中华预防医学杂志    2019年01期 2013—2015年大气PM2.5持续高暴露对中国40个区/县人群死亡的影响    PDF     文章点击量:360    
中华预防医学杂志2019年01期
中华医学会主办。
0

文章信息

陈晨 孙志颖 孙庆华 班婕 李湉湉
ChenChen,SunZhiying,SunQinghua,BanJie,LiTiantian
2013—2015年大气PM2.5持续高暴露对中国40个区/县人群死亡的影响
The impact of persistent high ambient fine particulate matters exposures on mortality in the 40 districts/counties of China, 2013-2015
中华预防医学杂志, 2019,53(1)
http://dx.doi.org/10.3760/cma.j.issn.0253-9624.2019.01.010

文章历史

投稿日期: 2018-07-30
上一篇:大气PM2.5暴露与中老年人群焦虑的关联研究
下一篇:2013—2015年大气PM2.5暴露对中国3个城市5家医院每日急诊及门诊人次的影响
2013—2015年大气PM2.5持续高暴露对中国40个区/县人群死亡的影响
陈晨 孙志颖 孙庆华 班婕 李湉湉     
陈晨 中国疾病预防控制中心环境与健康相关产品安全所,北京 100021
孙志颖 中国疾病预防控制中心环境与健康相关产品安全所,北京 100021
孙庆华 中国疾病预防控制中心环境与健康相关产品安全所,北京 100021
班婕 中国疾病预防控制中心环境与健康相关产品安全所,北京 100021
李湉湉 中国疾病预防控制中心环境与健康相关产品安全所,北京 100021
摘要: 目的  探讨大气PM2.5持续高暴露对中国40个区/县人群死亡的影响。方法  采用方便抽样的方法,在我国京津冀、长江三角洲、珠江三角洲地区及黑龙江、山西、太原、四川选取40个区/县作为研究现场,收集2013年1月1日至2015年12月31日的逐日PM2.5浓度、气象资料及人群死亡数据。以PM2.5日均浓度值(分别为75 μg/m3、各区/县日均浓度值的P75P90)和持续时间(≥2 d和≥3 d)定义6种持续高PM2.5暴露情景,采用广义线性模型和Meta分析研究持续高PM2.5暴露对40区/县人群死亡的影响。结果  2013—2015年,40个区/县日均温度为(15.26±10.48)℃,P50P25P75)为17.20(7.50,23.70)℃;日均相对湿度为(67.31±19.26)%,P50P25P75)为72.00%(57.00%,81.00%);PM2.5日均浓度为(72.81±60.93)μg/m3P50P25P75)为55.38(33.77,91.45)μg/m3;每个区/县每日非意外总死亡为(12±7)例,心脑血管疾病死亡为(5±4)例,呼吸系统疾病死亡为(2±2)例。PM2.5日均浓度值≥75 μg/m3且持续≥2 d的暴露情景引起的人群非意外总死亡和心血管疾病死亡的ER(95%CI)值分别为1.77%(0.89%,2.66%)和2.69%(1.06%,4.35%);PM2.5日均浓度值≥P75且持续≥2 d的暴露情景引起的人群非意外总死亡和心血管疾病死亡的ER(95%CI)值分别为1.67%(0.59%,2.76%)和2.31%(0.67%,3.97%);PM2.5日均浓度值≥P90且持续≥2 d的暴露情景引起的人群非意外总死亡和心血管疾病死亡的ER(95%CI)值分别为0.71%(-0.75%,2.20%)和1.95%(0.08%,3.86%);PM2.5日均浓度值≥75 μg/m3且持续≥3 d的暴露情景引起的人群非意外总死亡和心血管疾病死亡的ER(95%CI)值分别为1.15%(0.12%,2.18%)和1.85%(0.25%,3.47%);PM2.5日均浓度值≥P75且持续≥3 d的暴露情景引起的人群非意外总死亡和心血管疾病死亡的ER(95%CI)值分别为1.39%(0.15%,2.64%)和2.29%(0.39%,4.23%)。结论  持续高PM2.5暴露与人群非意外总死亡和心血管疾病死亡存在关联。
关键词 :颗粒物;死亡;多中心研究;生态学研究
The impact of persistent high ambient fine particulate matters exposures on mortality in the 40 districts/counties of China, 2013-2015
ChenChen,SunZhiying,SunQinghua,BanJie,LiTiantian     
Department of Environment and Health Risk Assessment, National Institute of Environmental Health, Chinese Center for Disease Control and Prevention, Beijing 100021, China
