综述：推进健康研究中的长期室外空气污染暴露评估：一项跨国研究倡议的经验教训

《Current Environmental Health Reports》：Advancing Long-Term Outdoor Air Pollution Exposure Assessment for Health Studies: Lessons from a Multinational Research Initiative

　　

摘要
综述目的：健康影响研究所（Health Effects Institute, HEI）近期完成了一项大型研究倡议，旨在探索改进北美和欧洲健康研究中长期室外空气污染暴露评估的新方法。本综述综合了其主要结果、优势和局限性，以及其他关键研究和未来研究需求。
近期发现：来自各种模型（包括考虑日常移动模式和室外-室内渗透率的模型）的预测暴露估计通常呈中等到高度相关（相关系数>0.7）。与替代暴露相关的健康效应估计相似，尽管在关联的幅度（而非方向）上存在一些显著差异。
总结：该研究倡议可为流行病学研究中估计空气污染暴露的决策提供参考，与此同时研究人员需要权衡偏倚、效率和资源需求等问题。未来需要在其他研究和地区中重复验证这些发现。其他未来工作领域包括：生成具有代表性的长期暴露估计验证数据、将暴露测量误差更全面地传播到健康效应估计中，以及提高对室内环境影响的理解。

主体部分总结

**Introduction**
空气污染被广泛认为是全球最重要的环境公共健康风险因素。大量科学共识表明，暴露于空气污染会显著增加心血管疾病、呼吸系统疾病、糖尿病和肺癌的死亡率与发病率，并缩短预期寿命。然而，流行病学研究中的长期环境空气污染暴露评估仍具挑战性。早期队列研究通常采用城市内一个或少数几个中心站点的平均浓度来表征暴露，而固定监测网络的空间覆盖有限，尤其缺乏郊区与农村站点，难以捕捉城市内部的小尺度污染变化。新型传感技术、移动监测、卫星数据、混合模型及机器学习方法正被用于更精细空间尺度的暴露估计，但对超细颗粒物（UFPs）、黑碳（BC）和二氧化氮（NO₂）等在时空中变化剧烈的污染物，仍存在重要局限。2019年，健康影响研究所（HEI）发起了一项研究倡议，资助五项研究以开发可扩展的新型暴露评估方法、评估暴露测量误差并确定不同方法对健康效应估计的影响。

**Methods**
本文基于HEI改进暴露评估研究审查小组的独立评审，对HEI倡议下五项研究的成果进行概述与综合，并结合其他关键研究证据，讨论其优势、局限性及未来研究方向。

**Summary of the Studies’ Approaches and key Results**
HEI于2024至2025年发布了最终报告。涵盖的污染物包括UFPs、BC、NO₂以及作为参考污染物的细颗粒物（PM_2.5）。审查重点关注UFPs和BC，因为它们是该倡议中最受关注且世界卫生组织（WHO）认为具有健康关注度的“新兴”污染物。

**Canadian Study Incorporating Mobile Monitoring Data**
Weichenthal等人在加拿大多伦多和蒙特利尔开展了覆盖全年、多时段（早7点至晚11点）及四季的移动监测，采集UFP数浓度、UFP粒径和BC数据。基于这些数据分别构建了土地利用回归模型、卷积神经网络模型及两者组合模型，并应用于150万加拿大成年人队列。组合模型解释了49%–73%的空间变异。单污染物模型中，UFP和BC长期暴露与死亡率正相关；调整UFP粒径后，UFP关联增强，而BC关联减弱或消失。不同暴露评估方法（包括是否进行反推）所得关联方向一致，但幅度有时差异较大。

**United States Study Incorporating Mobile Monitoring Data**
Sheppard等人在美国西雅图评估了移动监测设计特征对暴露模型性能的影响。他们利用2019–2020年移动路旁监测数据，比较了通用克里金模型与多种机器学习算法。全数据参考模型的交叉验证R²为0.65–0.77。研究发现，每个地点至少12次访问可优化性能并控制成本；采样应覆盖所有工作日、大部分时段（包括清晨和深夜）及至少两个季节。参考模型估计的UFP暴露与基线认知功能呈负相关，但减少采样设计会改变效应幅度（最高达60%）。进一步调整种族和社会经济地位后，该负相关消失。

**European Study Accounting for People’s Mobility**
de Hoogh等人在瑞士和荷兰利用基于代理的模型模拟参与者日常活动模式，结合全国小时浓度图，估计了考虑出行活动的暴露。13种活动特征用于模拟，并用GPS追踪数据评估模型。在三个队列中，流动性增强暴露与仅住宅暴露高度相关（Pearson r>0.95），且暴露对比度略低。健康效应分析显示，基于两种暴露估计的关联相似，提示忽略住宅外停留时间可能不会引入较大偏倚。研究还发现，NO₂而非PM_2.5与非意外死亡率及心血管死亡率正相关。

**European Study Comparing a Suite of Exposure Models**
Hoek等人在荷兰比较了基于低成本传感器、移动监测、固定站点监测及不同建模方法（土地利用回归、随机森林、LASSO等）的多种暴露模型。各模型对BC、NO₂和UFP的预测间相关性一般为中等到高度（r>0.7），但PM_2.5模型间相关性较低（r<0.4）。新验证站点数据表明大多数模型对UFP和NO₂空间方差的解释能力有限，且存在正偏倚。将模型应用于三个大型队列后，不同暴露评估方法产生的健康效应估计方向一致，但幅度有差异；模型外部验证性能和预测暴露对比度可部分解释这种异质性。

