北京市順義區大氣污染物對呼吸系統疾病門診量的影響

北京市順義區疾病預防控制中心(101300)

張文增 甄國新 陳東妮 史繼新 吳 殫 張松建

北京市順義區大氣污染物對呼吸系統疾病門診量的影響

北京市順義區疾病預防控制中心(101300)

張文增 甄國新 陳東妮 史繼新 吳 殫 張松建

目的 探討北京市順義區大氣污染物對醫院呼吸系統疾病門診量的短期影響。方法 收集2014年1月1日-2015年12月31日北京市順義區二級及以上醫療機構呼吸系統疾病每日門診資料和同期北京市順義區大氣及氣象監測資料，采用基于時間序列的半參數廣義相加模型，在控制長期趨勢、星期效應、假期效應、流感流行及氣象因素等混雜因素的基礎上，分析大氣污染物濃度與呼吸系統疾病日門診量的關系及滯后效應。結果 研究期間，北京市順義區二級及以上醫療機構呼吸系統疾病日門診量平均為1653人次，范圍420～5034人次。單污染物模型中，PM2.5、PM10-2.5、二氧化硫(SO2)和二氧化氮(NO2)均是滯后0～2d(avg02)的移動平均值對呼吸系統疾病門診人數影響最為顯著，臭氧(O3)是在滯后3d(lag3)的濃度值對呼吸系統疾病門診人數影響最為顯著。PM2.5、PM10-2.5、SO2、NO2和O3濃度每增加10μg/m3對應的呼吸系統疾病門診人數增加百分比分別為0.25%(95%CI:0.22～0.28)、0.52%(95%CI:0.44～0.60)、0.73%(95%CI:0.58～0.88)、1.23%(95%CI:1.12～1.33)和0.20%(95%CI:0.16～0.24)。在雙污染物模型中，引入NO2后，PM2.5、PM10-2.5和SO2對呼吸系統疾病門診人數影響較單污染物模型明顯減小。結論 北京市順義區大氣污染物PM2.5、SO2、NO2和O3濃度對醫院呼吸系統疾病日門診量有影響，且存在滯后效應。

大氣污染 呼吸系統疾病 門診量 廣義相加模型

近年來大氣污染物對人群健康的影響越來越受到重視。大量流行病學研究發現，大氣污染物濃度的短期升高可導致人群呼吸系統疾病發病率和死亡率的升高[1-3]。北京市是我國內陸大氣污染嚴重的地區之一。目前國內外關于大氣污染物對人群健康效應影響的研究多以住院或死亡作為健康結局[4-5]，二者僅代表了較為嚴重的疾病狀態或最終的健康結局，是人群健康效應“金字塔”的頂端部分；而醫療機構門診就診數據覆蓋人群范圍廣，可更靈敏地反映大氣污染物對人群健康的急性效應，是人群健康效應“金字塔”的底端部分。然而由于門診就診數據收集困難、數據量龐大、數據質量參差不齊等原因導致這方面流行病學研究成果較少。

本研究采用國際通用的基于時間序列的廣義相加模型(generalized additive model,GAM)[6-7]定量評估北京市順義區大氣污染物與全區二級及以上醫療機構呼吸系統疾病日門診量之間的關系，探討大氣污染物對人群呼吸系統疾病的短期影響，為采取針對性的應對策略和干預措施提供科學依據。

資料與方法

1.呼吸系統疾病資料

呼吸系統疾病資料來源于2014年1月1日至2015年12月31日順義區全部4家二級及以上醫療機構(均以服務當地常住人口為主)內科門診、內科急診、兒科門診、兒科急診和發熱門診逐日門診病例資料。統計時根據國際疾病分類標準第10版(ICD-10:J00-J99)進行分類，主要為各類肺炎、上呼吸道感染和感冒、急慢性支氣管炎以及哮喘等，并剔除了因意外、手術等人為原因造成的呼吸系統疾病。北京市順義區流感樣病例監測數據來自“北京市醫療機構傳染病監測預警系統”。

2.大氣污染監測資料

2014年1月1日至2015年12月31日北京市順義區大氣污染物監測資料來源于中國空氣質量在線監測分析平臺(http://www.aqistudy.cn/)，選取北京市順義新城監測點逐日監測數據，包括PM2.5、PM10、PM10-2.5、二氧化硫(SO2)、二氧化氮(NO2)和臭氧(O3)6個指標。其中，PM10-2.5日均濃度值由PM10濃度值減去PM2.5濃度值計算獲得。

