北京市顺义区大气污染物对呼吸系统疾病门诊量的影响

北京市顺义区疾病预防控制中心(101300)

张文增 甄国新 陈东妮 史继新 吴 殚 张松建

北京市顺义区大气污染物对呼吸系统疾病门诊量的影响

北京市顺义区疾病预防控制中心(101300)

张文增 甄国新 陈东妮 史继新 吴 殚 张松建

目的 探讨北京市顺义区大气污染物对医院呼吸系统疾病门诊量的短期影响。方法 收集2014年1月1日-2015年12月31日北京市顺义区二级及以上医疗机构呼吸系统疾病每日门诊资料和同期北京市顺义区大气及气象监测资料，采用基于时间序列的半参数广义相加模型，在控制长期趋势、星期效应、假期效应、流感流行及气象因素等混杂因素的基础上，分析大气污染物浓度与呼吸系统疾病日门诊量的关系及滞后效应。结果 研究期间，北京市顺义区二级及以上医疗机构呼吸系统疾病日门诊量平均为1653人次，范围420～5034人次。单污染物模型中，PM2.5、PM10-2.5、二氧化硫(SO2)和二氧化氮(NO2)均是滞后0～2d(avg02)的移动平均值对呼吸系统疾病门诊人数影响最为显著，臭氧(O3)是在滞后3d(lag3)的浓度值对呼吸系统疾病门诊人数影响最为显著。PM2.5、PM10-2.5、SO2、NO2和O3浓度每增加10μg/m3对应的呼吸系统疾病门诊人数增加百分比分别为0.25%(95%CI:0.22～0.28)、0.52%(95%CI:0.44～0.60)、0.73%(95%CI:0.58～0.88)、1.23%(95%CI:1.12～1.33)和0.20%(95%CI:0.16～0.24)。在双污染物模型中，引入NO2后，PM2.5、PM10-2.5和SO2对呼吸系统疾病门诊人数影响较单污染物模型明显减小。结论 北京市顺义区大气污染物PM2.5、SO2、NO2和O3浓度对医院呼吸系统疾病日门诊量有影响，且存在滞后效应。

大气污染 呼吸系统疾病 门诊量 广义相加模型

近年来大气污染物对人群健康的影响越来越受到重视。大量流行病学研究发现，大气污染物浓度的短期升高可导致人群呼吸系统疾病发病率和死亡率的升高[1-3]。北京市是我国内陆大气污染严重的地区之一。目前国内外关于大气污染物对人群健康效应影响的研究多以住院或死亡作为健康结局[4-5]，二者仅代表了较为严重的疾病状态或最终的健康结局，是人群健康效应“金字塔”的顶端部分；而医疗机构门诊就诊数据覆盖人群范围广，可更灵敏地反映大气污染物对人群健康的急性效应，是人群健康效应“金字塔”的底端部分。然而由于门诊就诊数据收集困难、数据量庞大、数据质量参差不齐等原因导致这方面流行病学研究成果较少。

本研究采用国际通用的基于时间序列的广义相加模型(generalized additive model,GAM)[6-7]定量评估北京市顺义区大气污染物与全区二级及以上医疗机构呼吸系统疾病日门诊量之间的关系，探讨大气污染物对人群呼吸系统疾病的短期影响，为采取针对性的应对策略和干预措施提供科学依据。

资料与方法

1.呼吸系统疾病资料

呼吸系统疾病资料来源于2014年1月1日至2015年12月31日顺义区全部4家二级及以上医疗机构(均以服务当地常住人口为主)内科门诊、内科急诊、儿科门诊、儿科急诊和发热门诊逐日门诊病例资料。统计时根据国际疾病分类标准第10版(ICD-10:J00-J99)进行分类，主要为各类肺炎、上呼吸道感染和感冒、急慢性支气管炎以及哮喘等，并剔除了因意外、手术等人为原因造成的呼吸系统疾病。北京市顺义区流感样病例监测数据来自“北京市医疗机构传染病监测预警系统”。

2.大气污染监测资料

2014年1月1日至2015年12月31日北京市顺义区大气污染物监测资料来源于中国空气质量在线监测分析平台(http://www.aqistudy.cn/)，选取北京市顺义新城监测点逐日监测数据，包括PM2.5、PM10、PM10-2.5、二氧化硫(SO2)、二氧化氮(NO2)和臭氧(O3)6个指标。其中，PM10-2.5日均浓度值由PM10浓度值减去PM2.5浓度值计算获得。

