气候变化对冬季死亡率的影响：一个未来不确定的复杂现象

气候变化对冬季死亡率的影响：一个复杂且未来不确定的现象 冬季温度趋势及其对死亡率影响建模的建议 EveTitonTinhinaneTalbiJeanneBessiere 尽管一些研究已经针对热浪的预测及其导致的死亡率展开，1关于低温相关的死亡风险，相关研究相对较少。事实上，全球气温的上升导致了夏季热浪事件的不断增加，对死亡率产生了相应影响，而自1990年以来，冬季死亡率总体呈下降趋势。 然而，低温对人体的影响是复杂的：由于人类会根据气候调整其热舒适度，因此无法确定未来温暖的冬天会导致冬季死亡人数减少。此外，气候预测中温度波动性的增加增添了另一层不确定性，使得这些季节性变化的影响更加难以预测。 在本研究中，详细阐述了冬季天气条件对人体影响的机制，以界定感兴趣气候变量及适宜的模型。随后，实施了两种模型并用法国死亡数据进行了说明——一个Lee-Carter模型和一个分布滞后非线性模型（DLNM），旨在将归因于冬季天气条件的死亡纳入动态模型中。 冷温度如何影响死亡率？ 气候变化对死亡率的影响不仅是重大的社会问题，也是医疗保健部门和人寿保险业面临的主要挑战。高温是关注的重点，但低温导致的死亡率远高于高温。事实上，长时间暴露于高温会导致死亡率峰值，主要影响老年人。然而，暴露于低温（通常伴有高湿度）会导致冬季病毒大流行，每年造成大量死亡。因此，在构建冬季死亡人数发展趋势模型时，了解所涉及的机制并确定最合适的模型类型是非常有必要的。 冷锋的定义和趋势 法国气象局将寒潮定义为“持续且广泛的低温天气。”其特征为至少连续三天，国家平均温度（根据国家热指标测量）至少有一次低于2°C，且连续两天未超过0.9°C。当国家热指标高于2.2°C时，此次寒潮宣告中断。法国气象局在1947至2022年间共记录了46次寒潮，并指出它们正变得“更少、更短、强度更低。”其中最漫长且最严重的四次寒潮——1956年2月、1963年1月、1985年1月和1987年1月——均发生在30多年前。据法国气象局称，气候变化将“减少法国大陆冬季异常寒冷天数。” 1.Boumezoued,A.,Elfassihi,A.,Germain,V.,&Titon,E.(2022年12月19日).模型化气候变化风险对死亡率的影响。Milliman.检索于2024年11月14日，来自https://www.milliman.com/en/insight/modeling-the-impact-of-climate-risks-on-mortality. DRIAS气候预测预计，到本世纪末，法国大陆的平均气温将上升。2RCP（代表性浓度路径）2.6情景下的温度变化范围为0.9°C至1.3°C，RPC8.5情景下的温度变化范围为2.6°C至5.3°C，以及“持续下降的极端低温事件。”此外，根据IHME的估计，3自1990年以来，在法国和其他地区，归因于低温的死亡率比例呈轻微下降趋势。这种死亡率下降可能可归因于全球温度的上升，但也可能源于更系统的疫苗接种活动和医疗进步。 超额冬季死亡人数 寒冷如何影响健康和死亡率 直接效应 暴露于寒冷对死亡率有立即的影响，尤其是在暴露于极端寒冷的情况下，例如冻疮。另一方面，失温可能在不太极端的温度下发生，例如在长时间暴露的情况下，并且与酒精等加剧因素相关。4体温低于28°C会危及生命功能，尤其是心血管系统。最后，由于雪和冰条件导致的创伤也是死亡的直接原因。 间接效应 寒冷暴露也与所有非意外原因的死亡率增加有关，特别是心血管疾病、呼吸系统疾病和感染。[36] 个体首先患病然后死亡。因此，将感冒视为死亡原因并不那么容易识别。此外，虽然有些疾病（如流感）是季节性的，但它们很少出现在死亡证明上作为死亡原因。相反，像细菌性重症感染或现有疾病（如心脏病）的恶化等原因是更常见的描述，尽管流感往往在这些致命结果中扮演着重要角色，尤其是在老年人等易感人群中。