成都市氣溫與PM2.5和O3交互作用對疾病死亡人數的影響研究

張 瑩,辛金元,馬 盼,馮鑫媛,張小玲,3,王式功,張家熙,馮虹玫,鄭燦軍 (.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,氣象環境與健康研究院,四川 成都 60225；2.中國科學院大氣物理研究所,大氣邊界層物理和大氣化學國家重點實驗室,北京 00029；3.北京城市氣象研究院,京津冀環境氣象預報預警中心,北京 00089；.中國疾病預防控制中心,北京 02206)

四川盆地作為我國五大重污染區域之一,近幾年,以細粒子、臭氧污染為主要特征的區域持續性重空氣污染發生頻次明顯增加.自《大氣十條》實施以來,當地政府及環保部門采取了多方面強有力措施,使得當地空氣質量持續改善,但現階段四川盆地大氣復合污染形勢依然嚴峻[1],具體表現在近年來冬季霧霾超標顯著、夏季臭氧污染持續增加,區域空氣質量管理與控制已經進入了霧霾和臭氧協同防治的深水區,與公眾對空氣質量改善的期盼還有差距[2].與此同時,受大氣污染的影響,呼吸系統疾病、心腦血管疾病及癌癥發病率及死亡率逐年升高[3].2015年全球疾病負擔評估報告指出:PM2.5已成為全球第五大致死風險因素,長期暴露于PM2.5造成420萬人死亡,O3位于第34,長期暴露于O3造成25萬人死亡[4].我國因空氣污染所致的人均死亡率居世界前列[5],空氣污染對人群健康的不利影響,已引起了我國政府、公眾及學者們的廣泛關注[6].

已有研究指出 PM2.5對呼吸和心腦血管等系統疾病的急診就診、住院和死亡人數均有顯著影響,即使低濃度的 PM2.5也會對人群健康產生不利影響[7-11].毒理學研究也證實了 PM2.5可隨呼吸進入肺部,對呼吸道產生損傷,并造成肺部及全身性炎癥;沉積在血管部分的PM2.5可進入血液循環過程,導致心腦血管系統損傷等[12].此外,O3是一種具有強氧化性的氣體,也會對人體造成不良的健康效應[13],與細粒子相比,關于 O3健康效應的研究在我國起步相對較晚,現有的大部分研究結果主要來自歐美國家[14-16],我國 O3暴露對人群健康效應影響的流行病學研究還十分有限[17].

現階段關于成都市污染物對當地人群健康影響的研究相對較少,覃芳葵等[18]率先開展了 PM2.5質量濃度與呼吸和心腦血管疾病急救人次的關聯,曾婕[19]評估了由 PM2.5導致的當地老年人超額死亡風險,關于當地O3健康效應的相關研究還鮮有報道.污染的發生是長期大氣污染物過量排放與特殊氣象條件共同作用的產物,其對人群健康的影響也體現出其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.我國其它幾個大氣重污染區關于污染物與氣溫協同作用對人群健康影響尚處于摸索階段[20],成都地區也亟待開展該方面的研究.

基于此,本研究采用國際上通用的流行病學統計模型—基于時間序列的分布滯后非線性模型(Distributed Lag Non-linear Model, DLNM)和廣義相加模型(Generalized Additive Models, GAMs)相結合,以呼吸和心腦血管疾病死亡數據為健康效應指標,選取人口密度大、PM2.5和O3污染重的成都作為代表,從環境醫學與醫療氣象相結合的角度,開展氣溫、污染物(PM2.5或O3)單因素及其二者交互作用分別對當地人群呼吸系統和心腦血管疾病死亡的影響研究,由此揭示雙重因素協同致病的成因,對于保護當地居民健康具有重要的科學價值和現實意義,也為當地有效開展空氣污染的健康風險評估和制定人群健康促進策略提供科學依據.

1 資料與方法

1.1 資料來源

1.1.1 疾病資料數據 2014年1月1日～2016年12月31日成都市疾病死亡資料來源于中國疾病預防控制中心(CDC)全國疾病監測系統死因監測數據集,首先根據患者家庭住址信息剔除非成都市居住的人群資料,以確保研究對象均為成都市常住人口;其次,根據國際疾病分類標準第10版(ICD-10)[21]對病例資料進行分類整理,提取呼吸系統疾病(ICD-10編碼: J00-J99)和心腦血管疾病(ICD-10 編碼:I00-I99)死亡人數資料,最終分別收集到呼吸系統和心腦血管疾病死亡病例59676例和76721例.