**European Study Incorporating Personal Exposure Data**
Katsouyanni等人在伦敦利用四项既往个人暴露研究数据，通过动态质量平衡模型估算室外源PM_2.5、NO₂、O₃和BC的长期个人暴露，并与基于环境监测站点、时空暴露评估方法（STEAM）和伦敦混合暴露模型（LHEM）的替代估计进行比较。研究发现，室外源污染占个人总暴露的41%–85%，基于环境浓度的估计远高于个人暴露测量估计，且两者相关性低。模拟研究表明，使用替代暴露估计会导致健康效应估计向零值偏倚；在UK Biobank伦敦队列中，校正测量误差后效应估计增加2–4倍，但仍多不显著。

**Discussion**
该倡议的优势在于同时资助多项研究并促进协同合作。两项研究开展了长达一年的移动监测，覆盖多种时段与四季；多种暴露模型被严格评估并应用于多样化的北美和欧洲队列。共同局限包括验证数据持续时间短、样本量有限，以及健康结局数据与近期采集的空气污染暴露建模数据之间的时间错位。

**Challenges With Mobile Monitoring**
移动监测难以区分时空变异，且新研究缺乏固定站点数据来进行时间调整。路测值通常高于住宅外浓度20%–30%。研究需要处理极端值并避免自污染，例如计算中位数、缩尾及对数变换。

**Limitations in the Validation Data**
验证数据的短期性和非同步采样限制了其效用。Hoek和Katsouyanni的研究面临类似问题，某些污染物由于周间空间相关性低而无法解释。需要更多投资以建立长期暴露研究的验证数据集。

**Long-term Temporal Stability of UFP Spatial Contrasts**
由于缺乏历史UFP时间序列，预测历史暴露对比很困难。Weichenthal研究采用反推程序部分缓解了数据缺失，但缺少评估数据可能引入不确定性。其他研究则假设污染表面恒定，而实际上过去几十年空气质量显著改善。UFP模型的时间可转移性中等，需要更多验证。

**Impact of the COVID-19 Pandemic**
疫情导致多项研究推迟或缩减范围。de Hoogh研究的追踪活动被迫延后，样本代表性受限；Hoek研究的新数据收集减少；Weichenthal的移动监测在疫情期间进行，推广需谨慎；Katsouyanni研究忽略了疫情期间可能的异常暴露模式。疫情封锁期间空气污染暂时下降，但随后恢复。

**Use of Real-world Data Versus Simulations**
真实世界数据能反映复杂性，但模拟研究可设定已知“真实”效应并系统测试单一特征。Katsouyanni研究结合两者被视为优势，但Sheppard和Katsouyanni研究中真实数据分析中的零结果限制了评估。

**Lessons Learned and Remaining Areas for Future Research**
未来研究应重点关注低收入和中等收入国家。需要更多关于UFP和BC长期健康效应的研究，因为证据仍有限，且缺乏监测。新颁布的欧盟环境空气质量指令将改善UFP监测的协调性和可用性。

**UFPs and BC: Emerging Evidence for Health Effects and Regulations**
目前尚无针对UFP和BC的具体空气质量标准，WHO仅提供了良好实践建议。UFP定义（10 nm至无上限的粒子数浓度）已正式确立，但仪器尺寸切割点差异大。现有HEI研究增加了有限的证据，但仍需更多长期研究来评估UFP的独立健康效应及不同来源的影响。

**Focus on People’s Mobility**
虽然交通微环境污染物浓度较高，但忽略离家时间可能不会导致流行病学研究中的实质性偏倚。de Hoogh研究支持这一结论，但其评价受便利样本和估计工作地点限制。未来需要研究其他污染物、地点和人群，以评估收集大规模活动信息的价值。

**Accounting for Exposure Measurement Error in Health Analyses**
只有两项HEI研究将测量误差校正纳入健康分析。Sheppard采用复杂的非参数bootstrap，Katsouyanni采用模拟外推和回归校准。这些方法依赖强假设且难以获得“金标准”。校正测量误差通常导致效应估计增大和置信区间变宽，但不免除精细暴露设计的重要性。

**Low-cost Sensors**
低成本传感器在HEI倡议中作用有限，主要与混合模型结合测试其附加值。当模型中已有来自多个来源的大量空间信息时，传感器数据的附加值降低，且校准和维护所需人力成本高。

**Harnessing Machine Learning for Environmental Epidemiology**
在HEI倡议中，机器学习方法与传统土地利用回归的性能差异不大，两者可互换使用。时空模型可能比空间模型从机器学习中获益更多。人工智能工具在暴露评估中的应用尚在起步，但提供了加速研究和生成假设的机会。

**Conclusion**
HEI倡议为流行病学研究中的空气污染暴露估计决策提供了宝贵经验。各种模型预测的暴露估计通常中度至高度相关，健康效应估计方向一致但幅度有差异。忽略离家时间可能不会导致大偏倚。校正测量误差会增加效应幅度和置信区间，但关键在于精细的暴露设计。机器学习与传统方法性能相当，低成本传感器附加值有限。未来需生成代表性验证数据、更全面地传播测量误差，并提高对室内环境影响的理解。