文章信息
- 谷少华, 王爱红, 边国林, 贺天锋, 易波, 陆蓓蓓, 李晓海, 许国章 .
- Gu Shaohua, Wang Aihong, Bian Guolin, He Tianfeng, Yi Bo, Lu Beibei, Li Xiaohai, Xu Guozhang .
- 宁波市气象条件与中暑的关联性分析
- Relationship between weather factors and heat stroke in Ningbo city
- 中华流行病学杂志, 2016, 37(8): 1131-1136
- CHINESE JOURNAL OF EPIDEMIOLOGY, 2016, 37(8): 1131-1136
- http://dx.doi.org/10.3760/cma.j.issn.0254-6450.2016.08.016
-
文章历史
收稿日期: 2016-01-18
全球气候变化是“21世纪人类最大的健康威胁”,其主要特征表现为平均气温升高和热浪等极端天气事件增多[1]。研究显示,我国东部地区近60年来最热的5个年份全部发生于21世纪,其中2013年夏季更是发生了有监测记录以来最强的热浪,平均高温日数较往年同期多1倍以上,连续多天日最高气温超过40 ℃,严重影响了南部9个省(市)超过5亿人群的身体健康[2-3]。极端高温天气对公共卫生服务造成了严重威胁,积极的应对政策是保护人群健康的有效手段,而及时有效的高温热浪预警系统是其中重要的组成部分,但是目前我国对这方面的研究仍然较少[4]。宁波市受亚热带季风气候影响,近年来频繁出现极端天气,人群身体健康受到极大威胁。本研究拟分析2011-2014年宁波市中暑报告病例,筛选影响人群中暑的气象条件,了解气象因子的影响阈值、滞后效应、交互作用等特征,为未来高温中暑预警系统的建立提供技术支持。
资料与方法1. 数据收集和整理:宁波市中暑病例资料收集自“中国疾病预防控制信息系统”的“高温中暑病例报告系统”模块,主要变量包括姓名、性别、年龄、中暑时间、中暑诊断等。所有中暑病例信息均通过了宁波市CDC的审核,为进一步排除病例复诊被重复报告的情况,同一病例如果7日内被两次或多次报告,只保留最早的病例报告记录。为尽量减少模型中因变量为0的情况,参考宁波市中暑的发病高峰,本研究仅使用2011-2014年6-8月份的中暑病例信息。
同期气象数据由宁波市气象局提供,变量包括日最高气温、日均气温、日最低气温、日均相对湿度、日均气压、日均风速等,根据各监测站数据计算出全市区域平均值,作为人群气象因素暴露量。同期空气污染数据由宁波市环境监测站提供,仅收集可吸入颗粒物(PM10)作为潜在的混杂因素进行统计学分析[5],同样采用区域平均值代表人群空气污染物暴露量。
2. 数据分析:
(1)分段回归模型(Piecewise Regression Model):分段回归模型用于计算引起高温中暑的气温阈值,其原理是构建气温和中暑病例的分段线性回归方程,通过赤池信息准则(Akaike information criterion,AIC)评估方程的拟合效果,找出拟合最佳的气温分段点,该分段点即可作为气温影响阈值[6-7]。
(2)分布滞后非线性模型(Distributed Lag Non-Linear Model,DLNM):为同时拟合气温和湿度对中暑影响的非线性效应和滞后效应,本研究在广义相加模型的基础上,通过交叉基(cross-basis)函数建立了分布滞后非线性模型,并采用广义泊松分布作为链接函数,广义交叉验证(generalized cross validation,GCV)评估方程的拟合效果,最终保证模型残差符合白噪声[8-9]。建立模型(1)如下
式中:Yt为第t日的中暑报告病例;cb为交叉基函数;lag为滞后时间;ns为自然三次样条函数;df为自由度参数;α为截距;Tempt为第t日的气温,根据文献选择最长滞后时间为10 d[8],气温和滞后时间的自由度根据GCV选择分别为4和3;Rht为第t日的日均相对湿度,根据文献选择最长滞后时间为10 d[10],湿度和滞后时间的自由度根据GCV选择均为3;Presst、Windt、PM10t分别为第t日日均气压、日均风速和日均PM10浓度,根据文献选择自由度均为3[8],Time为时间变量,由于只分析了夏季的病例,根据以往文献选择自由度为3/年[11];DOW为星期几,按照哑变量引入模型。
(3)反应面模型(Response Surface Model):评估气温与湿度对中暑影响的交互作用,本研究在广义相加模型的基础上,采用张量积平滑函数(Tensor Product Smooth)绘制出气温、湿度和中暑的联合反应面图,直观判断气温和湿度对中暑的联合作用[12]。由于气温和湿度均存在一定的滞后效应,因此方程中两变量均采用L天的移动平均值,L根据各个气象因子的滞后效应判定,最终建立模型(2)如下:
式中:te为张量积平滑函数;TemptL1为第t日气温L1天的移动平均值;RhtL2为第t日湿度L2天的移动平均值。
利用Excel 2013 软件进行数据整理和汇总,R软件(3.1.0版本)进行统计分析[11],分段回归模型采用R软件中的“segment”程序包,广义相加模型采用“mgcv”程序包,分布滞后非线性模型运用 “dlnm”程序包。气象因素的效应采用相对危险度(RR)表示,检验水准为0.05。
