黃 琳,劉 迪,蔡東杰,陳素娟,董 航,林國幀,王伯光,楊 軍*

廣州市多污染物聯(lián)合暴露的健康效應(yīng)評估

黃 琳1,劉 迪2,蔡東杰1,陳素娟1,董 航3,林國幀3,王伯光1,楊 軍2*

(1.暨南大學(xué)環(huán)境與氣候研究院,廣東 廣州 511443；2.廣州醫(yī)科大學(xué)公共衛(wèi)生學(xué)院,廣東 廣州 511436；3.廣州市疾病預(yù)防控制中心,廣東 廣州 510440)

本研究應(yīng)用貝葉斯核機(jī)器回歸(BKMR)分析了廣州市2015～2018年大氣主要污染物(SO2、NO2、PM10、PM2.5、CO和O3)與非意外死亡之間的聯(lián)合健康效應(yīng).結(jié)果表明,6種污染物對健康結(jié)局均存在較大影響.隨著其它污染物固定百分位數(shù)濃度的增加,SO2、O3或NO2的濃度從第25百分位數(shù)變化到第75百分位數(shù)導(dǎo)致的效應(yīng)值的絕對值逐漸升高;相反,PM2.5、CO或PM10的濃度從第25百分位數(shù)變化到第75百分位數(shù)導(dǎo)致的效應(yīng)值的絕對值逐漸減少.在累積滯后0～1d時(shí),多種空氣污染物的混合暴露對非意外死亡人數(shù)的影響效應(yīng)值為正,與最低濃度相較,當(dāng)所有污染物的濃度增至第90百分位數(shù)時(shí),人數(shù)非意外死亡人數(shù)將增加21.98% (95% CI: 3.04%, 44.41%).通過應(yīng)用BKMR模型,本研究證實(shí)多種污染物的暴露可對廣州市人群公共健康造成聯(lián)合的綜合影響.在污染物的防控治理上,不僅需要針對當(dāng)?shù)刂饕諝馕廴疚?還需加強(qiáng)對多污染物暴露的防控.

貝葉斯核機(jī)器回歸；多污染物暴露；健康風(fēng)險(xiǎn)

近10a來大氣環(huán)境污染對人體健康的影響已逐漸成為環(huán)境流行病學(xué)領(lǐng)域熱點(diǎn)關(guān)注問題[1],研究主要聚焦于單種污染的健康影響.在真實(shí)環(huán)境中,人總是同時(shí)暴露于多種空氣污染物的混合暴露中.早在2012年,在美國環(huán)保署的綜合、跨學(xué)科研究計(jì)劃中,評估多污染物暴露對健康的影響就已被確定為優(yōu)先研究領(lǐng)域[2].由于源排放、大氣過程以及對人類健康和生態(tài)系統(tǒng)的影響之間高度復(fù)雜的相互作用,制定一種多污染物健康評價(jià)方法極具挑戰(zhàn)性[3].

研究多污染物的傳統(tǒng)方法依賴于多變量參數(shù)回歸,該方法將每種污染物的獨(dú)立效應(yīng)估計(jì)為線性項(xiàng),并調(diào)整其他共污染物的混雜效應(yīng).然而一旦多種污染物混合物表現(xiàn)出顯著的相關(guān)性或與結(jié)果形成復(fù)雜的非線性關(guān)系,這種方法將面臨多重共線性或模型錯(cuò)誤的問題.為了更好地解釋混合物的相關(guān)性和非線性效應(yīng),非參數(shù)及其它的研究方法陸續(xù)被提出,有國內(nèi)外有學(xué)者嘗試采用LASSO回歸、嶺回歸、主成分分析、因子分析方法與聚類分析等研究多污染物暴露的健康效應(yīng)[4-9],但是這些方法存在一定的局限性,需要一種靈活且有效的統(tǒng)計(jì)方法來合理地解釋多種污染物同時(shí)暴露對健康影響的非線性和交互效應(yīng).作為半?yún)?shù)建模方法,貝葉斯核機(jī)器回歸(BKMR)在估算多污染物對健康的影響以及確定在特定條件下對健康結(jié)果影響最大的主要污染物方面具有一定的優(yōu)勢,可以靈活的擬合混合物各成分之間的聯(lián)合效應(yīng),調(diào)整潛在的相互作用和非線性效應(yīng),目前已逐漸被應(yīng)用于多污染物健康效應(yīng)的研究中[10-12].