3.氣象資料

氣象資料來源于中國氣象科學數據共享服務網(http://www.escience.gov.cn/)中國地面氣象資料中北京市2014年1月1日至2015年12月31日的日均氣象資料，包括日均氣溫(℃)、最高氣溫(℃)、最低氣溫(℃)、日均風速(m/s)和日均相對濕度(%)等。

4.統計方法

對于總人群來說，每天呼吸系統疾病門診人數屬于小概率事件，其實際分布近似Poisson分布[6-7]，因此本研究采用基于Poisson回歸模型的半參數廣義相加模型(GAM)分析大氣污染物對呼吸系統疾病日門診人數的短期影響。在控制呼吸系統疾病日門診量長期趨勢、季節趨勢、星期效應、節假日效應、流感流行以及氣象因素等混雜因素的基礎上，將大氣主要污染物PM2.5、PM10-2.5、SO2、NO2和O3濃度作為直線變量引入模型，分別觀察其對呼吸系統疾病日門診量的影響。具體模型如下：

Log[E(Yk)]=a+βXk+DOW+Holiday+Influenza+s(time,df)+s(Zk,df)

(1)

式中：Yk為第k日呼吸系統疾病門診人數；E(Yk)為第k日呼吸系統疾病門診人數的期望值；a為殘差；Xk為第k日大氣污染物濃度，β為回歸系數；DOW為星期啞元變量，Holiday為公共假期啞元變量，Influenza為流感流行啞元變量；s為非參數平滑樣條函數,df為其自由度；time為日歷時間；Zk為第k日氣象因素變量，包括日均氣溫、日均風速和日均相對濕度。

首先構建單污染物模型，將污染物當日、1d前至6d前濃度(1ag0、lag1～lag6)或污染物濃度移動平均值(avg01～avg06)逐一引入模型，確定模型中單污染物對健康效應最強的滯后時間(此時引起的健康效應最顯著)。根據單污染物模型中確定的最強效應的滯后時間，擬合雙污染物模型(將某兩種污染物同時納入模型分析)觀察單污染物模型的穩健性，評價其他污染物對所關注污染物健康效應估計的影響。對不同模型的擬合優度檢驗，采用廣義交叉確認(generalized cross validation，GCV)的自適應約束最小二乘估計方法對模型進行評估。

采用SAS 9.13(PROC GAM;SAS Institute Inc,Cary,NC)軟件進行統計分析。大氣污染物與氣象因素相關分析根據文獻采用Spearman等級相關分析。流感暴發和流行是大氣污染物和呼吸系統疾病門診量關系研究重要混雜因素之一[8]，參考相關文獻，將順義區流感監測哨點醫院全部門診流感樣病例超過當年第75個百分位數的時間定義為流感流行期，其余時間為非流行期[9]。根據GAM模型估算的污染物回歸系數β對污染物的健康效應做出定量評價。計算當污染物濃度增加Δc時，呼吸系統疾病日門診人數的相對危險度(relative risk，RR)、人數增加百分比(PI%)及95%可信區間(95%CI)。參見公式(2)～(5)：

RR=exp(Δc.β)

(2)

RR(95%CI)=exp(Δc.β±1.96SE)

(3)

PI%=[exp(Δc.β)-1]×100%

(4)

PI%(95%CI)=[exp(Δc.β±1.96SE)-1]×100%

(5)

結 果

1.描述性分析

大氣污染物濃度和氣象因素、呼吸系統疾病日門診人數的描述性分析結果見表1。2014年1月1日～2015年12月31日，北京市順義區4家二級及以上醫療機構平均每天呼吸系統疾病門診就診人數為1653例(范圍：420～5034)。PM2.5、PM10、PM10-2.5、SO2、NO2和O3日均濃度的平均值分別為82.27μg/m3、112.86μg/m3、30.59μg/m3、16.68μg/m3、51.80μg/m3和111.40μg/m3。根據GB 3095-2012《環境空氣質量標準》規定的年均濃度限值，研究期間PM2.5、PM10、NO2濃度超過了國家二級標準，SO2年均濃度未超過國家二級標準(60μg/m3)。其中PM2.5約占PM10的73%，PM10-2.5約占PM10的27%。