结 果1. 一般情况:2011-2014年6-8月宁波市共收集中暑报告病例4 326例,每日最少报告0例,最多报告75例。同期宁波市日最高气温为31.78(21.60~41.15) ℃,日均气温27.88(18.88~34.00) ℃,日最低气温24.56(16.30~29.25) ℃,其余气象因素和空气污染的一般特征见表 1。 以2013年夏季为例,宁波市经历了多次高温热浪,期间中暑报告病例明显随着气温升高而增高。第一次中暑高峰发生在日最高气温首次超过35 ℃时,随后伴随着高温热浪发生,均出现中暑高峰(图 1)。
2. 气象因素与中暑相关性分析:通过Spearman相关分析发现,各气象因素与中暑病例的相关关系均有统计学意义(P<0.05),气温和湿度与中暑病例的相关性较强。其中日最高气温、日均气温、日最低气温和日均风速与中暑均呈正相关关系,相关系数分别为0.808、0.823、0.741和0.334;日均相对湿度和日均气压与中暑均呈负相关关系,相关系数分别为-0.661和-0.167。
3. 气温对中暑的影响:
(1)发生中暑的气温阈值:利用分段回归模型计算出日最高气温、日均气温和日最低气温引起中暑的阈值分别为32.5(95%CI:31.8~33.2) ℃、29.1(95%CI:28.7~29.5) ℃和25.4(95%CI:24.8~26.0) ℃,超过该阈值以后中暑的发病明显增多(图 2)。
(2)气温的滞后效应:分别将日最高气温、日均气温和日最低气温纳入DLNM模型,以各自的P10作为参考温度,气温分别在滞后0、1和2 d时造成中暑发病的暴露-反应关系如图 3所示。日最高气温和日均气温对中暑的影响特征相似,当天即可造成中暑发病增高,效应呈指数型且持续时间短,滞后2 d以后效应无统计学意义;日最低气温则只在当天造成中暑发病增高,且效应曲线呈“S”形。日最高气温、日均气温和日最低气温分别从P10升高到P90时,中暑累积2 d的RR值为8.78(95%CI:5.03~15.29)、14.05(95%CI:7.23~27.31)和4.08(95%CI:2.34~7.10)。
(3)气温指标的筛选:研究中采用了不同的模型拟合气温和中暑病例的关系,各方法均显示日均气温对中暑病例的拟合效果最好,其次为日最高气温,最差为日最低气温,见表 2。
4. 日均相对湿度对中暑的影响:当日均相对湿度的中位数(RH:78%)作为参考值,P5(RH:60%)作为低湿度,P95(RH:93%)作为高湿度时,湿度造成中暑影响的3D效应图和分别在不同滞后时间、不同湿度时的RR值及其95%CI如图 4所示。湿度对中暑的影响呈非线性效应,低湿度在滞后1~4 d时可造成中暑发生风险增高,累积5 d的RR值为2.35(95%CI:1.27~4.33);而高湿度的效应则无统计学意义,中暑累积5 d的RR值为0.86(95%CI:0.40~1.85)。
5. 气温和湿度对中暑影响的交互作用:根据以上研究结果,由于日均气温对中暑病例拟合最优,气温和湿度均存在滞后效应,因此选择日均气温0~1 d移动平均值和日均相对湿度0~4 d移动平均值分别作为气温和湿度的代表指标并纳入模型(2),生成的气温、湿度和中暑病例的反应面图见图 5,当日均气温超过30 ℃,湿度<70%时,中暑发生的风险最高,提示高温和低湿对中暑的影响存在交互效应;而高温与高湿时的交互作用并不明显。
讨 论人在高温环境下长时间活动,若无有效的防暑降温措施,体内积蓄的热量不能及时散发,会诱发中暑,导致心脑血管、呼吸系统、肾脏等疾病的发生或加剧,甚至死亡[13]。本研究通过多种统计分析方法,发现气温和湿度是宁波市人群中暑的主要影响因子,日均气温对中暑病例的拟合效果最优,影响阈值为29.1(95%CI:28.7~29.5) ℃,高温低湿条件下中暑发生的风险最大且存在滞后效应。
目前国内对于中暑和气象因素关系的研究仍处于摸索阶段,早期研究只采用观察法或者简单相关分析,往往把日最高气温当作中暑的最佳预测指标[14-16]。本研究通过简单线性相关、分段回归模型、分布滞后非线性模型等多种分析方法,结果均提示尽管日最高气温和日均气温对中暑的影响特征相似,但是日均气温对方程的拟合效果更好,此结果也和近来在武汉[17]和北京[18]的研究结果一致。由于日均气温是当日不同时段气温的平均值,与日最高气温和日最低气温均具有很高的相关性,因此作为对人群健康影响的气温代表指标并不难理解。
确定引起中暑发病增多的气温阈值是开展高温预警的重要环节,而国内对这方面研究较少。王瑛等[17]和何玲玲等[19]在武汉的研究分别认为日均气温超过30 ℃或31 ℃时中暑风险增大,但是这两项研究均缺少统计推断依据。本研究利用分段回归模型的方法,初步证实宁波市日均气温对中暑影响的阈值是29.1 ℃,略低于中国武汉的研究结果,但高于韩国的26.9 ℃[6]。不同城市结果的差异可能与使用不同的研究方法有关,但也有可能是不同地区人群受到高温的影响并不完全相同,构建高温预警系统时需要因地制宜。
气温和湿度对中暑影响的交互作用也备受关注,但是以往研究结果并不一致。焦艾彩等[16]在南京的研究结果认为高湿(RH≥73%)对中暑的影响更大;而何玲玲等[19]则认为日均气温≥34 ℃、日均湿度≤70%的天气条件下更容易出现中暑。本研究发现低湿度对中暑的影响有统计学意义(P<0.05),高温低湿(T>30 ℃;RH<70%)条件下中暑发病风险最高。高温低湿条件下,人体内水分蒸发更快,发生中暑的危险也更大,此结果与何玲玲等[19]和Ou等[10]的研究结论一致。但是,由于各地气象条件不同,不同城市人群特征也不同,因此不能排除各地湿度对中暑的影响存在差异。