本研究收集了廣州市2015～2018年空氣污染物、氣象因素以及非意外死亡的相關(guān)數(shù)據(jù),應(yīng)用BKMR來靈活的模擬常見的空氣污染物的聯(lián)合效應(yīng)對廣州市逐日死亡人數(shù)的影響.

1 數(shù)據(jù)與方法

1.1 數(shù)據(jù)來源

1.1.1 污染物以及氣象因素?cái)?shù)據(jù) 本研究從廣東省監(jiān)測中心下載收集2015～2018年廣州市逐日空氣污染物數(shù)據(jù)(SO2、NO2、PM10、PM2.5、CO和O3);為控制氣象條件的潛在混雜影響,本研究還通過中國氣象局?jǐn)?shù)據(jù)服務(wù)中心(http://data.cma.cn/)收集了廣州市2015～2018年的日平均氣溫(℃)和日平均相對濕度(%)數(shù)據(jù).

1.1.2 非意外死亡數(shù)據(jù) 本研究通過廣州市疾病預(yù)防控制中心(http://www.gzcdc.org.cn/)獲取了廣州2015～2018年各類疾病的每日死亡人數(shù),并整理出廣州市日非意外死亡人數(shù)(第十版國際疾病分類編碼:A00-R99).

1.2 統(tǒng)計(jì)分析

評估多種空氣污染物暴露對健康影響的綜合效應(yīng)為當(dāng)前環(huán)境流行病學(xué)的重要的挑戰(zhàn).核機(jī)器回歸(KMR)是目前機(jī)器學(xué)習(xí)中一種較為流行的工具,它通過一對一的方式將一個(gè)數(shù)據(jù)序列映射或投影到另一個(gè)數(shù)據(jù)序列,來靈活地建模大量變量與特定結(jié)果之間的關(guān)系.為正確探究空氣污染物之間的潛在相互作用和非線性效應(yīng),本研究采用BKMR方法對廣州市的多污染物混合物(SO2、NO2、PM10、PM2.5、CO和O3)與非意外人群死亡率(結(jié)果使用的是非意外死亡的對數(shù)值)之間的關(guān)聯(lián)進(jìn)行靈活的建模,模型所用公式具體如下:

當(dāng)多污染物間存在較強(qiáng)相關(guān)性時(shí),變量篩選則考慮采用層次變量選擇方法,即:假設(shè)污染物(1,2,…,z)可以被分為S(=1,2,…,)組(要求組內(nèi)相關(guān)性較強(qiáng)而組間的相關(guān)性較低),則有:

最終,多個(gè)空氣污染物綜合效應(yīng)通過比較所有空氣污染物在各自90百分位數(shù)水平與第0百分位數(shù)水平的健康風(fēng)險(xiǎn)相對變化進(jìn)行估計(jì),即:

最終,模型得到的結(jié)果為非意外死亡的對數(shù)值的變化程度(),但為了便于與以往文獻(xiàn)作比較,特將部分相關(guān)結(jié)果轉(zhuǎn)換為相對變化率[公式:(exp()-1)′100%][13];同時(shí),考慮到空氣污染物存在滯后效應(yīng),將采用BKMR模型估計(jì)空氣污染物混合物累積滯后1～ 4d(Lag0-1,Lag0-2,Lag0-3,Lag0-4,通過移動(dòng)平滑的方法進(jìn)行計(jì)算)的綜合效應(yīng).為了估計(jì)個(gè)別污染物對整體混合物的健康效應(yīng)的貢獻(xiàn),本研究中考慮兩種方法:(1)通過其他污染物濃度固定在第25、第50或第75百分位數(shù)來確定個(gè)體污染物與健康結(jié)果之間的非線性暴露反應(yīng)曲線;(2)通過假設(shè)檢驗(yàn),檢驗(yàn)6種與結(jié)局有統(tǒng)計(jì)學(xué)意義的污染物之間是否存在潛在的相互作用.

