環境條件對遵義市呼吸系統疾病的影響及預測研究

樂 滿,王式功,*,謝佳君,馬 盼,尚可政

?

環境條件對遵義市呼吸系統疾病的影響及預測研究

樂 滿1,王式功2,1*,謝佳君3,馬 盼2,尚可政1

(1.蘭州大學大氣科學學院,氣象環境與人體健康研究中心,甘肅 蘭州 730000；2.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；3.貴州省遵義市氣象局,貴州 遵義 563000)

為探究氣象和空氣污染等環境條件對呼吸系統疾病發病的影響,為遵義地區相關疾病預防提供科學依據,采用分布滯后非線性模型和廣義線性、相加模型,利用當地氣象和污染資料,分析了2012~2016年遵義市氣象環境要素對呼吸系統疾病發病的影響.結果顯示,遵義市呼吸系統疾病發病狀況與當地長期氣候狀態基本保持一致,氣候效應對其的影響占主導作用,其中,冬季為呼吸系統疾病高發期,立秋至處暑前后其發病人數最少,表明此時間段內當地氣候條件對呼吸系統疾病患者有氣候療養效應.氣溫對呼吸系統疾病發病的影響以低溫滯后效應為主,在其敏感閾值附近氣溫每變化1℃,發病人數將累積增加31.6%(95%CI:4.4%~65.8%);氣壓以高壓滯后效應為主,相對濕度則在低濕部分同時有即時和滯后效應.舒適度對呼吸系統疾病的影響,在冷、熱斜脅迫下其發病人數明顯多于舒適狀況時. PM2.5、SO2和NO2三種污染物的影響都以即時效應為主,而CO則在累積滯后lag04時相對危險度最高,PM2.5與呼吸系統疾病發病人數的暴露-反應曲線呈單調線性分布,SO2、NO2和CO均為“J”型分布.低溫與高濃度NO2或者低濕與高濃度SO2的協同作用對呼吸系統疾病的影響較大.建立的全年和季節多元逐步回歸方程的試預報準確率在75%以上(夏季除外),其中分季節建模預測效果顯著優于全年預測效果.

環境條件；氣象因子；空氣污染；呼吸系統疾病

研究表明,氣象條件的變化和空氣污染的日益加劇與人們的健康息息相關[1-12].全球氣候變化對人類健康產生的直接或間接的影響進一步加劇[13-14],導致相關天氣敏感性疾病發病率、乃至超額死亡率增加,如高溫熱浪等近年來造成大量人數死亡[15-18].同時,空氣污染對人類健康的影響[19-22]也越來越受到國際的關注,研究發現[23-24],受大氣污染的影響,呼吸系統疾病、心腦血管疾病及癌癥的發病率及死亡率逐年升高.但是多數研究主要著眼于易出現較極端環境條件的區域如京津冀或南京等展開天氣敏感性疾病的研究,對于氣候環境條件較溫和區域的不良健康影響評估卻較為缺失.因此,文章以遵義市作為研究目標區域,探索氣象因子和空氣污染等環境條件對呼吸系統疾病發病與流行的影響,并建立預報模型,不僅能夠為促進當地合理的開展健康氣候療養提供科學依據,也可為這些區域更好的開展應對氣候變化和空氣污染提供科學參考,對目前醫學氣象學的研究進行補充.

1 資料與方法

1.1 資料

氣象資料:遵義市12個觀測臺站的2012~2016年的地面日均氣象資料,包括氣溫、氣壓、相對濕度和風速等氣象要素.

污染資料:遵義市五個污染觀測站點的2014年1月1日~2016年12月31日的逐時觀測資料以及由國家環境保護部網站(http://www.zhb. gov.cn)提供的日均資料,主要包括AQI指數、首要污染物、PM2.5、PM10、SO2、CO、NO2等污染因子變量.

疾病資料:遵義市2012年1月1日~2016年12月31日播州區各醫院就診病案記錄,其中包含2家省直屬三級甲等綜合醫院和4家貴州省二級甲等綜合醫院,病案記錄中主要包括患者家庭住址、就診日期、患者年齡、性別、疾病診斷和就診醫院等基本信息.根據國際疾病分類標準第10版(ICD-10)[25],共挑選出呼吸系統疾病就診病例資料264347例,并對呼吸系統(ICD-10編碼:J00-J99)疾病資料進行分類整理,分別挑選上呼吸道感染和下呼吸道感染兩類疾病資料進行分析.

氣象資料和大氣污染物濃度資料均來自正規網站系統,并有專人負責檢查、判別及管理,最終的資料無缺測.疾病資料涵蓋范圍廣,且與京津冀和北上廣等區域多流動人口不同,遵義市研究對象基本為常駐人口,因而疾病資料對當地而言更具代表性,并剔除了年齡、性別等信息不全和非遵義市居住的人群疾病資料,從而保證研究資料的準確性和可靠性.

