广州市多污染物联合暴露的健康效应评估

黄 琳,刘 迪,蔡东杰,陈素娟,董 航,林国帧,王伯光,杨 军*

广州市多污染物联合暴露的健康效应评估

黄 琳1,刘 迪2,蔡东杰1,陈素娟1,董 航3,林国帧3,王伯光1,杨 军2*

(1.暨南大学环境与气候研究院,广东 广州 511443；2.广州医科大学公共卫生学院,广东 广州 511436；3.广州市疾病预防控制中心,广东 广州 510440)

本研究应用贝叶斯核机器回归(BKMR)分析了广州市2015～2018年大气主要污染物(SO2、NO2、PM10、PM2.5、CO和O3)与非意外死亡之间的联合健康效应.结果表明,6种污染物对健康结局均存在较大影响.随着其它污染物固定百分位数浓度的增加,SO2、O3或NO2的浓度从第25百分位数变化到第75百分位数导致的效应值的绝对值逐渐升高;相反,PM2.5、CO或PM10的浓度从第25百分位数变化到第75百分位数导致的效应值的绝对值逐渐减少.在累积滞后0～1d时,多种空气污染物的混合暴露对非意外死亡人数的影响效应值为正,与最低浓度相较,当所有污染物的浓度增至第90百分位数时,人数非意外死亡人数将增加21.98% (95% CI: 3.04%, 44.41%).通过应用BKMR模型,本研究证实多种污染物的暴露可对广州市人群公共健康造成联合的综合影响.在污染物的防控治理上,不仅需要针对当地主要空气污染物,还需加强对多污染物暴露的防控.

贝叶斯核机器回归；多污染物暴露；健康风险

近10a来大气环境污染对人体健康的影响已逐渐成为环境流行病学领域热点关注问题[1],研究主要聚焦于单种污染的健康影响.在真实环境中,人总是同时暴露于多种空气污染物的混合暴露中.早在2012年,在美国环保署的综合、跨学科研究计划中,评估多污染物暴露对健康的影响就已被确定为优先研究领域[2].由于源排放、大气过程以及对人类健康和生态系统的影响之间高度复杂的相互作用,制定一种多污染物健康评价方法极具挑战性[3].

研究多污染物的传统方法依赖于多变量参数回归,该方法将每种污染物的独立效应估计为线性项,并调整其他共污染物的混杂效应.然而一旦多种污染物混合物表现出显著的相关性或与结果形成复杂的非线性关系,这种方法将面临多重共线性或模型错误的问题.为了更好地解释混合物的相关性和非线性效应,非参数及其它的研究方法陆续被提出,有国内外有学者尝试采用LASSO回归、岭回归、主成分分析、因子分析方法与聚类分析等研究多污染物暴露的健康效应[4-9],但是这些方法存在一定的局限性,需要一种灵活且有效的统计方法来合理地解释多种污染物同时暴露对健康影响的非线性和交互效应.作为半参数建模方法,贝叶斯核机器回归(BKMR)在估算多污染物对健康的影响以及确定在特定条件下对健康结果影响最大的主要污染物方面具有一定的优势,可以灵活的拟合混合物各成分之间的联合效应,调整潜在的相互作用和非线性效应,目前已逐渐被应用于多污染物健康效应的研究中[10-12].

本研究收集了广州市2015～2018年空气污染物、气象因素以及非意外死亡的相关数据,应用BKMR来灵活的模拟常见的空气污染物的联合效应对广州市逐日死亡人数的影响.

1 数据与方法

1.1 数据来源

1.1.1 污染物以及气象因素数据 本研究从广东省监测中心下载收集2015～2018年广州市逐日空气污染物数据(SO2、NO2、PM10、PM2.5、CO和O3);为控制气象条件的潜在混杂影响,本研究还通过中国气象局数据服务中心(http://data.cma.cn/)收集了广州市2015～2018年的日平均气温(℃)和日平均相对湿度(%)数据.

1.1.2 非意外死亡数据 本研究通过广州市疾病预防控制中心(http://www.gzcdc.org.cn/)获取了广州2015～2018年各类疾病的每日死亡人数,并整理出广州市日非意外死亡人数(第十版国际疾病分类编码:A00-R99).