3.气象资料

气象资料来源于中国气象科学数据共享服务网(http://www.escience.gov.cn/)中国地面气象资料中北京市2014年1月1日至2015年12月31日的日均气象资料，包括日均气温(℃)、最高气温(℃)、最低气温(℃)、日均风速(m/s)和日均相对湿度(%)等。

4.统计方法

对于总人群来说，每天呼吸系统疾病门诊人数属于小概率事件，其实际分布近似Poisson分布[6-7]，因此本研究采用基于Poisson回归模型的半参数广义相加模型(GAM)分析大气污染物对呼吸系统疾病日门诊人数的短期影响。在控制呼吸系统疾病日门诊量长期趋势、季节趋势、星期效应、节假日效应、流感流行以及气象因素等混杂因素的基础上，将大气主要污染物PM2.5、PM10-2.5、SO2、NO2和O3浓度作为直线变量引入模型，分别观察其对呼吸系统疾病日门诊量的影响。具体模型如下：

Log[E(Yk)]=a+βXk+DOW+Holiday+Influenza+s(time,df)+s(Zk,df)

(1)

式中：Yk为第k日呼吸系统疾病门诊人数；E(Yk)为第k日呼吸系统疾病门诊人数的期望值；a为残差；Xk为第k日大气污染物浓度，β为回归系数；DOW为星期哑元变量，Holiday为公共假期哑元变量，Influenza为流感流行哑元变量；s为非参数平滑样条函数,df为其自由度；time为日历时间；Zk为第k日气象因素变量，包括日均气温、日均风速和日均相对湿度。

首先构建单污染物模型，将污染物当日、1d前至6d前浓度(1ag0、lag1～lag6)或污染物浓度移动平均值(avg01～avg06)逐一引入模型，确定模型中单污染物对健康效应最强的滞后时间(此时引起的健康效应最显著)。根据单污染物模型中确定的最强效应的滞后时间，拟合双污染物模型(将某两种污染物同时纳入模型分析)观察单污染物模型的稳健性，评价其他污染物对所关注污染物健康效应估计的影响。对不同模型的拟合优度检验，采用广义交叉确认(generalized cross validation，GCV)的自适应约束最小二乘估计方法对模型进行评估。

采用SAS 9.13(PROC GAM;SAS Institute Inc,Cary,NC)软件进行统计分析。大气污染物与气象因素相关分析根据文献采用Spearman等级相关分析。流感暴发和流行是大气污染物和呼吸系统疾病门诊量关系研究重要混杂因素之一[8]，参考相关文献，将顺义区流感监测哨点医院全部门诊流感样病例超过当年第75个百分位数的时间定义为流感流行期，其余时间为非流行期[9]。根据GAM模型估算的污染物回归系数β对污染物的健康效应做出定量评价。计算当污染物浓度增加Δc时，呼吸系统疾病日门诊人数的相对危险度(relative risk，RR)、人数增加百分比(PI%)及95%可信区间(95%CI)。参见公式(2)～(5)：

RR=exp(Δc.β)

(2)

RR(95%CI)=exp(Δc.β±1.96SE)

(3)

PI%=[exp(Δc.β)-1]×100%

(4)

PI%(95%CI)=[exp(Δc.β±1.96SE)-1]×100%

(5)

结 果

1.描述性分析

大气污染物浓度和气象因素、呼吸系统疾病日门诊人数的描述性分析结果见表1。2014年1月1日～2015年12月31日，北京市顺义区4家二级及以上医疗机构平均每天呼吸系统疾病门诊就诊人数为1653例(范围：420～5034)。PM2.5、PM10、PM10-2.5、SO2、NO2和O3日均浓度的平均值分别为82.27μg/m3、112.86μg/m3、30.59μg/m3、16.68μg/m3、51.80μg/m3和111.40μg/m3。根据GB 3095-2012《环境空气质量标准》规定的年均浓度限值，研究期间PM2.5、PM10、NO2浓度超过了国家二级标准，SO2年均浓度未超过国家二级标准(60μg/m3)。其中PM2.5约占PM10的73%，PM10-2.5约占PM10的27%。

