, , , , , , KANG Zhen
大量流行病学研究发现，大气污染物浓度短时间升高与人群呼吸系统疾病的发病率和死亡率的发生密切相关[1-2]。目前众多学者将研究集中在空气污染物浓度对人群健康的影响，采用描述分析的方法研究轻、中、重度等地区空气污染物与人群健康的相关性[3-4]；采用时间序列的广义相加模型定量分析大气中主要污染物浓度和城区居民每日门诊量或死亡数的暴露―反应关系[5-6]；采用比例风险模型对污染物造成的超额死亡进行风险评估[7]。相关研究已在广州市、北京市、上海市等各大城市相继展开。哈尔滨作为高寒地区，每年采暖季在当年的10月末到次年的4月中旬，冬季具有漫长而寒冷特点，因此研究哈尔滨市空气污染物与呼吸系统疾病门诊量关系是十分必要的。本文拟采用广义相加模型分析二者之间的关系，为研究我国高寒地区人群呼吸系统疾病发生规律及机制提供基础资料。
1 材料和方法 1.1 资料来源 1.1.1 第一医院每日门诊量资料2015年哈尔滨市第一医院全年逐日门诊病例资料来源于《哈尔滨市第一医院信息系统(HIS)》，以ICD-10编码范围J00-J99的门诊病例作为研究对象；疾病分类包括：上呼吸道感染、慢性阻塞性肺病、哮喘、支气管炎、肺炎等呼吸系统疾病；收集门诊病历信息主要包括患者性别、年龄、家庭住址、疾病诊断、就诊科室、就诊日期、就诊ID号等。
1.1.2 大气污染物浓度资料哈尔滨市大气中主要污染物浓度(PM2.5、PM10、SO2、NO2)来源于哈尔滨市环境监测中心，污染物日均浓度值为哈尔滨市道里区2个监测点数据算术均值(监测点位于哈尔滨市道里区建国路和岭北)，霾日为环保部实时发布平台AQI值>200。
1.1.3 气象因素资料哈尔滨市气象因素资料来源于哈尔滨市气象局每日监测数据，包括日均气温、日均相对湿度、气压等资料。
1.2 数据质量控制建立哈尔滨市第一医院门诊量、大气污染物浓度、气象因素综合Excel数据库, 录入内容经过统计工作人员审核校队, 根据患者家庭住址信息剔除非哈尔滨市道里区的人群资料，确保研究对象均来自道里区的常居人口，建立过程中对所发现的病因不明、逻辑错误进行核实并及时纠正错误。
1.3 研究方法 1.3.1 描述性统计采用SPSS 20.0软件对2015年哈尔滨市第一医院每日呼吸系统疾病门诊量、大气主要污染物浓度(SO2、NO2、PM10、PM2.5)进行统计学描述分析，用2个样本t检验分析霾日与非霾日污染物浓度和呼吸系统门诊量的差异。
1.3.2 相关性分析对2015年哈尔滨市大气主要污染物日均浓度(SO2、NO2、PM10、PM2.5)与气象因素之间进行Pearson相关性分析。检验水准为0.05。
1.3.3 广义相加模型(GLM)单污染物模型分析每日哈尔滨市第一医院呼吸系统疾病门诊量人数服从Poisson分布，采用Rstudio软件建立大气主要污染物与居民呼吸系统疾病的广义线性单污染物模型(GLM)，平滑函数控制时间序列资料混杂因素的影响(包括：时间趋势、温度和湿度、星期几效应、法定节假日及其它与时间长期变异有关的因素)。根据AIC值最小变量值，拟合大气中单污染物线性模型，观察两者间的联系及其滞后效应。GLM模型见公式(1)：
| $ \begin{gathered} {\rm{logE(}}\mathit{Y}{\mathit{ }_\mathit{t}}{\rm{) = }}\beta {Z_t} + \;{\rm{ns}}\;{\rm{(}}\;{\rm{time,df}}\;{\rm{)}}\;{\rm{ + }}\;{\rm{ns}}\;{\rm{(temprea - }} \hfill \\ {\rm{ture/RH,df}}\;{\rm{) + DOW}}\;{\rm{ + Holiday}}\;{\rm{ + }}\;{\rm{Intercept}} \hfill \\ \end{gathered} $ | (1) |
式中：E (Yt)—第t日的门诊数的期望值；
Zt—第t日的各污染物浓度，μg/m3；
β—二者的回归系数；
ns—自然样条平滑函数分别对时间趋势、温度和相对湿度进行拟合；
DOW—控制“星期几效应”对空气污染浓度变化的影响；
Holiday—控制法定节假日对呼吸系统门诊量的影响；
Intercept—截距。
2 结果 2.1 描述性统计分析 2.1.1 城区主要污染物的描述性分析2015年哈尔滨市道里区大气污染物PM2.5、PM10、SO2、NO2的全年日均浓度分别为62.51、95.61、36.97和55.01 μg/m3；2015年哈尔滨市道里区雾霾日大气中PM2.5、PM10、NO2的日均浓度值分别为172.96、213.62和96.45 μg/m3，分别是国家二级标准2.31倍、1.42倍和1.21倍，SO2的日均浓度值91.39 μg/m3，未超过国家二级标准。2015年道里区大气污染物(PM2.5、PM10、SO2、NO2)超过国家二级标准天数分别为94、62、16和46 d，总体趋势为冬季污染物浓度高，夏季低(表 1、图 1)。
| 指标 |
|
最小值 | P25 | P50 | P75 | 最大值 |
| 日均气温/℃ | 5.68±14.98 | -25.70 | -9.20 | 8.30 | 19.70 | 28.80 |
| 日均湿度/% | 64.21±15.65 | 15.00 | 56.00 | 67.00 | 75.00 | 97.00 |
| 日均气压/Pa | 1 000.28±9.92 | 973.00 | 992.85 | 999.10 | 1 008.05 | 1 025.00 |
| PM2.5/(μg/m3) | 62.51±67.12 | 4.50 | 21.00 | 37.00 | 79.25 | 544.50 |
