特定时期颗粒物暴露对慢性阻塞性肺疾病（COPD）表型的影响：肺功能迅速下降

《Atmospheric Environment》：Impacts of period-specific particulate matter exposure on COPD phenotypes: Rapid lung function decline

本研究通过回顾性队列分析，结合改进的指数加权移动平均法与机器学习模型，探讨PM2.5和PM10不同时间段暴露对COPD患者FEV1快速下降的影响。结果表明基线及晚期随访中的PM暴露与FEV1下降显著相关（p<0.01），基线暴露和年龄为关键预测因子，提示动态环境暴露在疾病进展中起重要作用。

　　

Po-Hao Feng|I-Jung Liu|Rachel Chien|Kang-Yun Lee|Kuan-Yuan Chen|Wen-Te Liu|Ying-Ying Chen|Yen-Ling Chen|Kun-Ta Lee|Shu-Chuan Ho|Arnab Majumdar|Jiunn-Horng Kang|Wun-Hao Cheng|Sheng-Ming Wu|Cheng-Yu Tsai

台北医学大学双和医院内科肺科，新北市，23561，台湾

摘要

肺功能迅速下降是慢性阻塞性肺疾病（COPD）的关键表型，与疾病进展和不良预后相关。然而，污染物暴露的时间特异性动态及其对这一表型的影响仍不清楚。在这项回顾性队列研究中，我们调查了特定时期的颗粒物（PM）暴露与COPD患者肺功能迅速下降之间的关系。收集了临床和个体因素以及环境中的PM暴露情况，并根据1秒用力呼气容积（FEV₁）的变化轨迹将参与者分为快速下降组和非快速下降组。采用改进的指数加权移动平均法（EWMA）来估算基线期、早期随访期和晚期随访期的PM_2.5和PM₁₀暴露水平。通过Shapley加性解释方法评估了变量重要性，回归和机器学习模型分析了特定时期的影响。快速下降组的基线肺功能显著较高，但每年的FEV₁下降幅度大于非快速下降组（p < 0.01）。调整混杂因素后，PM暴露与FEV₁下降有关（PM_2.5：-280.62至-267.38 mL/年；PM₁₀：-305.15至-246.89 mL/年，p < 0.01），并且FEV₁迅速下降的比值比增加（PM_2.5：1.76–1.95；PM₁₀：1.62–1.96，p < 0.05），尤其是在强调基线和晚期随访期的模型中更为明显。基线PM_2.5和PM₁₀暴露以及年龄被确定为最具影响力的预测因子。这些发现表明，特定时期的PM暴露可能对COPD患者肺功能迅速下降的发展有重要影响。考虑环境、时间和个体层面的因素可能有助于改善疾病管理。

引言

慢性阻塞性肺疾病（COPD）是一种全球性的健康负担，其特征是持续的气流受限且无法完全逆转（Pauwels和Rabe，2004年）。全球约有6500万人被诊断为中度至重度COPD，其中美国约有1200万成年人（Prasad，2023年）。COPD是导致发病率和死亡率的主要原因，肺功能的进行性恶化与心血管疾病和肺癌等并发症的发病率增加有关（Silvestre等人，2018年；Wise，2006年）。COPD包括几种临床表型，如肺气肿、肺功能迅速下降、嗜酸性粒细胞炎症以及频繁的急性加重（Han等人，2010年；Tworek和Antczak，2017年）。其中，肺功能迅速下降，特别是1秒用力呼气容积（FEV₁的下降，被认为是疾病进展和死亡的独立预测因子（Choi等人，2023年）。因此，识别导致这一表型的风险因素，特别是与生活方式和环境暴露相关的因素，对于优化COPD管理至关重要。

环境暴露，尤其是空气污染，被认为是导致肺功能恶化的因素，并与呼吸系统发病率和死亡率增加有关（Li等人，2024年；Wang等人，2025年）。直径≤2.5 μm的颗粒物（PM_2.5和PM₁₀）等污染物可引起慢性气道炎症，可能增强气道反应性（Kayalar等人，2024年；Liu等人，2022年）。英国的一项回顾性研究显示，室外空气污染物暴露，特别是PM₁₀暴露与肺功能受损有强烈关联（Wood等人，2010年）。同样，Edginton等人（2019年）指出，急性或长期（≥1年）的PM₁₀或PM_2.5暴露与FEV₁下降有关。此外，多项研究强调了在个体暴露评估中考虑空气污染物空间和时间变异性的重要性，突出了考虑动态暴露模式的必要性（Dias和Tchepel，2018年；Kwan等人，2014年）。然而，空气污染物暴露的时间动态对肺功能迅速下降的具体影响仍需进一步探讨。因此，从环境角度研究不同暴露时间框架的影响对于管理疾病进展至关重要。

