中国21个地区隔日温差对人群死亡影响的时间序列研究

目的探索隔日温差(temperature changes between neighboring days,TCN)对人群死亡的影响。方法收集我国21个地区2014-2018年的每日气象因素数据、空气污染物数据和死因统计数据。运用分布滞后非线性模型(distributed lag non-linear model,DLNM)和多元Meta分析,估计不同季节的TCN对每日总死亡人数的影响。结果研究显示,不同季节的TCN对每日总死亡人数均有显著影响,且阈值不同。冷季时,P_(95)TCN(升温)的14天累积相对危险度(CRR)为0.868(_(95)%CI:0.794,0.948),而P_(5)(降温)对每日总死亡人数的影响没有统计学意义。暖季时,P_(95)TCN(升温)的7天CRR为1.078(_(95)%CI:1.009,1.152),而P_(5)(降温)的7天CRR为0.929(_(95)%CI:0.889,0.971)。冷季时,患有呼吸系统疾病人群更容易受到温度变化的不利影响。暖季时,循环系统疾病人群、女性和≥65岁人群对温度变化更为敏感。南北区域的分析显示,北方城市的人群对P_(95)TCN的影响更加敏感。结论不同季节的极端TCN与人群死亡的风险存在关联,冷季时升温可降低人群死亡风险,而暖季时升温可增加人群死亡风险,降温可降低人群死亡风险。健康促进策略应该考虑相邻两天之间的温度变化对人群死亡影响。

隔日温差对呼吸系统疾病死亡风险的影响

目的探讨隔日温差(TCN)对呼吸系统疾病死亡的影响,为应对气候变化导致的呼吸系统疾病死亡研究提供依据。方法通过山东省慢病、死因监测综合管理信息系统收集2015—2019年淄博市呼吸系统疾病死亡监测资料,通过中国气象数据网站和中国高分辨率高质量近地表空气污染物数据集分别收集同期气象和空气污染物资料。采用广义相加模型结合分布滞后非线性模型分析TCN对呼吸系统疾病死亡的滞后效应和累积滞后效应,并按性别和年龄进行亚组分析;计算归因分值评估TCN造成的归因风险。结果2015—2019年淄博市报告呼吸系统疾病死亡11767例;其中男性6648例,占56.50%;女性5119例,占43.50%。<65岁1307例,占11.11%;≥65岁10460例,占88.89%。TCN对总人群、女性、≥65岁人群呼吸系统疾病死亡的暴露-反应关系呈单调递增趋势。第95百分位数(P95)TCN(3.84℃)对总人群呼吸系统疾病死亡风险的效应在累积滞后11 d时达到峰值(RR=2.063,95%CI:1.261~3.376);亚组分析结果显示,P95 TCN对女性和≥65岁人群影响更大,累积滞后效应分别在12 d(RR=3.119,95%CI:1.476~6.589)、11 d(RR=2.107,95%CI:1.260~3.523)达到峰值。归因风险分析结果显示,隔日升温可引起呼吸系统疾病死亡归因风险的上升,隔日降温则引起归因风险下降。结论隔日升温增加呼吸系统疾病死亡风险,且对女性和≥65岁人群影响更大。