| PM10/(μg/m3) | 95.61±78.09 | 14.50 | 45.25 | 72.50 | 114.50 | 607.50 |
| NO2/(μg/m3) | 55.01±29.15 | 14.00 | 36.25 | 47.00 | 64.50 | 182.00 |
| SO2/(μg/m3) | 36.97±52.96 | 2.00 | 6.00 | 15.50 | 43.75 | 350.50 |
| 呼吸系统门诊量(霾日)/(人次/d) | 62.77±12.33* | 34.00 | 54.25 | 62.50 | 71.75 | 89.00 |
| 呼吸系统门诊量(非霾日)/(人次/d) | 55.62±13.79 | 24.00 | 45.00 | 54.50 | 66.00 | 100.00 |
| 注：霾日与非霾日呼吸系统门诊量比较，*P < 0.01 | ||||||
|
| 注：A，哈市道里区PM2.5浓度日均值与国家二级标准的比较；B，哈市道里区PM10浓度日均值与国际二级标准的比较 图 1 2015年哈尔滨市道里区大气PM2.5、PM10浓度日均值变化趋势 |
2015年哈尔滨市第一医院内科日均总门诊量为475人次，其中道里区患者占74.95%(356/475)，呼吸系统日均门诊量为73人次，其中患者家庭住址为哈尔滨市道里区的呼吸系统日均门诊量为56人次。本区患者中呼吸系统疾病比例为76.71%(56/73)，哈尔滨市第一医院日均呼吸系统门诊量霾日高于非霾日，且具有统计学意义(表 1)。
2.2 主要污染物与气象因素之间的相关性分析2015年哈尔滨市道里区大气主要污染物(PM2.5、PM10、SO2、NO2)之间存在正相关，大气主要污染物与日平均温度呈负相关，与日平均气压呈正相关，PM2.5和NO2与日平均湿度呈正相关，均有统计学意义(表 2)。
| 变量 | PM10 | PM2.5 | NO2 | SO2 | 温度 | 气压 | 湿度 |
| PM10 | 1.000 | 0.940# | 0.710# | 0.435# | -0.393# | 0.399# | -0.033 |
| PM2.5 | - | 1.000 | 0.782# | 0.500# | -0.523# | 0.484# | 0.117# |
| NO2 | - | - | 1.000 | 0.703# | -0.523# | 0.483# | 0.172# |
| SO2 | - | - | - | 1.000 | -0.620# | 0.457# | 0.073 |
| 温度 | - | - | - | - | 1.000 | -0.740# | -0.094 |
| 气压 | - | - | - | - | - | 1.000 | 0.061 |
| 湿度 | - | - | - | - | - | - | 1.000 |
| 注:#P < 0.01；“-”代表相关系数已存在 | |||||||
2.3 模型拟合结果分析
单污染物模型拟合结果显示，PM2.5、SO2与呼吸系统疾病日门诊量呈正相关且滞后一定时间。滞后效应分析发现，PM2.5在滞后0 d(lag0) 有统计学意义，PM2.5浓度每升高10 μg/m3，人群呼吸系统疾病门诊量的RR值为1.005 2(95%CI：1.002 7~1.007 6)。SO2分别在滞后0 d和1 d(lag 0和lag 1) 有统计学意义，以滞后1天最为显著，SO2浓度每升高10 μg/m3, 人群呼吸系统疾病门诊量的RR值分别为1.004 5(95% CI：1.002 1~1.006 8)、1.005 1(95% CI：1.002 5~1.007 6)，PM10、NO2的滞后效应需要进一步的验证(图 2)。
|
| 图 2 污染物浓度每增加10 μg/m3，哈尔滨市第一医院呼吸系统疾病门诊人数的RR值及95% CI |
模型敏感性分析是在单污染物模型的基础上，拟合同时期多污染物模型观察单污染物模型的稳健性。在单日滞后、多日移动平均滞后、控制时间趋势的情况下，RR值得可信区间均包含1，无统计学意义，提示本次研究结果稳健。
3 讨论本文定量描述了2015年哈尔滨市道里区大气主要污染物浓度特征，及其与呼吸系统门诊量的暴露—反应关系。王盛坤等[8]对哈尔滨市大气污染变化及其基本特征进行了描述分析，哈尔滨大气污染日变化浓度与季节密切相关，其特点为冬季污染物浓度高，夏季低，本研究结果与上述文献结果基本相似。
近年来国内外常采用时间序列方法研究空气污染急性暴露健康效应，发现大气中PM10、SO2、NO2、O3等污染物的浓度与医院呼吸系统疾病总门诊量呈正相关，与上呼吸道感染、哮喘、慢性阻塞性肺病等呼吸系统疾病的门诊量存在暴露—反应关系[9-11]，从健康效应来看，污染物浓度大多以滞后0~5 d对人群呼吸道健康效应的影响最强。Zanobetti等[12]对美国10个城市进行大气污染物PM10与人群呼吸系统疾病日门诊量分析发现，PM10浓度每增加10 μg/m3，慢性阻塞性肺疾病的门诊人数ER值增加2.5%(95% CI：1.8~3.3)，肺炎的门诊人数ER值增加1.95%(95% CI：1.5~2.4)，张江华等[6]认为上海市大气污染物增加对人群呼吸系统疾病日门诊量产生影响，且不同污染物效应滞后日期不同，其中SO2滞后4 d(lag4) 影响最明显，相对危险度RR值为1.006 9 (95% CI：1.003 5~1.010 3)，NO2和PM10滞后6 d影响最明显，相对危险度RR值分别为1.005 4(95% CI：1.002 8~1.007 9)、1.002 0(95% CI：1.001 1~1.002 8)，崔亮亮等[13]对2013年济南市大气PM2.5污染对儿童门诊量影响采用单污染物模型分析，结果表明PM2.5污染滞后1 d(lag1) 时，呼吸系统疾病就诊量的ER值最高，即PM2.5浓度每增加10 μg/m3，呼吸系统疾病就诊量增加0.54%(95% CI：0.42%~0.66%)。