基于智能体模型的环境多因素暴露评估计算框架开发及应用

为解决大规模队列研究中个体活动模式数据稀疏导致的暴露评估难题，研究人员开发了基于Python的开源智能体计算框架，通过蒙特卡洛模拟整合空气污染(PM2.5、NO2)与噪声暴露时空变异数据，在荷兰乌特勒支省62万地址验证显示：与传统居住地评估法相比，活动轨迹法使人群暴露差异缩小（NO2 r2=0.98），为环境流行病学研究提供创新方法学工具。

　　

这项研究构建了革命性的计算框架，像给每个居民配备"数字分身"（agent-based model）那样追踪其日常活动轨迹。针对大规模流行病学队列数据稀疏的特点，创新性地将时间划分为"工作日/周末"等典型移动模式单元，通过蒙特卡洛（Monte Carlo）模拟技术处理出行统计、社会经济等多源数据的不确定性。

研究团队用这个"环境暴露显微镜"扫描了荷兰乌特勒支省62万多个住址，发现考虑通勤等动态活动后，人群PM_2.5和NO₂暴露差异比传统"宅家式评估"缩小了15%-20%（r²达0.79-0.98）。这套开箱即用的Python工具包就像环境健康研究的"瑞士军刀"，已在瑞士全国尺度和荷兰EPIC-NL队列成功应用，揭示居住地评估法会低估城市通勤族的真实污染暴露水平。

特别有趣的是框架设计的"活动拼图"算法：把人的移动分解为"家-工作地路线""购物停留"等模块，每个模块都配备专属的地理空间映射规则。这种设计使得系统能像乐高积木般灵活组合，未来可扩展至紫外线、绿地接触等多元环境暴露评估，为破解"环境病"致病机制提供精准导航。