1.2 方法

文章利用DLNM(分布滯后非線性模型)、GLM(廣義線性模型)和GAM(廣義相加模型)進行分析.其中DLNM模型可靈活地描述氣溫健康效應的空間和其發生的滯后維度同時變化的影響[26-28],其核心是二維空間交叉基的構建,而GLM模型[29]主要假設連接函數與預測變量之間的關系為線性關系.GAM模型則是在沒有選擇特定響應函數的情況下使用.在控制了時間趨勢、星期幾效應和節假日效應的前提下:選擇相對危險度(RR)作為主要的表征量,利用DLNM和GLM模型進行氣象因子與相關天氣敏感性急病發病的關系研究,GAM模型則進行空氣污染對呼吸系統疾病的影響及環境因子之間的協同效應分析.以上模型參數自由度的選擇采用赤池信息準則(Akaike’s lnformation Criterion,AIC).

文章在構建呼吸系統疾病預測模型、進行預測模型優度檢驗時,分別選取平均絕對誤差(MAE)、均方根誤差(RMSE)、平均絕對百分誤差(MAPE)、預測準確率()四種參數進行驗證,其中和表示實測值和預測值,表示樣本數量,計算方法如下:

主要利用R語言編程軟件和SPSS軟件進行分析研究.

2 結果與分析

2.1 呼吸系統疾病發病人數和環境要素的描述性統計及相關性分析

遵義市屬亞熱帶季風性氣候,地形起伏大,地貌類型復雜,其平均氣溫較為舒適為16.1℃,平均相對濕度接近80%,平均風速較小.整體上空氣質量較好,各污染物濃度較低,PM2.5、PM10、SO2和NO2的年均濃度分別為47.4, 78.0, 17.1和30.4μg/m3(表1).

表1 呼吸系統疾病就診人數與主要環境要素的描述性分析

圖1 遵義市呼吸系統疾病發病人數的不同時間尺度分布

圖1為不同時間尺度遵義市總呼吸系統、上呼吸道感染和下呼吸道感染(簡稱“上感”和“下感”,下同)發病人數的分布特征.從季節分布情況看,冬春季為遵義市呼吸系統疾病高發期,與多數北方城市呼吸系統疾病高發期在秋冬季有所不同,且在12、1、2和3月較多,8月份最少為102.3人/d,下呼吸道感染發病人數變化特征與之一致.上呼吸道感染的就診人數在夏季和冬季最多,需引起注意.

我國24節氣的劃分充分考慮了季節、氣候和物候等自然現象的變化,在注重氣象因素的同時也考慮了氣候因素,對于人們根據中醫理論進行養生防病具有更好的指導意義.圖1(b)為24節氣呼吸系統疾病發病人數分布(圖中黑色曲線為不同節氣的氣溫分布,黑色豎實線為發病人數年均值):呼吸系統疾病發病第一高峰期出現在隆冬季節的大雪至小寒期間,次峰期出現在冬末春初的雨水到驚蟄期間;而夏末的立秋至處暑前后遵義市呼吸系統疾病發病人數最少(102.7人/d),表明此時間段內當地氣候條件對呼吸系統疾病患者有氣候療養效應.與24節氣的氣溫分布對比,發現呼吸系統疾病發病人數與氣溫呈現相同周期的反相位變化,可見遵義市呼吸系統疾病發病主要與當地長期氣候狀態保持一致,氣候效應對其的影響占主導作用,注意到上呼吸道感染24節氣發病人數主要夏至時達到最多(56.3人/d),在秋冬之后發病人數也逐漸增加,可見上呼吸道感染同時受到外界高溫、低溫和粉塵的顯著影響.

表2 呼吸系統疾病發病人數與主要環境因子的Spearman相關

注:“**”和“*”分別表示通過了顯著性水平=0.01和=0.05的顯著性檢驗,下同.

表2為環境因子與遵義市呼吸系統疾病發病人數的Spearman相關表,污染因子變量主要與呼吸系統疾病發病人數呈顯著正相關,表明污染物濃度的增加會明顯導致呼吸系統發病人數的上升;總呼吸和下感疾病發病人數與氣壓呈顯著正相關,與氣溫、風速等均呈顯著負相關,上感發病人數與氣溫和水汽壓呈正相關.

2.2 氣象因子對呼吸系統疾病發病的影響與滯后性

2.2.1 氣溫對呼吸系統疾病發病的影響 考慮到疾病對氣象要素的敏感性存在滯后效應,且一般一個完整的天氣過程時長約為1~2周左右,故而考慮最長累積滯后時長為14d,即共考慮最長累積滯后時長為15d,以平均氣溫的中位數17.1℃作為模型參考溫度,并以此為分界點(圖2中的中間豎虛線)分別討論溫度小于和大于該溫度時的冷效應和熱效應.