Corresponding author: Li Tiantian, Email: tiantianli@gmail.com, Tel: 0086-10-50930221
Abstract:Objective  To investigate the impact of persistent high ambient fine particulate matters (PM2.5) exposures on mortality in the polluted areas of 40 districts/counties in China.Methods  Using a convenient sampling method, we selected 40 districts/counties as research sites from the Beijing-Tianjin-Hebei Metropolitan Region, the Yangtze River Delta, the Pearl River Delta, and Heilongjiang, Shanxi, and Sichuan province. The daily concentrations of PM2.5, meteorological data and population death data from January 1, 2013 to December 31, 2015 were collected. The six persistent PM2.5 pollution episode scenarios were defined by the average daily concentration of PM2.5 (75 μg/m3, P75 and P90 of the average daily concentration of each district/county respectively) and the duration (≥2 days or 3 days). Generalized linear models and meta analyses were used to explore the impact of PM2.5 pollution episodes on mortality in 40 districts/counties.Results  The mean±SD and P50 (P25, P75) of average daily temperature, relative humidity and PM2.5 were (15.26±10.48) ℃, 17.20 (7.50, 23.70) ℃, (67.31±19.26)%, 72.00% (57.00%, 81.00%), (72.81±60.93) μg/m3 and 55.38 (33.77, 91.45) μg/m3, respectively in 40 districts/counties during 2013-2015. The average number of non-accidental, cardiovascular and cerebrovascular diseases deaths per day were (12±7), (5±4) and (2±2) in each district/county, respectively. When the daily concentrations of PM2.5 were ≥75 μg/m3 (≥2 days), ≥P75 (≥2 days), ≥P90 (≥2 days), ≥75 μg/m3 (≥3 days), and ≥P75 (≥3 days), the excess risk (95%CI) of the total non-accidental deaths and cardiovascular diseases deaths were 1.77% (0.89%,2.66%), 2.69% (1.06%,4.35%), 1.67% (0.59%,2.76%), 2.31% (0.67%, 3.97%), 0.71% (-0.75%, 2.20%), 1.95% (0.08%, 3.86%), 1.15% (0.12%, 2.18%), 1.85% (0.25%, 3.47%), 1.39% (0.15%, 2.64%), 2.29% (0.39%, 4.23%), respectively.Conclusion  Persistently high PM2.5 exposures were associated with total non-accidental deaths and cardiovascular disease deaths.
Key words :Particulate matter;Death;Multicenter study;Ecological study
全文

