù)顯著增加。這與洪也等[25]對沈陽市的研究結(jié)果較一致,該研究發(fā)現(xiàn)低溫和高污染物濃度對呼吸系統(tǒng)疾病門診人數(shù)的影響有交互作用。楊敏娟等[15]對上海市的研究提示呼吸系統(tǒng)疾病死亡對PM2.5在較低溫度時更敏感。也有研究顯示,成都市PM2.5對呼吸系統(tǒng)疾病死亡影響的健康風險在冬季最高[26]。這種現(xiàn)象可能與氣溫較低時,寒冷空氣容易對呼吸系統(tǒng)造成刺激,防御能力下降,進而誘發(fā)呼吸系統(tǒng)疾病有關(guān);且PM2.5受逆溫現(xiàn)象等氣象因素及采暖期污染物排放濃度高、強度大等人為因素影響,濃度高、擴散速度慢,一定程度上加劇呼吸系統(tǒng)疾病的發(fā)病死亡。
本研究尚存在一定的局限性:一方面,GAM 模型建模過程中,考慮的影響因素較為有限,未收集到生活習慣、文化程度等與呼吸系統(tǒng)疾病發(fā)病死亡情況相關(guān)的數(shù)據(jù)資料;另一方面,各種污染物及氣象因素之間關(guān)系復雜,很難完全控制其他污染物及氣象因素造成的混雜效應,在后續(xù)研究中有待完善。
高濃度PM2.5及低溫效應會增加居民因呼吸系統(tǒng)疾病死亡的風險,建議政府和民眾多多關(guān)注大氣污染物對居民呼吸系統(tǒng)健康狀況的影響,尤其是在低溫季節(jié)。