圖2中灰色區域為95%的置信區間,兩側豎虛線分別為各氣溫指標的1%和99%分位數.氣溫對遵義市總呼吸系統疾病發病的累積滯后效應相似:整體上呈“反J”型分布,主要以冷效應為主,當氣溫持續下降低于7℃左右時,RR幾乎以指數形式增長迅速增大,對呼吸系統疾病發病的危害顯著增加;熱效應部分對遵義市呼吸系統疾病發病的影響不大,其RR值接近于1.

圖3 不同氣溫對呼吸系統疾病發病的滯后效應

為探究高溫和低溫對呼吸系統疾病發病的滯后效應,分別選取日最高氣溫的27℃、30℃、33℃和最低氣溫-1℃、5℃和10℃分析其滯后影響(圖3).高溫影響主要表現出即時效應,在累積滯后1d時對呼吸系統疾病發病有顯著影響;溫度偏低且約在lag=2~3時對呼吸系統疾病的危害最大,尤其是氣溫在0℃以下時,滯后效應可以累積到14d左右,溫度越低其危害越大.同時,從頻數分布(圖2)可以看到,遵義市氣溫主要集中于5~27℃之間,日最高氣溫高于32℃和最低氣溫低于0℃的占比均很小.因此,接下來的分析主要以平均氣溫為代表分析溫度對不同性別人群發病的影響.

不同氣溫段的時間滯后差異明顯(圖4(a)):平均氣溫對總呼吸系統疾病發病的影響以低溫滯后效應為主,且低溫對女性患者的影響主要在lag=7時達到最大,同時女性患者對低溫的影響敏感性略低于男性患者.在滯后0d時(圖4(b))平均氣溫對呼吸系統疾病發病的影響主要以高溫即時效應為主,低溫效應不顯著,當lag=2時,低溫效應開始凸顯,且隨著滯后時間的延長其危險度進一步增加,對呼吸系統疾病發病有顯著影響的低溫溫度也逐漸上升,因此遵義市低溫滯后的持續效應對呼吸系統疾病發病影響持續時間較長.

表3 低溫和高溫對呼吸系統疾病發病人數的影響統計表

注:表中加粗部分表明通過了=0.05的顯著性檢驗,下同.

表3為平均氣溫的1%和99%分位數(1.1℃和28.8℃)分別滯后09d和0d RR統計表,以研究其低溫滯后效應和高溫即時效應對呼吸系統疾病發病的影響.遵義市總呼吸系統疾病受低溫滯后效應顯著,低溫每變化1℃,相應的發病人數將累積增加31.6%(95%CI: 4.4%~65.8%).上感發病情況則同時受到低溫滯后和高溫即時效應的顯著影響,高溫每升高1℃,上感發病人數將增加10.6%(95%CI: 0.9%~21.2%).此外,女性患者對低溫累積滯后效應的響應比男性的更加敏感,需引起注意.

2.2.2 氣壓、風速和相對濕度對呼吸系統疾病發病的影響 選取平均氣壓、平均風速和相對濕度的中位數925hPa、1.2m/s和80.0%為相應的參照標準分析對呼吸系統疾病發病的滯后效應.圖5為平均氣壓、風速和相對濕度的滯后效應RR曲面圖:平均氣壓主要表現為高壓效應,低壓對呼吸系統疾病發病的影響不顯著;同時,風速極小和極大時均表現為一定程度的即時效應,說明適當風速對呼吸系統疾病發病影響不大;相對濕度主要表現低濕效應,且存在兩個滯后危險度峰值,第一峰值在滯后2~3d左右出現,第二滯后峰值則出現在7~14d左右,此時主要是相對濕度的變化會對病毒或細菌等的繁殖產生影響從而進一步誘發呼吸系統疾病發病,需引起重視,在高濕條件下,對遵義市呼吸系統疾病危害較小.

圖6 平均氣壓、風速和相對濕度特定值的RR值隨滯后時長的變化

根據以上分析,分別選擇氣壓939.3hPa(99%分位數)、風速2m/s(95%分位數)和相對濕度56%(1%分位數)研究其對呼吸系統疾病發病的影響(圖6):高壓主要在滯后3d時對呼吸系統疾病發病有明顯促進作用,且在lag=6~7d后危險度最高;風速的滯后效應仍然不顯著,相對濕度的滯后效應隨時間呈現“V”型變化,低濕天氣對呼吸系統疾病的影響同時具有即時和滯后效應.

根據圖6結果,計算各因子的相應累積滯后效應(表4):風速對呼吸系統疾病發病的效應整體不顯著.高壓低濕條件對女性群體有顯著影響,氣壓每變化1hPa女性發病人數將累積增加20.0%(95%CI: 5%~43.3%),相對濕度每減小一個單位,女性患者將累積增加20.9%(95%CI:6.9%~37.0%),這兩種因子對男性人群沒有顯著影響.上感和下感分別與高壓和低濕條件有顯著關系,此種氣象條件下遵義市上呼吸道感染發病人數將增加34.8%(95%CI:8.7%~ 66.9%),下感發病人數將增加13.6%(95%CI:0.1%~ 29.4%).