1.1.2 大氣環境監測資料 同期的污染物數據來源于中華人民共和國生態環境部,包括PM2.5日均濃度和每日臭氧最大8h平均濃度(采用O3表示).

1.1.3 氣象資料來源 同期的氣象資料來源于中國氣象科學數據共享服務網,為日常監測收集的成都市氣象數據資料,主要包括日平均氣溫(℃)、相對濕度(%)和日平均風速(m/s)等,氣象數據資料已經過國家氣象信息中心嚴格的質量控制,經檢查無缺測.

1.2 研究方法

利用R軟件(4.0.3版本)中的“dlnm”和“mgcv”程序包進行分布滯后模型(DLNM)和廣義相加模型(GAMs)建模.氣溫與疾病死亡的關聯呈非線性,且氣溫對人群健康的影響存在較長的滯后和累積效應,采用 DLNM 擬合氣溫的“交叉基”函數,確定氣溫的最大滯后時間,更好地捕獲氣溫對疾病死亡影響的滯后效應和累積效應[22].GAMs作為國際上通用的流行病學健康效應評估模型,是對氣象要素及污染物等環境因素健康影響的獨立效應及交互效應進行非線性回歸分析的一種較為靈活有效的方法.本研究采用的GAMs包含了獨立效應模型、非參數二元響應模型和氣溫分層模型共三個模型.首先,通過獨立效應模型分析氣溫、PM2.5或 O3的單獨效應;其次,采用非參二元響應模型和氣溫分層模型相結合,來探究氣溫與PM2.5(或O3)交互作用對疾病死亡風險的影響,其具體步驟如下.

第一步,采用GAMs的獨立效應模型估算氣溫、PM2.5和O3分別對當地呼吸和心腦血管疾病死亡人數影響的獨立效應.此處以 O3對成都市心腦血管疾病死亡的影響為例建模,即以心腦血管疾病逐日死亡人數為響應變量,在控制時間的長期趨勢、周末效應、節假日效應以及氣溫的影響后,探討 O3濃度變化對心腦血管疾病死亡人數的影響,該模型如下:

式中:Yt為第t日心腦血管疾病死亡人數;E(Yt|X)為第t日心腦血管疾病死亡人數的期望值;星期效應和節假日效應分別以啞變量(DOW)和(Holiday)形式納入模型;隨后采用自然立方樣條函數 NS()擬合非線性參數,其中包括時間序列(Time)、相對濕度(RH)和平均風速(Wind).T表示日均氣溫,basis.T表示由DLNM 構建的氣溫的“交叉基”函數;本團隊前期的研究結果已表明成都市氣溫對當地呼吸和心腦血管疾病死亡影響的最大滯后時間為 21d[23],因此在本研究中氣溫的最長滯后時間定為 21d,根據AIC(Akaike information criterion)準則確定各參數的自由度(df);α為殘差.前人研究表明污染物與疾病死亡的關系近似呈線性[23],本研究將O3以線性形式擬合進模型,由于污染物之間存在較強的共線性,因此,本研究中僅考慮單污染物效應模型,即在研究 O3健康效應的時候,模型僅納入污染物 O3,而不將其它污染物作為混雜效應納入模型.同時,考慮到污染物對疾病死亡人數的影響可能存在滯后效應,因此,分別擬合 O3單滯后天數(當天的污染物濃度以及 1～4d前的污染物濃度,依次記為 lag0、lag1、lag2、lag3和 lag4)和累積滯后天數(當天的污染物濃度與前1～4d污染物濃度平均,依次記為lag01、lag02、lag03和lag04)與疾病死亡人數的關系,從而確定對疾病死亡風險最大的滯后天數.本文中lag01的PM2.5和O3健康效應均最顯著(結果分析部分),因此,在后續的研究中均使用lag01的PM2.5和O3作為研究對象.