2.大气污染物和气象因素之间的相关性分析

由表2可知，北京市顺义区PM2.5、PM10、PM10-2.5、SO2、NO2污染物之间存在明显正相关，且有统计学意义(P<0.05)。其中PM10-2.5、SO2和NO2三种污染物浓度和O3呈负相关，且有统计学意义(P<0.01)。PM2.5、PM10、SO2、NO2与平均温度及日平均风速均呈负相关(P<0.05)，PM2.5、PM10与平均相对湿度呈正相关(P<0.01)；PM10-2.5与平均温度及日平均风速均呈正相关(P<0.01)，与平均相对湿度呈负相关(P<0.01)。可见大气污染物与气象要素间有较强的关联，提示在研究大气污染物对人群健康影响时要考虑气象因素的混杂作用。

表1 2014-2015年北京市顺义区呼吸系统疾病门诊人数、大气污染物及气象因素描述性分析

*：P25，P50和P75分别为第25、50、75百分位数

表2 2014-2015年北京市顺义区大气污染物与气象因素间的Spearman相关分析

*：P<0.05 **：P<0.01

3.广义相加模型分析结果

(1)单污染物模型

不同滞后时间下，大气污染物对呼吸系统疾病门诊人数影响RR的变化规律见图1。北京市空气中的PM2.5、PM10-2.5、SO2、NO2和O3浓度水平对呼吸系统疾病门诊人数有显著影响，且存在一定的滞后效应。PM2.5、PM10-2.5、SO2和NO2均是滞后0～2d(avg02)的移动平均值对呼吸系统疾病门诊人数影响最为显著，且具有统计学意义(P均<0.01)；O3在滞后3d(lag3)的浓度值对呼吸系统疾病门诊人数影响最为显著(P<0.01)。此时，PM2.5、PM10-2.5、SO2、NO2和O3浓度每增加10μg/m3对应的呼吸系统疾病门诊人数增加百分比(PI%)分别为0.25%(95%CI:0.22～0.28)、0.52%(95%CI:0.44～0.60)、0.73%(95%CI:0.58～0.88)、1.23%(95%CI:1.12～1.33)和0.20%(95%CI:0.16～0.24)。

(2)双污染物模型

根据单污染物模型的滞后效应分析结果，选择影响最大的滞后时间所对应的污染物浓度拟合多污染物模型。结果显示，在双污染物模型中，分别引入PM10-2.5、SO2、O3后，PM2.5对呼吸系统疾病门诊人数影响PI值较单污染物模型变化不大，且具有统计学意义；分别引入PM2.5、SO2、O3后，PM10-2.5对呼吸系统疾病门诊人数影响PI值变化不大，且具有统计学意义；但引入NO2后，PM2.5、PM10-2.5和SO2对呼吸系统疾病门诊人数影响PI值较单污染物模型明显减小。具体见表3。

图1 大气污染物日均浓度每增加10μg/m3对呼吸系统疾病日门诊人数影响的RR及95%CI

表3 北京市顺义区大气污染浓度每增加10μg/m3时呼吸系统疾病门诊人数增加百分比(PI%)及95%CI

*：P<0.05，**：P<0.01

讨 论

本研究采用基于Poisson回归模型的半参数广义相加模型(GAM)的时间序列分析方法，探讨大气污染物与呼吸系统疾病日门诊量的关系。研究结果表明，北京市顺义区大气污染物PM2.5、SO2、NO2和O3浓度对医院呼吸系统疾病日门诊量有影响，且存在一定的滞后效应。单污染物模型拟合结果表明，在最佳滞后时间条件下，PM2.5、PM10-2.5、SO2、NO2和O3浓度每增加10μg/m3对应的呼吸系统疾病门诊人数分别增加0.25%、0.52%、0.73%、1.23%和0.20%。其中，PM2.5和PM10-2.5对呼吸系统疾病门诊人数影响效应不同，在最佳滞后时间条件下(avg02)PM10-2.5的效应高于PM2.5，因此建议相关部门在今后的大气污染监测指标中增加PM10-2.5方面的监测内容，以便进一步全面评价大气污染对健康效应的影响。