1.3 嶺回歸分析

為了對比模型的優(yōu)勢,本研究在結(jié)果中加入嶺回歸的多污染物暴露的結(jié)果作為對比.本研究所有統(tǒng)計(jì)分析均通過R語言統(tǒng)計(jì)軟件(4.0.3版)完成,其中BKMR分析通過“bkmr”包(0.2.0版本)實(shí)現(xiàn).

2 結(jié)果與分析

2.1 描述性分析

如表1所示,廣州市2015～2018年期間,平均每天死亡人數(shù)中非意外死亡為130例.研究期間SO2、NO2、PM10、PM2.5、CO和O3的年平均濃度分別為10.48,44.64,51.78,33.59,107.7μg/m3,CO的年平均濃度為0.83mg/m3,其中,NO2的濃度大于中國環(huán)境空氣質(zhì)量二級標(biāo)準(zhǔn)GB3095-2012(40μg/m3)[14].

表2顯示,不同污染物之間呈現(xiàn)較為顯著的正相關(guān)關(guān)系.除了O3,平均溫度與其他的污染物都呈現(xiàn)顯著的負(fù)相關(guān)關(guān)系.除了NO2和CO,相對濕度與所有的空氣污染物都呈現(xiàn)較為顯著的負(fù)相關(guān)關(guān)系,特別是O3.風(fēng)速與所有的空氣污染物都呈現(xiàn)較為顯著的負(fù)相關(guān)關(guān)系.

表1 2015～2018年廣州市空氣污染物、氣象因素以及相關(guān)疾病死亡人數(shù)描述性分析

注:P(25)、P(50)和P(75)分別為第25、50和75百分位數(shù).

表2 空氣污染物與氣象因素之間的相關(guān)性(Spearman相關(guān)系數(shù))

注:*<0.05; **<0.01; ***<0.001.

2.2 BKMR分析結(jié)果

在非意外死亡的分層變量選擇模型中,空氣污染物混合物的PIP均較高,提示6種污染物在混合物中對非意外死亡人數(shù)的影響均存在較大影響.圖1為不同滯后天數(shù)下單個(gè)暴露變量對累積健康效應(yīng)的影響.隨著其它污染物固定百分位數(shù)濃度的增加, SO2、O3或NO2的濃度從P25變化到P75導(dǎo)致的效應(yīng)值的絕對值逐漸升高,且SO2和NO2與非意外死亡的關(guān)聯(lián)在其他污染物濃度百分位數(shù)較高時(shí)才有顯著性的意義;隨著其它污染物固定百分位數(shù)濃度的增加,PM10、PM2.5或CO的濃度從P25變化到P75所導(dǎo)致的效應(yīng)值的絕對值逐漸減少.當(dāng)其它污染物的濃度分別固定在P25、P50或P75時(shí),PM10、CO或O3的濃度從P25變化到P75時(shí),對人群非意外死亡的影響主要呈現(xiàn)負(fù)效應(yīng).當(dāng)其他污染物的濃度分別固定在P25、P50或P75時(shí),SO2、NO2或PM2.5的濃度從P25變化到P75時(shí),對人群非意外死亡的影響主要呈現(xiàn)正效應(yīng),例如:在滯后0～1d時(shí),當(dāng)其他污染物固定在P75時(shí),NO2從P25上升至P75時(shí),人群非意外死亡人數(shù)將增加11.66% (95% CI: 7.30%, 16.20%).

圖1 不同滯后天數(shù)下單一污染物與非意外死亡的關(guān)聯(lián)

效應(yīng)值為死亡人數(shù)對數(shù)轉(zhuǎn)換值的變化

由圖2可見,在污染物混合物中,SO2的濃度處在不同百分位數(shù)時(shí)(第6行),其他污染物與健康結(jié)局的暴露反應(yīng)曲線之間的差距較小;CO、NO2、PM2.5或PM10的濃度處在不同百分位數(shù)時(shí)(第1行、第2行、第4行和第5行),其他污染物的3條暴露反應(yīng)曲線之間的差距較大,提示著這些污染物對其他污染物與健康結(jié)局的暴露反應(yīng)關(guān)系曲線影響較大;其中,對于PM2.5或PM10,特別是在其濃度較高時(shí),對其他污染物與健康結(jié)局之間的暴露反應(yīng)曲線的影響更大.另外,在某一污染物處于不同百分位數(shù)時(shí),許多污染物的3條暴露反應(yīng)曲線呈現(xiàn)非平行趨勢,表明污染物粒子物質(zhì)之間的潛在相互作用.