由于全球气候变暖的影响,国内外研究者越来越关注环境因素的健康效应,也因此促进了此领域方法学的发展,如分布滞后非线性模型等,这些方法可以为全面认识气象因素的影响特征、建立及时准确的高温预警系统提供帮助。
本研究存在不足。首先,虽然研究中利用反应面模型判断气温和湿度对中暑的影响可能存在交互作用,但是此方法无法定量评估交互作用的大小[12];再者,本研究尚未涉及高温对不同人群中暑影响的评估,无法开展个性化的中暑预警。因此,为完善高温预警模型的构建,未来还需要在这些方面继续深入分析。
综上所述,本研究通过分析2011-2014年宁波市气象因素和中暑报告病例的关系,初步明确了气温和湿度对中暑的影响特征。研究结果可以为建立宁波市高温中暑预警系统提供技术支持,也可以作为其他城市高温中暑研究的参考。
[1] | Costello A, Abbas M, Allen A, et al. Managing the health effects of climate change:Lancet and University College London institute for global health commission[J]. Lancet , 2009, 373 (9676) : 1693–1733 DOI:10.1016/S0140-6736(09)60935-1 |
[2] | Sun Y, Zhang XB, Zwiers FW, et al. Rapid increase in the risk of extreme summer heat in Eastern China[J]. Nat Climate Change , 2014, 4 (12) : 1082–1085 DOI:10.1038/nclimate2410 |
[3] | 侯威, 陈峪, 李莹, 等. 2013年中国气候概况[J]. 气象 , 2014, 40 (4) : 482–493 DOI:10.7519/j.issn.1000-0526.2014.04.011 Hou W, Chen Y, Li Y, et al. Climatic characteristics over China in 2013[J]. Meteorol Monthly , 2014, 40 (4) : 482–493 DOI:10.7519/j.issn.1000-0526.2014.04.011 |
[4] | Huang CR, Barnett AG, Xu ZW, et al. Managing the health effects of temperature in response to climate change:challenges ahead[J]. Environ Health Perspect , 2013, 121 (4) : 415–419 DOI:10.1289/ehp.1206025 |
[5] | Piver WT, Ando M, Ye F, et al. Temperature and air pollution as risk factors for heat stroke in Tokyo,July and August 1980-1995[J]. Environ Health Perspect , 1999, 107 (11) : 911–916 DOI:10.1289/ehp.99107911 |
[6] | Na W, Jang JY, Lee KE, et al. The effects of temperature on heat-related illness according to the characteristics of patients during the summer of 2012 in the Republic of Korea[J]. J Prev Med Public Health , 2013, 46 (1) : 19–27 DOI:10.3961/jpmph.2013.46.1.19 |
[7] | Muggeo VMR. Estimating regression models with unknown break-points[J]. Stat Med , 2003, 22 (19) : 3055–3071 DOI:10.1002/sim.1545 |
[8] | 杨军, 欧春泉, 丁研, 等. 分布滞后非线性模型[J]. 中国卫生统计 , 2012, 29 (5) : 772–773 Yang J, Ou CQ, Ding Y, et al. Distributed lag non-linear models[J]. Chin J Health Stat , 2012, 29 (5) : 772–773 |
[9] | Gasparrini A, Armstrong B, Kenward MG. Distributed lag non-linear models[J]. Stat Med , 2010, 29 (21) : 2224–2234 DOI:10.1002/sim.3940 |
[10] | Ou CQ, Yang J, Ou QQ, et al. The impact of relative humidity and atmospheric pressure on mortality in Guangzhou,China[J]. Biomed Environ Sci , 2014, 27 (12) : 917–925 DOI:10.3967/bes2014.132 |
