《Frontiers in Public Health》:Resident-side health information for identifying community noise risks in digital public health governance
编辑推荐:
摘要:引言:数字公共卫生治理需要识别居民进入医疗服务环境后产生的数据之外的社区层面健康风险。在本研究中,居民侧健康信息指居民报告的居住噪声感知、睡眠障碍和健康行为,这些信息可补充医疗服务数据。噪声污染是日常生活中经常感知到的环境问题,而中国基于来源的噪声治理框
摘要:引言:数字公共卫生治理需要识别居民进入医疗服务环境后产生的数据之外的社区层面健康风险。在本研究中,居民侧健康信息指居民报告的居住噪声感知、睡眠障碍和健康行为,这些信息可补充医疗服务数据。噪声污染是日常生活中经常感知到的环境问题,而中国基于来源的噪声治理框架需要居民侧证据,以说明不同噪声源是否对应不同的睡眠相关风险。方法:本研究使用中国城市居民的横断面问卷数据,保留451份有效回复。噪声暴露通过主观噪声烦恼和自报居住噪声环境代理指标进行测量。睡眠障碍和健康行为也通过自报项目测量。分析包括描述性统计、信效度检验、相关分析、回归模型、中介分析和来源特异性噪声烦恼的探索性比较。结果:主观噪声烦恼(β=0.427, p<0.001)、自报居住噪声环境代理指标(β=0.466, p<0.001)和总体噪声暴露(β=0.668, p<0.001)与睡眠障碍呈正相关。睡眠障碍与健康行为呈负相关(β=-0.443, p<0.001)。从噪声暴露到健康行为通过睡眠障碍的间接统计路径显著(效应=-0.296, Bootstrap 95% CI [-0.375, -0.222])。来源特异性比较显示,施工与装修噪声、交通噪声和社会生活噪声的关联更稳定,而工业噪声在本样本中未显示稳定关联。讨论:在这个横断面的自报样本中,社区噪声暴露通过睡眠障碍与健康行为相关联,作为统计路径而非因果证据。研究结果为识别社区噪声风险提供了探索性的居民侧证据,并表明来源特异性治理应考虑不同噪声源如何进入居民的休息与恢复环境。
以下为论文解读文章(约1500字):
**研究背景与问题:**
在数字公共卫生治理中,医疗服务、疾病诊断和就医数据是识别公共健康风险的重要基础,但这些数据通常仅记录居民进入医疗机构后的健康状况,导致一些潜在风险在被捕捉时已发展为临床可见的健康问题。仅依赖结果导向的医疗数据,可能遗漏尚未进入医疗系统但已影响日常生活的社区层面风险。非医疗服务数据,包括环境投诉、居住体验和日常行为,能够捕捉临床诊断上游的健康干扰和风险因素。噪声污染是一个典型例子:2025年中国生态环境部管理的全国生态环境信访投诉平台中,噪声投诉占全部环境投诉的54.0%,位列第一,表明噪声已成为居民日常生活中频繁感知并主动报告的环境问题。这提示需要考察社区噪声是否与睡眠障碍、日常节律变化及健康行为相关。现有研究已分别探讨噪声暴露与睡眠障碍、睡眠障碍与健康行为,但较少将三者纳入同一实证框架。此外,社区噪声并非单一来源:交通、施工与装修、工业和社会生活噪声以不同时间、情境进入居民日常生活,且在感知可控性上存在差异。中国噪声污染防治法和生态环境法典均采用基于来源的治理框架,针对工业、施工、交通和社会生活噪声进行管理。若仅以总体噪声暴露衡量风险,可能掩盖噪声源与睡眠相关干扰的差异。因此,本研究旨在回答两个问题:Q1,噪声暴露是否通过睡眠障碍与健康行为相关联?Q2,不同噪声源与睡眠障碍的关联是否存在差异?研究为社区噪声风险识别、来源特异性治理以及居民侧数据在数字公共卫生治理中的应用提供实证依据。
**研究方法与样本:**
研究采用横断面问卷设计,通过在线调查平台收集中国城市居民数据,经答题时间和注意力检验筛选后保留451份有效问卷(有效回收率91.4%)。主要关键技术方法包括:使用自报主观噪声烦恼和居住噪声环境代理指标测量噪声暴露;采用改编自匹兹堡睡眠质量指数(PSQI)的睡眠障碍量表;参考国际体力活动问卷(IPAQ)测量健康行为(体力活动);通过描述性统计、信效度检验(Cronbach's α、KMO和Bartlett球形检验)、Pearson相关分析、多元回归分析和中介效应分析(Bootstrap法)检验假设;并针对交通、施工与装修、工业和社会生活四类噪声源进行来源特异性烦恼与睡眠障碍的探索性比较(包括简单相关、多元独立关联和系数差异检验)。
