急性一氧化碳中毒與氣象因子大氣污染物相關分析及預測方法研究

阮海林 胡灼君* 鄧旺生 劉 華 王 瑤 陳劍兵 洪偉良

（1 廣西醫科大學第四附屬醫院/柳州市工人醫院，廣西 柳州 545005；2 柳州市氣象局，廣西 柳州 545001；3 柳州市環境保護監測站，廣西 柳州 545001）

急性一氧化碳中毒（acute carbon monoxide poisoning，ACOP）是臨床上較為常見的中毒之一，占冬春季中毒死因的首位[1]，僅在美國，每年發病達5萬人次[2]，約有2700人死于一氧化碳中毒[3]，國內ACOP事件頻發[4-5]，原因多為燃煤或炭火取暖、煤氣熱水器使用不當、人工煤氣泄漏、汽車尾氣等[6]，同時與氣象因素密切相關[7]。衛生部等10部委曾聯合下發〔2006〕274號文件，要求多部門開展聯合研究。本文旨在研究氣象因素、污染物與CO中毒病例數的關系，并基于此，探索CO中毒預測模型。

1 資料與方法

1.1 一般資料 收集2015年1月至2017年12月在柳州市四家綜合性醫院收治的ACOP患者資料，共4181例，這四家醫院為柳州市綜合性大型三級醫院，是當地政府指定的CO中毒患者救治醫院。

1.1.1 入選標準 根據衛生部頒發的“職業性急性一氧化碳中毒診斷標準”（GBZ23-2002）進行診斷。

1.1.2 排除標準 自殺、自殺未遂導致的CO中毒病例。

1.1.3 氣象和環境污染物的數據 所需數據來自同期柳州市氣象局和環保局。基本氣象要素包括日平均氣溫、日最高氣溫、日最低氣溫、相對濕度、大氣壓和風向、風速等。環境污染物包括SO2、NO2、CO、O3、PM10及PM2.5。

1.2 方法 獲取2015年1月至2017年12月三年內柳州市四家衛計委指定醫院收治的ACOP患者資料，同時獲取同期柳州市基本氣象要素和環境污染物的數據資料。將收集到的柳州市CO中毒的病例數和氣象、污染物數據組成數據集，用Person相關分析和偏相關分析得到顯著相關的特征集，并構建有序多分類Logistic回歸模型。

1.3 等級設定 等級1：氣象條件不會引發一氧化碳中毒。等級2：氣象條件不易引發一氧化碳中毒。等級3：氣象條件可能引發一氧化碳中毒。等級4：氣象條件較易引發一氧化碳中毒。等級5：氣象條件極易引發一氧化碳中毒。

1.4 統計學方法 采用SPSS21.0軟件進行檢測分析，計數資料以[n（%）]表示，采用χ2檢驗，計量資料用（±s）表示，采用t檢驗；用person相關分析和偏相關分析得到顯著相關的特征集，P＜0.05為差異有統計學意義。

2 結果

2.1 ACOP患者的流行病學特征

2.1.1 基本情況 3年間共收治4181人次ACOP患者，其中，2015年1112人次，2016年1433人次，2017年1636人次。

2.1.2月份分布 急性一氧化碳中毒的發生具有明顯的季節特性，多發于冬春季，其中12月、1月、2月、3月四個月3年共計發生急性一氧化碳中毒3410人次（占81.56%）；4～11月3年共計771人次（占18.44%）。見表1。

2.1.3 時段分布 以夜間21時到次日凌晨3時為發病高峰期，共計2278人次（占54.48%），7～9時有一小峰，共452人次（占10.81%）。

2.2 Person相關分析檢測各個特征之間的相關關系 檢測日平均氣溫、24 h變溫、平均氣壓、24 h變壓、平均濕度、最高風向、平均風速、SO2、NO2、CO、O3、PM10、PM2.5要素與中毒例數的相關性。中毒人數除與風向無相關性之外，與其他12個要素均有相關性（P＜0.01）。

2.3 偏相關分析 偏相關分析在控制其他變量的線性影響的條件下分析兩變量間的線性相關性，得到某個特征在剔除其他特征的影響之后與CO中毒病例之間的凈相關系數和響應的P值（表2）。顯著相關的特征為平均氣溫、24 h變溫、平均風速、SO2的濃度、CO的濃度、O3的濃度。

表1 4181例ACOP患者月份分布

表2 日平均CO中毒人數與日13個氣象因子污染物Person相關分析

2.4 構建有序多分類Logistic回歸模型 上述顯著相關的特征，依次記為x1，x2，x3，x4，x5，x6，采用R軟件輔助計算，構建CO中毒風險等級y的有序多分類Logistic回歸模型，模型如下：Logit[P(y≤j)=βjo+β1X1+…+β6X6]，j=1,2,…4

四個截距值分別是：β10=-4.1234；β20=-2.9343；β30=-1.9787；β40=-0.9253；六個回歸系數值分別是：β1=0.1928；β2=-0.2214；β3=0.2278；β4=0.0176；β5=-1.2468；β1=-0.000804。

2.5 檢驗模型預測效能 用2017年的氣象、污染物數據檢驗模型的效能，中毒人數大于3的全部101 d，預測風險等級3及以上的有81 d，有效率為80.20%，中毒人數大于7的65個典型CO中毒日，預測風險等級3及以上的有60 d，有效率為92.31%，對CO中毒預測有較好的效果。見表3。

表3 模型具體實施的效用表

3 討論

研究表明，中國南方柳州工業城，CO中毒比較常見，每年的12月至次年3月寒冷季節的急性CO中毒人數幾乎是一年中其他時間的5倍，晚上9時至凌晨3時為發病高峰，低溫、低風速、高24 h溫差，空氣中高的CO、SO2等污染物，它們更容易誘發寒冷季節CO中毒，大氣的低自凈能力可能是CO中毒起因的一個促成因素。

影響CO中毒發生率的氣象條件主要集中在低氣溫，低氣壓，低風速時期[8]。臺灣的一項基于人群的病例對照研究發現，在日最高氣溫低于18.4 ℃寒冷時期的死亡風險是日最高溫度為27.1 ℃的2.15倍[9]。在廣 西柳州，最顯著影響CO中毒的氣象條件是低溫、低風速和24 h溫差。在低溫、低風速的影響下，空氣污染物濃度分散不良。這種天氣條件下會妨礙燃燒產物通過煙囪、窗戶向上、向外移動的擴散，以及從家用電器來源CO氣體的分散，因此促成居室來源的CO中毒[10]。燃氣 熱水器等加熱裝置技術不良和缺 陷，也促成CO中毒的發生和流行[11]。居住環境簡陋，緊閉門窗，通風不好，熱水器長時間使用導致排氣不暢等均可使室內人員在無意識中導致中毒。研究表明，可吸入的SO2、CO、O3是當地CO中毒發生的獨立危險因素。

本研 究首次結合了氣象和大氣污染物因素，建立了本地一氧化碳中毒氣象大氣污染物預報模型，檢驗模型預測效能，具有較好的預測效果。基本的氣象因子和大氣污染物在每個地市均可獲取，科學應用，能較好預警預報，有較強的實用性。