蔡嫣然 王成岗*

（山东中医药大学基础医学院，山东 济南 250355）

某市PM2.5与呼吸科门诊量的关系研究

蔡嫣然 王成岗*

（山东中医药大学基础医学院，山东 济南 250355）

目的 本研究拟评价PM2.5对济南市呼吸系统疾病的影响。方法 收集了济南市两家综合性医院一年呼吸科门诊量、空气质量及气象数据，在控制“星期几效应”、气象因素等混杂因素的基础上，运用广义相加泊松回归模型分析了PM2.5对呼吸科门诊量的影响。结果在两日累积PM2.5＜200 μg/m3时，随着PM2.5的增加，呼吸科门诊量增加并不大；当其＞200 μg/m3且＜400 μg/m3时，门诊量增加较大。结论 大气中PM2.5浓度与呼吸科日门诊量间存在非线性关系。

PM2.5；日门诊人数；广义可加模型

空气中悬浮颗粒物分为大粒径颗粒物（粒径在11～100 μm）和可吸入颗粒物（粒径≤10 μm，即PM10）。PM10又分粗颗粒（粒径在2.5～10 μm）和细颗粒物（粒径≤2.5 μm，即PM2.5）。PM2.5又称可入肺颗粒物，含大量有毒、有害物质，在大气中的停留时间长、输送距离远，易引发哮喘、支气管炎等疾病［1］。近年来，济南地区空气污染严重，PM2.5是灰霾天气的元凶，其给环境和人体健康带来的危害不容忽视。对颗粒物的定量健康危害评价，已成为WHO、欧盟等国际机构关注的热点之一。本研究拟评价PM2.5对济南市呼吸系统疾病的影响，由于它们之间并非简单的线性关系，我们利用每日呼吸科门诊量，运用时间序列方法，采用广义可加模型（Generalized additive models，GAM）分析PM2.5对医院呼吸科门诊量来研究的影响，为大气污染物健康效应预测、预警研究提供科学依据。

1 材料与方法

1.1 数据来源：2013年11月1日至2014年10月31日济南市两家医院呼吸科日门诊数据来源于相应医院信息系统。日均PM2.5、二氧化硫（SO2）、二氧化氮（NO2）、一氧化碳（CO）等空气质量数据及日最低气温、最高气温等气象数据等来自于济南气象局网站。

1.2 统计方法

1.2.1 自变量的确定：在本研究中，由于二氧化硫（SO2）、二氧化氮（NO2）和一氧化碳（CO）间存在共线性（任意二者间的相关系数均＞0.742），为提高模型估计的准确性，我们采用主成分分析法提取三变量的公因子Factor1（其累积贡献率为86.097%）作为研究的自变量。日最低气温与最高气温间的Pearson相关系数为0.972，本研究采用最低气温（Tmin）作为自变量。采用互相关分析探索PM2.5对反应变量的滞后效应，根据互相关系数，在考虑暴露累积效应的基础上，本研究取当日及滞后一阶PM2.5之和（PM2.5td）作为自变量。为控制“星期几效应”，本研究提取了星期因子（Week）作为自变量。

1.2.2 统计模型的选择：本研究以呼吸科日门诊人数为反应变量，其近似服从Poisson分布。由于上述自变量与日门诊量间可能为非线性关系，本研究采用广义可加模型拟合数据，其连接函数为（link function）为对数函数。其公式如下：

式中：E（μt）为第t天门诊量的预期值；Xj为与反应变量呈非线性关系的自变量；Xi为与反应变量呈线性关系的自变量；βi为回归系数；fj为平滑样条函数。以上统计分析采用SAS 9.2进行分析，小概率事件的标准α＜0.05。

2 结 果

2.1 描述性分析：研究期间内两所医院呼吸科门诊患者共计30837例，男性占48.6%，平均年龄为49.14岁，其中一所医院占52.7%。门诊患者最少的一天为26例，最多的一天为369例，平均为84.82例，周六、周日患者的平均值约为平时患者的0.89倍。空气污染物浓度及最低温度描述性分析结果见表1，PM2.5td＜200 μg/m3有245 d，占全年的67.6%；＜400 μg/m3有348 d，占95.6%。