由于不同季節污染物濃度差異較大,在上述研究的基礎上,本研究進一步分季節(春季:3～5月;夏季:6～8月;秋季:9～11月;冬季:12～翌年2月)探討不同季節 PM2.5(或 O3)濃度變化對兩種疾病死亡人數的影響.

第二步,在上述污染物獨立效應研究的基礎上,通過建立非參數二元響應模型,直觀給出平均氣溫與 PM2.5(或 O3)交互作用對疾病死亡人數影響的三維空間圖,定性分析平均氣溫與污染物交互作用對人群健康的風險,以日均氣溫與O3交互作用為例,具體模型如下:

式中:ST為薄板樣條函數(thin-plate spline),COVs同模型(1)中.

第三步,以第一步氣溫-疾病死亡獨立效應給出的氣溫-疾病死亡曲線關系為基礎,找出溫度閾值,在此基礎上,進一步構建溫度分層模型,定量分析不同溫度層內污染物(PM2.5或 O3)對疾病死亡的健康風險.具體公式如下:

式中:β1表示在溫度層 k內污染物(PM2.5或 O3)對疾病死亡影響的單效應回歸系數; β2表示氣溫對疾病死亡影響的單效應回歸系數;β3表示氣溫和污染物共同作用對疾病死亡影響的回歸系數;COVs同模型(1)中.

根據模型(1)估算出的回歸系數β和標準差SE,從而對污染物的健康效應做出定量評價.當 PM2.5(或O3)濃度每升高10μg/m3時,通過估算居民每日死亡人數的相對危險度(RR)和超額增加百分比(ER%)及其95%置信區間(95% Confidence Interval, 95%CI)來表示 PM2.5(或 O3)的健康風險,其中 RR、ER 及ER%(95%CI)計算公式見式(4)～(6):

2 結果與分析

2.1 統計分析

由表1可知,2014～2016年成都市呼吸系統和心腦血管疾病日均死亡人數分別為(54±16)例和(70±15)例.成都屬于亞熱帶季風性濕潤氣候,氣候溫和,研究時段內,成都市日均氣溫為(16.6±7.2)℃,變幅為-1.9～29.8℃;日均相對濕度為(81.7±8.2)%,變幅為 42.0～98.0%;日 均 風 速 為(1.3±0.5)m/s,變 幅 為0.3～3.4m/s.此外,研究時段內,成都市 PM2.5和 O3年均濃度分別為(65.4±44.2)μg/m3和(119.9±60.6)μg/m3,PM2.5日均變幅為 10.7～426.4μg/m3,O3日均變幅為 13.2～331.1μg/m3,兩種污染物日均濃度變幅范圍均較大.且 PM2.5和 O3兩種污染物年均濃度均超過世界衛生組織(WHO)頒布的《空氣質量準則》[24]的標準 10μg/m3和 100μg/m3.

表1 2014～2016年成都市相關疾病死亡人數、氣象要素及污染物的描述性分析Table 1 Descriptive statistics on daily mortality, meteorological variables, and air pollutants levels in Chengdu during 2014～2016

2.2 氣溫變化對疾病死亡風險的影響

由圖 1可知,氣溫與兩種疾病死亡人數的累積暴露-反應關系均呈反“J”型分布,最適溫度為22.2℃,此時,氣溫對疾病死亡影響的風險最小.以 22.2℃為臨界值,隨著氣溫的進一步升高(或降低),氣溫對疾病死亡的風險均呈增加趨勢,即氣溫過高或過低均會導致兩種疾病死亡人數的增加.

圖1 2014～2016年成都市平均氣溫分別與呼吸和心腦血管疾病死亡人數的累積暴露-反應關系Fig.1 Cumulative exposure-response association of mean temperature with respiratory and cardiovascular mortality in Chengdu 2014～2016

2.3 PM2.5和O3分別對疾病死亡風險的影響

2.3.1 不同滯后時間條件下污染物對疾病死亡風險的影響 污染物對人群健康的影響也存在短時間的滯后和累積效應,由圖 2可知,兩種污染物對呼吸和心腦血管疾病死亡的影響均在累積滯后1d(lag01)的情況下最為顯著.因此,在后續研究中均以lag01的PM2.5和 O3作為研究對象.經計算,lag01的 PM2.5濃度每升高 10μg/m3,呼吸系統和心腦血管疾病死亡風險分別增加0.58% (95%CI: 0.29, 0.88)和0.35% (95%CI: 0.14, 0.56);lag01的O3濃度每升高10μg/m3,呼吸系統和心腦血管疾病死亡風險分別增加0.54% (95%CI: 0.25, 0.83)和0.66% (95%CI: 0.42,0.90).