圖2 污染物(y軸)固定在特定百分位數(shù)時(shí),其他污染物(x軸)與非意外死亡的暴露-反應(yīng)關(guān)系曲線

由圖3可見,隨著累積滯后天數(shù)的增加,多種空氣污染物的混合暴露對非意外死亡人數(shù)的影響逐漸降低且變?yōu)闊o統(tǒng)計(jì)學(xué)意義.在滯后0～1d時(shí),與最低濃度相較,當(dāng)所有污染物的濃度增至P90時(shí),人數(shù)非意外死亡人數(shù)將增加21.98%(95% CI: 3.04%, 44.41%).

圖3 6種污染物對人群非意外死亡的聯(lián)合影響及95%置信區(qū)間

效應(yīng)值為逐日死亡人數(shù)對數(shù)轉(zhuǎn)化值的變化

2.3 不確定性分析

2.3.1 嶺回歸分析 表3為不同滯后天數(shù)下使用嶺回歸模型探究多污染物暴露中某一污染物對非意外死亡健康結(jié)局的影響大小.可見,隨著累積滯后天數(shù)的增加,對健康結(jié)局的影響呈現(xiàn)下降趨勢.其中,PM10、CO和O3與健康結(jié)局呈現(xiàn)負(fù)相關(guān);SO2、NO2和PM2.5與健康結(jié)局呈現(xiàn)正相關(guān),這與BKMR模型呈現(xiàn)的結(jié)果一致;但嶺回歸無法將其他污染物固定在一定的濃度下來觀察另一污染物對健康的影響情況.

表3 不同滯后天數(shù)下空氣污染物暴露對人群逐日非意外死亡人數(shù)的影響

注:加粗黑體為顯著相關(guān),效應(yīng)值為各污染物每增加1個(gè)IQR時(shí),非意外死亡人數(shù)對數(shù)轉(zhuǎn)換值的變化(及95%CI).

2.3.2 敏感性分析 為了驗(yàn)證我們模型的穩(wěn)健性,我們通過改變模型的混雜因素來進(jìn)行敏感性分析,即在模型中逐一去掉一個(gè)混雜因素.結(jié)果中可看出在模型中去掉節(jié)假日、平均溫度以及日照時(shí)長后,模型的結(jié)果將出現(xiàn)較為明顯的變化,提示這三種混雜因素對污染物與健康的關(guān)聯(lián)影響較大.

表4 不同混雜因素組合下,多污染物聯(lián)合暴露對逐日非意外死亡人數(shù)的影響

注:加粗黑體為顯著相關(guān),效應(yīng)值為所有污染物濃度從P0上升至P90時(shí),非意外死亡人數(shù)對數(shù)轉(zhuǎn)換值的變化(及95%CI).

3 討論

在過去的幾十年中,大量研究評估了SO2、NO2、PM10、PM2.5、CO或O3等單一污染物對人體健康的影響.然而,很少有研究調(diào)查多污染物暴露對死亡的聯(lián)合影響.本研究評估了廣州市常見空氣污染物混合暴露(SO2、NO2、PM10、PM2.5、CO和O3)在累積滯后1～4d對人群非意外死亡人數(shù)的影響,同時(shí)也探討了污染物的單變量、雙變量暴露反應(yīng)關(guān)系和多種空氣污染物混合暴露對非意外死亡的非線性健康效應(yīng).

