《Environmental Research》：Association of Occupational Noise Exposure with Hypertension and the Mediating Role of Metabolic Dysregulation: A Combined Cross-Sectional and Longitudinal Study
编辑推荐：
•职业噪声暴露水平在70–<90 dB(A)时与较高的高血压风险相关。•γ-谷氨酰转肽酶（GGT）、血糖和低密度脂蛋白胆固醇（LDL）是噪声相关收缩压升高的潜在中介因素。•五年随访显示代谢指标和收缩压差异随时间推移呈延迟出现趋势。•心血管风险可能在低于听力保护标准的85 dB
- •
职业噪声暴露水平在70–<90 dB(A)时与较高的高血压风险相关。
- •
γ-谷氨酰转肽酶（GGT）、血糖和低密度脂蛋白胆固醇（LDL）是噪声相关收缩压升高的潜在中介因素。
- •
五年随访显示代谢指标和收缩压差异随时间推移呈延迟出现趋势。
- •
心血管风险可能在低于听力保护标准的85 dB(A)限值以下即可发生。
引言
职业噪声暴露是全球最常见的职业危害之一，影响着多个行业的大量劳动力。据报道，中国约有3260万名劳动者暴露于职业噪声中（Li et al., 2022）。除其对听觉系统的直接影响外（Chen & Su, 2025），越来越多的研究关注职业噪声暴露对非听觉系统的潜在危害，如心理应激（Patil et al., 2023）、睡眠障碍（Yazdanirad et al., 2023）和心血管疾病（Krittanawong et al., 2023; Maculewicz et al., 2023）。
大量流行病学研究探讨了职业噪声暴露与高血压之间的关系。一项涉及超过70万名中国劳动者的大规模横断面研究发现，职业噪声暴露与高血压呈正相关，暴露劳动者风险升高50%（OR = 1.50）（Zhou et al., 2024）。在一项17年的前瞻性队列研究中，Lin等（Lin et al., 2020）报告称，当劳动者暴露于超过80 dB(A)的噪声水平时，每增加5 dB(A)的噪声与高血压风险的显著升高相关（HR = 1.16, 95%CI: 1.04-1.29）。然而，Stokholm等（Stokholm et al., 2013）在一项大型丹麦队列中报告称，在80-90 dB(A)的较低暴露范围内未观察到明确的暴露-反应关系。Shen等（Shen & Zhu, 2021）甚至报告称，在噪声暴露劳动者中，随着工龄和工作年限的增加，患高血压的概率反而降低。综合来看，目前关于职业噪声暴露与高血压之间关联的证据仍不一致。
这种不一致性和对潜在机制的有限了解可能部分源于现有研究的方法学局限。现有研究主要依赖传统统计模型（如标准线性回归或logistic回归），这些模型在高维数据集中系统筛选和识别大量相关预测变量和混杂因素方面的能力有限。此外，这些研究往往未能全面建模连接噪声暴露与血压失调的中间生物学通路。具体而言，除了其直接效应外，职业噪声暴露还可能通过代谢失调影响血压。实验和流行病学研究已证明，慢性噪声暴露可激活下丘脑-垂体-肾上腺（HPA）轴和交感神经系统，导致皮质醇和儿茶酚胺水平升高，进而损害葡萄糖和脂质代谢（Ishizu et al., 2021; Zhang et al., 2021）。然而，潜在的生物学级联反应，尤其是氧化应激介导的代谢损害作用，仍知之甚少。
以往研究报告了噪声暴露与胰岛素抵抗、高血糖、血脂异常和脂质谱改变之间的显著关联，包括甘油三酯（TG）、总胆固醇（TC）、高密度脂蛋白胆固醇（HDL）和低密度脂蛋白胆固醇（LDL）的增加（Kunti? et al., 2024; Wu et al., 2024）。这些代谢异常是高血压的公认风险因子，可能作为连接噪声暴露与血压升高的中间生物学通路。
然而，尽管越来越多的证据支持环境和职业噪声的代谢效应，但仅有少数研究系统检验了脂质和葡萄糖代谢指标是否中介了职业噪声暴露与高血压之间的关联。阐明这些通路对于理解潜在机制和确定潜在干预靶点至关重要。
