氣溫與PM2.5 對呼吸系統(tǒng)疾病死亡的協(xié)同效應研究

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。

1 資料與方法

1.1 數(shù)據(jù)來源

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。

1.2 研究方法

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分析使用Spearman 相關性分析。

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-反應的非線性關系[13-14]。

相對于該地區(qū)總?cè)丝诙裕用褚蚝粑到y(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。

1.3 統(tǒng)計學方法

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。

2 結(jié)果

2.1 該地區(qū)大氣污染水平、氣象要素與居民每日呼吸系統(tǒng)疾病死亡情況的描述性分析

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

2.2 呼吸系統(tǒng)疾病每日死亡人數(shù)與大氣污染物和氣象要素的Spearman 相關性分析

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（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（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（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（P ＜0.01）。分析結(jié)果顯示，PM2.5與氣象要素之間存在較強關聯(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 相關性分析（r 值）

2.3 日平均氣溫對呼吸系統(tǒng)疾病每日死亡人數(shù)的影響

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（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

2.4 大氣PM2.5 對居民每日因呼吸系統(tǒng)疾病死亡的影響

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

2.5 PM2.5 與氣溫協(xié)同作用對居民呼吸系統(tǒng)疾病死亡影響

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

3 討論

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，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；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)病死亡情況相關的數(shù)據(jù)資料；另一方面，各種污染物及氣象因素之間關系復雜，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)。