研究表明,隨著其它污染物固定百分位數(shù)濃度的增加,PM2.5、CO或O3的濃度從P25變化到P75導(dǎo)致的效應(yīng)值逐漸減少.這與其他研究不同:同在廣州市2011～2015年的研究報(bào)道,滯后3d時(shí)PM2.5造成的非意外死亡增加3.01%(95%CI:1.52,4.52)[15];與此同時(shí)一項(xiàng)針對中國161個(gè)社區(qū)的報(bào)告稱,PM2.5的組分EC、OC、SO42-、NO3-和NH4+在滯后0～3d時(shí),非意外死亡分別增加0.45% (95%CI:0.21, 0.69), 1.43% (95%CI:0.97, 1.89),0.71% (95%CI:0.28, 1.15), 0.70% (95%CI:0.10, 1.30)和0.95% (95%CI: 0.39, 1.51)[16].一項(xiàng)關(guān)于珠三角地區(qū)的研究指出,CO暴露與3.04%(95%CI:0.20%, 0.84%)的總死亡率增加有關(guān),且對越發(fā)達(dá)、工業(yè)化程度越高的城市會(huì)造成更強(qiáng)的死亡率影響.關(guān)于O3,一項(xiàng)對于福州市O3暴露的健康效應(yīng)中指出O3與全人群非意外死亡呈正相關(guān),在365歲年齡組中相關(guān)性差異有統(tǒng)計(jì)學(xué)意義[17],有研究表明,老年人對空氣污染的易感性更高[18].臺(tái)灣的研究報(bào)道了O3與總死亡率之間存在負(fù)相關(guān)但不顯著(ER=-0.10%, 95%CI:-2.80%, 2.60%)[19].珠海、武漢和蘇州的研究中也報(bào)道了O3與死亡率相關(guān)性的不顯著[20-22].造成差異可能的原因是,這些研究只關(guān)注單一的污染物對健康結(jié)局的影響,并不會(huì)將單一污染物與其他的污染物的影響分開;其次,暴露人群的不同也會(huì)造成結(jié)果產(chǎn)生差異;特別地,不同的研究地點(diǎn)之間具有異質(zhì)性,這些人群的效應(yīng)估計(jì)差異可能與空氣污染物排放源的變化、不同防治策略、社會(huì)經(jīng)濟(jì)發(fā)展水平以及醫(yī)療保健的普及性等有關(guān).這些差異凸顯了不同背景和制定防范策略對減輕空氣污染物不利影響的重要性[23].盡管統(tǒng)計(jì)學(xué)的發(fā)展將有利于分析多污染物暴露對健康的影響,但現(xiàn)實(shí)情況下,研究仍可能受到測量誤差的影響.

在本研究中,隨著其它污染物固定的百分位數(shù)濃度的增加,SO2、NO2或PM10的濃度從P25變化到P75導(dǎo)致的效應(yīng)值逐漸升高.然而,一項(xiàng)關(guān)于長沙市SO2短期暴露與非意外死亡的研究中指出,SO2在累積滯后1～4d時(shí)健康結(jié)局的相對危險(xiǎn)度都較顯著[24];關(guān)于NO2和PM10,一項(xiàng)關(guān)于廣州市NO2健康效應(yīng)評估的研究中提到,NO2對呼吸系統(tǒng)疾病的死亡影響在累積滯后7d達(dá)到最大,當(dāng)NO2濃度升高10μg/m3,其相對危險(xiǎn)度達(dá)到1.0294 (95%CI:1.0152, 1.0438)[25];而同在廣州市2006～2010年的文章中提到:PM10與非意外死亡的最大超額相對風(fēng)險(xiǎn)百分比在累積滯后0～2d時(shí),為0.52 (95%CI:0.20, 0.84)[26];這與本研究中混合污染物的健康結(jié)局相似.

為了研究多污染物健康效應(yīng),流行病學(xué)家在回歸模型中加入2種或多種空氣污染物并調(diào)整混合物中同時(shí)出現(xiàn)的其他污染物,但是當(dāng)模型中包含了兩種或多種高度相關(guān)的污染物時(shí),會(huì)變得不穩(wěn)定[27].而嶺回歸等研究方法雖然解決了多重共線性的問題,但它們無法對非線性、高維的暴露反應(yīng)函數(shù)關(guān)系進(jìn)行建模.與傳統(tǒng)模型相比,BKMR模型的優(yōu)勢在于:首先,它使用核機(jī)器回歸模型處理多種污染物的聯(lián)合效應(yīng),從而在能夠很好統(tǒng)計(jì)的同時(shí)捕捉多重暴露的潛在復(fù)雜的非線性關(guān)系;其次,該模型允許將污染物的聯(lián)合效應(yīng)分成主效應(yīng)和交互效應(yīng)分量,同時(shí)適當(dāng)考慮模型的不確定性[28].此外,該模型可以擬合污染物間多種形式的健康效應(yīng):(1)混合污染物中每種污染物對整體健康效應(yīng)的相對貢獻(xiàn);(2)污染物的雙變量暴露反應(yīng)關(guān)系;(3)混合污染物整體的健康效應(yīng)[11].此外,在BKMR的模型中,將暴露變量分別設(shè)置為單一空氣污染物時(shí),同樣可得出單一污染物對非意外死亡的影響.自2015年BKMR的方法被提出后,廣泛的被使用在混合物對健康的影響研究中[10-12, 29].

