某市大氣污染物與當地居民心血管事件發生的關聯性研究

摘 要：本文探究某市大氣污染與當地心血管事件發生的關聯關系。收集2018年1月1日—2022年12月31日某市心血管事件、氣象及污染物監測資料，通過控制氣象、時間及假日等因素，分冷、暖兩季構建類Poisson分布的廣義相加模型，分析各污染物對疾病發生的滯后效應。冷季建模發現，PM2.5、PM10危險超額在滯后13d分別為0.16%、0.12%，NO2在滯后19d達2.07%（95%CI為1.33%～2.81%），SO2在滯后18d達0.54%（95%CI為0.30%～0.79%）；暖季O3在滯后12d危險超額0.10%（95%CI為0.05%～0.16%）。結果表明，冷季PM2.5、PM10、NO2、SO2可能對某市心血管事件發生具有滯后效應關聯；暖季O3可能對某市心血管事件發生具有滯后效應關聯。

關鍵詞：大氣污染；心血管事件；氣象因素；廣義相加模型

中圖分類號：R 31 文獻標志碼：A

心血管事件（Cardiovascular Events，CVE）是一組危及生命安全的心腦血管疾病。有研究顯示，極端氣候變化會誘發CVE。一方面，氣候變化能直接改變氣溫、氣壓等氣象因素，對CVE產生作用。另一方面，氣候變化易造成工業負荷活動，過量排放的污染物將增加人群超重或肥胖、2型糖尿病、高血壓、血脂異常等危險因素的發生風險[1]，進而誘發CVE。研究認為，暴露于大氣污染會增加CVE的死亡風險，通常表現為滯后效應[2]。

某市化工、建材、電力等工廠企業眾多，顆粒物（細顆粒物PM2.5、可吸入顆粒物PM10）、二氧化硫（SO2）、氮氧化物（NOx）、氟化物等污染嚴重[3]。目前未見某市大氣污染與當地居民CVE發生的關聯研究成果，因此本文以某市2018—2022年CVE日報數據為基礎，構建類Poisson分布的廣義相加模型（Generalized Additive Model，GAM），以充分探討污染物對CVE發生的滯后效應，為某市相關部門制定策略措施提供數據參考。

1 材料與方法

1.1 資料來源

研究選取2018年1月1日—2022年12月31日某市CVE日報資料，數據來源于疾控中心CVE監測報告系統。根據國際疾病分類第十版（ICD-10），選取心血管疾?。毙孕募」Ｋ溃↖21～I22）、心臟性猝死（I46.1）；腦血管疾?。褐刖W膜下腔出血（I60）、大腦內出血（I61）、其他非外傷性顱內出血（I62）、腦梗塞（I63）、未特指為出血或梗塞的中風（I64）等）作為健康效應觀測終點。搜集整理CVE發生時間、診斷分類、患者性別、年齡等基本信息。對應收集同期某市氣象因素（氣溫、氣壓、相對濕度、風速）、大氣污染物（PM2.5、PM10、NO2、SO2、O3）日均監測資料，數據來源于國家氣象科學數據中心（http：//data.cma.cn/）。

1.2 描述性統計

使用SPSS25.0與R4.2.2軟件統計CVE診斷構成及各年人口的性別、年齡構成并繪制氣象與污染物數據的時間序列模式，了解數據的季節性波動及污染物超標情況。正態分布數據用均數和標準差（x±s）、非正態分布數據用中位數（Me）和四分位數間距（IQR）描述分布特征。

1.3 相關性分析

CVE日發生數不服從正態分布，使用Spearman相關分析并繪制相關性熱圖。

1.4 廣義相加模型

每日CVE發生可視為小概率事件，數據分布近似Poisson分布，考慮數據過于離散（μ≠σ2），因此選擇類Poisson形式進行模型整擬[4-5]，如公式（1）所示。

式中：Log（）為類Poisson分布的連接函數；μt為第t日的健康結局預期值；α為截距；β為各污染物的回歸系數，污染物濃度變化1個單位，人群健康結局發生數變化（eβ-1）×100%；xt為第t日的污染物日平均濃度；τ為污染物暴露的滯后日；s（）為非參數平滑函數；啞變量為納入假期、星期信息分別控制節假日效應（Holiday）與星期幾效應（dayoftheweek，DOW）的短期波動影響。

通過查閱文獻[5]及最小化殘差自相關（PACF）確定自由度ν，時間為6，氣象因素為3。

以R4.2.2mgcv包中的gam（）函數擬合GAM[5]，控制時間長期趨勢、氣象混雜（氣溫、氣壓、濕度、風速）、節假日短期波動，并根據冷、暖季節進行分層研究，探究各污染物在不同滯后日對CVE發生的超額危險及95%可信區間。本文選用1d～14d為滯后時段，用Lagi表示（i=1，2，…，14）。當日效應為Lag0，Lag1表示當天與前一天的平均暴露濃度，以此類推。調整PM2.5、PM10、NO2、SO2、O3各污染物每增加10μg/m3計算超額百分比。

2 結果

2.1 CVE構成情況

研究期間共監測CVE7042例，其中男性4324人（61.40%），女性2718人（38.60%）；以WHO定義對年齡分層發現，60歲以上患者占總患病數的65.80%。各年發病人口性別構成相似，老年居民CVE發生數總體呈上升趨勢，見表1。疾病分布結果顯示，人群主要疾病診斷為腦梗塞、心肌梗死、腦出血（分別占比62.24%、19.23%、12.88%）。

