氣溫與PM2.5協同作用對疾病急診就診人數的影響

張 瑩,王式功,賈旭偉,馮鑫媛,胡文東,楊 柳,王嘉鑫,肖丹華,朱 蓉

?

氣溫與PM2.5協同作用對疾病急診就診人數的影響

張 瑩1*,王式功1,賈旭偉2,馮鑫媛1,胡文東1,楊 柳1,王嘉鑫1,肖丹華1,朱 蓉1

(1.成都信息工程大學大氣科學學院,高原大氣與環境四川省重點實驗室,四川成都610225；2.中國人民解放軍93544部隊,河北保定 072655)

為評價氣溫和PM2.5協同作用對不同種類疾病急診就診人數的影響,采用廣義相加模型(GAMs)中的不分層模型、非參數二元響應模型和溫度分層模型,在控制了時間序列長期趨勢、“星期幾效應”、節假日效應和相對濕度等因素的影響后,分析2009~2011年北京市PM2.5在不同氣溫條件下對相關疾病急診就診人數影響的暴露-反應關系. 結果表明,隨著選取的氣溫分層臨界值升高,PM2.5在高溫條件下的效應逐漸增強,當臨界值為28℃時,高溫條件下的效應最顯著,此時PM2.5濃度每升高10μg/m3,全急診人數、呼吸系統和循環系統疾病急診就診人數的超額增加百分比分別為0.15%(95%CI: 0.11%, 0.19%),0.35% (95%CI: 0.26%, 0.44%)和0.34%(95%CI:0.09%, 0.59%),而<28℃的條件下無統計學意義,表明高溫與PM2.5對人群健康的影響存在協同加強效應.

氣溫；PM2.5；協同作用；廣義相加模型

近年來,主要由細顆粒物引發的霧霾天氣發生頻次明顯增多,細顆粒物(PM2.5)對人群健康的影響也成為了現階段研究的熱點問題之一.已有的研究表明,顆粒物尤其是細顆粒物PM2.5可損害呼吸系統、破壞免疫系統,誘發呼吸系統和心腦血管等疾病,從而增加其發病率和死亡率[1-5].

與此同時,近年來在全球氣候異常變化、極端天氣氣候事件發生頻率明顯增多的大背景下,天氣氣候因素的異常變化對人類健康的影響也漸趨凸顯.大量研究表明,氣溫是影響人體健康最重要的因素之一,且氣溫和人群發病或者死亡的關系呈現“J”型、“V”型或“U”型分布特征,即在溫度相對適宜的情況下發病或者死亡人數最少,但氣溫過高或過低,均會導致發病/死亡人數的增加[6-10].

國內已有相關氣溫及污染物流行病學的個案報告[4,8].這些研究采用了與國際接軌的研究方法,探明了污染物、氣溫變化分別對人體健康的不良影響及損傷.但以往的這些研究中,僅僅側重于氣溫或污染物某一個方面,例如,研究氣溫對人體健康的影響時,往往把污染物作為混雜因素加以排除;而在研究污染物對人體健康的影響時,又往往把氣溫作為混雜因素來考慮.事實上,對相關人群健康的影響結果中應該是包含了污染物和氣象條件兩方面的共同作用,任何一種所謂的排除混雜因素的數學處理,都具有一定的片面性;另一方面,雖然造成大氣污染的根本原因是污染物的過量排放,但重污染事件的發生卻往往是由不利于污染物擴散的氣象條件造成的,也就是說重空氣污染物及其對人群健康的危害并不是孤立存在的,而是在特定的氣象條件下發生的[11].因此,必須將污染物和氣象要素兩方面加以綜合考慮為宜.對相關人群健康的影響結果中應該是包含了污染物和氣象條件兩方面的共同作用,任何一種所謂的排除混雜因素的數學處理,都具有一定的片面性.現階段,國外在該方面已經做了相關研究,發現大氣污染和氣溫對人群健康的影響存在協同作用[12-14].然而國內關于該方面的研究還鮮有報道.基于此,本研究采用近年國際上通用的危險度評價方法—基于時間序列的廣義相加模型(GAMs),以急診數據為暴露效應指標,選取人口密度大、顆粒物污染重的北京市作為代表,旨在定量評價北京市氣溫和PM2.5協同作用對相關疾病急診就診人數的影響.