雖然BKMR在一定程度上解決了多污染物暴露對健康結(jié)局的影響存在的一些問題,但模型本身也存在一些不足[30]:(1)使用BKMR時(shí),污染物暴露變量僅限于連續(xù)變量;(2)在觀察到最終的結(jié)果效應(yīng)值時(shí),無法分析得知數(shù)據(jù)潛在復(fù)雜的化學(xué)過程;(3)采用后驗(yàn)進(jìn)入概率方法對每個(gè)污染物的重要性進(jìn)行評估時(shí),PIP的大小對調(diào)整參數(shù)的選擇十分敏感;(4)模型運(yùn)行的時(shí)間較長.

本研究本身也存在局限性.首先空氣污染的濃度數(shù)據(jù)不能完全等同于個(gè)人的暴露值,但一定程度上講,污染物濃度較高時(shí),人們暴露的濃度可能越高.其次,作為一項(xiàng)生態(tài)學(xué)研究,本研究存在一些不可避免的因素:由于數(shù)據(jù)限制,研究中無法排除可能會(huì)對結(jié)果產(chǎn)生影響但無法測量的混雜因素,例如:個(gè)體的生活方式與飲食習(xí)慣等;同時(shí)生態(tài)學(xué)研究難以確定兩變量之間的因果聯(lián)系.最后,不可避免的是,如果共同暴露存在高度相關(guān),結(jié)果效應(yīng)值可能會(huì)出現(xiàn)偏差.

4 結(jié)論

4.1 在本研究中,我們將嶺回歸模型的結(jié)果與BKMR模型結(jié)果對比,結(jié)果顯示,相較于傳統(tǒng)的多污染物模型,BKMR模型可更加靈活地?cái)M合大氣中多種污染物的健康聯(lián)合作用.

4.2 基于BKMR模型,本研究證實(shí)多種污染物的暴露可對廣州市人群公共健康造成聯(lián)合的綜合影響.在滯后0～1d時(shí),與最低濃度相較,當(dāng)所有污染物的濃度增至P90時(shí),人數(shù)非意外死亡人數(shù)將增加21.98% (95% CI: 3.04%, 44.41%).因此,在日常的大氣污染物治理中,除了針對當(dāng)?shù)氐闹饕諝馕廴疚锿?仍需加強(qiáng)對多污染物暴露的防控.

[1] 樂 滿,王式功,謝佳君,等.環(huán)境條件對遵義市呼吸系統(tǒng)疾病的影響及預(yù)測研究 [J]. 中國環(huán)境科學(xué), 2018,38(11):4334-4347.

Le M, Wang S G, Xie J J, et al. Study about the impact of environmental conditions on respiratory diseases and prediction in Zunyi City [J]. China Environmental Science, 2018,38(11):4334- 4347.

[2] Stafoggia M, Breitner S, Hampel R, et al. Statistical approaches to address multi-pollutant mixtures and multiple exposures: the state of the science [J]. Current Environmental Health Reports, 2017,4(4): 481-490.

[3] Zanobetti A, Austin E, Coull B A, et al. Health effects of multi- pollutant profiles [J]. Environment International, 2014,71:13-19.

[4] Speybroeck N. Classification and regression trees [J]. International Journal of Public Health, 2012,57(1):243-246.

[5] Roberts S, Martin M A. Investigating the mixture of air pollutants associated with adverse health outcomes [J]. Atmospheric Environment, 2006,40(5):984-991.