[11] | Gasparrini A. Distributed lag linear and non-linear models in R:the package dlnm[J]. J Stat Softw , 2011, 43 (8) : 1–20 DOI:10.18637/jss.v043.i08 |
[12] | Roberts S. Interactions between particulate air pollution and temperature in air pollution mortality time series studies[J]. Environ Res , 2004, 96 (3) : 328–337 DOI:10.1016/j.envres.2004.01.015 |
[13] | Basu R. High ambient temperature and mortality:a review of epidemiologic studies from 2001 to 2008[J]. Environ Health , 2009, 8 : 40 DOI:10.1186/1476-069X-8-40 |
[14] | 陈辉, 黄卓, 田华, 等. 高温中暑气象等级评定方法[J]. 应用气象学报 , 2009, 20 (4) : 451–457 DOI:10.3969/j.issn.1001-7313.2009.04.009 Chen H, Huang Z, Tian H, et al. An evaluation method of heatstroke grade with meteorological approaches[J]. J Appl Wea Sci , 2009, 20 (4) : 451–457 DOI:10.3969/j.issn.1001-7313.2009.04.009 |
[15] | 陈正洪, 史瑞琴, 李松汉, 等. 改进的武汉中暑气象模型及中暑指数等级标准研究[J]. 气象 , 2008, 34 (8) : 82–86 Chen ZH, Shi RQ, Li SH, et al. Developed model between heatstroke and meteorological factors and standard for heatstroke index grades in Wuhan[J]. Meteorol Monthly , 2008, 34 (8) : 82–86 |
[16] | 焦艾彩, 朱定真, 陶玫, 等. 南京地区中暑天气条件指数研究预报[J]. 气象科学 , 2001, 21 (2) : 246–252 DOI:10.3969/j.issn.1009-0827.2001.02.018 Jiao AC, Zhu DZ, Tao M, et al. The research and prediction for heat illness weather condition index in Nanjing region[J]. Sci Meteorol Sinica , 2001, 21 (2) : 246–252 DOI:10.3969/j.issn.1009-0827.2001.02.018 |
[17] | 王瑛, 李济超, 陈正洪, 等. 武汉市高温中暑与气象因素的关系[J]. 职业与健康 , 2013, 29 (7) : 792–794 Wang Y, Li JC, Chen ZH, et al. Relationship between heat stroke and meteorological factors in Wuhan city[J]. Occup Health , 2013, 29 (7) : 792–794 |
[18] | 党冰, 刘博, 尹岭, 等. 气象条件对北京夏季中暑的影响及预测研究[J]. 气象与环境学报 , 2015, 31 (2) : 67–72 DOI:10.3969/j.issn.1673-503X.2015.02.010 Dang B, Liu B, Yin L, et al. Effect of meteorological conditions on heatstroke in summer and its prediction in Beijing[J]. J Meteor Environ , 2015, 31 (2) : 67–72 DOI:10.3969/j.issn.1673-503X.2015.02.010 |
[19] | 何玲玲, 陈正洪, 李松汉, 等. 城市居民中暑流行病学特征及其与气象因子的关系[J]. 暴雨灾害 , 2007, 26 (3) : 271–274 DOI:10.3969/j.issn.1004-9045.2007.03.015 He LL, Chen ZH, Li SH, et al. Epidemiologic characteristic of heat stroke events in Wuhan and its relationship with meteorological factors[J]. Torr Rain Dis , 2007, 26 (3) : 271–274 DOI:10.3969/j.issn.1004-9045.2007.03.015 |