1 資料與方法

1.1 資料來源

1.1.1 所用疾病資料數據 采用整群抽樣方法抽取北京市某3家三級甲等綜合醫院急診科病案記錄,包括2009年1月1日~2011年12月31日逐日門診資料,根據國際疾病分類標準第10版(ICD-10)[15],對病例資料進行分類整理,收集門診數據(ICD10: A00-R99)共計895833例,其中呼吸系統疾病(ICD-10編碼:J00-J99)病例資料246872例;循環系統疾病(ICD-10 編碼: I00-I99)病例資料52203例.本文收集門診病歷信息主要包括就診科室、就診ID號、就診日期、疾病診斷和家庭住址等信息.根據患者家庭住址信息剔除非北京市居住的人群資料,以確保研究對象均來自當地的常居人口.

1.1.2 大氣環境監測資料 本研究所用污染數據主要為2009 年1月1日~2011年12月31日PM2.5的日均濃度值,來源于北京市環保公眾網(http://www.bjee.org.cn/cn/index.php),經檢查數據完整無缺測.

1.1.3 氣象資料來源 氣象資料來源于中國氣象科學數據共享服務網中中國地面氣象資料北京市2009年1月1日~2011年12月31日的日均氣象資料,包括日均氣溫(℃)、相對濕度(%)和平均風速(m/s)等.

1.2 統計分析

所用到的軟件主要包括SQLserver2014和R3.1.4統計軟件,其中數據庫軟件SQLserver2014用于對原始病例數據進行統計分類;用R軟件中的“mgcv”軟件包對數據進行建模和定量分析.

GAMs是對廣義線性(GLM)的非參數推廣,與GLM模型相比,GAMs模型并非一個事先設定的模型,該模型由所使用的數據驅動,因此,模型結構是由研究時所采用數據的內在聯系決定的,更能反映變量的期望與解釋變量之間的本質關系,并且對數據要求較少,模型可應用不同函數擬合非線性關系變量,而后以加和形式引入模型[16].正是基于GAMs模型一系列的優點,其目前已成為大氣污染環境流行病學研究的標準方法.相對于總人群而言,每日急診就診人數屬于小概率事件,其實際分布一般可認為近似于Poisson分布,因此,本文選擇擬合Poisson 回歸的GAMs模型.據報道,北京市85%的大氣污染是由顆粒物,尤其是細顆粒物引起的,考慮到細顆粒物(主要是PM2.5)已成為北京市的首要污染物,并且PM2.5與其他氣態污染物(SO2、NO2、CO和O3)有很強的關聯性[6-7],基于此,在后續的研究中,本研究只擬合單污染物模型.

在探討PM2.5與氣溫對人群健康影響的協同效應之前,首先來研究日均氣溫變化對不同種類疾病急診就診的影響.以呼吸系統疾病為例建模,如式(1)所示,即以呼吸系統疾病日急診就診人數為響應變量,控制時間的長期趨勢、節假日效應、星期幾效應、相對濕度和PM2.5的影響后,研究氣溫變化與疾病急診就診人數的關系,基本模型為:

式中:Y為第日的急診就診人數;(Y|X)為第日急診就診人數的期望值; DOW為星期啞變量(DOW,DOW=1~7); Holiday為節假日效應啞變量(節假日為1,其他為0);為殘差; 本研究采用樣條平滑函數()擬合非線性自變量,包括時間(time, time=1,2,…1095)、相對濕度(RH)和氣溫().根據相關文獻[7]和AIC值確定參數自由度,time自由度為7/a,和RH的自由度為3, PM2.5選取復合滯后一天(lag01,研究日當天與前一天污染物濃度的平均值)的濃度[9].

