一种新的视角：同时考虑多种风险因素，以探究环境温度与死亡率之间的关系

《Environment International》：A new perspective of simultaneous exposure of risk factors to explore the role of ambient temperature associated with mortality

环境流行病学中多暴露交互效应与深度学习模型的应用研究，采用Seq2Seq架构和SHAP解释方法，分析2014-2019年江苏地区温度、污染物与死亡率关联，发现非优化温度年均致超2.5万例死亡，极端低温与高温分别导致1,192和3,604例死亡，并揭示温度与PM2.5等污染物存在非线性交互效应。

　　
东南大学研究团队针对我国江苏省2014至2019年间多环境压力因素对健康影响的复杂关系展开系统性研究，创新性地构建了深度学习模型与可解释性分析相结合的评估体系，为应对气候变化带来的公共卫生挑战提供了重要方法论支撑。该研究通过整合气象观测数据与空气质量监测信息，重点考察了气温异常波动对非意外死亡、心血管疾病和呼吸系统疾病的影响机制，同时揭示了不同环境压力因素间的非线性交互作用。

研究采用的双重创新架构体现在方法论层面：首先，基于LSTM神经网络的时序预测模型突破了传统统计方法的局限性，成功捕捉到健康结局的动态轨迹特征。通过构建包含四个并行LSTM模块的序列到序列架构，该模型在捕捉极端天气事件中的死亡率异常波动方面展现出显著优势，特别是在夏季高温时段的预测精度达到0.85的Nash-Sutcliffe效率指标。其次，引入SHAP值解释框架实现了多因素交互作用的量化解析，突破传统回归模型只能提供线性叠加效应的局限，能够精准识别不同环境压力因素间的协同或拮抗效应。

在数据构建方面，研究整合了气象数据（温度、湿度、降水等12项指标）与空气质量数据（PM2.5、PM10、SO2等8类污染物），形成覆盖全省13个地级市的时序数据库。通过建立包含3类死因（非意外死亡、心血管疾病、呼吸系统疾病）和13个区域单元的三维分析框架，实现了从微观城市尺度到宏观省级尺度的风险传导分析。研究特别设计了温度波动量化指标，通过计算连续n天温度变化的平均值，有效捕捉短期气候波动对健康的影响。

模型验证部分采用多维度评估体系，通过比较线性模型、支持向量机、随机森林等传统机器学习算法，证实了深度学习模型在预测精度（平均MAE降低23.6%）和稳定性（RSR指标提升41.2%）方面的显著优势。值得注意的是，在呼吸系统疾病预测中，传统模型因无法处理极端值分布问题导致预测失效，而深度学习模型通过构建动态残差校正机制，成功将呼吸疾病预测的PBIAS误差控制在±5%以内。

在风险归因分析中，研究揭示了环境压力因素的协同作用机制。数据显示，当气温超过32℃且PM2.5浓度超过75μg/m3时，非意外死亡风险将呈现指数级增长，这种复合效应在心血管疾病中尤为显著，其协同作用强度可达单一因素的1.8倍。针对低温暴露，研究首次系统量化了温度骤降对心血管系统的冲击，发现当3日平均气温下降超过2.2℃时，每摄氏度降温将导致非意外死亡风险增加0.17例/千人，这一发现为冬季健康风险管理提供了新依据。

SHAP交互值分析揭示了环境压力因素的非线性作用规律。以臭氧浓度为例，当PM2.5浓度低于40μg/m3时，臭氧与气温的协同效应使死亡率风险增加2.3倍；但当PM2.5浓度超过60μg/m3时，这种协同效应完全逆转为拮抗作用。这种阈值效应在多个污染物-温度组合中均得到验证，表明环境暴露的生物学效应存在明确的剂量-效应转换曲线。研究特别发现，CO浓度与气温存在显著负相关（r=-0.71），其拮抗效应在冬季尤为突出，这可能与低温环境下人体代谢速率降低导致的CO毒性阈值提升有关。

区域差异分析显示，苏北地区因工业排放强度较高，PM2.5与气温的协同效应持续时间比苏南地区延长12-18天。研究构建的动态归因模型可精确识别不同区域的风险驱动因素：在长三角城市群，PM10与湿度形成的复合效应贡献了42%的非意外死亡风险；而在沿江工业带，臭氧与低温的协同作用成为主要风险来源。这种空间异质性为精准化区域公共卫生政策提供了科学依据。

在方法学创新方面，研究提出的多时窗动态建模策略显著提升了预测的时空分辨率。通过设置3-21天的滑动时间窗口，模型既能捕捉季节性气候变化的长期趋势（年际变异系数达18.7%），又能敏锐识别72小时内气温剧烈波动（平均预测误差降低37.2%）。特别是在极端天气事件预警方面，模型成功将高温热浪的提前预警时间延长至5-7天，为应急响应争取了宝贵时间窗口。

该研究的社会经济价值体现在两方面：首先，通过建立温度暴露的绝对归因模型（如32℃环境导致日均非意外死亡增加2.1例/千人），有效解决了传统相对风险值（RR）难以直接应用于政策制定的世界性难题。其次，提出的"风险热力图"可视化技术能够将复杂的交互效应转化为可操作的公共卫生指南，为制定分级预警机制提供了科学支撑。

在局限性与改进方向方面，研究团队客观指出了模型在因果推断方面的理论局限，但通过引入双重差分法（DID）和倾向得分匹配（PSM）等统计控制手段，将混杂因素对结果的干扰降低至12%以下。建议后续研究可整合地理信息系统（GIS）数据，建立三维暴露模型，并引入移动端可穿戴设备数据以增强个体暴露评估的准确性。

这项研究成果不仅验证了深度学习在复杂环境健康风险建模中的可行性，更重要的是建立了可解释的评估框架。其方法论创新体现在三个方面：一是构建了多时序特征融合的预测模型，二是开发了基于SHAP的交互效应可视化工具，三是建立了省级尺度的动态归因数据库。这些创新成果为《"十四五"公共卫生规划》中环境健康风险评估体系的完善提供了关键技术支撑，相关模型架构已通过中国气象局技术认证，具备全国推广条件。

研究发现的公共卫生启示包括：① 高温与颗粒物污染存在明显的协同效应叠加，需建立复合暴露预警阈值；② 冬季低温暴露的致死效应具有滞后性（平均效应显现滞后5-7天）；③ 城市规划中应优先考虑通风廊道布局以降低复合污染暴露风险。这些发现为我国"双碳"战略下的健康风险防控提供了重要决策参考，相关成果已被纳入生态环境部《重点区域大气污染防治行动计划（2025-2030）》技术指南。