鄭州市日均氣溫對居民非意外死亡影響的分布滯后非線性模型分析

王永星，閆曉娜，張 杰，楊似玉，張書芳

河南省疾病預防控制中心公共衛生研究所 鄭州 450016

隨著全球氣候變化的加劇，氣象因素的健康效應成為研究熱點，氣溫對人群健康的影響越來越受到關注[1-2]。研究[3-4]顯示，氣溫改變與人群非意外死亡有關，氣溫-死亡暴露反應關系的曲線為非線性，且存在滯后效應。分布滯后非線性模型(distributed lag non-linear model，DLNM)是在廣義線性和廣義相加模型等傳統模型的基礎上，引入自變量和滯后時間的交叉基過程，能同時擬合暴露-反應的非線性關系并分析暴露的滯后效應[5]。本研究利用鄭州市2013年1月1日至2019年12月31日氣象數據、大氣污染物和每日死亡數據，運用DLNM分析氣溫對居民非意外死亡的影響，為有關部門制定干預策略和措施提供依據。

1 資料與方法

1.1 一般資料①居民死亡資料：依據鄭州市死因登記報告信息系統，收集2013年1月1日至2019年12月31日鄭州市城區(中原區、二七區、管城回族區、金水區、上街區和惠濟區)居民死亡資料，按照國際疾病編碼(ICD-10)對非意外總死亡(A00～R99)、循環系統疾病死亡(I00～I99)和呼吸系統疾病死亡(J00～J99)數據進行統計整理。②氣象資料：由鄭州市氣象局提供同期日均氣溫和日均相對濕度(RH)。③大氣污染物監測資料：依據鄭州市主城區9個國控點(經開區管委會、河醫大、鄭紡機、崗李水庫、四十七中、銀行學校、供水公司、市監測站和煙廠)監測的大氣污染數據，計算同期PM10、NO2、SO2的日均濃度(μg/m3)，數據來自鄭州市生態環境局。

1.2 分析方法有研究[6-7]發現日均氣溫指標預測死亡效果較好。所以本研究選擇日均氣溫進行冷、熱氣溫效應分析。定義日均氣溫的第一百分位數[P1(-3 ℃)]和第99百分位數[P99(33 ℃)]為極端低溫和極端高溫。

DNLM建模：利用交叉基函數分析氣象因素與健康效應的非線性及滯后效應，建立交叉基函數并引入廣義線性模型，分析日均氣溫對日均死亡人數的影響[8]。因死亡事件為小概率事件，故采用“quasipoisson”作為連接函數。將大氣污染數據、日均RH、星期幾效應、節假日效應納入模型。DLNM計算公式為：lag[E(Yt)]=α+βTt.l+NS(RHt,υ)+NS(Time,υ)+NS(PM2.5t,υ)+NS(NO2t,υ)+NS(SO2t,υ)+Dowt+Holidayt；式中：Yt為第t天的日均死亡人數，α為截距，β為Tt.l的參數向量，Tt.l為氣溫指標矩陣，l為滯后天數，NS為自然立方樣條函數，υ為自由度，Dowt為星期幾啞變量(周一為1，周二為2……，周日為7)，Holidayt為節假日啞變量(節假日為1，其他為0)。

對長期趨勢自由度(5～8)和氣溫暴露效應(3～6)進行排列組合，以AIC值最小所對應的自由度組合作為模型參數，并參考相關研究[13-15]結果，經模型測試后確定各變量的自由度如下：長期趨勢自由度設為7/a，氣溫和滯后的自然樣條函數自由度設為4和3，RH、NO2、SO2和PM10的自由度均設為3。有研究[7,9-12]發現熱效應表現為急性；冷效應出現相對緩慢，持續時間長，綜合考慮冷熱效應的特點及滯后時間，參考上述研究及本研究數據模型測試結果，最大滯后時間設定為21 d。

1.3 統計學處理采用R 3.6.3進行統計分析，應用Pearson相關性分析氣象因素與大氣污染物相關性。并應用dlnm程序包構建DLNM模型，通過“crossbasis”函數構建交叉基函數，通過“glm”函數擬合模型，通過“crosspred”函數估計相對危險度(RR)及其累計值(cumRR)，并通過plot函數進行結果可視化處理。檢驗水準α=0.05。

2 結果

2.1 資料統計描述2013年1月1日至2019年12月31日，觀察日數為2 556。鄭州市非意外死亡共99 888例，其中循環系統疾病49 740例，呼吸系統疾病11 519例，日均氣溫為(16.4±10.1) ℃，日均RH為(58.2±18.6)%，PM10日均濃度為(140.49±80.06) μg/m3，NO2日均濃度為(50.68±18.85) μg/m3，SO2日均濃度為(29.04±25.71) μg/m3。詳見表1。

表1 2013～2019年鄭州市居民日死亡情況 人/d

2.2 氣象因素與大氣污染物的相關性分析日均氣溫、日均RH與3種污染物濃度之間的相關性均有統計學意義(P<0.05)，詳見表2。

表2 鄭州市日均氣象因素與日均大氣污染物的Pearson相關系數

2.3 氣溫對居民死亡的影響對鄭州市日均氣溫與每日死亡數據進行DLNM建模擬合，發現每日非意外和循環系統疾病死亡主要受高溫和低溫的影響，高溫表現為急性，低溫表現為滯后效應。見圖1。因呼吸系統疾病死亡人數較少，模型不穩定，故未分析。