第二步,分析平均氣溫與PM2.5協同作用對相關疾病急診就診的影響.首先,建立不分層模型(nonstratification model),探討在不同的滯后時間條件下(分別選取當天lag0,單滯后一天lag1,單滯后兩天lag2和復合滯后一天lag01),平均氣溫和PM2.5的協同作用對相關疾病急診就診的影響是否具有統計學意義,檢驗效力為<0.05.

式中:1為PM2.5對疾病影響效應對應的回歸系數;2為氣溫變化對疾病影響效應的回歸系數;3為PM2.5和氣溫共同作用對應的回歸系數.

在上述研究的基礎上,建立非參數二元響應模型(nonparametric bivariate response model),并擬合平均氣溫與PM2.5協同作用對相關疾病影響的三維立體圖,通過描述平均氣溫和PM2.5對相關疾病作用的空間分布特征,直觀觀察二者協同作用對不同疾病的影響.

式中:( )為薄板樣條函數,COVs同模型(1)中.

第三步,建立基于氣溫的分層模型(temperature-stratified parametric model).根據相關文獻[12]和擬合的氣溫與疾病暴露反應關系曲線圖,來選取溫度分層的臨界值(閾值),從而探討在不同溫度分層條件下,PM2.5對不同疾病急診就診人數的影響是否有統計學意義,進而定量評價氣溫和PM2.5對疾病影響的協同效應.

根據GAM模型估算出的回歸系數和標準誤差(SE: Standard Error),從而對污染物的健康效應做出定量評價.當污染物濃度增加D時,相關疾病門診人數超額增加百分比(ER%)及其95%置信區間(95%CI)的計算公式,參見式(4~5):

ER% = (exp(D×)-1)100% (4)

ER%(95%CI) = [exp(D×(±1.95SE))-1]100% (5)

2 結果

2.1 急診就診人數與氣象環境要素的描述性統計

由表1可以看出,2009年1月1日至2011年12月31日總急診人數、呼吸系統疾病和循環系統疾病平均每天門診人數分別為818.1例、225.5例和47.7例,其中呼吸系統和循環系統疾病分別占總發病人數的27.56%和5.83%.北京屬于暖溫帶半濕潤大陸性季風氣候,年均氣溫為13.15℃,相對濕度為50.43%.研究時段內,北京市主要大氣污染物PM2.5年均濃度為67.89μg/m3(表1),已經明顯超出了國家GB3095-2012標準中規定的二級空氣質量標準(PM2.5年均濃度二級標準為35μg/m3)[17].其中研究時段內(1095d), PM2.5超標天數為815d(74.42%),這與以往[18]的統計結果一致,表明細顆粒物已成為北京市首要污染物.

表1 2009~2011 年北京市急診就診人數、空氣污染物及氣象因素描述性分析

注:P25,P50和P75分別為第25、50、75百分位數.

2.2 氣溫與急診就診人數的暴露反應關系

在控制了時間趨勢、星期幾效應、節假日效應和空氣污染效應的影響后,利用模型(1),分別擬合了氣溫與總急診人數、呼吸系統和循環系統疾病急診就診人數的暴露反應關系(圖1).整體而言,平均氣溫與全急診人數、呼吸系統疾病急診就診人數的暴露-反應關系均呈現近似“V”型分布特征;與循環系統疾病急診就診人數呈反“V”型分布特征.以呼吸系統疾病為例,從圖上可以看出,最適溫度在12℃附近,此時,氣溫的效應最弱,發病人數最少,以12℃為臨界值(閾值),當氣溫高(低)于此閾值時,呼吸系統疾病日急診就診人數隨著氣溫的升高(降低)而增加.同時還發現,除過呼吸系統疾病外,氣溫與全急診人數和循環系統疾病暴露-反應關系的曲線轉折點也均在12℃附近.所以在后續溫度分層研究中,把12℃作為一個溫度分層的臨界值.

