评估城市内部热归因健康负担的变异以指导本地干预措施

《GeoHealth》：Assessing Intraurban Variation in Heat-Attributable Health Burden to Inform Local Interventions

　　

极端热暴露会导致老年人心血管疾病的发病率和死亡率增加，但健康数据与城市内部热暴露在地理尺度上的不匹配使得本地干预措施的制定面临挑战。研究人员引入了一种适应性框架，通过将小区域分析（SAA）技术与热相关健康风险的流行病学模型相结合，在更精细的地理尺度上估算健康负担，该框架包括三个步骤：(a) 利用65岁及以上成年人的个体水平心血管疾病（CVD）住院数据估算暴露-反应函数；(b) 利用SAA将ZCTA水平的每日CVD住院发生率降尺度至人口普查区组（CBG），并调整个体和社区水平的人口因素；(c) 将暴露-反应与每日发生率关联，估算CBG尺度的热归因健康负担。利用2018年夏季美国东南部某大都市区的数据，研究人员估算出各CBG每万人中有1.8至22.0例超额住院。研究人员展示了这一三步法框架的实用性，通过将社区划分为四类风险组：低风险、健康驱动型、热驱动型和双通道型（由热和健康共同驱动），从而为本地化干预策略提供依据。相比之下，使用粗分辨率温度数据估算的热归因健康负担显著更小，且在各CBG间的地理分布不同，这凸显了使用适当尺度暴露数据的重要性。本研究的发现可以支持更有效的热干预措施来应对热-健康相关结局，而不仅仅是暴露本身。

**论文解读：基于小区域分析的城市内部热归因健康负担变异评估及其对本地干预的启示**

**研究背景与问题**
极端热暴露与一系列不良健康结局相关，尤其对老年人影响显著，可导致心血管疾病的超额发病和死亡。既往流行病学研究已证实热与心血管疾病（CVD）之间存在正向关联，且社区所受热归因健康负担的水平受天气气候模式、适应能力资源等外部因素影响。其中，建成环境特征（如建筑密度、植被覆盖、地表反照率）是导致城市内部温度变异的关键因素，城市热岛效应进一步加剧健康风险。尽管已有研究利用高分辨率温度数据（如1公里网格数据）捕捉城市内部热暴露变异，但健康数据往往仅在邮政编码（ZCTA）或县级等较粗尺度上可得，这种地理尺度不匹配使得难以识别需要优先干预的社区。现有热健康风险评估方法（如热脆弱性指数）多与健康结局脱节，且验证不足。因此，需要在更精细的地理尺度（如人口普查区组，CBG）上量化热归因健康负担，以指导本地化干预策略的制定。

**研究内容与主要结论**
本研究提出一种新的框架，通过连接小区域分析（SAA）技术与流行病学归因负担分析，在CBG尺度估算热归因CVD住院负担。以美国东南部“研究三角”（Raleigh-Cary和Durham-Chapel Hill大都市统计区）为例，研究人员利用2010–2019年夏季的65岁以上Medicare受益人的CVD住院记录，结合1公里网格日气温数据，分三步实现：第一步，在ZCTA尺度估计热暴露与CVD住院的暴露-反应函数（累积7天效应），采用分布滞后非线性模型（DLNM）和条件泊松模型；第二步，运用多水平回归结合事后分层（MRP）技术，将ZCTA尺度的每日CVD住院发生率降尺度至CBG尺度，并纳入年龄、性别、种族、教育、贫困等个体和社区因素；第三步，结合CBG尺度的每日发生率与暴露-反应函数，估算2018年夏季各CBG的热归因CVD住院负担。结果显示，2018年夏季研究区域内共发生163例热归因CVD住院（每万老年人5.8例），各CBG的负担率差异显著（每万人1.8–22.0例）。85岁以上、75–84岁和黑人群体负担最高。通过将负担分解为基线CVD发生率和热暴露两个通道，研究将CBG分为四类：低风险、健康驱动型、热驱动型和双通道型。约34%的老年人居住在热驱动型CBG（城市中心区），26%居住在双通道型CBG（城市核心和农村东南部，非白人、贫困、租房者比例最高）。与插值气象站数据（低分辨率）相比，1公里网格数据捕捉到城市中心更高的温度，导致更高的热归因负担估算（163例 vs. 105例），且空间分布不同。

**关键技术与方法**
本研究采用三个主要技术步骤：（1）基于条件泊松模型的流行病学分析，利用个体水平Medicare住院记录（来自美国医疗保险和医疗补助服务中心，覆盖2010–2019年夏季）估计暴露-反应函数，控制日-周匹配、节假日、湿度、季节趋势等混杂因素；（2）多水平逻辑回归结合事后分层（MRP）的小区域分析技术，以ZCTA尺度模型参数预测CBG尺度每日CVD住院概率，并通过种群加权汇总（基于2020年人口普查和ACS数据，样本队列来源为研究三角区Medicare受益人）；（3）归因负担分析，将累积相对风险与每日CBG发生率结合，计算以25°C为基准的超额CVD住院数及率。此外，采用薄板样条回归插值气象站数据作为低分辨率暴露数据进行比较。

**研究结果**
**3.1 温度数据源比较**
与1公里网格数据相比，基于插值气象站数据估算的热归因CVD住院总数减少了35%（105 vs. 163例），且空间分布不同：低分辨率数据未能捕捉达勒姆和罗利城市中心的高温，导致这些区域的负担低估（每万人减少3–11例）。

**3.2 应用框架：率分解与风险组分类**
通过分解健康贡献（基线CVD发生率差异）和热贡献（温度差异），研究将CBG分为四类。低风险组（占65+人口25%）位于郊区富裕地带；健康驱动组（15.7%）多位于农村；热驱动组（34.1%）集中于城市中心，具有较高教育水平；双通道组（26.1%）位于城市核心和农村东南部，具有更多非白人居民、贫困和租房者。该分类有助于针对性地选择干预措施，如热驱动区优先植树降温，健康驱动区加强热健康教育。

**讨论与结论**
讨论部分指出，通过率分解可识别不同风险驱动因素，有助于决策者根据主导通道选择干预策略。研究还强调，采用精细暴露数据（1公里）能更准确反映城市内部负担，而仅依赖暴露数据不足以识别高负担区域。该框架具有灵活性，可扩展至其他城市、健康结局和行政健康数据源。局限性包括：无法外部验证CBG级估计；1公里数据仍可能遗漏更精细的温度变异；未纳入个体合并症等风险因素。结论总结：本研究通过连接SAA与归因分析，在CBG尺度量化了热归因CVD负担，发现负担空间分布随温度数据尺度变化，并基于风险组分类指导本地干预。论文发表在《GeoHealth》。