大量流行病学研究表明短期暴露于PM2.5会对人群造成严重的健康危害[1,2,3]。中国作为最大的发展中国家,工业化快速发展导致大气PM2.5污染恶化。鉴于目前多地区空气重污染现状,有学者相继开展全国范围的多中心时间序列研究,结果显示短期暴露于高浓度的PM2.5会增加人群死亡风险[4,5]。然而,现阶段我国空气污染除了高浓度PM2.5暴露之外,还存在多地同时爆发重度污染且持续多日的污染特征。面对高浓度且持续多日暴露的空气污染,其对人体健康影响仍缺乏相关研究支持。
        空气污染的持续高暴露严重威胁人群身体健康和生命安全[6]。欧洲、美国等发达国家针对空气污染事件开展了深入研究[7,8,9],相关研究结果也很好为当地相关政策的研究和制定提供了支持。然而欧美国家的空气污染特征与现阶段我国的污染情况不尽相同,空气污染所带来的人群健康损害也有所差别,因此针对我国持续高暴露的空气污染开展相关研究很有必要。因此,本研究基于多中心时间序列研究设计,探索持续高PM2.5暴露对人群死亡的影响,为应对重污染天气,制定大气污染防护策略提供科学依据。

资料与方法  

一、资料来源  

1.空气污染监测资料:  采用方便抽样的方法,在我国京津冀、长江三角洲、珠江三角洲地区及黑龙江、山西、太原、四川选取40个区/县作为研究现场,收集2013年1月1日至2015年12月31日的逐日PM2.5浓度资料,数据来源于环境监测站的历史监测数据。按照空间分布位置和最短空间距离为每个区县匹配监测站:(1)选择区/县行政地理分布范围内的空气污染固定监测站进行匹配;(2)如果在一个区/县的行政地理分布范围内存在多个监测站,则对这些监测站点的浓度数据取均值;(3)如果该区/县行政地理分布范围内监测站,则通过地理信息系统空间测距工具,选择距离区/县地理分布中心点最近的监测站。

2.气象资料:  通过中国气象局的中国气象数据网,收集40个区/县2013年1月1日至2015年12月31日的温度和相对湿度资料。

3.死因监测资料:  以死亡为健康终点,基于中国疾病预防控制中心死因监测系统收集各个区/县常住人口的每日死亡数据,依据《国际疾病分类》第十版(International Classification of Diseases 10th edition,ICD-10)纳入3种不同疾病别死因数据:非意外总死亡(A00~R99)、心脑血管疾病死亡(I00~I99)、呼吸系统疾病死亡(J00~J99)。

4.PM2.5持续高暴露的定义:  以PM2.5日均浓度和持续时间定义PM2.5持续高暴露情景:日均浓度值分别为我国《环境空气质量标准(GB 3095-2012)》二级浓度限值24 h平均值75 μg/m3和各个区/县2013—2015年间日均浓度值的P75P90;持续时间分别为≥2 d和≥3 d。共构成6种持续高PM2.5暴露情景:PM2.5日均浓度值≥75 μg/m3,持续≥2 d(情景1);PM2.5日均浓度值≥P75,持续≥2 d(情景2);PM2.5日均浓度值≥P90,持续≥2 d(情景3);PM2.5日均浓度值≥75 μg/m3,持续≥3 d(情景4);PM2.5日均浓度值≥P75,持续≥3 d(情景5);PM2.5日均浓度值≥P90,持续≥3 d(情景6)。

二、统计学方法  统计分析使用R 3.5.0软件进行,采用RMETA软件包进行数据分析,采用95%CI值检验差异是否具有统计学意义。

1.基本情况描述:  人群死亡、PM2.5日均浓度及气象资料不符合正态分布,但为了与国内外该领域其他研究相比较,采用±sP25P50P75表示。

2.时间序列分析:  第一阶段,采用Poisson分布广义线性模型(generalized linear model,GLM),分析6种持续高PM2.5暴露情景对每个区/县人群非意外总死亡、心脑血管和呼吸系统死亡的影响,利用自然样条函数调整温度、湿度、"星期几效应"和死亡时间趋势等混杂因素后,计算人群死亡的超额危险度(excess risk,ER)及95%CI值。模型结构为Log[E(μt)]=α+βEPtDOWt+nstimedf)+nsTemtdf)+nsRhtdf)。式中E(μt)为第t日的目标人群死亡的期望值;α为模型截距;EP为该持续高PM2.5暴露的二分类变量,EP=0为非持续高PM2.5暴露期,EP=1为持续高PM2.5暴露期;β为由模型估计的偏回归系数;DOWt是"星期几效应",γ是模型中控制DOWt的偏回归系数;ns自然样条函数,用于控制死亡的时间趋势time、日均温度Tem、日相对湿度Rh等变量;df为自然样条函数的自由度,根据以往研究经验死亡的时间趋势time、日均温度Tem、日均相对湿度Rh自由度分别选取7、3、3。第二阶段,采用Meta分析将第一阶段获得的各区/县效应值进行合并,获得总效应值。

3.敏感性分析:  为检验模型稳定性,改变模型中死亡时间趋势、温度和相对湿度的自由度后,观察人群非意外死亡ER值的变化情况。死亡时间趋势自由度分别取5和6,温度和相对湿度自由度取5。