[6] Cécile P L, Letenneur L, Hélène J G. A nonlinear latent class model for joint analysis of multivariate longitudinal data and a binary outcome [J]. Statistics in Medicine, 2007,26(10):2229-2245.

[7] Pachon J E, Balachandran S, Hu Y T, et al. Development of outcome-based, multipollutant mobile source indicators [J]. Journal of the Air & Waste Management Association (1995), 2012,62(4):431- 442.

[8] Yang Y, Li R, Li W, et al. The association between ambient air pollution and daily mortality in Beijing after the 2008olympics: a time series study [J]. PLoS One, 2013,8(10):e76759.

[9] Zanobetti A, Austin E, Coull B A, et al. Health effects of multi-pollutant profiles [J]. Environment International, 2014,71:13-9.

[10] Li H M, Deng W Y, Small R, et al. Health effects of air pollutant mixtures on overall mortality among the elderly population using Bayesian kernel machine regression (BKMR) [J]. Chemosphere, 2022,286:131566.

[11] Zhang Y Q, Dong T Y, Hu W Y, et al. Association between exposure to a mixture of phenols, pesticides, and phthalates and obesity: Comparison of three statistical models [J]. Environment International, 2019,123:325-336.

[12] Zhao N Z , Smargiassi A, Hudson M, et al. Investigating associations between anti-nuclear antibody positivity and combined long-term exposures to NO2, O3, and PM2.5using a Bayesian kernel machine regression approach [J]. Environment International, 2020,136:105472.

[13] Zare S, Mohammad J, Yang J, et al. Outdoor air pollution exposure and cognitive performance: findings from the enrolment phase of the CONSTANCES cohort [J]. The Lancet Planetary Health, 2022,6(3): e219-e229.

[14] GB3095-2012 環(huán)境空氣質(zhì)量標(biāo)準(zhǔn)[S].

GB3095-2012 Ambient air quality standards [S].

[15] Li B X, Yang J, Dong H, et al. PM2.5constituents and mortality from a spectrum of causes in Guangzhou, China [J]. Ecotoxicology and Environmental Safety, 2021,222:112498.

[16] Yang J, Zhou M G, Li M M, et al. Fine particulate matter constituents and cause-specific mortality in China: A nationwide modelling study [J]. Environment International, 2020,143:105927.

[17] 周 權(quán),孫婷婷,康淑玲,等.福州市臭氧暴露對人群非意外死亡的健康效應(yīng)評價(jià) [J]. 中國預(yù)防醫(yī)學(xué)雜志, 2021,22(3):218-222.

Zhou Q, Sun T T, Kang S L, et al. Health effects of ozone exposure on non-accidental deaths in Fuzhou [J]. China Preventive Medicine,2021,22(3):218-222.

[18] Liu M Y, Xue X X, Zhou B S, et al. Population susceptibility differences and effects of air pollution on cardiovascular mortality: epidemiological evidence from a time-series study [J]. Environmental Science and Pollution Research, 2019,26(16):15943-15952.

[19] Yang C Y, Chang C C, Chuang H Y, et al. Relationship between air pollution and daily mortality in a subtropical city: Taipei, Taiwan [J]. Environment International, 2004,30(4):519-23.

[20] Tao Y, Huang W, Huang X, et al. Estimated acute effects of ambient ozone and nitrogen dioxide on mortality in the Pearl River Delta of southern China [J]. Environmental Health Perspectives, 2012,120(3): 393-8.

[21] Wong C M, Vichit V N, Kan H, et al. Public health and air pollution in Asia (PAPA): a multicity study of short-term effects of air pollution on mortality [J]. Environmental Health Perspectives, 2008,116(9): 1195-202.

[22] Yang C X, Yang H B, Guo S, et al. Alternative ozone metrics and daily mortality in Suzhou: The China air pollution and health effects study (CAPES) [J]. Science of The Total Environment, 2012,426:83-89.

[23] Li M M, Dong H, Wang B G, et al. Association between ambient ozone pollution and mortality from a spectrum of causes in Guangzhou, China [J]. Science of The Total Environment, 2021,754:142110.