本研究结果表明，控制各种因素影响后，哈尔滨市道里区空气中PM2.5、SO2水平与呼吸系统就诊量水平相关，滞后效应分析显示PM2.5污染当天人群呼吸系统疾病门诊量增加，SO2在污染当天和滞后1 d，呼吸系统疾病门诊量均增加，以滞后1 d最为显著。此次研究的效应滞后日期短于上海、济南等城市，这可能是因为哈尔滨作为高寒地区，气温低可降低支气管内壁纤毛的运动和肺内巨噬细胞的吞噬能力，使得呼吸系统病人的肺部对大气污染物的易感性增加，对机体肺部产生氧化应激的损伤[14]，罗焕金等[15]研究结果提示，当气温低于或高于4℃左右时，北京市急诊的呼吸系统疾病病人就诊率升高，并且气温低于4℃时所造成的健康效应更大。也可能由于不同地区大气污染物来源不同，其浓度及化学组成也不相同，导致其效应估计值存在差异[16]。本研究中NO2和PM10浓度对呼吸系统疾病日门诊量的滞后效应不具有统计学意义，但这并不能说明其浓度对哈尔滨市道里区呼吸系统疾病日门诊量没有影响，PM10、NO2的滞后效应需要进一步的验证。
本研究应用时间序列方法初步探讨了哈尔滨市道里区大气污染物对人群呼吸系统门诊量的影响，今后还应该扩大人群范围继续开展类似研究，为客观评价哈尔滨市空气污染物对人群健康和污染控制提供科学依据。
| [1] | Rosenthal FS, Carney JP, Olinger MI. Out-of-hospital cardiac arrest and airborne fine particulate matter:a case-crossover analysis of emergency medical services data in Indianapolis, Indiana[J]. Environ Health Perspect, 2008, 116(5): 631–636. doi: 10.1289/ehp.10757 |
| [2] | Chen K, Kan HD, Chen BH, et al. Association of particulate air pollution with daily mortality:The china air pollution and health effects study[J]. Am J Epidemiol, 2012, 175(11): 1173–1181. doi: 10.1093/aje/kwr425 |
| [3] | Guo YM, Jia YP, Pan XC, et al. The association between fine particulate air pollution and hospital emergency room visits for cardiovascular diseases in Beijing, China[J]. Sci Total Environ, 2009, 407(17): 4826–4830. doi: 10.1016/j.scitotenv.2009.05.022 |
| [4] | 杨海兵, 葛明, 洪梅, 等. 低污染区心脑血管病死亡率与大气污染关系研究[J]. 国际心血管病杂志, 2010, 37(2): 122–125. Yang HB, Ge M, Hong M, et al. Relation between the mortality ofcardio-cerebrovascular disease and the air pollution in less polluted area[J]. Int J Cardiovasc Dis, 2010, 37(2): 122–125. (in Chinese). |
| [5] | 郭永超, 李洁, 谢俊卿, 等. 2013年丰台区PM2.5与居民呼吸系统疾病死亡的关系研究[J]. 环境卫生学杂志, 2016, 6(1): 46–50. Guo YC, Li J, Xie JQ, et al. Relationship between PM2.5 pollution and respiratory diseases mortality in Fengtai district in 2013[J]. J Environ Hyg, 2016, 6(1): 46–50. (in Chinese). |
| [6] | 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[J]. 环境与职业医学, 2014, 31(11): 846–851. Zhang JH, Guo CY, Xu HH, et al. Time-series analysis on association between air pollution and outpatient visits for respiratory diseases in a hospital in Shanghai[J]. J Environ Occup Med, 2014, 31(11): 846–851. (in Chinese). |
