蒋 叶，曾沛斌，李佳蔚，陈 林，雷 弋，郭 冰

(1.四川大学华西公共卫生学院/华西第四医院，四川 成都 610041；2.四川大学华西医院，四川 成都 610041)

大气细颗粒物(PM2.5)暴露对人类健康具有严重危害性，在PM2.5高污染的中低收入国家(地区)尤甚。2015年，全球约420万人因长期暴露于PM2.5死亡，约占全球总死亡的7.6%[1]。大量研究[2-6]已经证实，长期PM2.5暴露与心肺系统疾病死亡率增加有关。近年来，我国启动了严格的大气污染综合防治措施，大气污染水平逐年下降，基于疾病负担视角量化评估大气重污染区域的PM2.5归因死亡及其时间趋势具有公共卫生意义。

为了估计大气污染造成的疾病负担，首先需建立准确的大气暴露-健康反应函数(Exposure-Response Functions，ERFs)，刻画大气PM2.5浓度与健康风险的定量关系。既往我国区域性研究[7-12]多使用较低分辨率PM2.5浓度值作为暴露，且大都基于单一暴露-反应函数估计PM2.5归因死亡，多采用经典的全球疾病负担-综合风险函数(GBD Integrated Risk Function，GBD-IER)[13]，但较少应用新近提出的全球暴露死亡率模型(Global Exposure Mortality Model，GEMM)[14]。

成都市地处我国盆地大气重污染区域，目前尚缺乏对该地区大气PM2.5暴露的归因死亡及其时间趋势研究。因此本研究利用高空间分辨率PM2.5浓度数据，利用GBD-IER方法和GEMM方法分别分析成都市2014-2019年PM2.5暴露的归因死亡，以期全面评价成都市大气PM2.5长期暴露造成的疾病负担及变化趋势，并比较两种主流暴露反应函数的结果差异，进而为大气PM2.5污染防治的政策提供科学依据。

1 资料与方法

1.1 资料来源

(1)暴露数据：2014-2019年成都市20个国家县级行政区中心PM2.5年均浓度来自“中国长时间序列高空间分辨率(1km×1km)”ChinaHighPMx数据集[15]，其由多来源数据(土地利用、空气排放、气象数据等)结合卫星遥感技术和机器学习方法估算得到。……