1.2 统计分析

评估多种空气污染物暴露对健康影响的综合效应为当前环境流行病学的重要的挑战.核机器回归(KMR)是目前机器学习中一种较为流行的工具,它通过一对一的方式将一个数据序列映射或投影到另一个数据序列,来灵活地建模大量变量与特定结果之间的关系.为正确探究空气污染物之间的潜在相互作用和非线性效应,本研究采用BKMR方法对广州市的多污染物混合物(SO2、NO2、PM10、PM2.5、CO和O3)与非意外人群死亡率(结果使用的是非意外死亡的对数值)之间的关联进行灵活的建模,模型所用公式具体如下:

当多污染物间存在较强相关性时,变量筛选则考虑采用层次变量选择方法,即:假设污染物(1,2,…,z)可以被分为S(=1,2,…,)组(要求组内相关性较强而组间的相关性较低),则有:

最终,多个空气污染物综合效应通过比较所有空气污染物在各自90百分位数水平与第0百分位数水平的健康风险相对变化进行估计,即:

最终,模型得到的结果为非意外死亡的对数值的变化程度(),但为了便于与以往文献作比较,特将部分相关结果转换为相对变化率[公式:(exp()-1)´100%][13];同时,考虑到空气污染物存在滞后效应,将采用BKMR模型估计空气污染物混合物累积滞后1～ 4d(Lag0-1,Lag0-2,Lag0-3,Lag0-4,通过移动平滑的方法进行计算)的综合效应.为了估计个别污染物对整体混合物的健康效应的贡献,本研究中考虑两种方法:(1)通过其他污染物浓度固定在第25、第50或第75百分位数来确定个体污染物与健康结果之间的非线性暴露反应曲线;(2)通过假设检验,检验6种与结局有统计学意义的污染物之间是否存在潜在的相互作用.

1.3 岭回归分析

为了对比模型的优势,本研究在结果中加入岭回归的多污染物暴露的结果作为对比.本研究所有统计分析均通过R语言统计软件(4.0.3版)完成,其中BKMR分析通过“bkmr”包(0.2.0版本)实现.

2 结果与分析

2.1 描述性分析

如表1所示,广州市2015～2018年期间,平均每天死亡人数中非意外死亡为130例.研究期间SO2、NO2、PM10、PM2.5、CO和O3的年平均浓度分别为10.48,44.64,51.78,33.59,107.7μg/m3,CO的年平均浓度为0.83mg/m3,其中,NO2的浓度大于中国环境空气质量二级标准GB3095-2012(40μg/m3)[14].

表2显示,不同污染物之间呈现较为显著的正相关关系.除了O3,平均温度与其他的污染物都呈现显著的负相关关系.除了NO2和CO,相对湿度与所有的空气污染物都呈现较为显著的负相关关系,特别是O3.风速与所有的空气污染物都呈现较为显著的负相关关系.

表1 2015～2018年广州市空气污染物、气象因素以及相关疾病死亡人数描述性分析

注:P(25)、P(50)和P(75)分别为第25、50和75百分位数.

表2 空气污染物与气象因素之间的相关性(Spearman相关系数)

注:*<0.05; **<0.01; ***<0.001.

2.2 BKMR分析结果

在非意外死亡的分层变量选择模型中,空气污染物混合物的PIP均较高,提示6种污染物在混合物中对非意外死亡人数的影响均存在较大影响.图1为不同滞后天数下单个暴露变量对累积健康效应的影响.随着其它污染物固定百分位数浓度的增加, SO2、O3或NO2的浓度从P25变化到P75导致的效应值的绝对值逐渐升高,且SO2和NO2与非意外死亡的关联在其他污染物浓度百分位数较高时才有显著性的意义;随着其它污染物固定百分位数浓度的增加,PM10、PM2.5或CO的浓度从P25变化到P75所导致的效应值的绝对值逐渐减少.当其它污染物的浓度分别固定在P25、P50或P75时,PM10、CO或O3的浓度从P25变化到P75时,对人群非意外死亡的影响主要呈现负效应.当其他污染物的浓度分别固定在P25、P50或P75时,SO2、NO2或PM2.5的浓度从P25变化到P75时,对人群非意外死亡的影响主要呈现正效应,例如:在滞后0～1d时,当其他污染物固定在P75时,NO2从P25上升至P75时,人群非意外死亡人数将增加11.66% (95% CI: 7.30%, 16.20%).

图1 不同滞后天数下单一污染物与非意外死亡的关联

效应值为死亡人数对数转换值的变化

由图2可见,在污染物混合物中,SO2的浓度处在不同百分位数时(第6行),其他污染物与健康结局的暴露反应曲线之间的差距较小;CO、NO2、PM2.5或PM10的浓度处在不同百分位数时(第1行、第2行、第4行和第5行),其他污染物的3条暴露反应曲线之间的差距较大,提示着这些污染物对其他污染物与健康结局的暴露反应关系曲线影响较大;其中,对于PM2.5或PM10,特别是在其浓度较高时,对其他污染物与健康结局之间的暴露反应曲线的影响更大.另外,在某一污染物处于不同百分位数时,许多污染物的3条暴露反应曲线呈现非平行趋势,表明污染物粒子物质之间的潜在相互作用.