为克服这些局限，需要采用更为全面的分析策略来阐明职业噪声暴露与高血压之间的关联。机器学习（ML）算法，如基于Lasso的变量选择和梯度提升模型，是人工智能的一个重要分支，已成为传统统计方法的一种潜在替代方案。凭借处理高维多变量数据的强大能力，这些方法可高效处理大量潜在预测变量（Beam & Kohane, 2018）。因此，我们开展了一项横断面研究，利用Lasso-logistic回归和机器学习模型，系统识别江苏省70,759名中国劳动者中与高血压相关的主要危险因素，并通过中介分析探讨了潜在的中介通路。随后，我们分析了一项五年回顾性队列，以评估代谢标志物和血压的纵向变化模式是否与横断面研究结果一致。通过整合这些分析方法，本研究旨在为职业噪声与高血压之间的关联提供更全面的理解，并为制定针对性预防策略提供更坚实的证据基础。
摘要片段
横断面研究人群
本研究纳入江苏省职业病危害申报系统中注册有职业噪声危害监测记录的18,097家企业中的劳动者，涵盖制造业和非制造业行业。参与者根据以下纳入和排除标准进行筛选。
纳入标准：(1) 年龄18至70岁；(2) 工龄≥1年；(3) 具备完整的职业健康检查记录。
参与者基本信息
共有70,759名劳动者符合研究纳入标准（男性58,402人，女性12,357人）。高血压患病率为28.19%（男性29.80%，女性20.55%）。与无高血压参与者相比，高血压患者年龄显著更大（中位数45岁 vs. 37岁，p < 0.001），且BMI更高（25.39 vs. 24.00 kg/m2，p < 0.001）。在企业相关特征和职业特征方面，组间差异具有统计学意义，包括
讨论
在本项大样本职业人群中，我们结合传统回归模型、机器学习方法、中介分析和纵向验证，全面考察了职业噪声暴露与高血压之间的关系。我们的结果表明，即使在低于传统监管限值的水平下，噪声暴露也与血压升高独立相关。更重要的是，横断面和纵向研究结果的整合
结论
我们的研究结果揭示了职业噪声暴露与高血压之间呈非线性关联。与未暴露者相比，70-< 85 dB(A)和85-< 90 dB(A)组的患高血压几率显著升高，而≥ 90 dB(A)组的关联无统计学意义。职业噪声暴露与血压之间的关联部分通过涉及GGT、血糖和低密度脂蛋白胆固醇的通路进行中介。在纵向队列中，GGT
CRediT作者贡献声明
王博深： 撰写 – 审阅与编辑，监督，方法论，概念构思。戴晓蓉： 撰写 – 原稿撰写，可视化，方法论，形式分析，概念构思。付明贤： 调查研究，数据管理。孙鹏： 概念构思，形式分析，方法论，可视化，撰写 – 原稿撰写。韩磊： 撰写 – 审阅与编辑。谢立壮： 数据管理。赵媛： 撰写 – 审阅与编辑。缪龙： 验证，资源提供。朱宝利： 撰写 – 审阅与
未引用参考文献
中华人民共和国卫生部, 2007a; 中华人民共和国卫生部, 2007b; 中华人民共和国卫生部, 2012; Shen和Zhu, 2021。
伦理声明
已获取所有参与者或其法定代表的书面知情同意，同意参与本研究及发表相关论文。已尊重参与者的隐私权。
本研究严格遵守研究实施地的相关法律法规、监管框架和指导原则。本研究已获江苏省疾病预防控制中心伦理委员会批准。（批准号：JSJK2025-B033-01）
伦理批准与参与同意
本研究已获江苏省疾病预防控制中心伦理委员会批准（批准号：JSJK2025-B033-01）。本研究遵循《赫尔辛基宣言》原则，确保保护参与者的隐私权。所有参与本研究的个体参与者均已获得其书面知情同意。
数据可用性
由于需要保护参与者隐私和严格保密协议，当前研究中生成和分析的数据集未公开。然而，经机构伦理委员会批准后，脱敏数据可应合理请求从通讯作者处获取。
关于生成式人工智能及AI辅助技术在撰写过程中的声明
作者声明，在撰写本手稿过程中未使用任何生成式人工智能（AI）或AI辅助技术。
资金支持
本研究受江苏省自然科学基金（BK20230742）、创伤与化学中毒国家重点实验室（SKLO202509）、国家重点实验室数字医学工程与类器官芯片商业化平台联合开放研究基金（DIGIMED20260209）以及江苏省职业卫生研究计划技术项目（JSZJ20241101）资助。
利益冲突声明
? 作者声明不存在可能影响本文所报告工作的已知竞争性经济利益或个人关系。
致谢
感谢所有参与者及合作企业对本研究的贡献和支持。
Xiaoru Dai|Peng Sun|Mingxian Fu|Lei Han|Lizhuang Xie|Yuan Zhao|Long Miao|Baoli Zhu|Boshen Wang
