12.2 Q1|爱丁堡大学CHARLS发文 |空气污染增加虚弱风险
1.第一段–文章基本信息
文章题目：Air pollution increases the risk of frailty: China Health and Retirement Longitudinal Study (CHARLS)中文标题：空气污染增加虚弱风险：中国健康与养老追踪调查（CHARLS）
发表杂志：Journal of Hazardous materials
影响因子：1区，IF= 12.2
发表时间：2025年3月
2.第二段–研究思路
本研究思路
本文的研究思路是探讨空气污染与老年人脆弱性（frailty）风险之间的纵向关联，并分析可能的修饰因素。研究基于中国健康与退休纵向研究（CHARLS）2011-2020年的数据，纳入10,584名45岁及以上的中国成年人，随访中位数为7年。研究使用44项健康缺陷指标构建脆弱性指数（FI≥0.25为脆弱），并从中国高分辨率空气污染物（CHAP）数据集中获取PM1、PM2.5、PM10、O3和NO2的暴露数据。通过时间变化的Cox比例风险模型分析空气污染物与脆弱性风险的关系，并调整人口统计学、社会经济和行为因素。此外，研究还通过交互分析和亚组分析探讨了体力活动和教育水平对空气污染与脆弱性风险关系的修饰作用，并进行了多重敏感性分析以验证结果的稳健性。研究结果表明，PM1、PM2.5、PM10和NO2的暴露与脆弱性风险增加相关，而O3未发现显著关联。体力活动可能减轻空气污染对脆弱性风险的负面影响，而未接受正规教育的人群对空气污染更为敏感。
3.第三段-Introdction
背景
脆弱性是一种常见的老年综合征，以对内外部应激因素的高度易感性为特征，已成为全球主要健康问题。它表现为多生理系统的进行性衰退，常导致疾病增加、死亡率上升以及对医疗资源的高利用。中老年人由于年龄相关的生物学、心理学和社会因素，尤其容易受到影响。随着全球人口老龄化，识别可修改的危险因素并开发针对性干预措施以延缓或预防脆弱性发生变得迫切。近年来，研究发现空气污染可能是这种可修改的危险因素之一，尤其是细颗粒物（PM1、PM2.5、PM10）、二氧化氮（NO2）和臭氧（O3）被认为与老年相关健康缺陷有关。然而，关于空气污染与脆弱性之间纵向关系的研究仍然有限，尤其是在中国中老年人群中。
4.第四段-Methods
方法
数据来源
在本研究中，参与者通过唯一标识符在五个波次中进行跟踪，2011年基线时有13,900名个体。我们排除了基线时已存在脆弱性或缺失脆弱性、空气污染物和/或协变量数据的参与者，最终纳入10,584名参与者进行分析（见图1）。我们采用最后观察值向前填补（LOCF）方法填补部分缺失的协变量，从任何报告的波次中推断年龄和性别，并用2011年基线数据填补其他变量，因为大多数条件在随访期间保持稳定或变化极小。
暴露：PM1、PM2.5、PM10、O3和NO2
我们选择了五种常见的空气污染物——PM1、PM2.5、PM10、O3和NO2，基于证据表明不同粒径的颗粒物和气态污染物与心血管疾病、呼吸系统疾病和炎症过程有关，这些过程可能促进中老年人脆弱性的进展。我们从中国高分辨率空气污染物（CHAP）数据集中获取了2010年1月至2020年12月中国1公里分辨率的PM1、PM2.5、PM10和O3数据，以及2019年1月至2020年12月的NO2数据，和2010年1月至2018年12月10公里分辨率的NO2数据。CHAP数据集被认为是中国空气污染数据的可靠来源，并已被广泛用于相关研究。由于空气污染物暴露的滞后效应，我们根据CHARLS PSU数据集中的地理编码社区级居住信息，为每位参与者分配了前一年的年平均污染物浓度（例如，2010年的数据与2011年波次匹配）。
结局：脆弱性
脆弱性通过脆弱性指数（FI）进行评估，该指数整合了与衰老相关的多种健康缺陷，符合既定方法。FI被广泛用于评估生物学衰老，并被认为是量化脆弱性状态的全面且有效的指标，涵盖多种指标，包括但不限于各种慢性疾病的存在、身体功能、心理健康和社会参与。本研究共纳入44项健康缺陷指标来评估FI（包括12项日常生活活动能力和工具性日常生活活动能力的残疾、9项身体功能限制、14项慢性疾病、7项心理健康方面和2项主观评价，包括自我感知健康和生活满意度）（详见附录2中的健康缺陷项目清单）。对于每位受试者，FI的计算方法是将所有识别出的健康缺陷相加，然后除以评估的总缺陷数。每个缺陷的评分从0到1，以精确表示缺陷的严重程度。FI值表示现有缺陷占总可能缺陷的比例，范围从零到一，分数越高表示脆弱性越严重。定义脆弱性状态的临界值为：非脆弱（FI < 0.25）和脆弱（FI ≥ 0.25）。
协变量
年龄、性别、居住地、婚姻状况、吸烟状态、饮酒和体力活动、医疗保险、收入、教育水平和就业状态、季节和空间自相关
