比利时空气污染相关死亡率局部评估方法的创新验证与敏感性分析

本研究针对传统疾病负担评估方法在空间异质性上的局限，创新性地提出基于人口普查区的局部评估法，通过对比利时PM2.5和NO2暴露相关死亡率的系统分析，验证了局部方法在保持精度的同时可实现更灵活的空间分析。结果显示两种方法差异小于2%，且CRF不确定性对结果影响最大，为精细化环境健康政策制定提供了方法学支持。

　　

空气污染对公共健康的威胁日益受到全球关注，但传统疾病负担评估方法存在明显的空间分辨率局限。在比利时这样人口密集、区域污染差异显著的西欧国家，采用全国统一的"全局方法"可能掩盖重要的局部健康风险差异。这种评估盲区使得政策制定者难以精准识别高风险区域，也阻碍了环境正义视角下的健康不平等研究。

比利时公共卫生研究所（Sciensano）和根特大学的研究团队在《BMC Public Health》发表的研究中，开创性地将统计区作为最小分析单元，通过对比19,414个人口普查区的空气污染暴露与死亡率数据，建立了可灵活聚合的局部评估模型。研究采用ATMO-Street高分辨率空气模型（10米精度）获取PM_2.5和NO₂浓度数据，结合ELAPSE项目最新浓度响应函数（RR_PM2.5=1.118/10μg·m^-3），通过蒙特卡洛模拟量化不确定性。结果显示局部方法聚合的全国死亡率估计（PM_2.5：12,276例；NO₂：7,944例）与全局方法差异不足2%，验证了方法的可靠性。

研究方法的关键创新在于三重验证体系：首先建立10米精度的暴露评估模型链（RIO-IFDM-OSPM），通过1,000次空间重采样构建浓度分布；其次采用Gamma分布模拟ELAPSE队列的CRF不确定性；最后通过敏感性分析对比五种计算场景（全局/局部方法、空间/人口加权浓度等）。这种多维度验证框架确保了从微观统计区到省级聚合的尺度转换精度。

研究结果部分通过四个维度揭示重要发现：

背景特征：比利时2019年死亡数据显示显著空间差异，24%统计区零死亡，而最高死亡密度区达139例/区。PM_2.5暴露呈现北高南低梯度（5-15μg·m^-3），NO₂则呈现点状高值（最高40μg·m^-3）。

方法比较：省级聚合显示PM_2.5死亡率最高省（西佛兰德107.4/10万）是最低省（卢森堡）的2倍，而NO₂死亡率在布鲁塞尔（135.2/10万）达到农村地区3倍。局部与全局方法差异最大仅3.6%（布鲁塞尔NO₂）。

不确定性分析：CRF不确定性贡献率达89%，远超暴露评估误差（4%）。未加权空间平均浓度会导致显著低估（NO₂低估18.7%）。

政策启示：局部方法可支持精准政策模拟，如识别高速公路沿线500米缓冲区等非行政区域的疾病负担，或按收入五分位分析环境健康不平等。

该研究的突破性在于首次系统验证了局部评估法在保持宏观精度的微观解析能力。通过开源方法框架，研究者实现了三大跨越：时空分辨率的革命性提升（从省级到10米级）、健康不平等的定量解析（结合IMD deprivation index）、政策评估的灵活适配（支持任意空间聚合）。这些进展为欧盟绿色新政下的精准环境治理提供了方法论基础，特别对解决比利时北部工业区与南部农业区的差异化治理需求具有现实意义。未来研究可结合移动暴露监测验证模型精度，或扩展至PM_2.5组分分析等更精细的健康影响评估。