[7] 与寒冷相关的死亡趋势 自1990年以来，法国及其他地区的低温相关死亡比例呈轻微下降趋势。1990年，法国及其他地区每10万人中因低温造成的死亡人数分别为28.0人和19.7人，至2021年这一数字分别下降至24.2人和18.8人。5 文献普遍存在关于温度与死亡率的U形或V形关系([6],[25],[34])，从而可以识别出热学最优值。 在低于热最优温度每1度时，荷兰的死亡率上升0.22%[25]，瓦伦西亚上升1.6%[6]，伦敦上升4.2%[34]。与热效应即时发生不同，寒冷对死亡率的影响从第二天开始[10]，持续长达23天，并且没有收获效应[3]。一旦偏离热最优温度出现轻微偏差，就会感受到寒冷的后果，而热效应则发生在极端偏离时[10]。与极端寒冷事件相比，偏离热最优温度的轻微偏差对超额死亡率的影响更大。 热最优温度因地区而异，并可能随时间演变，受当地因素影响，如住宅的热效率和行为适应性。与1°C的温差下降相关的死亡率增加，在南部欧洲高于北部欧洲[16]，在美国南部城市高于北部城市[11]，在法国南部城市高于北部城市[26]。这种超额冬季死亡率[20]的悖论，与其说是南北温度差异的体现，不如说是住宅热效率和行为的适应性所致[22]。 2.DRIAS.气候的未来.检索自，2024年11月18日https://www.drias-climat.fr/3.健康指标与评估研究所.2021年全球疾病负担（GBD ）调查.2024年11月18日获取自 https://vizhub.healthdata.org/gbd-results/4.社会健康保险(2023年11月13日).体温过低，一种有时危险的降温方式。检索日期：202411月18日，来自 https://www.ameli.fr/val-d-oise/assure/sante/themes/froid-pathologies-sante/hypothermie.5.健康指标与评估研究所.2021年全球疾病负担（GBD）调查.2024年11月18日获取自 https://vizhub.healthdata.org/gbd-results/. 寒冷也比炎热导致更多的超额死亡率([10],[14])。在1998年至2012年期间，在16个欧洲国家中，寒冷的致死性比炎热高10倍[31]。寒冷对死亡率更大的贡献可以用寒冷活跃的天数来解释，这个天数远多于炎热。 这种区域和时间上的变异性使预测更加复杂。此外，虽然寒冷比炎热对超额死亡率的影响更大，但面对气候变化，未来的预测仍然不确定。 对未来寒潮趋势的展望 与寒冷相关的死亡人数可能随着平均气温的上升以及热浪变得更加频繁和强烈而下降[30]。到本世纪末，在RCP6情景下，归因于热浪的死亡人数将开始超过归因于寒冷的死亡人数的减少量；而在RCP8.5情景下，这一趋势将在21世纪下半叶出现，尤其是在地中海地区[31]。然而，人们正逐渐适应热浪，却实际上对寒冷产生了非适应性([1],[21])。这导致热适应阈值向右移动，或者换句话说，对寒冷的敏感性增加：如今看似“正常”的极端寒冷天气，在未来可能变得尤为致命。在这种配置下，寒冷天气对死亡率的影响难以确定，并且高度依赖于热适应阈值的定义。 此外，即使寒潮的频率和强度预计将下降，仅凭寒冷也无法解释传染病的季节性。其他社会和环境因素，如个人行为、光周期、紫外线和湿度，对冬季感染负责。 例如，寒冷温度与人口在封闭空间内浓度增加以及供暖使用增加有关。欧洲的流感流行与冬季室内停留时间有关[28]。另一方面，供暖导致持续的空气循环和低湿度，为环境中病毒颗粒的持续存在创造了理想条件。光照周期（即光照暴露的变化）也会削弱免疫系统。通过调节褪黑激素和维生素D水平，光照周期被认为会影响免疫力水平([24],[8],[13],[19],[40])。最后，冬季的特征是紫外线比其他季节更少，但它们具有病毒灭活作用[12]。 