2.2 氣象因素和污染物的季節特征

根據可視化氣象因素及污染物的時序模式發現，各因素均存在明顯的季節性波動，以波動情況劃分當地暖季為4—9月，冷季為10—次年3月。本文監測人群居住區污染信息，參照《環境空氣質量標準》（GB 3095—2012）規定，相應二級濃度限值：PM2.5（75μg/m3）、PM10（150μg/m3）、NO2（80μg/m3）、SO2（150μg/m3）、O3（160μg/m3）。研究期間PM2.5、PM10兩項污染物存在超標情況（26d、2d）。

2.3 CVE發生、氣象因素和污染物分布的基本情況

研究期間，某市CVE日均發病3例，冷暖分季未見差異，最高日發病22例；氣象因素日均情況如下：氣溫21.50（7.30）℃、氣壓882.40（8.30）hPa、濕度69.00（16.00）%、風速2.80（2.00）m/s，其中暖季氣溫、相對濕度均高于冷季，氣壓暖季低于冷季，風速在冷暖季未見差異。

污染物日均情況如下：PM2.521.1（20.00）μg/m3、PM1030.60（26.90）μg/m3、NO28.40（4.40）μg/m3、SO210.50（6.30）μg/m3、O360.90（35.20）μg/m3，均未超過國標二級濃度限值標準，且均表現為冷季濃度高于暖季，見表2。

2.4 氣象因素和污染物與CVE發生的相關性

Spearman相關分析結果顯示，CVE發生僅與氣溫存在正相關（相關系數r=0.09），日均氣溫越高則CVE發生數越多（P＜0.01）；各氣象因素兩兩之間存在相關（P＜0.01）；除了SO2與O3之間無相關外，其他污染物均兩兩存在相關關系（P＜0.01）。氣溫、風速與污染物之間存在相關，其中氣溫與O3成正相關，與PM2.5、PM10、NO2、SO2成負相關（P＜0.01）；風速與PM2.5、PM10、O3成正相關，與NO2、SO2成負相關（P＜0.01）；相對濕度與NO2不存在相關關系，與SO2成正相關，與PM2.5、PM10、O3成負相關（P＜0.01）；日均氣壓與五項污染物之間均存在正相關（除與O3P＜0.05外，與其他四項均P＜0.01），如圖1所示。

2.5 污染物與CVE發生的滯后效應分析

本文以14d的滯后時間探究各污染物在不同滯后日對CVE發生的超額影響，以超額百分比Plt;0.05發現其對疾病發生的單因素滯后效應。研究發現，冷季PM2.5、PM10在滯后13d分別造成0.16%、0.12%的危險超額，NO2在滯后19d觀察到2.07%的最大危險超額（95%CI為1.33%～2.81%），SO2在滯后18d達到0.54%的最大危險超額（95%CI為0.30%～0.79%），見表3；而暖季O3在滯后12d危險超額0.10%（95%CI：0.05%～0.16%），見表4。

3 結語

本文觀察到氣象因素與污染物對CVE發生的相關性，為進一步明確污染物對當地CVE發生的具體關聯，擬建立類Poisson分布的廣義相加模型（GAM），主要控制氣象因素混雜并進一步區分冷暖季節，以充分暴露各污染物對CVE發生的單因素效應。研究發現，冷季PM2.5、PM10、NO2、SO24項污染物均為CVE發生的危險因素，與南京溧水區結論一致。此外，NO2在滯后19d時達到最大累積效應，超額風險為2.07%，SO2則為滯后18d。中國綿陽市開展的一項研究顯示，NO2、SO2與當地CVD每日死亡數存在滯后關聯。暖季O3是CVE發生的危險因素，與柳州研究一致。即使研究期間NO2、SO2、O33項污染物均未超過國標限值，但仍能觀察到其健康危險效應，與李鎰沖等的結論相符。冷暖兩季的污染物滯后效應不同，可能與兩季污染物濃度存在差別有關，需要進一步研究證實。

本文存在的不足：本文實質屬于生態學研究，結論外推受限；未考慮當地新冠疫情防控對研究的影響；污染物之間仍存在相互影響關系，其聯合作用有待進一步研究。

參考文獻

[1]YANG B，GUO Y，MARKEVYCH I，et al.Association of Long-term Exposure to Ambient Air Pollutants With Risk Factors for Cardiovascular Disease in China[J]. JAMA Netw Open，2019，2（3）：190318.

[2]王保東，史映紅，文獻英，等.2021年綿陽市大氣污染物與心腦血管疾病每日死亡數關系的病例交叉研究[J].預防醫學情報雜志，2023，39（2）：187-191.

[3]馬平，楊宏達，林紅，等.開遠市大氣污染物排放交易政策的實施[J].環境科學研究，1995（2）：40-42.

[4]顧崢嶸，王心雨，徐會，等.空氣污染與疾病關系研究中廣義相加模型3種分布比較[J].中國公共衛生，2022，38（9）：1199-1202.

[5]樊琳，顧清，曾強.廣義相加模型在大氣污染流行病學研究中的應用進展[J].環境與職業醫學，2019，36（7）：676-681.基金項目：國家自然科學基金地區項目“基于樹模型的不限階交互作用分析方法研究及在肺癌組學數據中的應用”（項目編號：82260666）；云南省基礎研究計劃“醫學公共數據湖構建”（項目編號：202301AU070220）。