圖2 不同時間滯后條件下(單滯后 lag0～lag4 和累積滯后lag01～lag04)PM2.5和O3濃度變化導致的呼吸和心腦血管疾病超額死亡風險Fig.2 Excess risk of respiratory and cardiovascular mortality associated with PM2.5 and O3 at single lag 0～4days and cumulative lag 01～04days

2.3.2 不同季節污染物對疾病死亡風險的影響 圖 3為不同季節兩種污染物(PM2.5或 O3)分別對呼吸和心腦血管疾病死亡風險的影響效應.由圖可知,PM2.5對呼吸和心腦血管疾病死亡人數的影響在冬季最為顯著,冬季PM2.5濃度每升高10μg/m3,呼吸和心腦血管疾病死亡風險分別增加 0.63%(95%CI: 0.36, 0.91)和 0.37% (95%CI: 0.16, 0.58),而其他季節均不顯著.就O3季節效應而言,O3對呼吸和心腦血管疾病死亡人數的影響在春秋季節較為顯著,均有統計學意義(P＜0.05),秋季尤為顯著,秋季 O3濃度每升高10μg/m3,呼吸和心腦血管疾病死亡風險分別增加 0.56% (95%CI: 0.22, 0.90)和 0.69%(95%CI: 0.42, 0.97),而冬季不顯著.

圖3 不同季節PM2.5和O3濃度變化導致的呼吸和心腦血管疾病超額死亡風險Fig.3 Excess risk of respiratory and cardiovascular mortality associated with PM2.5 and O3 at different season

2.4 氣溫與PM2.5(或O3)交互作用對疾病死亡風險的影響

如圖4所示,氣溫與PM2.5(或O3)交互作用對呼吸和心腦血管疾病死亡風險的影響差異較大,值得注意的是,高溫與高濃度PM2.5(或O3)共存的情況下,呼吸系統和心腦血管疾病死亡人數均達到最大,即高溫與高濃度 PM2.5(或 O3)對呼吸和心腦血管疾病死亡人數的影響存在協同加強效應.

圖4 2014～2016 年成都市日均氣溫與PM2.5或(O3)交互作用對呼吸和心腦血管疾病死亡人數影響的平滑曲面圖Fig.4 Bivariate response surfaces of mean temperature and PM2.5 (or O3) for respiratory and cardiovascular mortality in Chengdu during 2014～2016

在上述定性研究氣溫和 PM2.5(或 O3)交互效應對兩種疾病死亡人數影響的基礎上,進一步采用溫度分層模型,分析氣溫與PM2.5(或O3)交互作用對兩種疾病死亡風險的定量效應.依據氣溫-疾病死亡的累積暴露反應-關系圖(圖 1),以 22.2℃為溫度閾值,將氣溫劃分為相對高溫(＞22.2℃)和低溫(＜22.2℃)兩部分,繼而分析不同溫度條件下,PM2.5和 O3濃度變化對兩種疾病死亡的影響效應(表2).由表2可知,高溫段污染物的健康效應均高于低溫段,且強于獨立效應模型中污染物的健康效應.

表2 不同溫度水平下PM2.5和O3濃度變化對疾病死亡的影響Table 2 Excess risk in respiratory and cardiovascular mortality with 10ug/m3 increases in PM2.5 and O3 across different temperature levels

3 討論

3.1 污染物單效應討論

國內外關于氣溫及污染物對相關疾病發病率/死亡率的獨立效應研究已有很多,但不同區域研究結果差異較大[6,10].就氣溫而言,成都市氣溫與兩種疾病死亡人數均呈反“J”型分布特征,即冷效應的健康風險大于熱效應,主要原因在于高溫和低溫對人群健康影響的效應不同,高溫表現為急性效應,熱效應往往在高溫發生的當天較強,之后迅速降低;而低溫效應在發生當天并不是最強的,隨著時間的滯后冷效應開始顯現,且持續時間遠長于高溫,較長的滯后時間從而導致冷效應累積的健康風險較高,即“高溫效應即時,低溫效應滯后”[10].此外,本研究中成都市最適宜溫度為 22.2℃,這與其它城市的最適宜溫度存在一定的差異,Yang等[25]采用DLNM模型對我國多個城市的心腦血管疾病死亡人數與氣溫的關聯進行了研究,結果表明哈爾濱、沈陽、長沙和廣州市最適宜溫度分別為 20.6℃、21.5℃、25.1℃和26.5℃,這說明高溫的南方地區最適宜溫度要比寒冷的北方地區高.