2.大氣污染物和氣象因素之間的相關性分析

由表2可知，北京市順義區PM2.5、PM10、PM10-2.5、SO2、NO2污染物之間存在明顯正相關，且有統計學意義(P<0.05)。其中PM10-2.5、SO2和NO2三種污染物濃度和O3呈負相關，且有統計學意義(P<0.01)。PM2.5、PM10、SO2、NO2與平均溫度及日平均風速均呈負相關(P<0.05)，PM2.5、PM10與平均相對濕度呈正相關(P<0.01)；PM10-2.5與平均溫度及日平均風速均呈正相關(P<0.01)，與平均相對濕度呈負相關(P<0.01)。可見大氣污染物與氣象要素間有較強的關聯，提示在研究大氣污染物對人群健康影響時要考慮氣象因素的混雜作用。

表1 2014-2015年北京市順義區呼吸系統疾病門診人數、大氣污染物及氣象因素描述性分析

*：P25，P50和P75分別為第25、50、75百分位數

表2 2014-2015年北京市順義區大氣污染物與氣象因素間的Spearman相關分析

*：P<0.05 **：P<0.01

3.廣義相加模型分析結果

(1)單污染物模型

不同滯后時間下，大氣污染物對呼吸系統疾病門診人數影響RR的變化規律見圖1。北京市空氣中的PM2.5、PM10-2.5、SO2、NO2和O3濃度水平對呼吸系統疾病門診人數有顯著影響，且存在一定的滯后效應。PM2.5、PM10-2.5、SO2和NO2均是滯后0～2d(avg02)的移動平均值對呼吸系統疾病門診人數影響最為顯著，且具有統計學意義(P均<0.01)；O3在滯后3d(lag3)的濃度值對呼吸系統疾病門診人數影響最為顯著(P<0.01)。此時，PM2.5、PM10-2.5、SO2、NO2和O3濃度每增加10μg/m3對應的呼吸系統疾病門診人數增加百分比(PI%)分別為0.25%(95%CI:0.22～0.28)、0.52%(95%CI:0.44～0.60)、0.73%(95%CI:0.58～0.88)、1.23%(95%CI:1.12～1.33)和0.20%(95%CI:0.16～0.24)。

(2)雙污染物模型

根據單污染物模型的滯后效應分析結果，選擇影響最大的滯后時間所對應的污染物濃度擬合多污染物模型。結果顯示，在雙污染物模型中，分別引入PM10-2.5、SO2、O3后，PM2.5對呼吸系統疾病門診人數影響PI值較單污染物模型變化不大，且具有統計學意義；分別引入PM2.5、SO2、O3后，PM10-2.5對呼吸系統疾病門診人數影響PI值變化不大，且具有統計學意義；但引入NO2后，PM2.5、PM10-2.5和SO2對呼吸系統疾病門診人數影響PI值較單污染物模型明顯減小。具體見表3。

圖1 大氣污染物日均濃度每增加10μg/m3對呼吸系統疾病日門診人數影響的RR及95%CI

表3 北京市順義區大氣污染濃度每增加10μg/m3時呼吸系統疾病門診人數增加百分比(PI%)及95%CI

*：P<0.05，**：P<0.01

討 論

本研究采用基于Poisson回歸模型的半參數廣義相加模型(GAM)的時間序列分析方法，探討大氣污染物與呼吸系統疾病日門診量的關系。研究結果表明，北京市順義區大氣污染物PM2.5、SO2、NO2和O3濃度對醫院呼吸系統疾病日門診量有影響，且存在一定的滯后效應。單污染物模型擬合結果表明，在最佳滯后時間條件下，PM2.5、PM10-2.5、SO2、NO2和O3濃度每增加10μg/m3對應的呼吸系統疾病門診人數分別增加0.25%、0.52%、0.73%、1.23%和0.20%。其中，PM2.5和PM10-2.5對呼吸系統疾病門診人數影響效應不同，在最佳滯后時間條件下(avg02)PM10-2.5的效應高于PM2.5，因此建議相關部門在今后的大氣污染監測指標中增加PM10-2.5方面的監測內容，以便進一步全面評價大氣污染對健康效應的影響。