图2 污染物(y轴)固定在特定百分位数时,其他污染物(x轴)与非意外死亡的暴露-反应关系曲线

由图3可见,随着累积滞后天数的增加,多种空气污染物的混合暴露对非意外死亡人数的影响逐渐降低且变为无统计学意义.在滞后0～1d时,与最低浓度相较,当所有污染物的浓度增至P90时,人数非意外死亡人数将增加21.98%(95% CI: 3.04%, 44.41%).

图3 6种污染物对人群非意外死亡的联合影响及95%置信区间

效应值为逐日死亡人数对数转化值的变化

2.3 不确定性分析

2.3.1 岭回归分析 表3为不同滞后天数下使用岭回归模型探究多污染物暴露中某一污染物对非意外死亡健康结局的影响大小.可见,随着累积滞后天数的增加,对健康结局的影响呈现下降趋势.其中,PM10、CO和O3与健康结局呈现负相关;SO2、NO2和PM2.5与健康结局呈现正相关,这与BKMR模型呈现的结果一致;但岭回归无法将其他污染物固定在一定的浓度下来观察另一污染物对健康的影响情况.

表3 不同滞后天数下空气污染物暴露对人群逐日非意外死亡人数的影响

注:加粗黑体为显著相关,效应值为各污染物每增加1个IQR时,非意外死亡人数对数转换值的变化(及95%CI).

2.3.2 敏感性分析 为了验证我们模型的稳健性,我们通过改变模型的混杂因素来进行敏感性分析,即在模型中逐一去掉一个混杂因素.结果中可看出在模型中去掉节假日、平均温度以及日照时长后,模型的结果将出现较为明显的变化,提示这三种混杂因素对污染物与健康的关联影响较大.

表4 不同混杂因素组合下,多污染物联合暴露对逐日非意外死亡人数的影响

注:加粗黑体为显著相关,效应值为所有污染物浓度从P0上升至P90时,非意外死亡人数对数转换值的变化(及95%CI).

3 讨论

在过去的几十年中,大量研究评估了SO2、NO2、PM10、PM2.5、CO或O3等单一污染物对人体健康的影响.然而,很少有研究调查多污染物暴露对死亡的联合影响.本研究评估了广州市常见空气污染物混合暴露(SO2、NO2、PM10、PM2.5、CO和O3)在累积滞后1～4d对人群非意外死亡人数的影响,同时也探讨了污染物的单变量、双变量暴露反应关系和多种空气污染物混合暴露对非意外死亡的非线性健康效应.

研究表明,随着其它污染物固定百分位数浓度的增加,PM2.5、CO或O3的浓度从P25变化到P75导致的效应值逐渐减少.这与其他研究不同:同在广州市2011～2015年的研究报道,滞后3d时PM2.5造成的非意外死亡增加3.01%(95%CI:1.52,4.52)[15];与此同时一项针对中国161个社区的报告称,PM2.5的组分EC、OC、SO42-、NO3-和NH4+在滞后0～3d时,非意外死亡分别增加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].一项关于珠三角地区的研究指出,CO暴露与3.04%(95%CI:0.20%, 0.84%)的总死亡率增加有关,且对越发达、工业化程度越高的城市会造成更强的死亡率影响.关于O3,一项对于福州市O3暴露的健康效应中指出O3与全人群非意外死亡呈正相关,在³65岁年龄组中相关性差异有统计学意义[17],有研究表明,老年人对空气污染的易感性更高[18].台湾的研究报道了O3与总死亡率之间存在负相关但不显著(ER=-0.10%, 95%CI:-2.80%, 2.60%)[19].珠海、武汉和苏州的研究中也报道了O3与死亡率相关性的不显著[20-22].造成差异可能的原因是,这些研究只关注单一的污染物对健康结局的影响,并不会将单一污染物与其他的污染物的影响分开;其次,暴露人群的不同也会造成结果产生差异;特别地,不同的研究地点之间具有异质性,这些人群的效应估计差异可能与空气污染物排放源的变化、不同防治策略、社会经济发展水平以及医疗保健的普及性等有关.这些差异凸显了不同背景和制定防范策略对减轻空气污染物不利影响的重要性[23].尽管统计学的发展将有利于分析多污染物暴露对健康的影响,但现实情况下,研究仍可能受到测量误差的影响.