本研究針對成都市兩種污染物(PM2.5和 O3)分別與呼吸和心腦血管疾病死亡人數的關聯進行了研究,發現兩種污染物均與呼吸和心腦血管疾病死亡存在顯著關聯,研究時段內 PM2.5(lag01)濃度每升高10μg/m3,對應的呼吸和心腦血管疾病死亡風險分別增加0.58%和0.35%,O3濃度每升高10μg/m3,對應的呼吸和心腦血管疾病死亡風險分別增加0.54%和0.66%,且均有統計學意義(P＜0.05).這與前人研究結果較為接近,Shang等[26]對中國城市PM2.5健康風險的 Meta分析研究結果顯示 PM2.5濃度每增加10μg/m3,呼吸系統和心血管系統疾病死亡率分別增加0.51%和0.44%.劉濤等[27]對我國珠三角地區部分城市O3對居民死亡風險的Meta分析研究結果顯示O3濃度每增加 10μg/m3,該地區居民死亡風險增加0.35%.葉偉鵬等[28]對我國 O3短期暴露于人群死亡之間關系的Meta分析結果表明,大氣中O3濃度每增加10μg/m3,呼吸系統疾病死亡率增加0.67%.

分季節研究結果表明,成都市 PM2.5和 O3濃度變化對人群健康的影響存在明顯的季節差異.就PM2.5而言,PM2.5濃度與呼吸系統和心血管系統疾病死亡風險的關系僅在冬季顯著相關,而其他季節均不顯著.經統計,研究時段內春、夏、秋、冬四季的 PM2.5濃度依次為 64.55、40.54、52.69和104.32μg/m3,成都地區冬季PM2.5濃度遠高于其他季節,冬季出現持續霧霾污染事件較多,這是造成當地冬季 PM2.5健康風險較高的主要原因.但就 O3而言,研究時段內春、夏、秋、冬四季的 O3濃度依次為146.03、170.40、91.79和 70.26μg/m3,成都市春秋季節O3的健康風險較高,而冬夏季節的健康風險較低.這與現有的國內外研究結果存在一定差異,例如歐美部分國家的研究結果均顯示暖季 O3暴露與人群死亡風險顯著相關,而在寒冷季節卻不顯著[29-30].而香港的研究結果表明,在寒冷季節 O3暴露與當地呼吸和心血管系統疾病死亡風險均存在顯著地正相關,而暖季卻不顯著[31].本研究中,春秋季節 O3效應強,而冬夏季節效應較弱.可能原因在于:成都屬于亞熱帶季風性濕潤氣候,全年氣候溫和,夏季室外暴曬,人們更習慣于待在室內使用空調,從而大大減少了室外空氣的暴露.而春秋季天氣溫和舒適,人們室外活動頻繁且開窗更多,導致人們暴露于室外環境的時間較長,這可能是導致春秋季 O3健康風險較高的原因.說明在冬季預防霧霾造成的健康風險的同時,春秋季節也要關注由 O3導致的呼吸和心腦血管疾病的健康風險.

3.2 氣溫與污染物協同效應討論

污染物會對人群健康產生不利影響,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,開展污染物與氣溫交互作用對人群健康影響的相關研究很有必要.本文嘗試性開展了成都市氣溫、PM2.5(或 O3)及其二者交互作用對呼吸系統和心腦血管疾病死亡人數的影響研究.發現氣溫與污染物交互作用對疾病死亡人數的影響十分復雜,但值得注意的是:氣溫與污染物交互作用對人群健康影響風險的最大值均出現在高溫與高濃度的污染物共存的條件下,與此同時,溫度分層研究結果表明高溫段PM2.5(或O3)對兩種疾病死亡影響的健康風險均大于低溫段,且大于不分層條件下PM2.5(或O3)的獨立健康效應.由此說明,高溫與高濃度的PM2.5(或O3)對人群健康的影響存在協同放大效應.這與 Zhang等[21]在北京的研究結果較為一致,均發現高溫與高濃度的PM2.5對疾病死亡存在協同放大效應.