表4 遵義市高壓、風速和低濕天氣對呼吸系統疾病發病的影響

表5 呼吸系統疾病發病人數與體感溫度(Tg)的Spearman相關

圖7 不同分位數體感溫度滯后影響曲線(左)和不同舒適度等級[31]發病人數的分布(右)

2.2.3 舒適度對呼吸系統疾病發病的影響 多項研究表明呼吸系統疾病往往受多種氣象因子的綜合作用,因此選擇綜合考慮了溫度、濕度等多種氣象要素、基于黃金分割率的舒適度指數[30-31]分析呼吸系統疾病發病對氣象要素變化綜合效應的響應情況.表5中體感溫度與呼吸系統疾病發病具有顯著相關性.

選取體感溫度的1%,5%和10%百分位數研究其冷效應,選取90%,95%和99%百分位數研究其熱效應,結果表明(圖7左)低體感溫度對呼吸疾病發病的滯后效應顯著,體感溫度越低,越容易引發呼吸系統疾病疾病;高體感溫度對呼吸系統疾病的影響主要為即時效應,隨滯后時間增加其影響逐漸減小.整體上冷、熱斜脅迫下呼吸系統疾病發病人數明顯多于舒適情況(圖7右).上感發病人數在熱不舒適等級(微熱、炎熱、熱和酷熱等級,下同)約占48.1%,遠遠大于舒適和冷不舒適等級各自所占比例,下感發病人數在冷不舒適等級所占比例遠超舒適和熱不舒適等級,約為53.3%.

2.3 污染物濃度對呼吸系統疾病發病的影響與滯后性

研究表明,污染物對人體健康的影響存在一定的滯后和累積效應[32-33].經過模型調試,GAM模型具有較好的描述效果,因此本部分主要利用GAM模型探討不同污染物濃度對呼吸系統疾病發病的滯后效應(圖8),圖中各污染物濃度分別增加相應單位濃度時,呼吸系統疾病發病總人數增加的ER%值及其95%CI置信區間,均通過=0.01的顯著性檢驗,有統計學意義.

當遵義市PM2.5、SO2和NO2增加相應濃度10μg/m3時,均在滯后0d (lag0)與呼吸系統疾病就診人數關聯的ER%值最大,然后逐漸減小,以即時效應為主,這是因為遵義市整體上空氣質量優良率高,當地人群對空氣污染惡化的情況較為敏感,當出現空氣污染時隨即就表現出不適應,從而表現為即時效應.CO濃度增加10μg/m3時在累積滯后0~4d (lag04)時ER%值達到最大,此時對遵義市人體健康危害較大,即CO濃度對呼吸系統的危害主要為累積滯后效應.以上4種污染物濃度均增加10μg/m3時,總呼吸系統發病人數將分別增加0.09%,0.44%,0.37%和0.016%,可見在遵義市酸性污染物SO2和NO2對呼吸系統疾病的危害最大.

圖8 2014~2016年遵義市污染物日均濃度增加10μg/m3時,呼吸系統疾病發病人數在不同滯后條件下的增加百分比(ER%)及95%的置信區間(95%CI)分布

從以上4種污染物在最敏感滯后條件下與呼吸系統疾病發病人數的暴露-反應關系圖中(圖9)看到,PM2.5的logRR值曲線大致呈單調線性分布,隨著其濃度的增加,RR值逐漸增大,由于遵義市主要污染物為PM2.5,因此需多加注意污染天氣時呼吸系統疾病的預防.其余3種污染物logRR值均隨著濃度的增加呈現“J”型分布,在較低濃度時,污染物對人體健康的危害較小,隨著濃度的持續增高,logRR值快速上升,對人體健康的風險進一步加大,同時對比logRR值大小發現SO2等酸性污染物對遵義市呼吸系統疾病發病的影響最大.

表6為4種污染物對不同人群和不同類別呼吸系統疾病發病情況的影響:PM2.5、SO2和CO對女性健康的危害要高于男性,增加10μg/m3時ER%分別為0.13%,0.63%和0.024%,NO2則相反.對比不同類別的呼吸系統疾病發現,上呼吸道感染發病人數主要對SO2酸性氣體的濃度變化有顯著反應,因為人體呼吸時最先受到刺激的為鼻、喉等部分,而下呼吸道感染則在一定程度上均受到以上4種污染物的顯著危害.

表6 污染物濃度每增加10μg/m3時呼吸系統疾病發病人數增加百分比(ER%)及95%的置信區間(95%CI)的統計表

2.4 氣象和空氣污染因子協同效應對呼吸系統疾病發病的影響

由于不同氣象條件對空氣污染的形成和分布有不同的影響,氣象條件的改變可以通過影響大氣中光化學反應從而影響大氣中二次污染物的形成,間接影響人體健康.

表7 2014~2016年遵義市氣象因子與污染物的Spearman相關性

表7為遵義市氣象因子和空氣污染變量之間的Spearman相關系數統計表,氣象因子和空氣污染變量之間呈顯著相關性,表明二者之間存在固有的理化特征,且對人體健康的影響并不是單因素的,而是存在多因素的協同作用.

