巴西COVID-19发病率与环境压力因素的全域关联研究：气候分区与变异株时期的差异化影响分析

本综述系统分析了2020至2022年间巴西全国范围内COVID-19发病率与环境压力因素（温度、相对湿度、细颗粒物PM2.5）的关联性。研究采用广义加性模型（GAM）和分布滞后非线性模型（DLNM），揭示不同气候带及奥密克戎变异株流行前后时期的显著差异，为区域化公共卫生干预提供关键科学依据。

　　

背景

环境压力因素如温度（Temp）、相对湿度（RHumid）和细颗粒物（PM_2.5）可能影响COVID-19的发病率。尽管欧洲和亚洲已有大量研究探讨这些关联，但在巴西——一个拥有多样气候带和高COVID-19负担的国家——相关研究仍较为有限。本研究旨在评估巴西全市政区层面三年期间环境压力因素与COVID-19发病率的关联，并区分气候带及奥密克戎流行前后时期的差异。

材料与方法

健康数据来源于巴西卫生部报告的COVID-19病例通知记录，时间跨度为2020年3月至2022年12月，按月份进行聚合。环境数据包括PM_2.5月均浓度（来自华盛顿大学大气成分分析组）、气温（Temp，来自ERA5-Land再分析数据集）和相对湿度（RHumid，通过Magnus方程计算）。数据经过 municipality 代码转换、异常值处理（如排除2020年6月异常高值）和气候带重分类，最终形成五个主导气候带：赤道带（EQ）、赤道热带带（TZE）、巴西中部热带带（TBC）、东北部热带带（TNO）和温带（TE）。

统计分析方法采用广义加性模型（GAM）和分布滞后非线性模型（DLNM）。GAM以各市政区每月新发COVID-19病例数为因变量，调整人口规模（作为偏移量）、空间结构（基于市政区地理标识的马尔可夫随机场）和时间趋势（年份和月份作为分类变量）。环境变量的暴露-响应关系通过自然立方样条（3自由度）建模。DLNM则用于评估滞后暴露-响应关联，考虑最多12个月的滞后效应。模型按气候带分层拟合，并分别分析奥密克戎流行前（2020–2021）和流行期（2022）的数据。

结果

描述性分析

空间分析显示，Temp最低值出现在南部（约14.46°C），最高值在内陆地区（28.55°C）；RHumid在北部和东南沿海较高（最高88.59%），中部较低（最低53.33%）；PM_2.5浓度在西南部最高（42.61 μg/m³），东部和南部较低。人口密度东部较高，西北部较低。气候带中，TNO人口密度最高（151.7人/km²），EQ最低（4.7人/km²）。

时间趋势上，COVID-19发病率在2021年6月达到峰值，2022年2月再次高峰。RHumid在EQ、TBC和TZE带的第一和第四季度较低，第二和第三季度较高；TNO和TE带则相对稳定。Temp在TE带变幅最大，TZE和EQ带全年高温。PM_2.5在EQ带浓度最高（均值24.4 μg/m³），其他带均值在10.6–12.9 μg/m³之间。

GAM模型结果

整体分析显示，Temp与COVID-19发病率呈正相关[相对风险RR 2.47，95%置信区间(2.04, 2.91)]，而PM_2.5 [RR 1.03 (0.95, 1.11)]和RHumid [RR 1.02 (0.91, 1.13)]无显著关联。气候带特异性分析揭示显著差异：Temp在TE [RR 17.9 (15.26, 22.19)]和TBC [RR 1.87 (1.57, 2.10)]带呈正相关，在TNO [RR 0.008 (0.004, 0.012)]和TZE [RR 0.12 (0.08, 0.15)]带呈负相关，EQ带无显著关联。RHumid在TZE、TBC和TNO带呈负相关，在TE带呈正相关[RR 3.69 (3.38, 4.12)]，EQ带无显著关联。PM_2.5在TE [RR 2.10 (1.93, 2.28)]和TZE [RR 1.87 (1.54, 2.31)]带呈正相关，其他带无显著关联。

