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 mo...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。展开更多
文摘目的探索隔日温差(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。