表1 研究期间济南市空气污染物浓度及最低温度描述性分析结果

2.2 模型拟合分析：拟合结果分为参数回归分析、平滑样条非参数分析和离差分析，分布见表2～4。表2参数回归部分，全部自变量均有统计学，且Factor1为危险因素。表3非参数部分光滑成分分析显示广义交叉验证（GCV）较小，两变量的自由度都约为4.2；两日PM2.5之和（PM2.5td）与呼吸科门诊量的关系见图1，显示拟合曲线光滑性较好，可认为模型拟合效果尚可。表4为非参数部分的离差分析，比较全模型与不含该变量时的离差，仅有最低温度和两日PM2.5之和有统计学意义。依据模型中的系数，可计算自变量PM2.5td对门诊量的相对危险度（RR），RR=ef（PM2.5td）。图1更加直观地显示济南市两日PM2.5之和与呼吸科门诊量间呈明显的曲线关系，在两日累积PM2.5＜200 μg/m3时，随着PM2.5的增加，呼吸科门诊量增加不明显，尤其是＜150 μg/m3时，变化更小；但当其＞200 μg/m3且＜400 μg/m3时，门诊量增加较快；当其＞400 μg/m3时，曲线又变得平缓。

3 讨 论

广义可加模型是广义线性模型（generalized linear model，GLM）的扩展，其可处理反应变量与自变量间复杂的非线性关系，适用范围广，在环境流行病学研究多有应用［2］。广义可加模型应用假设为函数是可加的，在估计反应变量与自变量关系时，其解释成分既可以是自变量本身，也可以为自变量的各种平滑函数形式，灵活性强［3］。对环境污染的健康效应研究中，通常可采用广义相加模型。在平滑样条函数中，自由度的确定对函数的拟合效果有影响。自由度大，一般拟合越好，但会导致曲线粗糙［2］。本研究的广义交叉验证（GCV）较小，且曲线相对平滑，拟合结果较好。

表2 模型参数回归分析部分的参数估计

表3 模型非参数部分的光滑成分分析

表4 模型非参数部分的离差分析

图1 济南市两日PM2.5之和（PM2.5td）与呼吸科门诊量非线性效应图

钱孝琳［4］等所做PM2.5与居民每日死亡关系的Meta分析发现，居民短期暴露于大气PM2.5污染的健康效应包括：增加重病和慢病患者的病死率，使呼吸系统、心脏系统疾病恶化，改变肺功能及其结构，患癌率增加等。刘晓莉［5］等通过对大鼠进行PM2.5染毒发现，随着染毒浓度的增加，大鼠心、肺和睾丸三种脏器的各种抗氧化酶（SOD，GSH-Px，CAT）活性和GSH的含量出现降低或显著降低的趋势。本研究发现，当两日累积PM2.5＜200 μg/m3时，随着PM2.5的增加，呼吸科患者增加不明显，尤其是＜150 μg/m3时。当暴露于低剂量的PM2.5时，可能大多数居民为负荷或代偿状态。但当其超过200 μg/m3时，患者增加迅速，健康效应较明显，患者增多。当其＞400 μg/m3时，曲线变平缓可能是由于本研究仅采集了一年的数据，＞400 μg/m3天数较少，效应的估计欠稳定。

本研究在扣除了主要大气污染物及气温的影响后，分析了济南市大气中PM2.5浓度对呼吸系统疾病影响的延迟效应及累积效应，发现PM2.5浓度与呼吸科门诊量间的非线性关系，为将来该地大气污染预测、预警研究提供基础信息。

［1］ 毕晓萍.PM2.5对环境与健康的影响探讨［J］.绿色科技，2012（5）: 205-207.

［2］ 贾彬.广义可加模型及其在医学中的应用［D］.太原:山西医科大学，2005.

［3］ 张燕萍，张志琴，张晓萍，等.太原市空气污染对心脑血管疾病病死率急性影响的Poisson广义可加模型分析［J］.环境与健康杂志，2008，25（1）:11-15.

［4］ 钱孝琳，阚海东，宋伟民，等.大气细颗粒物污染与居民每日死亡关系的Meta分析［J］.环境与健康杂志，2005，22（4）:246-248.

［5］ 刘晓莉，李红，孟紫强.PM2.5对大鼠心、肺、睾丸的氧化损伤作用［J］.中国环境科学，2005，25（2）:160-164.

R56

B

1671-8194（2015）14-0046-02

山东中医药大学2014年度大学生研究训练计划（SRT）项目（2014013）