本團隊前期開展了關于氣溫和 PM2.5交互作用對呼吸和心腦血管疾病的影響研究,也給出了合理的生物解釋[20].目前尚無確鑿的證據直接揭示氣溫與 O3對疾病死亡影響的協同加強效應,但生物學理論一定程度上解釋了高溫和 O3共同作用導致死亡率增加的可能原因.一方面,短期暴露在高溫下會引起一系列生理變化,高溫可刺激人體體溫調節,通過增加散熱維持熱平衡,此時血液循環加速,加重心臟壓力,同時高溫使得人體排汗增加,大量的無機鹽離子隨之排出,導致細胞電解質紊亂和酸堿平衡失調而出現心律失常,水分的過多丟失會引起循環障礙等一系列生理反應,這一系列生理反應會導致生理壓發生了改變,從而使得人體更容易受到有毒物質的入侵[32].另一方面,臭氧具有強氧化能力,對生物的粘膜具有很強的刺激性和腐蝕性[15],毒理學證據也表明臭氧可以引起肺部炎癥,增加呼吸道反應,甚至導致血液流體動力學的改變等[16],從而誘發、加重呼吸和心腦血管疾病,甚至導致死亡.動物實驗也表明熱浪聯合 O3暴露可加劇小鼠炎癥反應的發生,熱浪和 O3協同暴露造成比各自單獨暴露更嚴重的心肺炎癥損傷[33],據此可以推測兩者聯合暴露對人群健康的影響可能存在一定的交互作用.

本研究存在一定的局限性和不足之處,首先,由于污染物之間存在較高的共線性,因此本研究僅使用了單污染物模型,而未使用多污染物混合模型,可能導致結果存在一定偏倚,后續還需進一步深入探討.其次,本文所用污染物數據僅來自成都市多個污染物監測站點的濃度平均值,無法代表個體實時暴露水平;與此同時,在進行疾病死亡數據資料收集時,無法判斷該居民是長期在成都居住還是短時間居住,這些均會導致結果存在一定偏倚.此外,污染物對不同性別、年齡段人群的影響也存在差異,鑒于本研究所收集資料的限制,沒有分性別、年齡進行更進一步細致地研究,在后續進一步收集成都市不同性別、年齡段疾病死亡資料的基礎上,彌補上述研究的不足.

4 結論

4.1 成都市氣溫、污染物(PM2.5和O3)對呼吸系統和心腦血管疾病死亡人數有著顯著影響,就平均氣溫和污染物單效應而言,氣溫與兩種疾病死亡人數的暴露-反應關系均呈反“J”型分布特征.兩種污染物的健康效應均在 lag01的情況下達到最大,此時,PM2.5和O3濃度每升高10μg/m3,對應的呼吸系統疾病死亡風險分別增加0.58%和0.54%,心腦血管疾病死亡風險分別增加0.35%和0.66%,且均有統計學意義(P＜0.05).

4.2 就兩種污染物的季節效應而言,冬季 PM2.5對呼吸和心腦血管疾病死亡影響的風險最為顯著,其它季節均不顯著,冬季PM2.5濃度每升高10μg/m3,呼吸和心腦血管疾病死亡風險分別增加 0.63%和0.37%;而秋季O3健康風險最為顯著,此時,O3濃度每升高10μg/m3,呼吸和心腦血管疾病死亡風險分別增加0.56%和0.69%,且均有統計學意義(P＜0.05).

4.3 高溫段PM2.5(或O3)的健康效應明顯高于低溫段,即高溫與高濃度PM2.5(或O3)對疾病死亡的影響存在協同加強效應,高溫段 PM2.5濃度每升高10μg/m3,呼吸和心腦血管疾病死亡風險分別增加2.30%和1.09%,O3濃度每升高10μg/m3,呼吸和心腦血管疾病死亡風險分別增加1.14%和1.03%.