本次研究結果表明，不同大氣污染物對醫院呼吸系統疾病日門診量影響存在一定的滯后效應。PM2.5、PM10-2.5和O3日濃度和移動平均值濃度對醫院呼吸系統疾病日門診量影響程度隨滯后時間的增加呈現先上升后下降趨勢。SO2、NO2日濃度隨滯后時間的增加呈現逐漸減弱趨勢，移動平均值濃度呈現先上升后下降趨勢。其中，PM2.5、PM10-2.5、SO2和NO2均是滯后0～2d(avg02)的移動平均值、O3滯后3d(lag3)的濃度值對呼吸系統疾病門診人數影響最為顯著。此方面數據可作為今后政府有關部門發布大氣污染健康提示的重要參考依據，對于大氣污染期間指導居民健康出行具有重要的意義。

此外，關于大氣污染物濃度與呼吸系統疾病門診量之間的關系，國內外不同研究結果并不完全一致，有時還呈現相反的變化趨勢[10]。本研究的結果與美國、倫敦、香港(普通門診就診)、上海、深圳、烏魯木齊等國家和地區研究結果基本一致[11-15]，略低于香港(急診入院)、蘭州等地區研究結果[9,16]，也低于2009-2011年北京市某三級甲等綜合醫院急診科的研究結果[10]。產生上述情況的原因可能與不同地區，不同時期大氣污染水平、污染物主要來源及化學組成、研究選擇的目標人群、研究人群對空氣污染的敏感程度等因素有關，也可能與研究過程中調整的混雜因素不同有關[18-19]。

目前，國內在進行有關大氣污染物與呼吸系統疾病關系的研究時，大多以PM10、NO2和SO2的濃度作為人群的暴露指標，極少研究關注PM2.5或者PM10-2.5對呼吸系統疾病門診量的影響[20-22]，同時關注PM2.5和PM10-2.5者更少[10,23]。國外報告顯示，PM2.5或者PM10-2.5對呼吸系統疾病的影響比PM10更具有參考價值[18,24]，因此本研究同時引入PM10-2.5和PM2.5這兩種顆粒污染物濃度指標。研究結果顯示，與單污染物模型結果相比，引入PM2.5、PM10-2.5、SO2、O3等污染物后，NO2對呼吸系統疾病門診人數影響PI值變化不大，但引入NO2后，PM2.5、PM10-2.5和SO2對呼吸系統疾病門診人數影響PI值較單污染物模型明顯減小。這表明NO2與呼吸系統疾病門診人數的影響相對穩健。上述結果提示各污染物對健康的影響并非是簡單的效應疊加，各污染物之間可能存在交互作用，因此如何更加科學地研究各污染物的效應，還需進一步探討。因此建議今后在大氣污染健康效應評價工作中可以采用綜合指標來反映大氣污染對健康效應的影響程度。

本研究在模型中控制了長期趨勢、季節趨勢、星期效應、節假日效應、流感流行以及氣象因素等多種混雜因素的影響，較為客觀地分析了大氣污染物濃度與醫院呼吸系統疾病日門診量的關系。本研究仍存在以下局限性：第一、本研究僅收集了全區二級及以上醫療機構門診資料，樣本量有限，可能存在選擇偏倚，不能完全代表全區實際呼吸系統疾病發病水平；第二，本研究僅對2014-2015年門診數據進行了分析，研究時間較國外同類研究相對較短，若能分析多年的門診數據，則結果會更加穩定；第三，由于本次研究醫療機構提供的門診數據未包括就診病例的年齡、性別和具體病種，因此未能按照疾病種類和人群人口學特征進行亞組分析；第四，沒有進行多污染物模型的擬合，主要是為了避免多重共線性的問題。建議今后研究中可對上述問題所需信息做進一步補充，開展更為深入細致的分析，更真實地反映大氣污染物對呼吸系統疾病的急性影響。

[1]Kan H,Chert B,Hong C,et a1.Health impact of outdoor air pollution in China:current knowledge and future research needs.Environ Health Perspect,2009,117(5):A187.

[2]Touloumi Q,Samoli E,Quenel E,et a1.Short-term effects of air pollution on total and cardiovascular mortality:the confounding effect of influenza epidemics.Epidemiology,2005,16(1):49-57.

