《Environment International》:An exposome approach to estimating causal effects of time-varying air pollution mixtures on CVD incidence
编辑推荐:
理解环境暴露的因果健康效应是暴露组学(exposomics)的核心目标。室外空气污染大多源于人为排放,在全球疾病负担中贡献显著,其中心血管疾病(CVD)占主要份额。研究人员利用英国生物银行(UK Biobank)队列,估计了时变PM2.5与NO2暴露对10年随
理解环境暴露的因果健康效应是暴露组学(exposomics)的核心目标。室外空气污染大多源于人为排放,在全球疾病负担中贡献显著,其中心血管疾病(CVD)占主要份额。研究人员利用英国生物银行(UK Biobank)队列,估计了时变PM2.5与NO2暴露对10年随访期间累积CVD风险的联合因果效应。年度暴露来源于欧洲范围的土地利用回归(LUR)模型,为该队列提供高分辨率、时间分辨的空气污染估计。研究人员采用修正治疗策略(modified treatment policies, MTP)估计了暴露比例下降的反事实健康影响,以及英国净零与排放控制政策下的预期协同效益。混杂变量通过结合先验知识的因果结构发现(CSD)算法筛选。因果效应采用序贯双稳健非参数估计器(sequential doubly robust, SDR)估计,该估计器处理删失、整合集成学习并提供不确定性量化。受CSD引导,主模型将评估中心所在区域作为潜在混杂因素纳入,这可控制空间混杂,但也可能通过压缩暴露对比度降低精度,或放大未测量混杂偏倚。因此研究人员进行了剔除区域变量的敏感性分析。估计2005–2019年PM2.5和NO2均降低25%,可使10年累积CVD发病率下降?0.62/100人(95%CI=(?0.70,?0.55);相对风险RR=0.90)。基于未来排放与净零政策下区域暴露下降预测,发病率下降达?1.05/100人(95%CI=(?1.12,?1.07);RR=0.85)。剔除区域调整后效应估计值大于两倍。该研究首次将数据驱动因果结构发现与非参数双稳健算法结合,量化纵向政策相关干预的因果效应,结果重申空气污染是CVD重要环境风险因素,并表明净零政策可带来显著(>15%)CVD风险下降。
研究背景方面,暴露组学研究旨在揭示并量化暴露与健康结局之间的因果关系,并将其转化为具有政策相关性的可行动证据。PM2.5(空气动力学直径小于2.5μm的颗粒物)与NO2(二氧化氮)暴露与心血管疾病(CVD)存在一致关联,而CVD是全球发病与死亡的最主要构成部分。传统空气污染物流行病学多依赖参数化、常假设线性的单污染物模型,此类模型不仅可能设定错误的函数形式,还把污染物孤立处理,忽视了人群实际暴露于混合物的事实,所得剂量-反应曲线也难以直接量化现实干预策略的健康收益,这些局限曾被用来质疑流行病学证据并延缓监管行动。为回答政策者可操作的因果问题,研究人员遵循因果路线图,明确目标估计量、考虑现实干预场景、尽可能满足因果可识别性假设,并采用能容纳复杂分布且不易误设的半/非参数方法。本研究即在此框架下,以英国生物银行(UK Biobank)为基础,评估长期住宅PM2.5与NO2持续下降对CVD累积发病率的因果效应。
关键技术方法方面,研究人员以UK Biobank中基线无CVD的464,115名参与者为队列,暴露为2005–2019年欧洲LUR模型给出的25m分辨率年度住宅PM2.5与NO2浓度(滞后1年),结局为10年随访内首发CVD或CVD相关死亡的复合事件。协变量调整集由评分型因果结构发现算法GRaSP结合生命历程时间先验经自助共识图学习后,按析取原因准则(disjunctive cause criterion)选出39个变量,主分析保留评估中心区域作为空间混杂代理。因果估计采用纵向修正治疗策略(LMTP)定义比例下降与净零协同情景,由序贯双稳健(SDR)估计器(R包lmtp)实现扩展g-公式的迭代条件期望, nuisance模型由离散Super Learner(GLM、GAM、MARS、NNET、RPART)交叉拟合给出,不确定性由高效影响函数(EIF)方差经Wald区间量化。
研究结果部分,3.1描述统计显示PM2.5与NO2跨年相关系数均值0.74,10年观察累积CVD发病率6.87%,年龄分层由2.9%升至13.3%。3.2协变量选择经GRaSP+先验得到含年龄、性别、区域、交通、绿地等39变量调整集。3.3主分析中,联合暴露降25%使10年累积CVD发病率自6.87%降至6.24%,绝对风险差(RD)?0.62%(95%CI ?0.70~?0.55,RR=0.90),避免2611起事件;净零协同情景RD?1.05%(95%CI ?1.12~?1.07,RR=0.85),避免4423起事件。3.4敏感性分析表明:单污染物干预因PM2.5与NO2强相关而难以分离,NO2单独降25%得RD?0.44%(RR=0.94),PM2.5单独RD?0.13%(RR=0.98)且不确定大;剔除评估中心区域后25%情景RD放大至?1.62%(RR=0.76)、净零至?2.94%(RR=0.57),印证区域同时具混杂控制与压缩暴露变异的双重角色;基于先验知识调整集得25%情景RD?0.84%、净零RD?1.35%;剔除交通变量估计不变(?0.62%),再加剔自然环境变量微变为?0.60%,同剔区域与空间变量则?1.40%。3.5 Super Learner交叉验证风险最小者为GLM、GAM或MARS之一。
讨论部分指出,区域调整使效应从?1.62%衰减到?0.62%(25%情景)既可为真实空间混杂控制,也可为暴露识别变异被移除,观测数据无法区分,故主分析优先保留区域作未测空间混杂代理而承认精度折损。单污染物反事实因 Positivity 受损不代表PM2.5独立效应近零。复合结局用同一ICD码涵盖事件与死亡,缓解信息删失与低估。年度住宅均值损失年内急峰信息且只是个人暴露代理。研究受序列可交换性与 Positivity 不可证伪限制,基线为主混杂下假设随访中新发混杂经历史暴露与区域捕获。
结论部分翻译:总之,研究人员表明PM2.5与NO2的合理下降可显著减少CVD发病,既往管制已带来可测收益,净零政策预期协同效益可进一步降本;通过把纵向MTP干预与序贯双稳健估计器及CSD引导调整相结合,研究提供了可解释且政策相关的效应估计,同时降低模型误设敏感;结果凸显在评估环境干预时有必要采纳先进因果推断方法,并为空气质量政策量化评估提供基础。论文发表于《Environment International》。