因此，似乎单纯由气候变化引起的气温升高并不能预示冬季传染病的消失：寒冷天气对死亡率的影响在未来一段时间内可能仍然显著。此外，目前不会导致死亡率峰值的极低温度，随着热最优点的变化，在未来可能会更加致命。因此，在模拟气候变化对死亡率的影响时，必须像处理热浪或空气污染一样考虑寒潮的影响。 校准气候Lee-Carter模型以模拟寒潮 经典Lee-Carter模型的适应性调整 在我们的研究中，我们首先实施一个能够捕捉气候因素导致的死亡率的模型。基于Milliman☎皮书[15]中使用的methodology，一个基于Lee-Carter框架[27]推导且经过适应性调整以分离出特定由气候风险导致的死亡率的模型被提出： lnμ=α+β표κ표+훿푐퐶푥,푡푥푥푥푡 Thepurposeoftheterm훽표κ표是要푡捕捉不考虑气候原因的全球死亡率。注意 푥푡 that풄与死亡率的气候原因相关，而풐与其他原因相关。随后，在本文中，我们将称该模型为气候Lee-Carter模型。 气候指数构建与适配 构建气候指数涉及三个关键数据来源：来自全球健康数据平台的寒冷相关死亡率数据、人类死亡数据库的全因死亡率数据，以及来自法国气象局的气候数据。气候数据以站点级别按月提供，首先被汇总至国家级别，然后取平均值以与年度死亡率数据对齐，重点关注两个关键时期：冬季（1月至3月）和秋季（10月至12月）。根据文献，最初选择了15个气候变量来构建该指数。为解释第N年的死亡率，使用了三个时间框架的所有气候变量：第N年的冬季变量、第N年的秋季变量，以及第N-1年的秋季变量。由于预测因子数量（每个时期15个变量，共45个预测因子）多于数据点数量（32个），最初应用了Lasso和Ridge惩罚回归技术来筛选变量。然而， 这些方法产生了不稳定的成果。为解决这一问题，首先将包含45个变量的集合通过剔除高度相关的变量减少至12个。接着，基于AIC标准的逐步变量选择算法被用于识别构建气候指数的最终预测变量集。 T：he(图fin1a)l是cli通ma过te两in个de气x候퐶变量之间的回归构建的。 푡 气候死亡率，并由下式给出： 𝐶�=�+𝑏𝑇𝑋� 其中훼,푏是线性回归参数，和()X=X1,푋2,表示气候变量的向量 푡 푡푡 ：年푡（即每月总日晒时数和绝对最低日温度的10月至12月平均数）。 正如我们所见，使用基于年度构建的气候指标（低温R）来理解低温导致的死亡率似乎很困难。2),配合质量差。 图1：法国的气候指数和亚最优温度死亡率（男女，45岁以上） CLIMATELEE-CARTERFIT TheR2原始死亡率与Lee-Carter模型之间的系数如图2所示。这两个模型在整体拟合度上相似，其中气候Lee-Carter模型在55岁以上的年龄组中表现出略好的拟合效果。具体而言，气候模型比Lee-Carter模型在51.52%的年龄组中表现更好（当允许R值在0.50%以内时，这一比例增加至89.40%）。2).但是，这里的主要目标是结合寒潮的影响，同时保持模型的性能，而不一定旨在提高R²。 图2：R2模型与经验死亡率之间的系数 ClimateLee-Carter Lee-Carter 45-55 89.99% 90.08% 55-65 91.34% 91.22% >65 76.40% 76.40% 所有年龄段 80.72% 80.71% 与气候李-卡特模型相关的建模挑战 气候Lee-Carter的目标是找到一个能够捕捉特定原因死亡率的气候指数。在我们看来，多个因素阻碍其校准，包括特定原因死亡数据的数量、质量和频率。 ◾数据限制：特定原因死亡率数据仅限于一个32点的时序数据，这使得将数据分为训练集、验证集和测试集。 ◾数据质量：年龄在45岁以下死亡率异常也削弱了数据深度并施加了限制。气候指数对高年龄段群体的校准。 ◾聚合问题：天气记录的聚合和年度化以与原因保持一致具体死亡年度数据频率可能导致信息损失（平滑局部寒冷的影响） snapsandh