结果  

一、基本情况  2013—2015年,40个区/县日均温度为(15.26±10.48)℃,P50P25P75)为17.20(7.50,23.70)℃;日均相对湿度为(67.31±19.26)%,P50P25P75)为72.00%(57.00%,81.00%);PM2.5日均浓度为(72.81±60.93)μg/m3P50P25P75)为55.38(33.77,91.45)μg/m3。16个区/县PM2.5日均浓度≥75 μg/m3,河北辛集县PM2.5日均浓度高达115.79 μg/m3。每个区/县每日非意外总死亡数为(12±7)例,P50P25P75)为11(7,16)例,其中心脑血管疾病死亡数为(5±4)例,P50P25P75)为4(3,7)例;呼吸系统疾病死亡数为(2±2)例,P50P25P75)为1(0,2)例。每区/县每年发生情景1的次数为24.2次,累计天数为125.3 d。PM2.5持续高暴露具有季节差异,冬季(12月至次年2月)发生次数较多,春季(3—5月)和秋季(9—11月)次之,夏季(6—8月)较少,详见表1

表12013—2015年中国40个区/县PM2.5持续高暴露发生情况

二、时间序列分析结果  

1.PM2.5持续高暴露对40区/县人群死亡的影响:  除暴露情景6外,其他5种PM2.5持续高暴露情景引起的人群非意外总死亡和心血管疾病死亡的ER值均具有统计学意义,其中暴露情景1引起的人群非意外总死亡和心血管疾病死亡ER(95%CI)值分别为1.77%(0.89%,2.66%)和2.69%(1.06%,4.35%)。详见表2

表22013—2015年PM2.5持续高暴露引起的中国40个区/县人群死亡ER值[%(95%CI)]

2.敏感性分析:  改变模型中死亡时间趋势、温度和相对湿度的自由度(分别取5、5、5和6、5、5),暴露情景1~3引起的人群非意外总死亡ER值变化情况分别为-0.09%~1.22%、-0.07%~0.28%和0.03%~0.56%。

讨论  目前,欧洲、美国等发达国家大气PM2.5浓度较低,PM2.5持续高浓度污染事件罕有发生[1,2,3]。但在20世纪50年代左右,工业化进程脚步加快,这些发达国家也曾出现过持续时间较长的重度空气污染时间,其中1952年伦敦烟雾事件的颗粒物和SO2的污染水平比当时的空气质量监管标准高出5~19倍,不仅导致当地居民的死亡、入院风险增加,还可能产生中长期效应[7,8,9]
        近年来,我国开展的PM2.5短期暴露健康效应的多中心研究均认为我国PM2.5短期暴露可对人体健康带来不良影响,但不能估计当高浓度暴露持续时间较长时所带来的健康危害[4,5]。国内围绕持续高PM2.5暴露的急性健康效应开展的一些单中心研究[7,8]提示,持续高PM2.5暴露对公众健康的危害较为严重。Chen等[10]研究发现,北京2013年1月持续高PM2.5污染期间,与2013年冬季其他时间相比,呼吸系统疾病的急诊、门诊风险均增加74%(95%CI:44%,111%)和16%(95%CI:7%,27%)。Zhou等[11]研究发现,2013年1月持续高PM2.5污染事件对农村人群的死亡影响更大。本研究发现,PM2.5日均浓度值≥75 μg/m3且持续≥2 d的暴露情景引起的人群非意外总死亡和心血管疾病死亡ER(95%CI)值分别为1.77%(0.89%,2.66%)、2.69%(1.06%,4.35%),高于上述单中心研究,提示持续多天的高PM2.5暴露对人群健康危害更为严重。
        在应对持续高PM2.5污染事件过程中,存在如何科学合理定义暴露情景的问题。本研究从PM2.5日均浓度和持续时间两方面定义6种持续高PM2.5暴露情景,并观察到不同暴露情景对人群健康影响的效应并不完全一致。相似的研究结果在PM2.5暴露引起的人群超额死亡风险评估中亦可观察到[12]。如何科学合理界定持续高PM2.5暴露还需进一步研究和分析。
        在空气污染与健康的多中心时间序列研究中,通常先基于单中心时间序列数据,并通过使用对数线性的泊松回归模型分析过度离散的计数资料,估计单位时间间隔的污染物水平和结局之间的关联;进而使用Meta分析或贝叶斯分析方法将单中心模型结果进行整合[2,3,4,5]。相比泊松回归模型增加区域哑变量的单阶段分析方法,上述二阶段分析策略将单中心独立分析,避免了单阶段分析方法中对所有单中心内部混杂结构等同的假设,同时充分考虑了单中心的空间特征及异质性,但统计分析过程更为复杂、耗时较长,对时间序列的数据质量要求较高。
        本研究具有一定的局限性:使用固定监测点的PM2.5监测浓度代表人群的暴露水平,并未考虑个体暴露的差异性。同时,与国际上的多中心时间序列研究相比,本研究受到相对较短的3年时间序列数据的限制,但鉴于每日死亡病例数量稳定,数据亦可用于提供良好的统计估计。未来中国的多中心研究应在长时间序列数据积累的基础上,进一步提高人群暴露评估的精确性。此外,本研究以PM2.5为主要污染物进行分析,建立GLM模型仅是PM2.5单污染物暴露模型,然而空气中的污染物除了PM2.5,还存在SO2、NO、O3等其他污染物,它们对人群健康的影响以及与PM2.5的协同效应均不容忽视。因此,未来还需要针对PM2.5和SO2、NO、O3等多污染物的空气污染健康效应开展研究。