隔日温差对居民寿命损失年的影响及其归因分值:基于2013—2017年云南省数据

[背景]在全球气候变暖的大背景下,温度变异对人体健康的影响受到关注。[目的]探讨隔日温差(TCN)对居民非意外死亡寿命损失年(YLL)的影响,定量评估可归因于TCN的人群寿命损失年百分比。[方法]收集云南省2013—2017年56个区县的每日非意外死亡数据与气象数据资料,根据寿命表计算YLL率(每10万人口YLL值),采用分布滞后非线性模型和meta分析结合的两阶段分析方法,以4—9月份为暖季,其余时间为冷季,分别建立冷、暖季TCN与人群YLL率的暴露反应关系,并计算归因分值(AF)。[结果]冷、暖季TCN中位数均为0.1℃。与TCN=0℃相比:暖季TCN平均每降低1℃,YLL率及其95%CI降低2.00/10万(0.28/10万~8.71/10万);隔日升温1.4℃以内时可引起YLL率的增加,TCN=1.4℃时YLL率及其95%CI增加2.15/10万(0.04/10万~4.26/10万)。冷季隔日降温9.2℃以内时可引起YLL率的降低,TCN=9.2℃时YLL率及其95%CI降低8.78/10万(0.64/10万~16.45/10万)。老年人(≥65岁)较中青年人(0~64岁)更易受TCN的影响,暖季TCN平均每变化1℃,中青年和老年人的YLL率平均改变1.18/10万、5.18/10万,冷季则分别为0.79/10万和8.82/10万。暖季TCN下降对男性的作用大于女性,冷季TCN下降幅度超过7.61℃后对女性的影响更大。隔日降温引起可归因于TCN的YLL下降,隔日升温均引起归因YLL上升,中等降温(TCN为P2.5~0℃)的影响最大(暖季AF=-5.76%,95%CI:-7.10%^-4.49%;冷季AF=-3.98%,95%CI:-5.83%^-2.07%)。[结论]隔日温度升高对居民寿命损失存在不良影响。

用不同指标度量隔日气温变异对居民寿命损失年影响的比较研究

[背景]大量研究表明气温是影响人群健康的重要因素,而气温变异,尤其隔日气温变异对人群健康影响的研究较少。[目的]比较隔日温差(TCN,隔日平均气温之差)、气温变异(TV,隔日最高气温和最低气温的标准差)以及本研究新提出的根据隔日气温变异的方向和效应大小计算得到的隔日温度总变异(TTV)这三个隔日气温变异指标与居民寿命损失年(YLL)的暴露-反应关系,探索能更好反映隔日气温变异对居民死亡影响的指标。[方法]收集2013—2017年广东省40个区(县)气象数据以及死亡登记资料。采用分布滞后非线性模型(DLNM)和多变量meta分析的两阶段分析方法,分别拟合日夜温差和夜日温差与YLL率(每10万人口YLL值)的暴露-反应关系,提取日夜温差和夜日温差的归因YLL率作为各自权重计算TTV。计算Pearson相关系数,分析三个隔日气象变异指标间的相关性。采用DLNM和多变量meta分析两阶段分析方法,分别分析TCN、TV和TTV与居民YLL率的暴露-反应关系,比较不同隔日气温变异指标对人群死亡影响的差异。[结果]研究期间内广东省40个区(县)日均YLL率为22.3/10万。经计算,TCN平均值为(0.0±1.8)℃,TV为4.6±1.5,TTV平均值为(8.1±2.7)℃,三个指标均趋近正态分布。TCN与TV和TTV相关性较弱(r=0.0979,r=0.0880),而TV与TTV相关性较强(r=0.8891)。在控制平均气温的滞后效应后,TCN与YLL率的暴露-反应关系无统计学意义,而TV和TTV与YLL率的暴露-反应关系有统计学意义。TV-YLL和TTV-YLL的暴露-反应关系曲线相似,均呈类似"U"型关系,过低或过高的TV和TTV均会增加人群的YLL率。极端低(第5百分位数)的TV(TV=2.2)和TTV(TTV=2.8℃)的归因YLL率及其95%CI依次为1.0/10万(0.1/10万~1.9/10万)和2.1/10万(0.2/10万~4.0/10万),极端高(第95百分位数)的TV(TV=7.2)和TTV(TTV=12.1℃)的归因YLL率效应值及其95%CI依次为3.1/10万(1.2/10万~5.1/10万)和4.1/10万(2.3/10万~5.8/10万),在极端低和极端高节点上,TTV的YLL率效应值均大于TV,而在中等低和中等高节点上,两个指标的效应相近。[结论]TCN、TV、TTV与YLL的暴露-反应关系存在差异,其中TTV综合考虑了气温变异的程度、方向以及健康效应,更加全面地反映了短时气温变异对人群健康的影响。