氣溫與PM2.5 對呼吸系統疾病死亡的協同效應研究

張維寧 孫媛媛 申喜鳳 李美婷 南嘉樂 高東平

中國醫學科學院 北京協和醫學院醫學信息研究所，北京 100020

隨著經濟發展和城市化進程的加快，大氣污染隨著工業化發展而愈加嚴重，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，并隨呼吸進入肺泡深部，影響多種呼吸系統疾病[3]，短期暴露于PM2.5對居民的呼吸系統是有害的[4]，可能導致呼吸系統門急診量及疾病發病風險增加[5-6]。隨著氣候變暖及極端天氣事件的頻發，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疾病發病住院有顯著影響[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疾病死亡情況進行研究。

本研究利用2014—2018 年我國某地區居民呼吸系統疾病死亡數據及同期當地大氣污染物和氣象數據，對居民呼吸系統疾病死亡數據的暴露效應指標進行時間序列分析，探討該地區PM2.5濃度和氣溫對人群的健康狀態影響，以及兩者協同作用對居民呼吸系統疾病死亡情況的影響，為大氣污染防治及呼吸系統疾病預防和干預提供科學參考。

1 資料與方法

1.1 數據來源

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境與健康相關產品安全所開展的科技部科技基礎調查專項“我國區域人群氣象敏感性疾病科學調查”收集得到的“我國某地區2014—2018 年死因及環境監測數據”[10]，其內容如下：①該地區人群逐日死亡資料統計數據，包括依據死因診斷統計的呼吸系統疾病死亡數；②該地區大氣污染情況統計資料，包括PM2.5日平均濃度；③該地區逐日氣象資料，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（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2014—2018 年居民每日呼吸系統疾病死亡情況、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（P50）、第25 百分位數（P25）及第75 百分位數（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]。

相對于該地區總人口而言，居民因呼吸系統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，以呼吸系統疾病實際死亡人數作為響應變量，采用平滑樣條函數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假日效應[15]。其中，平滑函數自由度（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，同呼吸系統疾病每日死亡人數建立廣義相加模型[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，選擇最優模型。模型具體如下：

式中：Yt是指第t 日的該地區呼吸系統疾病實際死亡人數；E（Yt）指第t 日死亡人數的期望值；s 為非參數樣條平滑函數；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，即暴露-反應關系系數；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，用以排除每日死亡人數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疾病死亡的影響，建立非參數二元響應模型，構建雙變量響應曲面。模型具體如下：

式中：s（tmean，PM2.5）為平均氣溫與污染物PM2.5對呼吸系統疾病的協同作用項，COVs 代表所有混雜因素。

1.3 統計學方法

使用SPSS 25.0 軟件進行數據整理及描述性分析，使用R 4.1.1 統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 為差異有統計學意義。

2 結果

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

該地區2014—2018 年居民呼吸系統疾病死亡共25 971 例，平均每天死亡人數為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 環境空氣質量標準中規定的二級空氣質量標準（35 μg/m3）[21]，研究時段共1 826 d，PM2.5超標天數為892 d，達到49%。見表1。

表1 2014—2018 年某地區大氣污染物、氣象要素與居民呼吸系統疾病死亡人數的描述性分析

2.2 呼吸系統疾病每日死亡人數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與呼吸系統疾病死亡人數呈正相關（P ＜0.01）；日平均氣溫與呼吸系統疾病死亡人數呈負相關（P ＜0.01）。分析結果顯示，PM2.5與氣象要素之間存在較強關聯。見表2。

表2 2014—2018 年呼吸系統疾病每日死亡人數與大氣污染物、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疾病每日死亡人數的影響

在各氣象要素中，日平均氣溫對呼吸系統疾病死亡人數的影響最大，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℃內的整體效應較弱，＜21℃和＞27℃的兩個氣溫段對呼吸系統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疾病死亡人數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疾病死亡的影響

對不同滯后天數下PM2.5與居民因呼吸系統疾病死亡的超額危險度ER 進行分析：PM2.5在當日對呼吸系統疾病死亡的影響差異無統計學意義（P ＞0.05）。滯后2～3 d 時可造成呼吸系統疾病死亡增高，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對居民呼吸系統疾病死亡的影響存在滯后效應，隨著滯后天數的增加，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 居民呼吸系統疾病死亡的超額危險度

2.5 PM2.5 與氣溫協同作用對居民呼吸系統疾病死亡影響

非參數二元響應模型顯示，盡管低溫和高溫條件均會導致呼吸系統疾病死亡人數增加，但是在氣溫較低時，PM2.5造成死亡人數增加得更快。低溫、高濃度PM2.5條件下，估計呼吸系統疾病死亡人數最大，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對居民呼吸系統疾病死亡風險可能存在協同增強效應。見圖3。

圖3 日平均氣溫與PM2.5 交互作用對呼吸系統疾病每日死亡人數影響的雙變量響應曲面

3 討論

本研究對我國某地區PM2.5及氣溫與人群因呼吸系統疾病死亡的關聯進行研究，發現氣溫、PM2.5及其協同作用對呼吸系統疾病人群存在一定的健康效應。本研究數據顯示，氣溫較適宜階段為25～27℃，氣溫對呼吸系統疾病表現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、石家莊的研究結果總體一致：PM2.5濃度每升高10 μg/m3，呼吸系統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；地區間經濟產業結構及工業發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生差異。另一方面，人口構成、經濟收入情況及醫療救治水平也會對此產生一定的影響。

大氣污染物對人群的健康影響往往發生在特定氣象條件下。本研究發現PM2.5對居民呼吸系統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疾病每日死亡人數顯著增加。這與洪也等[25]對沈陽市的研究結果較一致，該研究發現低溫和高污染物濃度對呼吸系統疾病門診人數的影響有交互作用。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對呼吸系統疾病死亡影響的健康風險在冬季最高[26]。這種現象可能與氣溫較低時，寒冷空氣容易對呼吸系統造成刺激，防御能力下降，進而誘發呼吸系統疾病有關；且PM2.5受逆溫現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疾病的發病死亡。

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疾病發病死亡情況相關的數據資料；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健康狀況的影響，尤其是在低溫季節。