参考文献
[1]AtkinsonRW, KangS, AndersonHR, et al. Epidemiological time series studies of PM2.5 and daily mortality and hospital admissions: a systematic review and meta-analysis [J]. Thorax, 2014, 69(7): 660-665. DOI: 10.1136/thoraxjnl-2013-20 4492.
[2]EvangeliaS, MassimoS, SophiaR, et al. Associations between fine and coarse particles and mortality in mediterranean cities: results from the MED-PARTICLES Project [J]. Environmental Health Perspectives, 2013, 121(8): 932-938. DOI: 10.1016/j.envint.2014.11.011.
[3]DaiL, ZanobettiA, KoutrakisP, et al. Associations of fine particulate matter species with mortality in the United States: a multicity time-series analysis[J]. Environ Health Perspect, 2014,122(8):837-842. DOI: 10.1289/ehp.1307568.
[4]ChenC, ZhuP, LanL, et al. Short-term exposures to PM2.5 and cause-specific mortality of cardiovascular health in China[J]. Environ Res, 2018,161:188-194. DOI: 10.1016/j.envres.2017.10.046.
[5]ChenK, RazinskasG, ViekerH, et al. High-Q, low-mode-volume and multiresonant plasmonic nanoslit cavities fabricated by helium ion milling[J]. Nanoscale, 2018,10(36):17148-17155. DOI: 10.1039/c8nr02160k.
[6]李湉湉,崔亮亮,陈晨,等.北京市2013年1月雾霾天气事件中PM2.5相关人群超额死亡风险评估[J].疾病监测,2015,30(8):668-671.
[7]BellML, DavisDL. Reassessment of the lethal London fog of1952: novel indicators of acute and chronic consequences of acute exposure to air pollution[J]. Environ Health Perspect, 2001,109Suppl 3:389-394. DOI: 10.1289/ehp.01109s3389.
[8]BellML, DavisDL, FletcherT. A retrospective assessment of mortality from the London smog episode of 1952: the role of influenza and pollution[J]. Environ Health Perspect, 2004,112(1):6-8. DOI: 10.1289/ehp.6539.
[9]BharadwajP, ZivinJG, MullinsJT, et al. Early-Life Exposure to the Great Smog of 1952 and the Development of Asthma[J]. Am J Respir Crit Care Med, 2016,194(12):1475-1482. DOI: 10.1164/rccm.201603-0451OC.
[10]ChenR, ZhaoZ, KanH. Heavy smog and hospital visits in Beijing, China[J]. Am J Respir Crit Care Med, 2013,188(9):1170-1171. DOI: 10.1164/rccm.201304-0678LE.
[11]ZhouM, HeG, FanM, et al. Smog episodes, fine particulate pollution and mortality in China[J]. Environ Res, 2015,136:396-404. DOI: 10.1016/j.envres.2014.09.038.
[12]孙庆华,李湉湉. 2013年北京市PM2.5暴露引起的人群超额死亡风险评估[J].中华预防医学杂志, 2016, 50(6): 544-546. DOI:10.3760/cma.j.issn.0253-9624.2016.06.014.