统计分析
本研究对参与者的基线特征按脆弱性状态（非脆弱和脆弱）进行描述，分类变量以计数和百分比表示，连续变量通过Kolmogorov-Smirnov检验判断正态分布后，分别以均值±标准差或中位数（四分位数范围）呈现。采用Cox比例风险模型分析空气污染物（PM1、PM2.5、PM10、O3、NO2）与脆弱性风险的关联，以调查波次作为时间尺度。为避免不朽时间偏倚，使用时间变化的暴露和混杂因素进行Cox回归分析，构建了从未经调整的粗模型到逐步调整多种混杂因素的多个模型，并通过Schoenfeld残差检验验证比例风险假设（p>0.05）。通过交互分析确定效应修饰因素后，进行亚组分析；同时，利用自然立方样条函数绘制暴露-反应曲线，检验非线性关联，并基于多污染物模型进一步分析。此外，通过排除早期发病者、调整更多混杂因素、分类体力活动强度、改变滞后时间及重新分组脆弱性状态等方法进行敏感性分析，以验证结果的稳健性。所有分析使用Stata 16.0和R 4.3.2完成，p<0.05为统计学显著性标准。
5.第五段-Results
结果
研究人群
本研究纳入了10,584名参与者（54.0%为女性，平均年龄58.4岁），其中791人（7.5%）在中位随访7年期间发展为脆弱性个体。与非脆弱人群相比，脆弱人群更可能是女性、年龄更大、未接受过正规教育、未婚、居住在农村地区、从未吸烟或已戒烟、不饮酒、收入处于最低水平、失业且体力活动不足。
空气污染物暴露水平
在随访期间，PM1、PM2.5、PM10、O3和NO2的年平均浓度中位数分别为25.3 μg/m³、44.9 μg/m³、77.9 μg/m³、88.0 μg/m³和26.2 μg/m³。其中，PM2.5、PM10、O3和NO2的浓度均超过世界卫生组织（WHO）推荐的空气质量指南（AQG）水平。
空气污染与脆弱性风险的关联
在完全调整的模型（模型IV）中，每增加10 μg/m³的PM1、PM2.5、PM10和NO2暴露浓度，分别与7.8%、4.2%、3.8%和12.9%的更高脆弱性风险相关，而O3与脆弱性风险之间未发现显著关联。自然立方样条曲线分析显示，所有空气污染物与脆弱性风险之间的关系呈线性（p值均>0.05）。
交互作用分析
体力活动和教育水平被发现是空气污染与脆弱性风险关系的修饰因素。体力活动充足的人群受空气污染的负面影响较小，而未接受过正规教育的人群对空气污染的脆弱性风险更高。
多污染物模型
在多污染物模型中，O3与脆弱性风险之间未发现显著关联，而PM1、PM2.5、PM10和NO2的关联在调整其他污染物后仍保持稳定。NO2与脆弱性风险的关联独立于其他大多数污染物。
敏感性分析
敏感性分析结果表明，空气污染暴露与脆弱性风险之间的关联在排除早期发病者、进一步调整社会活动参与和夜间睡眠时长、改变滞后时间以及重新分类脆弱性状态后，仍保持稳健。
6.第六段–结论与启发
结论与启发
结论
在这项对10,584名中国成年人进行的纵向研究中，每增加10 μg/m³的PM1、PM2.5、PM10和NO2暴露，分别与7.8%、4.2%、3.8%和12.9%的更高脆弱性风险相关，而O3未显示出显著关联。我们的研究结果强调，较小粒径的颗粒物和NO2显著增加了脆弱性风险，凸显了严格控制排放和针对弱势群体（尤其是低教育水平人群）采取干预措施的必要性。在低污染环境中鼓励体力活动可能有助于抵消部分不利影响，但需要进一步研究以明确这种益处的暴露阈值。未来的研究可以改进评估方法，进一步探索污染与行为之间的相互作用，并在不同环境中验证结果，从而为基于证据的政策制定提供支持，促进健康老龄化。
【光速科研启发】
选题：研究聚焦空气污染（特别是PM1、PM2.5、PM10、O3和NO2）与中老年人脆弱性风险的纵向关联，填补了关于多种空气污染物对脆弱性影响的研究空白，具有重要的公共卫生和政策制定意义。
统计学：采用时间变化的Cox比例风险模型，评估空气污染物与脆弱性风险的关联，并通过交互作用分析和亚组分析探讨体力活动和教育水平的修饰作用。自然立方样条函数用于绘制暴露-反应曲线，揭示污染物与脆弱性风险的剂量反应关系，并通过多次敏感性分析验证结果的稳健性。
数据库：利用中国健康与退休纵向研究（CHARLS）数据库，确保样本的全国代表性，结合高分辨率的中国高空气污染物（CHAP）数据集，为研究提供丰富的暴露和健康数据。通过严格的数据清理和填补方法，进一步提高样本质量，为研究结果的可靠性提供坚实基础。
启发：研究提示在评估中老年人健康风险时，应重点关注空气污染对脆弱性的影响；通过亚组分析，发现体力活动和教育水平对空气污染的修饰作用，为针对性干预提供依据；研究结果强调了减少空气污染和改善生活方式对健康老龄化的重要性，为公共卫生政策制定提供了科学依据。