經模型計算分析,發現對遵義市呼吸系統疾病發病有顯著影響的主要是氣溫和NO2、相對濕度和SO2之間的協同效應(表8).

從β系數分析,氣溫和NO2協同效應對女性人群的作用比男性強;RH與SO2的協同作用則是對男性患者的影響要大些,且對下呼吸道感染也有顯著影響,但是對上呼吸道感染影響不顯著.

表8 氣象因子和空氣污染因子的協同效應對呼吸系統疾病發病的影響

圖10中(a)-(c)和(d)-(f)分別為氣溫與NO2、RH和SO2對呼吸系統疾病有顯著協同作用的三維曲面圖.整體上在低溫、高濃度NO2的條件下,呼吸系統疾病發病人數最多,即當冬半年出現污染天氣時,二者協同效應對呼吸系統疾病發病的影響增強,對上感和下感發病的影響與總呼吸基本一致.

圖10 氣象和空氣污染因子的協同作用對呼吸系統疾病發病人數影響的平滑曲面圖

低濕、高濃度SO2的協同效應對遵義市呼吸系統疾病發病的影響最大,發病人數隨著相對濕度減小(或SO2濃度增加)逐漸增加.此外,男性患者對相對濕度與SO2之間的協同作用更敏感,且對低濃度SO2也較敏感(圖10(e));同時,低濕與高濃度SO2或低濃度SO2對下呼吸道感染發病均有顯著影響.

2.5 呼吸系統疾病發病的預測模型研究

最后,文章采用多元逐步回歸方法對遵義市2014~2016年呼吸系統疾病進行預測模型構建研究.

在進行逐步回歸預報模型的構建中,根據環境因子與呼吸系統疾病發病的相關性,遴選出“氣溫、氣壓、相對濕度、風速” 4個基本氣象因子和PM2.5、SO2、NO2和CO等污染因子變量.并充分考慮滯后效應,對挑選出的環境因子變量相對于患者發病時間進行提前一周考慮,對所選的氣象因子分別考慮單滯后和累積滯后一周考慮,在累積滯后的基礎上再次進行單滯后一周,即考慮累積滯后時所用到的因子可追溯到兩周前,這與大氣行星尺度的天氣變化周期相對應,即將大尺度天氣過程的變化周期也予以了考慮,更合理地研究其與疾病發病與流行的關系.污染因子則僅考慮其單滯后效應.最后共派生出416個可能的影響因子進行逐步回歸,構建預報方程,優選出參與構建預報方程的因子變量及物理意義統計如表9:

表9 優選出的因子變量及物理意義

注: (d1)d2為氣象因子連續d1天內進行平均,同時相對發病人數提前考慮d2天;()d2為污染因子單滯后d2天,相對發病人數提前考慮d2天;(Δ24)d2、(Δ48)d2、(Δ72)d2分別為當天和前天的要素值之差,當天和前兩天的要素值之差,... ,以此類推,即不考慮日變化的要素變幅,同時相對發病人數提前考慮d2天;(Δ24)d2、(Δ48)d2、(Δ72)d2分別為當天的變幅,連續兩天的變幅,連續三天的變幅,即是考慮了日變化之后的各因子最大變幅,相對發病人數提前考慮d2天.表中,各氣象因子單位分別為:(℃) ,(hPa) , RH (1) , W (m/s).

選取遵義市2014~2015年共兩年的數據資料構建逐步回歸預報模型,以2016年的數據作為試預報驗證.此外,在建立不同季節的回歸方程時,考慮到滯后效應以及逐季節預報方程轉換時會產生不連續的問題,故在構建逐季節預報方程的過程中將每個季節的疾病和氣象資料均向前和向后延伸半個月從而保證月際之間要素的連續性以及緩解月份之間的跳躍性,同時還增加了建模樣本量,從而使得預報方程的連續性和穩定性更好.

構建的呼吸系統疾病逐步回歸預報方程見表10,所有預報方程均通過了=0.01的顯著性檢驗.從預報方程中的組成變量來看,各因子的作用存在一定的滯后效應,主導因素因季節等不同而存在差異.呼吸系統疾病發病人數主要與CO濃度、PM2.5、變溫與變壓成正比,與濕度和平均氣溫呈反比,意味著遵義市呼吸系統疾病發病更易受干冷空氣活動的影響.

表10 遵義市呼吸系統疾病發病人數全年和四季預報方程

對所建立的預報方程分別進行回代和試預報效果優度檢驗(表11和圖11),逐步回歸預報方程的回代預測準確率均在82%以上,春、秋季節的準確率達87%以上,同時各項誤差指標結果與之保持一致;在試預報檢驗中,夏季預測效果最差(P約為44.4%),全年和其他季節的準確率均在75%以上.