在本研究中,随着其它污染物固定的百分位数浓度的增加,SO2、NO2或PM10的浓度从P25变化到P75导致的效应值逐渐升高.然而,一项关于长沙市SO2短期暴露与非意外死亡的研究中指出,SO2在累积滞后1～4d时健康结局的相对危险度都较显著[24];关于NO2和PM10,一项关于广州市NO2健康效应评估的研究中提到,NO2对呼吸系统疾病的死亡影响在累积滞后7d达到最大,当NO2浓度升高10μg/m3,其相对危险度达到1.0294 (95%CI:1.0152, 1.0438)[25];而同在广州市2006～2010年的文章中提到:PM10与非意外死亡的最大超额相对风险百分比在累积滞后0～2d时,为0.52 (95%CI:0.20, 0.84)[26];这与本研究中混合污染物的健康结局相似.

为了研究多污染物健康效应,流行病学家在回归模型中加入2种或多种空气污染物并调整混合物中同时出现的其他污染物,但是当模型中包含了两种或多种高度相关的污染物时,会变得不稳定[27].而岭回归等研究方法虽然解决了多重共线性的问题,但它们无法对非线性、高维的暴露反应函数关系进行建模.与传统模型相比,BKMR模型的优势在于:首先,它使用核机器回归模型处理多种污染物的联合效应,从而在能够很好统计的同时捕捉多重暴露的潜在复杂的非线性关系;其次,该模型允许将污染物的联合效应分成主效应和交互效应分量,同时适当考虑模型的不确定性[28].此外,该模型可以拟合污染物间多种形式的健康效应:(1)混合污染物中每种污染物对整体健康效应的相对贡献;(2)污染物的双变量暴露反应关系;(3)混合污染物整体的健康效应[11].此外,在BKMR的模型中,将暴露变量分别设置为单一空气污染物时,同样可得出单一污染物对非意外死亡的影响.自2015年BKMR的方法被提出后,广泛的被使用在混合物对健康的影响研究中[10-12, 29].

虽然BKMR在一定程度上解决了多污染物暴露对健康结局的影响存在的一些问题,但模型本身也存在一些不足[30]:(1)使用BKMR时,污染物暴露变量仅限于连续变量;(2)在观察到最终的结果效应值时,无法分析得知数据潜在复杂的化学过程;(3)采用后验进入概率方法对每个污染物的重要性进行评估时,PIP的大小对调整参数的选择十分敏感;(4)模型运行的时间较长.

本研究本身也存在局限性.首先空气污染的浓度数据不能完全等同于个人的暴露值,但一定程度上讲,污染物浓度较高时,人们暴露的浓度可能越高.其次,作为一项生态学研究,本研究存在一些不可避免的因素:由于数据限制,研究中无法排除可能会对结果产生影响但无法测量的混杂因素,例如:个体的生活方式与饮食习惯等;同时生态学研究难以确定两变量之间的因果联系.最后,不可避免的是,如果共同暴露存在高度相关,结果效应值可能会出现偏差.

4 结论

4.1 在本研究中,我们将岭回归模型的结果与BKMR模型结果对比,结果显示,相较于传统的多污染物模型,BKMR模型可更加灵活地拟合大气中多种污染物的健康联合作用.

4.2 基于BKMR模型,本研究证实多种污染物的暴露可对广州市人群公共健康造成联合的综合影响.在滞后0～1d时,与最低浓度相较,当所有污染物的浓度增至P90时,人数非意外死亡人数将增加21.98% (95% CI: 3.04%, 44.41%).因此,在日常的大气污染物治理中,除了针对当地的主要空气污染物外,仍需加强对多污染物暴露的防控.

[1] 乐 满,王式功,谢佳君,等.环境条件对遵义市呼吸系统疾病的影响及预测研究 [J]. 中国环境科学, 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 环境空气质量标准[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 权,孙婷婷,康淑玲,等.福州市臭氧暴露对人群非意外死亡的健康效应评价 [J]. 中国预防医学杂志, 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] 蔡东杰,杨 军,黄 琳,等.广州市大气NO2污染对暴露人群不同疾病死亡的影响 [J]. 中国环境科学, 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

黄 琳(1999-),女,江西九江人,暨南大学硕士研究生,主要从事环境与健康方面的研究.

2022-04-26

国家自然科学基金青年基金资助项目(82003552);广东省基础与应用基础研究基金资助项目(2020A1515011161);国家重点研发计划项目(2018YFC0213600)

* 责任作者, 教授, yangjun@gzhmu.edu.cn