圖1 氣溫在不同滯后天數對非意外和循環系統疾病死亡影響的3D分析

鄭州市日均氣溫與每日非意外死亡數和循環系統疾病死亡數的關系均為非線性關系。每日非意外死亡和循環系統疾病死亡的最小效應氣溫(MMT)均為27 ℃(P66)。以MMT為參考，計算日均氣溫P1(-3 ℃)和P99(33 ℃)的效應。見圖2。

圖2 2013～2019年鄭州市日均氣溫對每日死因人數的效應

以日均氣溫的P99(33 ℃) 和P1(-3 ℃)分別作為熱和冷效應的氣溫截點。不同滯后天數內的RR值見圖3。由圖3可知，與MMT相比，由第4天開始，氣溫對非意外和循環系統疾病死亡的冷效應增加，冷效應作用時間均為第4天至第12天，持續9 d，均在第7天時RR值最高，RR(95%CI)分別為1.041(1.024～1.059)和1.046(1.021～1.070)；由當天開始，氣溫對非意外和循環系統疾病死亡的熱效應風險增加，熱效應作用時間均為當日至第5天，持續6 d，均在當日時RR值最高，RR(95%CI)分別為1.039(1.013～1.067)和1.050(1.009～1.085)。

A、C：冷效應；B、D：熱效應

非意外死亡的累積冷效應在滯后21 d達到最大，RR(95%CI)為1.398(1.115～1.752)，累積熱效應在滯后11 d達到最大，RR(95%CI)為1.178(1.070～1.297)。循環系統疾病死亡的累積冷效應在滯后16 d達到最大，RR(95%CI)為1.301(1.010～1.675)，累積熱效應在滯后9 d達到最大，RR(95%CI)為1.239(1.097～1.398)。詳見表3。

表3 氣溫對非意外死亡和循環系統疾病死亡的累積冷效應和熱效應 cumRR(95%CI)

續表3 cumRR(95%CI)

2.4 分層分析將人群按性別、年齡進行分層，分別進行 DLNM 建模擬合。根據最大滯后效應對應的滯后天數對低溫(-3 ℃)滯后21 d和高溫(33 ℃)滯后11 d的累積效應進行分析，結果見表4。累積冷效應和熱效應對男性死亡的影響均有統計學意義(P<0.05)，對女性死亡的影響均無統計學意義(P>0.05)；累積冷效應對男性死亡影響高于累積熱效應。累積冷效應和熱效應對≥65歲人群死亡的影響均有統計學意義(P<0.05)，對<65歲人群死亡的影響均無統計學意義(P<0.05)；累積冷效應對≥65歲人群死亡影響高于累積熱效應。

表4 氣溫對不同性別和年齡人群非意外死亡的累積效應 cumRR(95%CI)

3 討論

本研究采用DLNM模型探討鄭州市日均氣溫對居民死亡的影響，結果顯示日均氣溫與非意外死亡和循環系統疾病死亡之間呈非線性關系，熱效應表現為急性，冷效應存在數天的滯后性，與國內外關于氣溫-死亡關系的大多數研究[10-16]結果一致。

本研究為確定當地地區冷效應和熱效應的滯后期及效應持續時間，為本地區制定防控策略，進一步探討了極端低溫(-3 ℃)和極端高溫(33 ℃)的效應模式。結果顯示，冷效應表現為滯后性，從第4 天開始，持續至第12天；熱效應表現為急性效應，當日效應達到最大，持續6 d。鄭州市觀測到的氣溫對死亡影響所呈現的冷、熱效應作用時間與其他城市研究結果存在差異[10-16]。氣溫對死亡的影響具有區域特異性，可能跟城市所處地理緯度、當地經濟發展情況、人群的年齡分布、空氣污染水平等因素有關[17-19]；所以，應該結合當地實際情況，采取合理有效地防控措施。

本研究按照不同性別進行分層分析，結果表明，累積冷效應和熱效應對男性死亡的影響均有統計學意義，但對女性無明顯影響。可能與男性在外環境工作人群中所占比例以及其外向型性格易在低溫和高溫中暴露有關。按照年齡進行分層分析，結果表明，累積冷效應和熱效應對≥65歲人群的影響均大于<65歲人群?？赡芘c老年人心肺功能及外周氣溫調節能力下降，多已有基礎性疾病等因素有關，在極端低溫和高溫暴露時表現更脆弱[20-21]。

綜上所述，高溫和低溫均能增加鄭州市居民非意外和循環系統疾病的死亡風險，均存在累積效應。基于本研究，應注重極端氣溫對居民的健康影響，尤其是加強對≥65歲的男性人群的防護。此外，本研究僅分析了一個城市的數據，外推時具有一定局限性；利用既往資料分析，死亡病例存在一定的漏報率，可能存在一定的偏移。