2.3 平均氣溫與PM2.5協同作用對不同疾病的影響

首先,采用不分層模型,檢驗在不同滯后條件下,平均氣溫與PM2.5交互作用分別對全急診人數、呼吸系統和循環系統疾病急診就診人數的影響是否具有統計學意義(<0.05)(表2).如果統計學意義存在,隨后,采用非參數二元響應模型構建平均氣溫與PM2.5協同作用對不同疾病影響的空間分布圖(圖2).表2為不分層情況下,不同滯后天數下氣溫與PM2.5協同作用的統計結果.由表2可見,氣溫與PM2.5對不同疾病的協同互效應(3)存在差異,但在lag01的情況下,PM2.5和氣溫的協同作用對不同疾病的影響均存在統計學意義,因此,在后續研究中,統一選取lag01的PM2.5作為研究對象.在上述研究的基礎上,采用非參數二元響應模型構建平均氣溫與PM2.5協同作用對不同疾病作用的空間分布圖(圖2).由圖可見,對全急診人數、呼吸系統和循環系統疾病而言,急診就診人數高峰均出現在高溫-PM2.5高濃度的情況下,這說明高溫與PM2.5對人群健康的影響存在協同加強的效應.

表2 平均溫度和PM2.5對北京市急診就診人數協同作用的相關系數a

注:*<0.05;a給所有系數乘以1000;lag0:當天; lag1:急診就診的前一天; lag2:急診就診的前兩天; lag01:急診就診當天與前一天的兩天平均值.

2.4 不同溫度分層水平下PM2.5對不同疾病的影響

表3 不同溫度水平下PM2.5濃度每增加10μg/m3對不同疾病急診就診影響的超額增加百分比及95%的置信區間(95%CI)

注:*<0.05.

表3給出了在不同溫度分層水平下,PM2.5濃度變化對不同疾病急診就診人數的影響.目前關于分層溫度臨界值的選取尚無統一方法,Ren等[12]根據氣溫-死亡暴露反應關系曲線擬合圖來選取臨界值,Li等[11]選取研究時段溫度的中位數作為臨界值,此外Li等[19]還通過AIC最小準則來選取臨界值.綜合前人的研究結果,在本文中,分別選取圖1的溫度閾值12℃和研究時段日均氣溫的中位數14.8℃作為臨界值,同時還考慮到一般情況下人體在24℃左右感覺最舒適,不同區域最佳舒適度閾值不盡相同,基于此,還依次選取了24℃、26℃和28℃作為臨界值.在不同閾值情況下,分別分析在相對高溫段(>閾值溫度)和相對低溫段(<閾值溫度),PM2.5濃度變化對不同種類疾病的影響(表3).由表3可見,隨著選取的分層閾值溫度的升高,PM2.5對不同疾病影響的差異較大,其中對全急診人數和呼吸系統疾病而言,當臨界溫度選為12℃和14.8℃時,相對高溫段和相對低溫段均有統計學意義(<0.05),但隨著選取的臨界溫度進一步升高,高溫效應更加顯著且有統計學意義(<0.05),而相對低溫效應無統計學意義;對于循環系統疾病而言,當臨界溫度為28℃時,高溫效應有統計學意義(<0.05),其他溫度段均無統計學意義,表明高溫可以進一步加劇PM2.5對人群健康的不利影響.

3 討論

以往國內在研究污染物、氣溫對相關疾病不利影響方面,關于氣溫、污染物單獨變化對相關疾病發病率/死亡率的研究較多[2,10],而關于氣溫與污染物協同作用對相關敏感性疾病的影響還不多見.然而污染物及其對人群健康的危害并不是孤立存在的,往往是在特定的氣象條件下發生的,因此,有必要開展污染物與氣溫協同作用對人群健康影響的相關研究.基于此,本文嘗試性開展了北京市2009~2011年PM2.5與氣溫協同作用對相關疾病急診就診人數的影響研究,結果表明,平均氣溫與不同種類疾病急診就診人數的暴露-反應關系分布差異較大,與總急診人群和呼吸系統疾病的暴露-反應關系呈近似“V”型分布特征;與循環系統疾病關系呈反“V”型分布特征.同時還發現當溫度和污染物共同作用于人群健康,當分層閾值溫度取28℃時,相對高溫條件下(>28 ℃),PM2.5每增加10μg/m3,全急診人數、呼吸系統和循環系統疾病急診就診人數對應的超額增加百分比分別為0.15%、0.35%和0.34%,均有統計學意義(<0.05),表明PM2.5與高溫對人群健康的影響存在協同作用.

