环境因素与眼病网络的模糊认知映射分析：空气污染物和气象条件对眼部疾病的影响机制研究

《Environment & Health》：Environmental Triggers and Ocular Disease Networks: Analyzing the Impact of Air Pollutants and Meteorological Factors Using Fuzzy Cognitive Maps

本研究创新性地运用模糊认知映射（FCM）模型，系统分析了武汉地区28,981例眼科住院患者（2019-2024年）与多种空气污染物（PM2.5、PM10、SO2、NO2、CO、O3）和气象参数（温度、湿度、气压等）的复杂关联。研究发现视神经病变（ON）对环境最敏感，与PM10呈正相关；甲状腺相关眼病（TAO）是疾病网络核心枢纽；温度与青光眼（G）、CO与白内障（C）风险存在显著正相关。该研究为环境眼科学的精准防控提供了量化证据。

　　

材料与方法

研究团队收集了武汉某三甲医院2019年1月至2024年6月期间28,981例眼科住院患者的临床数据，涵盖10类常见眼部疾病：玻璃体视网膜疾病（VRD）、甲状腺相关眼病（TAO）、白内障（C）、泪道疾病（LDD）、葡萄膜炎（U）、青光眼（G）、斜视（S）、眼表及附属器疾病（DOSA）、视神经病变（ON）和眼外伤（OT）。环境数据包括6种空气污染物（PM_2.5、PM₁₀、SO₂、NO₂、CO、O₃）和9项气象参数（温度、气压、湿度、风速、最低/最高温度、能见度、露点、降水）。通过差分进化算法构建了11个FCM模型（10个单病种模型+1个整体模型），首次实现了环境因素与眼病间多向交互作用的动态网络量化。

结果分析

环境敏感性排序：通过简单路径数量分析显示，青光眼（G）对环境因素最敏感（n=326），其次为视神经病变（ON）（n=249）和泪道疾病（LDD）（n=202）。而按路径权重绝对值排序，ON受影响最显著（平均权重=0.00589），青光眼（G）和斜视（S）分列二三位。

关键环境-疾病关联：

• •
  视神经病变（ON）与PM₁₀呈显著正相关，而与PM_2.5、SO₂、CO、NO₂和O₃呈负相关
• •
  白内障（C）风险与一氧化碳（CO）暴露和温度呈正相关，与降水和露点呈负相关
• •
  青光眼（G）发生与最低温度和露点显著相关
• •
  眼表及附属器疾病（DOSA）与降水量呈现强关联
• •
  泪道疾病（LDD）首次被发现与风速暴露存在新颖关联

疾病相互作用网络

研究发现甲状腺相关眼病（TAO）是疾病网络的核心枢纽，受到多种眼病的显著输入（ON→TAO：n=59；LDD→TAO：n=49；DOSA→TAO：n=57）。同时，视神经病变（ON）与眼外伤（OT）之间存在最强的双向关联（平均权重=0.93）。其他重要关联包括玻璃体视网膜疾病（VRD）与葡萄膜炎（U）之间的相互作用（权重=42），以及白内障（C）与青光眼（G）的临床通路联系（n=24）。

讨论与意义

本研究通过FCM模型揭示了环境因素与眼病间的复杂网络关系，为理解气候变化和空气污染对视觉健康的影响提供了新视角。视神经病变（ON）对PM₁₀的敏感性提示颗粒物大小在眼病机制中的特异性作用，而温度对青光眼（G）和白内障（C）的不同影响模式则反映了环境因素致病途径的多样性。

临床转化价值

研究发现的环境-疾病关联网络为制定区域性眼病预防策略提供了重要依据。例如，在PM₁₀污染严重地区应加强视神经病变的早期筛查，而在气候干燥地区需重点关注白内障防治。疾病相互作用网络的识别则支持临床实践中应采取多病种协同管理策略，特别是对甲状腺相关眼病（TAO）这一网络枢纽的早期干预。

创新与方法学优势

相比传统流行病学方法，FCM框架能够捕捉多变量间的非线性关系和反馈机制，更真实地模拟真实世界复杂系统。研究首次将滞后效应（构建一至三阶FCM模型）纳入环境-眼病关联分析，提高了模型预测的准确性。