死亡率和健康的季节性变化：环境与人口统计学视角

《Environment & Health》：Seasonality in Mortality and Health: Environmental and Demographic Perspectives

　　季节性健康结果受环境与人口因素动态影响，分析方法包括时间序列回归（傅里叶/样条/波分析）和归因分数评估，气候变化可能改变未来季节模式。

　　季节性是许多健康结果中一个显著的特征，尤其在死亡率方面，其表现出明显的季节波动，这种波动受到环境和人口因素的共同影响。尽管温度是这些变化的主要驱动因素之一，但其他因素如空气污染、传染病周期以及社会经济差异同样在塑造季节性健康风险方面发挥着重要作用。本文探讨了评估季节性的方法学途径，并重点介绍了用于总结季节性特征的关键指标，如峰值到低谷比（Peak-to-Trough Ratio, PTR）和归因分数（Attributable Fraction, AF）。我们进一步分析了环境与人口因素如何相互作用，驱动死亡率的季节性变化，并探讨了气候变化对未来季节性模式的潜在影响。最后，我们将讨论范围扩展到死亡率之外，研究其他健康结果的季节性变化。通过流行病学与人口学的跨学科研究来理解健康中的季节性，对于公共卫生的应对和准备至关重要。

在环境与人口因素的共同作用下，健康结果的季节性呈现出复杂的特征。例如，冬季时呼吸系统和心血管疾病的发病率显著上升，而极端的夏季高温则增加了与热相关的疾病风险，尤其是在老年人和医疗资源获取有限的人群中。这些波动不仅源于环境暴露，还受到人口特征和对保护资源的获取能力变化的影响。值得注意的是，健康结果的季节性并非固定不变，而是随着时间的推移而发生变化。例如，20世纪60年代的研究显示，在日本、英国和美国等国家，死亡率的峰值从夏季逐渐转移到冬季，并且季节波动的幅度在数十年间有所减小。而最近的一项韩国研究则指出，自杀率的季节性在2000年至2019年间有所减弱，这可能与针对性的预防措施和环境暴露的变化有关。这些观察表明，季节性变化的驱动因素是动态的，并可能随着社会和环境的演变而发生变化。

从环境流行病学的角度来看，多种环境风险因素可以影响健康结果的季节性变化。这些因素包括气候条件、空气污染物、花粉暴露等。温度是季节性健康变化的主要驱动因素之一。例如，近年来的研究表明，温度在很大程度上解释了死亡率的季节性波动。同时，极端的夏季高温还与生育率的下降以及不同背景下出生率的动态变化有关。考虑到全球气候变化的持续影响，气温的上升可能会改变某些健康结果的季节性波动模式。此外，人口因素，如年龄、性别、社会经济地位和地理位置，也会影响个体对季节性健康风险的易感性和脆弱性。例如，老年人和有基础健康问题的人群在冬季和夏季极端天气下面临更高的风险，而社会经济差异则限制了对保护资源的获取，如供暖、空调和及时的医疗服务。这些因素导致了不同人口群体中健康模式的季节性波动差异。

在这一研究领域中，我们重点关注死亡率，概述了评估其季节性的方法学途径，并讨论了环境和人口因素在塑造这些模式中的作用，同时提供了未来研究的建议。时间序列数据是研究健康结果季节性的常见方法，通常使用年份中的某一天、一周或一个月作为季节性模式的指标。为了评估季节性，时间序列回归模型会将这些指标纳入分析，同时调整其他时间因素，如长期趋势和节假日。评估季节性的方法多种多样，包括将月份作为分类变量、使用傅里叶函数和样条函数。Barnett和Dobson对这些方法进行了全面的概述。

简要而言，使用单个正弦-余弦对在回归模型中可以捕捉出一个正弦波形的季节性模式，这种模式呈现出平滑的重复波动，代表了简单的时间季节循环。傅里叶函数则利用多个正弦-余弦对来建模季节性模式，从而能够更灵活地捕捉复杂的结构，如具有多个峰值的季节性波动。然而，样条函数为建模不规则分布的数据提供了更灵活且高效的方式。除了这些参数方法，小波分析也是一种有用的工具，用于检测和表征季节性模式随时间的变化。通过将时间序列分解为时间和频率成分，小波分析可以揭示周期性信号的存在、频率和强度如何演变，并区分季节性模式与随机噪声。选择适当的方法应考虑数据的性质、季节性模式的复杂性以及整体模型的拟合程度，以确保对季节性的准确评估。

在报告健康结果的季节性时，研究人员通常会描述季节性波动的形状、峰值和低谷的时间以及死亡率估计值达到最大和最小的日期。此外，归因分数（AF）被用于量化死亡率的变化。AF表示在假设死亡率风险从不超出季节低谷的情况下，死亡率可能减少的比例，并衡量季节性曲线下的面积。而峰值到低谷比（PTR）则是最大死亡率估计值与最小死亡率估计值的比值。这些指标通常足以分析单一季节性模式。然而，当比较多种季节性趋势时，这些指标可能无法完全捕捉波动的形状和时间变化。因此，流行病学研究建议使用归因分数来报告季节性变化的影响。PTR和AF共同提供了互补的指标，用于总结死亡率季节性波动的程度。