國外已經開展了相關氣溫和大氣污染物協同作用對疾病發病率/死亡率影響方面的流行病學研究[21-23].Stafoggia等[20]對1997~2004年意大利9個城市平均氣溫與污染物的研究發現,夏季PM10濃度每增加10μg/m3,全人群死亡率為2.54% (95%CI: 1.31%~3.78%),冬季無統計學意義,研究表明高溫進一步加劇了顆粒物對人群健康的不利影響.Ren等[21]對布里斯班市氣溫與PM10協同作用的研究結果顯示,在高溫條件下(平均氣溫>26℃),PM10每增加10μg/m3呼吸系統疾病死亡率的超額百分比為4%(95%CI:1.43%, 6.63%),而在低溫條件下無統計學意義.該學者亦研究了1987~2000年美國60個東部城市溫度對O3-死亡影響的調節作用,結果表明高溫可以調節O3對死亡的風險,并且表現出一定的區域差異[22].本研究結果與上述國外的相關研究較為類似,也發現高溫可以加劇PM2.5對人群健康的不利影響.現階段,雖然國外已經開展了污染物與氣溫協同作用對人群健康不利影響的相關研究,但其影響機制尚不清楚.而國內該方面相關研究剛剛起步,研究方法尚不統一.李沛[23]分季節研究了2005~2009年北京市PM2.5對相關疾病死亡人數的影響,發現不同季節污染物對疾病死亡率的影響效果存在差異,其中冬季尤為顯著,這也從側面印證了污染物與低溫對相關疾病死亡率的影響存在協同效應.而本研究在借鑒前人溫度分層臨界點選取方法的基礎上,通過溫度分層的方式嘗試性地開展了不同溫度條件下2009~2011年北京市污染物與氣溫共同作用對該地區相關疾病急診就診人數的影響研究,發現平均氣溫>28 ℃情況下,氣溫與污染物對相關疾病急診就診人數的影響存在協同作用.雖然氣溫和污染物對人群死亡率和發病率的影響存在一定的偏差,研究條件也不一致,本研究側重于相對溫度較高情況下污染物對人群健康影響的研究,尚未開展低溫條件下的相關研究.但不可否認,已有的研究均發現了氣溫與污染物對人群健康的影響存在協同作用,因此,在今后的研究中,考慮污染物與氣溫協同作用對人群健康的影響較為適宜.潘小川等[24]也指出:我國大氣污染的發生是長期大氣污染排放增加與短期氣象條件變化共同作用下促發的,其對人群健康的影響也體現出長期慢性影響和短期急性危害共存、污染和氣象因素交互作用的復雜特點,其中仍有很多未知的科學問題值得今后密切關注,需要我們今后不斷的深入研究和探索.

另外,現階段,關于溫度分層臨界值的選取,尚未有統一的選取標準.Li等[11]選取了氣溫對死亡人數影響的暴露-反應關系曲線的最低點和平均氣溫中位數作為溫度分層的兩個臨界值. Meng等[12]選取了25和75的氣溫百分位數作為溫度分層的兩個臨界值.Ren等[13]分別選取了23 ℃、24℃、26℃和27℃作為溫度分層臨界值.雖然臨界值的選取方式不盡相同,但研究結果均表明高溫與顆粒物共同作用對人群健康的不良影響起到協同加強的效應.綜合前人的研究成果,本研究選取了氣溫對急診就診人數影響的暴露-反應關系曲線的臨界值(12℃)、溫度中位數(14.8 ℃)、人體舒適度臨界值24℃以及26℃和28℃分別作為臨界值.結果也證實了北京市高溫與顆粒物對人群健康相關的影響存在協同效應.