| [7] | 李湉湉, 杜艳君, 莫杨, 等. 我国四城市2013年1月雾霾天气事件中PM2.5与人群健康风险评估[J]. 中华医学杂志, 2013, 93(34): 2699–2702. doi: 10.3760/cma.j.issn.0376-2491.2013.34.004 Li TT, Cui LL, Chen C, et al. Assessment ofhaze-related human health risks for four Chinese cities during extreme haze in January 2013[J]. Nat Med J China, 2013, 93(34): 2699–2702. doi: 10.3760/cma.j.issn.0376-2491.2013.34.004 (in Chinese). |
| [8] | 王盛坤, 胡晓径. 哈尔滨市大气污染基本特征及其变化分析[J]. 林业科技情报, 2010, 42(1): 111–112. Wang SK, Hu XJ. Basic characteristics of air pollution and the change analysis in Harbin city[J]. Forest Sci Technol Inform, 2010, 42(1): 111–112. (in Chinese). |
| [9] | Lin YK, Chang SC, Lin C, et al. Comparing ozone metrics on associations with outpatient visits for respiratory diseases in Taipei Metropolitan area[J]. Environ Pollut, 2013, 177: 177–184. doi: 10.1016/j.envpol.2012.12.010 |
| [10] | Wang KY, Chau TT. An association between air pollution and daily outpatient visits for respiratory disease in a heavy industry area[J]. PLoS One, 2013, 8(10). |
| [11] | Lin YK, Chang CK, Chang SC, et al. Temperature, nitrogen dioxide, circulating respiratory viruses and acute upper respiratory infections among children in Taipei, Taiwan:a population-based study[J]. Environ Res, 2013, 120: 109–118. doi: 10.1016/j.envres.2012.09.002 |
| [12] | Zanobetti A, Schwartz J, Dockery DW. Airborne particles are a risk factor for hospital admissions for heart and lung disease[J]. Environ Health Perspect, 2000, 108(3): 1071–1077. |
| [13] | 崔亮亮, 李新伟, 耿兴义, 等. 2013年济南市大气PM2.5污染及雾霾事件对儿童门诊量影响的时间序列分析[J]. 环境与健康杂志, 2015, 32(6): 489–493. Cui LL, Li XW, Geng XY, et al. Effects of PM2.5 and haze event on hospital visiting of children in Ji'nan, 2013:a time series analysis[J]. Environ Health, 2015, 32(6): 489–493. (in Chinese). |
| [14] | Li XY, Gilmour PS, Donaldson K, et al. Free radical activity and pro-inflammatory effects of particulate air pollution(PM10) in vivo and in vitro[J]. Thorax, 1996, 51(12): 1216–1222. doi: 10.1136/thx.51.12.1216 |
| [15] | 罗焕金, 曾四清, 胡梦珏, 等. 极端低温对呼吸系统疾病住院人数影响的时间序列分析[J]. 华南预防医学, 2014, 40(6): 504–511. Luo HJ, Zeng SQ, Hu MY, et al. Effect of extreme low temperature on respiratory hospital admissions:atime-series study[J]. South China J Prev Med, 2014, 40(6): 504–511. (in Chinese). |
| [16] | Kim SY, Peel JL, HI MP, et al. The temporal lag structure of short-term associations of fine particulate matter chemical constituents and cardiovascular and respiratory hospitalizations[J]. Environ Health Perspect, 2012, 12(8): 1094–1099. |