[3]劉世煒,周脈耕,王黎君,等.1990年與2010年中國歸因于室外空氣污染的疾病負擔分析.中華預防醫學雜志,2015,4:327-333.

[4]常桂秋,潘小川,謝學琴,等.北京市大氣污染與城區居民死亡率關系的時間序列分析.衛生研究,2003,32(6):565-568.

[5]宋桂香,江莉莉,陳國海,等.上海市大氣氣態污染物與居民每日死亡關系的時間序列研究.環境與健康雜志,2006,3(5):390-393.

[6]Dominici F,McDermott A,Zeger S L,et al.On the use ofgeneralized additive models in time-series studies of air pollutionand health.Am J Epidemio1,2002,156:193-203.

[7]Dominci F,Peng RD,Bell ML,et al.Fine particulate air pollution and hospital admission for cardiovascular and respiratory diseases.JAMA,2006,295(10):1127.

[8]Ren C,Williams GM,Tong S,et al.Does particulate matter modify the association between temperature and cardiorespiratory diseases.Environ Health Perspect,2006,114:1690-1696.

[9]Hong Qiu,Ignatius Tak-sun Yu,Linwei Tian,et al.Effects of Coarse Particulate Matter on Emergency Hospital Admissions for Respiratory Diseases:A Time-Series Analysis in Hong Kong.Environ Health Perspect,2012,120:572-576.

[10]Atkinson RW,Kang S,Anderson HR,et al.Epidemiological time series studies of PM2.5 and daily mortality and hospital admissions:a systematic review and meta-analysis.Thorax,2014,69(7):660-665.

[11]Bell ML，Ebisu K，Pang RD.Seasonal and regional short-termeffects of fine particles on hospital admissions in 202 US counties,1999-2005.Epidemiology,2008,19(6):379-308.

[12]Wong TW,Tam W,Yu ITS,et al.Association between air pollution and general practitioner visits for respiratory diseases in Hong Kong.Thorax,2006,61:585-591.

[13]鮑玉星,曉開題·依不拉音,吳文華,等.烏魯木齊大氣污染與呼吸系統疾病日住院人數的時問序列分析.新疆醫科大學學報,2013,36(4):537-542.

[14]張江華,郭常義,許慧慧,等.上海市大氣污染與某醫院呼吸系統疾病門診量關系的時間序列研究.環境與職業醫學,2014,31(11):846-851.

[15]廖玉學,彭朝瓊,余淑苑,等.深圳市大氣PM10與呼吸系統疾病日門診量的時間序列分析.華南預防醫學,2014,40(4):301-305.

[16]陶燕,羊德容,蘭嵐,等.蘭州市空氣污染對呼吸系統疾病門診人數的影響.中國環境科學,2013,33(1):175-180.

[17]張瑩,邵毅,王式功,等.北京市空氣污染物對呼吸系統疾病門診人數的影響.中國環境科學,2014,34(9):2401-2407.

[18]Kim SY,Peel JL,Hannigan MP,et al.Thetemporallagstructure of short-term associations of fine particulate matterchemical constituents and cardiovascular and respiratoryhospitalizations.Environ Health Perspect,2012,120(8):1094-1099.

[19]Lai HK,Tsang H,Wong CM.Meta-analysis of adversehealth effects due to air pollution in Chinese populations .BMC Public Health,2013,13(1):360.

[20]Chen Y,Yang Q,Krewski D,et al.The effect of coarse ambient particulate matter on first,second,and overall hospital admissions for respiratory disease among the elderly .Inhal Toxicol,2005,17:649-655.

[21]Host S,Larrieu S,Pascal L,et al.Short-term associations between fine and coarse particles and hospital admissions for cardiorespiratory diseases in six French cities .Occup Environ Med,2008,65:544-551.

[22]牟拮,彭麗,楊丹丹,等.上海市天氣和污染對兒童哮喘就診人次的影響.中國衛生統計,2014,31(5):827-829.

[23]馬關培,鄒寶蘭,許振成,等.廣州市某醫院呼吸系統疾病門診人數與大氣污染關系的時間序列研究.環境與健康雜志,2012,29(6):526-528.

[24]Brunekreef B,Forsberg B.Epidemiological evidence of effects of coarse airborne particles on health.Eur Respir J,2005,26:309-318.

(責任編輯：張 悅)