本研究選擇北京市不同種類的急診就診人次作為PM2.5和氣溫交互作用對于相關系統疾病影響的效應指標,優點和局限性并存.其優點是北京市作為我國人口密度高、污染重的典型代表城市,顆粒物尤其是細顆粒物污染十分嚴重,研究該地區污染物與氣溫協同作用對疾病的影響具有典型代表性,可為其它城市(群)提供參考;另一方面與死亡資料相比,急診人次的變化反映PM2.5的急性效應更加敏感.局限性表現在該資料采用的暴露濃度為北京市平均濃度,未能準確反映個體暴露情況,可能造成一定的偏倚.

4 結論

4.1 2009~2011年北京市不同種類疾病急診就診人數與同期氣溫擬合的暴露-反應關系曲線差異較大,其中,與總急診人群和呼吸系統疾病急診就診人數的關系均呈現近似“V”型分布特征;與循環系統疾病急診就診人群的關系呈反“V”型分布特征.

4.2 隨著選取的分層閾值溫度的升高,PM2.5在高溫條件下的效應逐漸增強,且有統計學意義(<0.5).當臨界值為28℃時,高溫效應最顯著,此時PM2.5濃度每升高10μg/m3,全急診人數、呼吸系統和循環系統疾病急診就診人數的超額增加百分比分別為0.15%、0.35%和0.34%,均有統計學意義(<0.05),表明高溫與PM2.5對人群健康的影響存在協同加強效應.

[1] Wehner B, Birmili W, Ditas F, et al. Relationships between sub micrometer particulate air pollution and air mass history in Beijing, China, 2004~2006 [J]. Atmospheric Chemistry and Physics Discussions, 2008,8(3):11321-11362.

[2] 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[J]. 中國環境科學, 2014,34(9):2401-2407.

[3] Dominci F, Peng R D, Bell M L, et al. Fine particulate air pollution and hospital admission for cardiovascular and respiratory diseases [J]. JAMA, 2006,295(10):1127.

[4] 陳仁杰,陳秉衡,闞海東.我國113個城市大氣顆粒物污染的健康經濟學評價 [J]. 中國環境科學, 2010,30(3):410-415.

[5] 陶 燕,劉亞夢,米生權,等.大氣細顆粒物的污染特征及對人體健康的影響 [J]. 環境科學學報, 2014,34(3):592-597.

[6] Chung J Y, Honda Y, Hong Y C, et al. Ambient temperature and mortality: an international study in four capital cities of East Asia [J]. Sci Total Environ, 2009,408(2):390-396.

[7] 馬 盼,李若麟,樂 滿,等.氣象環境要素對北京市消化系統疾病的影響[J]. 中國環境科學, 2016,36(5):1589-1600.

[8] Lin S, Luo M, Walker R J, et al. Extreme High Temperatures and Hospital Admissions for Respiratory and Cardiovascular Diseases [J]. Epidemiology, 2009,20(5):738-746.

[9] Curriero F C, Heiner K S, Samet J M, et al. Temperature and mortality in 11cities of the Eastern United States [J]. American Journal of Epidemiology, 2002,155(1):80-87.

[10] Kan H D, Jia J, Chen B H. Temperature and daily mortality in Shanghai: A time-series study [J]. Biomed Environ Sci, 2003, 16(2):133-139.

[11] Ebi K L, Exuzides K A, Lau E, et al. Weather changes associated with hospitalizations for cardiovascular diseases and stroke in California, 1983~1998 [J]. International Journal of Biometeorology, 2004,49(1):48-58.

[12] Li G, Zhou M, Cai Y, et al. Does temperature enhance acute mortality effects of ambient particle pollution in Tianjin City, China [J]. Science of the Total Environment, 2011,409:1811- 1817.

[13] Meng X, Zhang Y, Zhao Z, et al. Temperature modifies the acute effect of particulate air pollution on mortality in eight Chinese cities [J]. Science of the Total Environment, 2012,435-436(7): 215-221.

[14] Ren C, Tong S. Temperature modifies the health effects of particulate matter in Brisbane, Australia [J]. International Journal of Biometeorology, 2006,51(2):87-96.

[15] 衛生部衛生統計信息中心,北京協和醫院世界衛生組織疾病分類合作中心.國際疾病分類(ICD-10)應用指導手冊[M]. 北京:中國協和醫科大學出版社, 2001:411-435.