指数加权移动平均（EWMA）方法在环境研究中广泛用于评估污染物暴露的时间加权效应。先前的研究表明，EWMA适用于预测短期和长期内的PM_2.5变化趋势（Liu和Li，2015年；Ni等人，2017年），为评估特定时期暴露对肺功能迅速下降的影响提供了可能性。另一方面，机器学习（ML）方法因其处理复杂多维数据集的能力而被越来越多地用于预测COPD的进展和死亡率（Mohamed等人，2022年；Moll等人，2020年）。例如，支持向量机（SVM）模型利用包括人口统计数据、生物标志物和生命体征在内的多种临床信息来识别COPD的急性加重（Wang等人，2020年）。同样，一项纵向研究应用了监督随机森林（RF）算法，结合临床和肺功能测量特征来预测FEV₁的变化（Boueiz等人，2022年）。在这些发现的基础上，结合EWMA和ML模型与多维数据可能有助于评估不同时间框架内的污染物暴露与肺功能迅速下降之间的关系。此外，基于ML的特征重要性分析可以帮助识别关键预测因子，为了解个体层面和环境因素的相对重要性提供宝贵见解。

在这项研究中，我们评估了不同时期空气污染暴露对COPD患者肺功能迅速下降的影响。我们采用了结合了改进EWMA方法的ML模型，以纳入临床特征和特定时期的暴露数据。收集了所有参与者的基线人口统计信息、肺功能参数、吸烟状况和Charlson合并症指数（CCI）。根据FEV₁的下降速率，将参与者分为快速下降组和非快速下降组。使用多种时间加权模型评估了PM_2.5和PM₁₀暴露水平与FEV₁下降之间的关联，并进行了比较分析以确定两组之间的差异，还进行了特征重要性分析以识别与肺功能迅速下降相关的关键预测因子。这些发现可能有助于了解暴露时间框架和临床因素在识别COPD患者肺功能迅速下降表型中的相对重要性。

研究伦理和研究人群

该研究方案已获得台北医学大学联合机构审查委员会的批准（批准编号N202403075）。这项回顾性队列研究在台湾北部的台北医学大学附属医院（新北市双和医院）进行。研究时间为2016年8月至2023年9月。纳入标准如下：（1）根据标准（GOLD）指南临床诊断为COPD；（2）至少有三

两组之间的基线特征和肺功能

共有251名参与者被分为快速下降组（n = 56）和非快速下降组（n = 195）。基线人口统计数据和肺功能指标总结在表1中。两组在平均年龄、BMI、CCI或吸烟状况方面没有显著差异。性别分布存在显著差异，两组中男性占多数（快速下降组：53/3；非快速下降组：162/33，p = 0.03）。在基线时，

讨论

为了进一步探讨空气污染物时间特异性动态对肺功能迅速下降的COPD患者的影响，我们研究了不同时间框架内PM的影响。具体来说，通过结合EWMA和回归及ML模型，我们评估了特定时期污染物暴露对临床特征和FEV₁下降的影响。

结论

本研究结合了ML和EWMA方法，研究了PM_2.5和PM₁₀暴露对COPD患者肺功能迅速下降的特定时期影响。调整混杂因素后，PM暴露与FEV₁下降有关（-305.15至-246.89 mL/年，p < 0.01），并且FEV₁迅速下降的风险增加（比值比1.62–1.96，p < 0.05），尤其是在强调基线和晚期随访期的模型中更为明显。基线PM_2.5和PM₁₀暴露

CRediT作者贡献声明

Po-Hao Feng：监督、方法论、概念设计。I-Jung Liu：撰写——初稿、可视化、数据管理。Rachel Chien：可视化、方法论、研究。Kang-Yun Lee：项目管理、方法论。Kuan-Yuan Chen：资源获取、资金筹集。Wen-Te Liu：软件、资金筹集、概念设计。Ying-Ying Chen：软件、资源管理、项目管理。Yen-Ling Chen：撰写——审稿与编辑。Kun-Ta Lee：项目管理、方法论，

资金声明

本研究由台湾国家科学技术委员会（NSTC，编号：112-2634-F002-003和113-2222-E?038-003）和台北医学大学（资助编号：113FRP-16）资助。

利益冲突声明

作者声明他们没有已知的财务利益或个人关系可能影响本文所述的工作。

致谢

作者感谢所有参与者对这项研究的贡献。