表11 遵義市呼吸系統疾病預報方程的回代和試預報優度檢驗

此外,全年和四季預報方程的回代曲線與實測曲線擬合效果良好(圖11),對于2016年試預報檢驗而言,年預報方程結果主要在9月份谷值處與實測值存在較大差異,夏季預報方程的曲線擬合效果最差,春、秋和冬季的效果則明顯優于全年的.整體上除夏季外,季節效果要優于全年預測效果,因此建議對遵義市呼吸系統疾病發病人數進行季節預報.

3 討論

隨著“健康中國2030”戰略的提出,展開不同區域氣象和空氣污染健康效應評估、對戰略的實施和氣象敏感性疾病預防具有重要意義.同時,我國地域廣闊,地貌地形復雜多樣,氣象條件和空氣污染區域性特征差異較大,以往醫學氣象學研究多集中于京津冀、南京等環境條件變化顯著區域,對遵義等地區的健康效應評估較為缺失.本文選取遵義市2012~ 2016年的疾病資料及同時期的環境因子資料,分析了遵義市呼吸系統疾病發病高峰期主要在冬春季,并從24節氣的角度揭示了立秋到處暑期間的氣候環境條件對呼吸系統疾病有一定的氣候療養效應.利用DLNM、GLM和GAM模型全面的探討了環境要素對呼吸系統疾病發病的影響及彼此之間的協同作用,并利用逐步回歸方法進行了發病人數預測模型的構建與檢驗,

從氣象要素對遵義市呼吸系統疾病的影響和滯后性來看,本文研究結果與其他不同區域的研究結果具有較好的一致性[34-37],氣溫對呼吸系統疾病的影響主要表現為高溫即時效應和低溫滯后效應,由于遵義市常年高溫日數不多,因此對當地而言以低溫滯后效應為主.遵義市相對濕度相對較高,當地人群對高濕環境具有較好的適應性,因此當相對濕度偏低時,反而容易引起呼吸系統疾病發病,且以滯后效應為主.綜合考慮各氣象要素之間的相互作用,從舒適度的角度揭示了冷、熱斜脅迫下呼吸系統疾病發病人數明顯多于舒適情況,且熱強迫下女性發病人數略多于男性,冷強迫下則相反.

在空氣污染因子與呼吸系統疾病的暴露-反應關系研究中,除CO外,其余污染變量主要以即時效應為主,而研究表明京津冀以及蘭州等污染較重區域的污染因子對呼吸系統疾病發病有一定的滯后性[38-41].這是因為整體上遵義市空氣質量優良率很高,人們對污染物濃度的變化更加敏感,當污染物濃度升高時,能在當天就表現出不適,使呼吸系統疾病就診人數上升,污染物濃度越高危害越大.同時,酸性污染物對呼吸道的刺激較大,其對呼吸系統疾病的影響最顯著.

氣象因子和空氣污染因子之間存在緊密聯系,一方面附著有有毒有害物質的大氣污染物可直接進入血液,作用于呼吸系統,另一方面可作為細菌病毒等傳播媒介,而氣象要素則可通過影響原微生物的生存、繁殖和傳播等從而間接誘發疾病,已有證據指出氣象要素和大氣污染在不良健康效應上可能存在協同作用[42-43].利用GAM模型分析優選,發現在低溫、高濃度NO2的條件下,呼吸系統疾病發病人數較多,女性人群為易感脆弱人群;在低濕、高濃度SO2時呼吸系統疾病發病人數最多,且發病人數隨著相對濕度減小(或SO2濃度增加)逐漸增加,同時低濃度SO2對下呼吸道感染發病也有顯著影響.

最后,建立了遵義市全年和季節呼吸系統疾病發病人數的預測方程,預測值與實測值曲線趨勢高度一致,季節效果要優于全年預測效果,故建議對遵義市呼吸系統疾病發病人數進行不同季節預報.

4 結論

4.1 冬春季為遵義市呼吸系統疾病發病高峰期,立秋至處暑前后發病人數最少.

4.2 高溫對呼吸系統疾病發病以即時效應為主,低溫主要表現為滯后效應,氣壓和相對濕度則分別以高壓和低濕的滯后效應為主,平均風速的影響不大;在最敏感滯后條件下,PM2.5與呼吸系統疾病發病的暴露關系反應曲線呈單調線性分布,SO2、NO2和CO則呈“J”型分布;低溫與高濃度NO2或者低濕與高濃度SO2的協同作用對呼吸系統疾病發病均有顯著影響.

4.3 呼吸系統疾病發病人數的季節預報方程的預報效果顯著優于年預報方程的效果.

[1] Liu L, Breitner S, Pan X, et al. Associations between air temperature and cardio-respiratory mortality in the urban area of Beijing, China: a time-series analysis. [J]. Environmental Health, 2011,10(1):1-11.

[2] Tang J W, Lai F Y L, Nymadawa P, et al. Comparison of the incidence of influenza in relation to climate factors during 2000~2007 in five countries [J]. Journal of Medical Virology, 2010,82(11):1958-1965.

