论文部分内容阅读
背景及目的:近年来全球细颗粒物(particles with aerodynamic diameters of less than or equal to 2.5μm,PM2.5)和可吸入颗粒物(particles with aerodynamic diameters of less than or equal to 10μm,PM10)的污染形势非常严峻,其被认为是多种疾病的危险因素,但其与糖尿病和高血压等代谢性疾病及指标异常的关联尚不明确,故本研究旨在:1、使用伞形评价（umbrella review,UR）对系统综述和Meta分析（systematic review and meta-analysis,SRMA）中PM2.5和PM10暴露与代谢性疾病关联的证据强度进行评级,提供首个该主题证据级别最高的医学证据研究,并指导下一步研究。2、建立精度较高且稳定的土地利用回归（land use regression,LUR）模型来评估汉满社区队列中参与者的PM2.5和PM10暴露浓度,作为下一步研究其与该人群代谢指标异常关联的模型基础及铺垫。3、基于LUR模型对汉满社区队列中参与者PM2.5和PM10暴露浓度的评估,探讨其与该人群四种代谢指标（血脂、血压、血糖和血尿酸）异常之间的关联,补充PM2.5和PM10与代谢指标异常关联的流行病学研究证据。研究方法:1、从Embase、Pub Med和Web of Science数据库中获取PM2.5和PM10暴露与代谢性疾病关联的二次研究证据（SRMA）,用质量评价工具（A Measure Tool to Asscess Systematic Reviews,AMSTAR）中的“AMSTAR 2”对其进行质量评价。用UR综合评估SRMA以下方面:合并效应估计及其显著性水平、纳入初次研究（原创研究）的总样本量和总病例数、标准误最小研究的效应估计、合并效应估计的95%预测区间、纳入研究间异质性、小研究效应和过度显著性偏倚。根据综合评估,用UR将PM2.5和PM10与代谢性疾病关联的证据分为四个等级（由强到弱）:令人信服、高度提示性、提示性和弱。UR的PROSPERO注册号为CRD42022326088。2、本研究于2018年9月至2019年12月在辽宁省开展了一项横断面研究（汉满社区队列）,共招募了10477名年龄为18–79岁的参与者,构建LUR模型评估其PM2.5和PM10暴露浓度。以辽宁省77个空气监测站的PM2.5和PM10有效浓度为因变量,地理信息系统变量（土地利用类型、人口密度、道路长度、火点个数、与污染源距离、温度、相对湿度以及归一化植被指数等）为自变量,分别用前向算法和后向算法构建因变量和自变量间的LUR模型,用决定系数来表征模型的拟合精度。用留一交叉验证法检验LUR模型的性能。模型经检验后,选择拟合精度最高且稳定的LUR模型来评估汉满社区队列中参与者的居住地址处PM2.5和PM10浓度,作为其PM2.5和PM10平均暴露浓度的代表值。3、通过问卷调查得到汉满社区队列中参与者的民族及性别等一般人口学特征,通过体格检查得到其身高、体重和血压,通过生化检查得到其血脂、血糖和血尿酸等生化指标。采用t检验、秩和检验和卡方检验比较该人群四种代谢指标（血脂、血压、血糖和血尿酸）异常组与正常组之间基本特征的差异。基于LUR模型对参与者PM2.5和PM10暴露浓度的评估,利用logistic回归模型探索其与四种代谢指标（血脂、血压、血糖和血尿酸）异常间的关联,以研究对象的性别、年龄以及民族等作为分组因素进行亚组分析,并探索交互作用。利用双污染物logistic回归模型进行敏感性分析。用多元线性回归模型探讨PM2.5和PM10暴露浓度与四种代谢指标间的线性关系。最后,用限制性立方样条模型检验PM2.5和PM10暴露与四种代谢指标异常的非线性关联。结果:1、UR中纳入41项大气颗粒物暴露与代谢性疾病的关联,在27项PM2.5暴露与代谢性疾病的关联中,分别有1项、4项和10项显著性关联的证据等级为高度提示性、提示性和弱,其余12项关联为非显著性。