本次研究结果表明，不同大气污染物对医院呼吸系统疾病日门诊量影响存在一定的滞后效应。PM2.5、PM10-2.5和O3日浓度和移动平均值浓度对医院呼吸系统疾病日门诊量影响程度随滞后时间的增加呈现先上升后下降趋势。SO2、NO2日浓度随滞后时间的增加呈现逐渐减弱趋势，移动平均值浓度呈现先上升后下降趋势。其中，PM2.5、PM10-2.5、SO2和NO2均是滞后0～2d(avg02)的移动平均值、O3滞后3d(lag3)的浓度值对呼吸系统疾病门诊人数影响最为显著。此方面数据可作为今后政府有关部门发布大气污染健康提示的重要参考依据，对于大气污染期间指导居民健康出行具有重要的意义。

此外，关于大气污染物浓度与呼吸系统疾病门诊量之间的关系，国内外不同研究结果并不完全一致，有时还呈现相反的变化趋势[10]。本研究的结果与美国、伦敦、香港(普通门诊就诊)、上海、深圳、乌鲁木齐等国家和地区研究结果基本一致[11-15]，略低于香港(急诊入院)、兰州等地区研究结果[9,16]，也低于2009-2011年北京市某三级甲等综合医院急诊科的研究结果[10]。产生上述情况的原因可能与不同地区，不同时期大气污染水平、污染物主要来源及化学组成、研究选择的目标人群、研究人群对空气污染的敏感程度等因素有关，也可能与研究过程中调整的混杂因素不同有关[18-19]。

目前，国内在进行有关大气污染物与呼吸系统疾病关系的研究时，大多以PM10、NO2和SO2的浓度作为人群的暴露指标，极少研究关注PM2.5或者PM10-2.5对呼吸系统疾病门诊量的影响[20-22]，同时关注PM2.5和PM10-2.5者更少[10,23]。国外报告显示，PM2.5或者PM10-2.5对呼吸系统疾病的影响比PM10更具有参考价值[18,24]，因此本研究同时引入PM10-2.5和PM2.5这两种颗粒污染物浓度指标。研究结果显示，与单污染物模型结果相比，引入PM2.5、PM10-2.5、SO2、O3等污染物后，NO2对呼吸系统疾病门诊人数影响PI值变化不大，但引入NO2后，PM2.5、PM10-2.5和SO2对呼吸系统疾病门诊人数影响PI值较单污染物模型明显减小。这表明NO2与呼吸系统疾病门诊人数的影响相对稳健。上述结果提示各污染物对健康的影响并非是简单的效应叠加，各污染物之间可能存在交互作用，因此如何更加科学地研究各污染物的效应，还需进一步探讨。因此建议今后在大气污染健康效应评价工作中可以采用综合指标来反映大气污染对健康效应的影响程度。

本研究在模型中控制了长期趋势、季节趋势、星期效应、节假日效应、流感流行以及气象因素等多种混杂因素的影响，较为客观地分析了大气污染物浓度与医院呼吸系统疾病日门诊量的关系。本研究仍存在以下局限性：第一、本研究仅收集了全区二级及以上医疗机构门诊资料，样本量有限，可能存在选择偏倚，不能完全代表全区实际呼吸系统疾病发病水平；第二，本研究仅对2014-2015年门诊数据进行了分析，研究时间较国外同类研究相对较短，若能分析多年的门诊数据，则结果会更加稳定；第三，由于本次研究医疗机构提供的门诊数据未包括就诊病例的年龄、性别和具体病种，因此未能按照疾病种类和人群人口学特征进行亚组分析；第四，没有进行多污染物模型的拟合，主要是为了避免多重共线性的问题。建议今后研究中可对上述问题所需信息做进一步补充，开展更为深入细致的分析，更真实地反映大气污染物对呼吸系统疾病的急性影响。

[1]Kan H,Chert B,Hong C,et a1.Health impact of outdoor air pollution in China:current knowledge and future research needs.Environ Health Perspect,2009,117(5):A187.

[2]Touloumi Q,Samoli E,Quenel E,et a1.Short-term effects of air pollution on total and cardiovascular mortality:the confounding effect of influenza epidemics.Epidemiology,2005,16(1):49-57.