[16] Hastie T, Tibshirani R. Generalized additive models for medical research [J]. Statistical Methods in Medical Research, 1990,4: 187-196.

[17] GB 3095-2012 國家環境空氣質量標準[S].

[18] Li P, Xin J, Wang Y, et al. Time-series analysis of mortality effects from airborne particulate matter size fractions in Beijing [J]. Atmospheric Environment, 2013,81(2):253-262.

[19] Li G, Sun J, Jayasinghe R, et al. Temperature Modifies the Effects of Particulate Matter on Non-Accidental Mortality: A Comparative Study of Beijing, China and Brisbane, Australia [J]. Public Health Research, 2012,2(2):21-27.

[20] Stafoggia M, Schwartz J, Forastiere F, et al. Does temperature modify the association between air pollution and mortality? A multicity case-crossover analysis in Italy [J]. American Journal of Epidemiology, 2008,167(12):1476-1485.

[21] Ren C, Tong S. Temperature modifies the health effects of particulate matter in Brisbane, Australia [J]. International Journal of Biometeorology, 2006,51(2):87-96.

[22] Ren C, Williams G M, Mengersen K, et al. Does temperature modify short-term effects of ozone on total mortality in 60large eastern US communities?-An assessment using the NMMAPS data [J]. Environment International, 2008,34(4):451-458.

[23] 李 沛.北京市大氣顆粒物污染對人群健康的危害風險研究 [D]. 蘭州:蘭州大學, 2016.

[24] 潘小川.關注中國大氣灰霾(PM2.5)對人群健康影響的新常態 [J]. 北京大學學報醫學版, 2015,47(3):377-379.

Synergetic effect of mean temperature and PM2.5on emergency room visits for different diseases.

ZHANG Ying1*, WANG Shi-gong1, JIA Xu-wei2, FENG Xin-yuan1, HU Wen-Dong1, YANG Liu1, WANG Jia-xin1, XIAO Dan-hua1, ZHU Rong1

(1.Plateau Atmosphere and Environment Key Laboratory of Sichuan Province, College of Atmospheric Sciences, Chengdu University of Information Technology, Chengdu 610225, China；2.People’s Liberation Army 93544, Baoding 072655, China)., 2017,37(8)：3175~3182

To quantitatively evaluate the synergetic effect of ambient temperature (AT) and PM2.5on different diseases’ emergency room visits (ERVs) in Beijing. After considering some potential confounding factors, such as long term trend of time series, “day of week” effect, holiday effect, and relative humidity, the generalized additive models (GAMs) including non-stratification model, nonparametric bivariate response model and temperature-stratified parametric model, were used to analyze the exposure-effect relationship between PM2.5and ERVs in different temperature conditions from 2009 to 2011 in Beijing. The results showed that, the health effect of PM2.5significantly enhanced under higher temperature with the temperature stratification critical value increasing. The exposure-response relationship between PM2.5and ERVs appeared most significant when 28℃ was chosen as a critical value. The effect estimates per 10μg/m3increase in PM2.5corresponding to 0.15% (95% confidence interval (CI): 0.11%, 0.19%), 0.35%(95%CI: 0.26%, 0.44%) and 0.34%(95%CI: 0.09%, 0.59%) increase of total, respiratory and cardiovascular ERVs on high temperature (>28℃), respectively. However, there was no statistical significance when the temperature was less than 28℃. It means that there was a synergistic strengthening effect of high temperature and PM2.5on public health in Beijing.

ambient temperature；PM2.5；the synergistic effect；the generalized additive models

X503.1

A

1000-6923(2017)08-3175-08

張 瑩(1988-),女,陜西寶雞人,講師,博士,主要從氣象環境與健康研究.發表論文10余篇.

2017-01-12

上海市氣象與環境重點實驗室開放基金課題(QXJK201601);國家重點研發計劃(2016YFA0602004);國家自然科學基金(91644226);國家人口健康科學數據共享平臺(2005PKA32400).

* 責任作者, 講師, zhangy881208@126.com