**研究结果:**
(4.1 描述性统计)样本覆盖不同年龄、职业和城市类型,核心变量(噪声暴露、睡眠障碍、健康行为)均具有足够的组内变异,支持后续分析。
(4.2 信效度分析)整体问卷Cronbach's α为0.922,噪声暴露、睡眠障碍、健康行为各维度α值均高于0.7;KMO值为0.966,Bartlett检验显著,表明数据适合因子分析。
(4.3 相关分析)噪声暴露与睡眠障碍正相关(r=0.786, p<0.001),与健康行为负相关(r=-0.576, p<0.001);睡眠障碍与健康行为负相关(r=-0.671, p<0.001)。
(4.4 假设检验)
(4.4.1 噪声暴露与睡眠障碍)控制人口学变量后,主观噪声烦恼(β=0.427, p<0.001)和自报居住噪声环境代理指标(β=0.466, p<0.001)均与睡眠障碍正相关,支持H1a和H1b;总体噪声暴露与睡眠障碍正相关(β=0.668, p<0.001),支持H1。
(4.4.2 睡眠障碍与健康行为)睡眠障碍与健康行为负相关(β=-0.443, p<0.001),支持H2。
(4.4.3 睡眠障碍的中介作用)Bootstrap中介分析显示,噪声暴露对健康行为的总效应显著(效应=-0.379, p<0.001),直接效应不显著(效应=-0.083, p=0.135),通过睡眠障碍的间接效应显著(效应=-0.296, 95% CI [-0.375, -0.222]),支持H3,表明睡眠障碍是噪声暴露与健康行为之间的统计中介路径。
(4.5 来源特异性噪声烦恼的探索性异质性)
(4.5.1 四类噪声源的多元独立关联)在同时纳入四类噪声烦恼的模型中,施工与装修噪声(β=0.326, p<0.001)、交通噪声(β=0.321, p<0.001)和社会生活噪声(β=0.393, p<0.001)均与睡眠障碍显著正相关,而工业噪声不显著(β=0.035, p=0.240)。
(4.5.2 系数差异检验)工业噪声与其余三类噪声的系数差异均显著(p<0.001),而施工与装修、交通和社会生活噪声之间差异不显著,说明非工业噪声源与睡眠障碍的关联强度无显著差异。
**讨论与结论:**
讨论部分指出,核心发现是噪声暴露通过睡眠障碍与健康行为形成统计路径,将噪声-睡眠与睡眠-健康行为证据链联系起来,表明噪声暴露对健康行为的影响可能通过睡眠恢复损伤介导。来源特异性分析显示,施工与装修、交通和社会生活噪声与睡眠障碍关联更稳定,而工业噪声未显示稳定关联,这主要受样本暴露情境影响;不应据此否定工业噪声的健康风险,在工业邻近社区或职业暴露群体中结果可能不同。实践意义包括:噪声治理应关注居民休息与恢复条件,而非仅以投诉为指标;来源特异性治理需考虑不同噪声源进入生活情境的方式;健康行为干预应考虑居住环境压力和睡眠恢复状况。研究局限性包括:横断面设计无法验证因果时序;噪声暴露基于主观报告而非客观声级监测;睡眠障碍和健康行为测量工具经改编,可能引入偏差;工业噪声样本变异性有限;样本为城市居民,外推需谨慎。未来研究方向包括纵向设计、结合客观监测、以及跨功能区的比较研究。
**研究结论翻译:**
基于451名城市居民的问卷数据,本研究考察了居住噪声暴露、睡眠障碍和健康行为之间的关系。结果显示,主观噪声烦恼和自报居住噪声环境代理指标与睡眠障碍呈正相关,且睡眠障碍构成了噪声暴露与健康行为得分之间的统计中介路径。探索性的来源特异性分析显示,睡眠障碍与施工与装修、交通和社会生活噪声之间的关联更为稳定,而工业噪声在当前样本中未显示稳定关联。这些横断面自报发现应被解释为风险识别的居民侧统计证据,而非暴露效应的因果证据。实践上,研究结果表明社区噪声治理应关注居民的休息与恢复条件,且来源特异性治理应考虑不同噪声源如何进入居住空间和休息时段。