[3]刘世炜,周脉耕,王黎君,等.1990年与2010年中国归因于室外空气污染的疾病负担分析.中华预防医学杂志,2015,4:327-333.

[4]常桂秋,潘小川,谢学琴,等.北京市大气污染与城区居民死亡率关系的时间序列分析.卫生研究,2003,32(6):565-568.

[5]宋桂香,江莉莉,陈国海,等.上海市大气气态污染物与居民每日死亡关系的时间序列研究.环境与健康杂志,2006,3(5):390-393.

[6]Dominici F,McDermott A,Zeger S L,et al.On the use ofgeneralized additive models in time-series studies of air pollutionand health.Am J Epidemio1,2002,156:193-203.

[7]Dominci F,Peng RD,Bell ML,et al.Fine particulate air pollution and hospital admission for cardiovascular and respiratory diseases.JAMA,2006,295(10):1127.

[8]Ren C,Williams GM,Tong S,et al.Does particulate matter modify the association between temperature and cardiorespiratory diseases.Environ Health Perspect,2006,114:1690-1696.

[9]Hong Qiu,Ignatius Tak-sun Yu,Linwei Tian,et al.Effects of Coarse Particulate Matter on Emergency Hospital Admissions for Respiratory Diseases:A Time-Series Analysis in Hong Kong.Environ Health Perspect,2012,120:572-576.

[10]Atkinson RW,Kang S,Anderson HR,et al.Epidemiological time series studies of PM2.5 and daily mortality and hospital admissions:a systematic review and meta-analysis.Thorax,2014,69(7):660-665.

[11]Bell ML，Ebisu K，Pang RD.Seasonal and regional short-termeffects of fine particles on hospital admissions in 202 US counties,1999-2005.Epidemiology,2008,19(6):379-308.

[12]Wong TW,Tam W,Yu ITS,et al.Association between air pollution and general practitioner visits for respiratory diseases in Hong Kong.Thorax,2006,61:585-591.

[13]鲍玉星,晓开题·依不拉音,吴文华,等.乌鲁木齐大气污染与呼吸系统疾病日住院人数的时问序列分析.新疆医科大学学报,2013,36(4):537-542.

[14]张江华,郭常义,许慧慧,等.上海市大气污染与某医院呼吸系统疾病门诊量关系的时间序列研究.环境与职业医学,2014,31(11):846-851.

[15]廖玉学,彭朝琼,余淑苑,等.深圳市大气PM10与呼吸系统疾病日门诊量的时间序列分析.华南预防医学,2014,40(4):301-305.

[16]陶燕,羊德容,兰岚,等.兰州市空气污染对呼吸系统疾病门诊人数的影响.中国环境科学,2013,33(1):175-180.

[17]张莹,邵毅,王式功,等.北京市空气污染物对呼吸系统疾病门诊人数的影响.中国环境科学,2014,34(9):2401-2407.

[18]Kim SY,Peel JL,Hannigan MP,et al.Thetemporallagstructure of short-term associations of fine particulate matterchemical constituents and cardiovascular and respiratoryhospitalizations.Environ Health Perspect,2012,120(8):1094-1099.

[19]Lai HK,Tsang H,Wong CM.Meta-analysis of adversehealth effects due to air pollution in Chinese populations .BMC Public Health,2013,13(1):360.

[20]Chen Y,Yang Q,Krewski D,et al.The effect of coarse ambient particulate matter on first,second,and overall hospital admissions for respiratory disease among the elderly .Inhal Toxicol,2005,17:649-655.

[21]Host S,Larrieu S,Pascal L,et al.Short-term associations between fine and coarse particles and hospital admissions for cardiorespiratory diseases in six French cities .Occup Environ Med,2008,65:544-551.

[22]牟拮,彭丽,杨丹丹,等.上海市天气和污染对儿童哮喘就诊人次的影响.中国卫生统计,2014,31(5):827-829.

[23]马关培,邹宝兰,许振成,等.广州市某医院呼吸系统疾病门诊人数与大气污染关系的时间序列研究.环境与健康杂志,2012,29(6):526-528.

[24]Brunekreef B,Forsberg B.Epidemiological evidence of effects of coarse airborne particles on health.Eur Respir J,2005,26:309-318.

(责任编辑：张 悦)