[3] 趙立宇,余勇夫,席俊文,等.上海市氣溫變化對醫院兒科日門診人次的影響 [J]. 中國醫院統計, 2010,17(4):313-316.

[4] Nascimento-Carvalho C M, Cardoso M R, Barral A, et al. Seasonal patterns of viral and bacterial infections among children hospitalized with community-acquired pneumonia in a tropical region [J]. Scandinavian Journal of Infectious Diseases, 2010,42(11/12):839-844.

[5] 錢孝琳,闞海東.大氣顆粒物污染對心血管系統影響的流行病學研究進展 [J]. 中華流行病學雜志, 2005,26(12):999-1001.

[6] 闞海東,陳秉衡,賈 健.大氣污染物暴露與人群健康效應的暴露-反應關系分析 [J]. 環境與健康雜志, 2004,21(7):253-254.

[7] 張 瑩,王式功,賈旭偉,等.氣溫與PM2.5協同作用對疾病急診就診人數的影響 [J]. 中國環境科學, 2017,37(8):3175-3182.

[8] 王敏珍,鄭 山,王式功,等.氣溫與濕度的交互作用對呼吸系統疾病的影響 [J]. 中國環境科學, 2016,36(2):581-588.

[9] Bleakley H. Disease and development: evidence from hookworm eradication in the American South [J]. The Quarterly Journal of Economics, 2007,122(1):73-117.

[10] 杜鵬瑞,杜 睿,任偉珊.城市大氣顆粒物毒性效應及機制的研究進展 [J]. 中國環境科學, 2016,36(9):2815-2827.

[11] 郝吉明,程 真,王書肖.我國大氣環境污染現狀及防治措施研究 [J]. 環境保護, 2012,(9):16-20.

[12] 代玉田,于鳳英,常 平,等.德州市高血壓發病氣象條件與預報模式 [J]. 氣象與環境學報, 2012,28(5):79-82.

[13] Climate change 2007-the physical science basis: Working group II contribution to the Fourth assessment report of the IPCC [M]. Cambridge University Press, 2007.

[14] Climate change 2013-the physical science basis: Working group I contribution to the Fifth assessment report of the IPCC [M]. Cambridge University Press, 2013.

[15] http://www.cma.gov.cn/2011xzt/2015zt/qmttt/20150813/2015041004/201508/t20150813_290458.html

[16] Michelozzi P, Accetta G, De Sario M, et al. High temperature and hospitalizations for cardiovascular and respiratory causes in 12European cities [J]. American Journal of Respiratory and Critical Care Medicine, 2009,179(5):383-389.

[17] 劉建軍,鄭有飛,吳榮軍.熱浪災害對人體健康的影響及其方法研究 [J]. 自然災害學報, 2008,17(1):151-156.

[18] Semenza J C, McCullough J E, Flanders W D, et al. Excess hospital admissions during the July 1995 heat wave in Chicago [J]. American journal of preventive medicine, 1999,16(4):269-277.

[19] Morelli X, Rieux C, Cyrys J, et al. Air pollution, health and social deprivation: a fine-scale risk assessment [J]. Environmental Research, 2016,147:59-70.

[20] Lin Y K, Chang S C, Lin C S, et al. Comparing ozone metrics on associations with outpatient visits for respiratory diseases in Taipei Metropolitan area [J]. Environmental Pollution, 2013,177:177-184.

[21] Shen Y, Wu Y, Chen G, et al. Non-linear increase of respiratory diseases and their costs under severe air pollution [J]. Environmental Pollution, 2017,224:631-637.

[22] 謝元博,陳 娟,李 巍.霧霾重污染期間北京居民對高濃度PM2.5持續暴露的健康風險及其損害價值評估 [J]. 環境科學, 2014,35(1): 1-8.

[23] 張 瑩.我國典型城市空氣污染特征及其健康影響和預報研究 [D]. 蘭州:蘭州大學, 2016.

[24] Smith K R, Corvalán C F, Kjellstrom T. How much global ill health is attributable to environmental factors? [J]. Epidemiology-Baltimore, 1999,10(5):573-584.

[25] WHO. International classification of diseases (ICD)-10online [EB/ OL].http://www.whoint/classifications/apps/icd/icd10online//,2007.1. 10.

[26] 楊 軍,歐春泉,丁 研,等.分布滯后非線性模型 [J]. 中國衛生統計, 2012,29(5):772-773.

[27] Gasparrini A. Distributed lag linear and non-linear models in R: the package dlnm [J]. Journal of Statistical Software, 2011,43(8):1.

[28] Gasparrini A, Armstrong B, Kenward M G. Distributed lag non-linear models [J]. Statistics in Medicine, 2010,29(21):2224-2234.

[29] 汪建均.基于廣義線性模型的變量選擇與穩健參數設計 [D]. 南京:南京理工大學, 2011.

[30] 王式功,馬 盼,尚可政等.一種基于黃金分割法構建人體舒適度計算方法 [P]. 中國: 2012105963660,2013-05-15.