分层时期分析显示，奥密克戎流行期所有环境变量的暴露-响应曲线均高于流行前期，但趋势在TZE带反转。流行前期，PM_2.5在TZE带关联微弱[RR 0.84 (0.83, 0.85)]，TNO带PM_2.5呈负相关[RR 0.27 (0.26, 0.27)]，EQ带Temp和RHumid均呈负相关。流行期，TE带无显著关联，而TZE带Temp [RR 2.73 (2.66, 2.79)]和RHumid [RR 2.26 (2.24, 2.27)]、TBC带RHumid [RR 2.24 (1.35, 2.95)]、TNO带PM_2.5 [RR 1.33 (1.29, 1.36)]均呈正相关。两时期持续一致的关联仅见于EQ带RHumid负相关和TBC带Temp正相关。

DLNM模型结果

滞后效应分析显示，TZE和TNO带极端低温（1%分位数）与高风险相关（RR>1），极端高温（99%分位数）与低风险相关（RR<1），呈现抛物线型滞后曲线，峰值出现在滞后0和12个月。TE带趋势相反：高温在滞后0时RR达2.41 (2.15, 2.71)，低温RR为0.66 (0.59, 0.73)。TBC和EQ带效应较小且稳定。

RHumid方面，EQ、TZE和TNO带的低湿度（1%分位数）在滞后0时RR>1，5–7个月时下降，呈抛物线型；高湿度（99%分位数）则RR<1。TBC带低湿度RR>1、高湿度RR<1，6个月后收敛至1。TE带低湿度RR<1、高湿度RR>1。

PM_2.5分析中，TE、TZE、TBC和EQ带在滞后0时高浓度（99%分位数或阈值15 μg/m³）RR>1，随后随时间下降；TNO带趋势相反，滞后0时RR<1。EQ带最高浓度达80 μg/m³，TNO带最低为19 μg/m³。

整体模型显示，低温（12.71°C）RR<1，高温（29.65°C）RR>1，均呈抛物线型滞后曲线；低湿度（34.70%）RR>1，高湿度（89.07%）RR<1；PM_2.5阈值15 μg/m³在滞后0时RR高于99分位数（40 μg/m³），滞后12个月时结构反转。

讨论

结果总结

本研究通过GAM和DLNM模型，系统评估了巴西全境环境压力因素与COVID-19发病率的关联，揭示了气候带特异性和时期差异化的暴露-响应模式。整体上，Temp呈正相关，而PM_2.5和RHumid无显著关联；但分区分析显示TE和TZE带PM_2.5正相关，RHumid和Temp的关联方向因带而异。滞后效应进一步证实极端环境值可升高风险，且响应曲线呈抛物线型。

结果讨论

巴西的COVID-19发病率趋势与其他数据源一致。相比欧洲和亚洲研究，本研究在时空尺度和分辨率上具有优势。温度关联方面，低于25.8°C时正相关（如TE、TBC带），高于时无关联或负相关（如TNO带），与部分文献一致但EQ带无显著关联，表明持续高温可能非风险因子，而高低温交替区域风险更显。湿度关联与Brasília研究部分矛盾，可能源于区域异质性。PM_2.5高浓度与野火相关，TE带正关联与Curitiba研究一致，但EQ和TBC带关联微弱，可能与污染源和暴露差异有关。

全球多城市研究支持低温升风险（如德国），高温在热带区升风险，本研究在TE、TZE、TBC带验证此模式，但TNO带负关联减弱。生理上，高低温均可能引发应激反应，削弱免疫功能，行为适应（如室内聚集）可能加剧感染，滞后效应融合了直接暴露、免疫应答和行为模式。

政策意义

研究发现支持制定温度敏感的公共卫生策略，如实时环境监测整合到疫情预警系统，区域化干预避免“一刀切”。城市政策应注重减少室内污染暴露（如促进自然通风、规范空调使用），资源匮乏地区需针对性措施以确保公平健康结局。

局限性与未来方向

PCR检测可及性波动导致发病率低估，社会经济不平等可能引入检测偏倚。PM_2.5数据存在AOD测量不确定性、地面验证不足和分辨率限制，但van Donkelaar数据集填补了监测空白。月聚合数据平滑了短期波动，但可能掩盖急性效应。未考虑年龄、性别因素，未来可纳入交互项分析（如月份与环境因子），深化机制探索。

结论

本研究全面分析了环境压力因素与COVID-19在巴西的关联，强调空气污染和气象要素通过区域异质性影响呼吸道健康。病毒变异、公卫措施和疫苗接种凸显环境与流行病学因子的复杂交互。成果支持持续环境监测、疫情准备中整合环境数据，以及基于气候实情的定制干预，为未来大流行应对提供科学基础。