尽管这些研究为理解温度在健康结果季节性中的作用提供了有价值的见解，但即使在考虑温度影响后，仍然存在显著的季节性波动。这种残留的季节性表明，除了温度之外，还有其他环境和行为因素影响健康结果的季节性变化，因此需要进一步研究其他可能的季节性风险因素。潜在的因素包括阳光暴露、降雨和湿度、空气污染、行为模式（如冬季室内聚集增加，影响传染病传播）以及季节性疾病动态（如流感爆发）。对这些因素及其各自贡献的深入理解对于理解疾病成因以及在环境变化下预测不同健康结果的季节性波动至关重要。研究人员可以应用时间序列回归模型，通过比较在调整这些潜在因素前后的季节性模式，来分析它们对整体季节性波动的贡献。然而，需要注意的是，在这些模型中同时调整多个因素时，必须谨慎处理，以避免引入偏差或错误归因。工具如有向无环图可以帮助识别和调整潜在的混杂和中介路径，从而确保更稳健和可解释的估计结果。

基于这些发现，研究人员假设由于气候变化导致的气温上升可能会在未来改变健康结果的季节性。最近的一项研究预测了在四种共享社会经济路径（Shared Socioeconomic Pathways, SSPs）情景下的死亡率季节性。这些情景代表了不同的气候变化情景。利用多个国家的数据，该研究显示，变暖的气候可能会改变死亡率模式，减少寒冷季节的死亡率，增加温暖季节的死亡率，尤其是在干旱、温带和大陆性气候区域。这种趋势从低排放情景到高排放情景逐渐增强，随着排放情景的升高，季节性波动的峰值从冬季向夏季转移，并且在最高排放情景下，到2100年结束时，季节性波动的幅度可能会显著增加。值得注意的是，即使在高排放情景下，冬季死亡率仍然预计会在干旱、温帶和大陆性气候区域中持续存在。该研究的一个关键假设是，所有其他季节性驱动因素在未来将保持不变。虽然这一假设可以隔离气温上升对死亡率季节性的影响，但预测结果不应被解读为对未来季节性的确定性预测。

人口因素在塑造死亡率季节性模式中也发挥着重要作用，导致不同人口亚群体中的波动差异。例如，在东京，死亡率的季节性模式在不同年龄组之间存在差异。老年人表现出W型的季节性曲线，其特点是冬季死亡率显著上升，随后夏季死亡率出现较小的上升。而年轻成年人则表现出V型的季节性曲线，其波动幅度大于老年人。这些年龄组的季节性差异与以往的研究结果一致，尽管年轻和老年群体之间的具体差异可能因地区而异。例如，一项在丹麦的研究发现，季节性死亡率的波动幅度随年龄增加而上升，其中老年男性比老年女性表现出更大的季节性波动。相反，一项在美国的研究则报告了在年轻和老年群体中死亡率波动最大。这些发现表明，人口因素在塑造死亡率季节性方面具有重要作用。值得注意的是，环境因素对死亡率及其他健康结果的影响在不同人口群体中并不相同，这进一步强调了环境、人口和季节性之间的复杂相互作用。

季节性不仅影响死亡率，还影响其他健康结果。例如，西班牙的运动伤害急诊访问呈现出M型的季节性模式。案例数量从冬季到春季逐渐上升，夏季略有下降，秋季再次上升，而冬季则下降。相比之下，所有原因死亡率则呈现出V型的季节性模式，冬季死亡率最高，夏季最低。出生季节性也呈现出不同的模式，但这种模式在不同国家之间有所变化。在美国，出生率的峰值出现在9月，最低值出现在4月或5月，而南方各州的出生季节性模式与印度和以色列的模式相似，尽管气候条件不同。相反，在欧洲，出生季节性以春季峰值、9月次高峰以及秋季和冬季的下降为特征，尽管一些欧洲国家的气候条件与美国某些州相似。心理健康结果也表现出季节性变化，如自杀、凶杀和抑郁的模式。一项多国研究显示，自杀率通常在春季达到峰值，冬季达到低谷，但这些季节性模式的形状和幅度因性别、年龄组和气候条件而异。在气候条件较为一致、老年人比例较高以及失业率较低的社区中，自杀的季节性波动幅度更大。这些差异表明，相同的健康结果可能在不同人群中表现出不同的季节性模式，强调了环境和人口因素的复杂作用。传染病的季节性甚至更为复杂，取决于病原体类型、地理位置、疫苗接种覆盖率和人口流动性等因素。

虽然用于评估死亡率季节性的方法可以应用于其他健康结果，但需要进行相应的调整。死亡率通常遵循规律的季节性模式，并且与环境风险因素如温度和空气污染以及人口因素有明确的联系。然而，某些健康状况，特别是传染病，表现出不规则的季节性模式。这些模式往往受到干预措施（如疫苗）和人口流动的影响，从而影响疾病传播的动力学。此外，这些健康结果与环境或人口因素之间的关系往往不明确。通过使用传染病的数学模型可以获得额外的见解，但模型的拟合度和稳健性应通过适当的诊断工具进行评估，包括残差分析和关键参数的敏感性分析。

对不同健康结果季节性的深入理解可以增强公共卫生系统的能力。通过改进分析方法，研究人员和政策制定者可以制定有针对性的策略，以预防和管理季节性疾病，提高在不断变化的环境中的医疗应对能力。此外，气候变化和人口结构的变化可能进一步影响季节性健康风险。因此，未来的研究应关注这些变化，以制定更有效的公共卫生策略和适应措施。