在14项PM10暴露与代谢性疾病的关联中,分别有1项和3项显著性关联的证据等级为提示性和弱,其余10项关联为非显著性。10项PM2.5暴露与代谢性疾病的关联存在小研究效应,8项关联存在过度显著性偏倚。3项PM10暴露与代谢性疾病的关联存在小研究效应,未发现其中存在过度显著性偏倚的关联。未发现PM2.5和PM10暴露与代谢综合征及肥胖/超重风险有关。另外,PM2.5和PM10暴露与糖尿病、高血压及妊娠期糖尿病等疾病间显著性关联的证据均未达到令人信服或高度提示性级别。其中,PM2.5和PM10暴露与糖尿病和高血压间显著性关联的证据均为提示性或弱。并且,目前尚无PM2.5和PM10暴露与血脂异常和高尿酸等代谢指标异常间关联的SRMA。2、基于土地利用回归的辽宁省大气颗粒物暴露建模研究表明,后向算法、未含气象因素的前向算法和含气象因素前向算法得出PM10的LUR模型的决定系数分别为0.63、0.49和0.68。三种方法得出PM2.5的LUR模型决定系数分别为0.32、0.30和0.38。PM2.5最优LUR模型中包括土地利用类型、火点个数和露点温度等五个预测因子,PM2.5浓度与露点温度相关性最高,其次为土地利用类型。PM10最优LUR模型中包括土地利用类型、火点个数、气压和风速等六个预测因子,PM10浓度与风速相关性最高,其次为气压。PM2.5和PM10浓度均对土地利用类型、火点个数和气象因素敏感。PM2.5和PM10最优LUR模型性能的决定系数分别为0.68和0.73,校正后决定系数分别为0.65和0.70,留一交叉验证的决定系数分别为0.62和0.66。汉满社区队列中9962名参与者的PM2.5和PM10暴露浓度可被LUR模型评估,其PM10和PM2.5平均暴露浓度分别为80.90μg/m~3和48.56μg/m~3。3、汉满社区队列中血脂异常、高血压、高血糖和高尿酸人数分别占总参与人数的66.13%、36.48%、21.24%和11.50%。调整混杂因素后,PM2.5暴露浓度每增加10μg/m~3,患血脂异常和高血压的风险可能增加,相应的优势比（odds ratio,OR）及其95%置信区间（confidence interval,CI）分别为1.14（1.06–1.22）和1.16（1.08–1.25）。PM10暴露浓度每增加10μg/m~3,患血脂异常、高血糖和高尿酸的风险可能增加,相应的OR（95%CI）分别为1.08（1.03–1.14）、1.09（1.03–1.16）和1.09（1.00–1.17）。敏感性分析显示,PM2.5和PM10暴露浓度每增加10μg/m~3,患血脂异常、高血糖和高尿酸的风险可能增加。多元线性回归模型表明,PM2.5和PM10每增加1μg/m~3与总胆固醇、低密度脂蛋白胆固醇、高密度脂蛋白胆固醇浓度升高有关,PM2.5每增加1μg/m~3与收缩压升高有关,PM10每增加1μg/m~3与空腹血糖和血尿酸浓度升高有关。限制性立方样条模型表明,PM2.5和PM10暴露浓度增加与患血脂异常、高血压、高血糖和高尿酸风险之间存在非线性关系（P≤0.05）。结论:1、UR表明PM2.5和PM10暴露与代谢性疾病关联的证据可信度仍有待提高,亟需更多可作为证据可信度提升最根本来源的有力原创研究。同时,PM2.5和PM10与血脂异常和高尿酸等代谢指标异常有关的证据亟需补充。2、汉满社区队列PM2.5和PM10暴露浓度较高,研究其健康效应对疾病防控具有重要意义。另外,用于评估该人群PM2.5和PM10暴露浓度的LUR模型精度较高且稳定,也可用于评估辽宁省其他人群PM2.5和PM10的暴露浓度。3、汉满社区队列表明,PM2.5暴露增加可能与患血脂异常和高血压风险增加有关,PM10暴露增加可能与患血脂异常、高血糖和高尿酸风险增加有关。降低PM2.5和PM10污染可能有助于代谢指标异常的早期预防。