[31] 張志薇.基于舒適度研究的中國大陸健康氣候評估 [D]. 蘭州:蘭州大學, 2014.

[32] Kan H, Chen B, Hong C. Health impact of outdoor air pollution in China: current knowledge and future research needs [J]. Environmental Health Perspectives, 2009,117(5):A187.

[33] Dominici F, Daniels M, Zeger S L, et al. Air pollution and mortality: estimating regional and national dose-response relationships [J]. Journal of the American Statistical Association, 2002,97(457): 100-111.

[34] 李 娟,張志薇,于庚康,等.氣象要素對南京市呼吸系統疾病的影響研究 [J]. 氣象科學, 2017,37(3):409-415.

[35] González S, Díaz J, Pajares M S, et al. Relationship between atmospheric pressure and mortality in the Madrid Autonomous Region: a time-series study [J]. International Journal of Biometeorology, 2001,45(1):34-40.

[36] Díaz J, García R, Lopez C, et al. Mortality impact of extreme winter temperatures [J]. International Journal of Biometeorology, 2005,49(3):179-183.

[37] 馬 盼,王式功,尚可政,等.氣象舒適條件對呼吸系統疾病的影響 [J]. 中國環境科學, 2018,38(1):374-382.

[38] 馬 盼,李若麟,趙笑顏,等.北京市空氣質量指數與氣象條件的關系及其對呼吸系統疾病的滯后影響 [J]. 蘭州大學學報:自然科學版, 2017,53(3):388-393.

[39] 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.

[40] 吳 彧,張衍燊,劉 玲,等.鄭州市空氣污染對每日門診人次影響的滯后效應和收獲效應 [J]. 環境與健康雜志, 2011,28(3):233-237.

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

[42] Green R S, Basu R, Malig B, et al. The effect of temperature on hospital admissions in nine California counties [J]. International Journal of Public Health, 2010,55(2):113-121.

[43] 伍燕珍,張金良.北京市大氣顆粒物與溫度對人群非意外死亡影響的交互作用 [J]. 環境科學研究, 2009,(12):1403-1410.

Study about the impact of environmental conditions on respiratory diseases and prediction in Zunyi City.

YUE Man1, WANG Shi-gong2,1*, XIE Jia-jun3, MA Pan2, SHANG Ke-zheng1

(1.Center for Meteorological Environment and Human Health, College of Atmospheric Sciences, Lanzhou University, Lanzhou 730000, China；2.College of Atmospheric Sciences, Chengdu University of Information Technology, Plateau Atmosphere and Environment Key Laboratory of Sichuan Province, Chengdu 610225, China；3.Zunyi Meteorological Bureau, Guizhou, Zunyi 563000, China)., 2018,38(11)：4334~4347

To explore environmental impacts such as the meteorological and air pollution factors on respiratory diseases and to provide scientific basis for the prevention of these diseases in Zunyi City, distributed lag non-linear model together with generalized linear and additive models are applied to analyse the exposure-response relationship between environmental factors and respiratory diseases from 2012 to 2016 in Zunyi City. Results show that the changes in respiratory diseases are mainly consistent with the local long-term climatic conditions, and the impact of climate change is dominant. Winter and spring are the peak periods with high respiratory diseases number, and during the Start of Autumn and Stopping the heat periods, the respiratory diseases number is the lowest, indicating that local climatic conditions have positive climatic effects on patients with respiratory diseases during this time period. The impact of temperature on respiratory disease is mainly low-temperature lagged effect with the patients increasing by 31.6% (95%CI: 4.4%~65.8%) if the temperature changes by 1°C.The pressure mainly has the high-pressure lagged effect on respiratory diseases, while the relative humidity has both immediate and lagged effects in lower humidity. The number of respiratory diseases is significantly higher under cold and hot uncomfortable levels than that of comfort levels. PM2.5, SO2, and NO2mainly show immediate effects on respiratory diseases, while the CO had the highest risk if lagged for four days. The exposure-response relationship between respiratory diseases and PM2.5shows an monotonously linear distribution, while that of SO2, NO2, and CO are J-type distribution, and the synergistic effects between low temperature and high concentration NO2or low humidity and high concentration SO2both have significant impact on respiratory diseases. The accuracy of annual and seasonal regression equations is over 75% (except for summer equation), and the seasonal equations’ prediction effect is better than that of the annual equation.

environmental conditions；meteorological factors；air pollution；respiratory diseases

X503.1,P49

A

1000-6923(2018)11-4334-14

樂 滿(1992-),女,湖北咸寧人,碩士,主要從事氣象環境與健康研究.發表論文2篇.

2018-04-19

國家重點研發計劃“全球變化及應對”重點專項(2016YFA0602004);國家自然科學基金重大研究計劃重點支持項目(91644226);國家基礎科技條件平臺建設項目(NCMI－SBS17－201707、NCMI－SJS15－201707)

* 責任作者, 教授, wangsg@lzu.edu.cn