[24] Xu Z H, Xiong L L, Jin D H, et al. Association between short-term exposure to sulfur dioxide and carbon monoxide and ischemic heart disease and non-accidental death in Changsha city, China [J]. PLOS ONE, 2021,16(5):e0251108.

[25] 蔡東杰,楊 軍,黃 琳,等.廣州市大氣NO2污染對暴露人群不同疾病死亡的影響 [J]. 中國環(huán)境科學(xué), 2022,42(8):3950-3956.

Cai D J, Yang J, Huang L, et al. The impact of NO2on cause-specific mortality in Guangzhou [J]. China Environmental Science, 2022,42(8): 3950-3956.

[26] Gu Y Z, Lin H L, Liu T, et al. The interaction between ambient PM10and NO2on mortality in Guangzhou, China [J]. International Journal of Environmental Research and Public Health, 2017,14(11).

[27] Dominici F, Peng R D, Barr C D, et al. Protecting human health from air pollution: shifting from a single-pollutant to a multipollutant approach [J]. Epidemiology (Cambridge, Mass.), 2010,21(2):187-194.

[28] Bobb J F, Valeri L, Birgit C H, et al. Bayesian kernel machine regression for estimating the health effects of multi-pollutant mixtures [J]. Biostatistics, 2015,16(3):493-508.

[29] Tong Y R, Luo K, Li R K, et al. Association between multi-pollutant mixtures pollution and daily cardiovascular mortality: An exploration of exposure-response relationship [J]. Atmospheric Environment, 2018,186:136-143.

[30] Bobb J F, Birgit C H, Valeri L, et al. Statistical software for analyzing the health effects of multiple concurrent exposures via Bayesian kernel machine regression [J]. Environmental Health, 2018,17(1):67.

Health risk assessment of exposure to multiple pollutants in Guangzhou.

HUANG Lin1, LIU Di2, CAI Dong-jie1, CHEN Su-juan1, DONG Hang3, LIN Guo-zhen3, WANG Bo-guang1, YANG Jun2*

(1.Institute for Environmental and Climate Research, Jinan University, Guangzhou 511443, China；2.School of Public Health, Guangzhou Medical University, Guangzhou 511436, China；3.Guangzhou Center for Disease Control and Prevention, Guangzhou 510440, China)., 2022,42(11)：5418～5426

This study attempted to use the Bayesian kernel machine regression (BKMR) to analyze the health effects of multiple air pollutants (i.e, SO2、NO2、PM10、PM2.5、CO and O3) on non-accidental mortality in Guangzhou during 2015～2018. We found that all the pollutants presented significant effects on non-accidental mortality. The absolute values of effect estimates associated with the change in SO2, O3or NO2concentration from the 25th percentile to the 75th percentile gradually increased with the increment of the fixed percentile of other pollutants; On the contrary, the absolute values of effect estimates decreased gradually when the concentration of PM2.5, CO or PM10changes from the 25th percentile to the 75th percentile. The cumulative effect estimates associated with exposure to multiple pollutants on non-accidental mortality at lag 0～1 day was positive. Compared with the lowest concentration, when the concentration of all pollutants increased to the 90th percentile, the number of non-accidental deaths will increase by 21.98% (95% CI: 3.04%, 44.41%). With the application of BKMR model, this study found that exposure to multiple pollutants could produce a combined impact on public health in Guangzhou. In terms of air pollution prevention and control, it is necessary to not only target the main local air pollutants, but also strengthen the policies on protecting the public from exposure to multi-pollutants.

Bayesian kernel machine regression；multi air pollutant exposure；health risk assessment

X503.1

A

1000-6923(2022)11-5418-09

黃 琳(1999-),女,江西九江人,暨南大學(xué)碩士研究生,主要從事環(huán)境與健康方面的研究.

2022-04-26

國家自然科學(xué)基金青年基金資助項(xiàng)目(82003552);廣東省基礎(chǔ)與應(yīng)用基礎(chǔ)研究基金資助項(xiàng)目(2020A1515011161);國家重點(diǎn)研發(fā)計(jì)劃項(xiàng)目(2018YFC0213600)

* 責(zé)任作者, 教授, yangjun@gzhmu.edu.cn