环境和职业噪声暴露与 2 型糖尿病发病率的关系

学习科目

九个斯堪的纳维亚队列构成了该研究的抽样框架。 在斯德哥尔摩县招募了四个队列：[斯德哥尔摩糖尿病预防计划 (SDPP)、60 岁男性和女性 (60)、双胞胎登记处 (SALT) 和瑞典国王岛老龄化与护理国家研究 (SNAC-K)]，共有超过22 500名参与者。 马尔默饮食与癌症 (MDC) 研究招募了 28,098 名居住在马尔默市的男性和女性。 丹麦饮食癌症与健康 (DCH) 队列招募了来自大哥本哈根或奥胡斯地区的 57 053 名受试者。 瑞典乳房 X 光检查队列 (SMC) 招募了居住在乌普萨拉地区的 13 680 名女性。 丹麦护士队列 (DNC) 包括来自丹麦全国的 28,731 名女护士。 丹麦国家健康调查 (DNHS) 包括在丹麦各地随机抽取的 177,639 人。 总体而言，入学年龄集中在 16 岁至 99 岁之间，发生时间为 1992 年至 2013 年。 研究对象在招募时回答了有关生活方式因素、健康状况和社会经济特征的调查问卷。

暴露评估

交通噪声：交通噪声暴露是根据经过充分验证的模型进行评估的。 使用北欧预测方法或该方法的更新版本对道路交通和铁路噪声进行建模。 对于道路交通噪声，输入变量包括地理编码、地形和建筑物筛选以及年平均每日交通信息、轻/重交通分布、行驶速度和所有主要道路连接的道路类型。 铁路噪声针对所有铁路轨道周围 1000 m 缓冲区内的所有地址进行计算。 输入变量包括地理编码、按地形和建筑物筛选、每个时段（白天/晚上/夜间）的平均火车数量、火车类型和行驶速度。 此外，拥有有轨电车和/或地铁的城市也将这些纳入计算中。 使用从地方或国家当局获得的噪声图来估算飞机噪声。

每五年或十年进行一次详细的噪声评估，并根据线性插值或其他近似方法计算估计值之间年份的噪声水平。 对于每个参与者，计算随访期间每个交通噪声源的时间加权平均噪声暴露，考虑到受试者居住过的所有地址，并考虑每个地址的居住时间。 此外，还估计了多个交通噪声源的综合暴露程度。

空气污染：使用经过验证的高分辨率离散模型，对研究期间九个队列中的受试者的所有居住地址的空气污染水平进行了估计 (1)。 空气污染暴露以空气动力学直径最大为 2.5 µm 的颗粒物 (PM2.5) 为代表，它受到本地和远程运输的影响，以及二氧化氮 (NO2)，主要反映本地排放，例如来自道路交通。 使用与运输噪声类似的方法，通过评估对年份之间的空气污染水平进行插值，并计算各个时间加权暴露。

职业暴露：重点关注噪音和燃烧颗粒，基于研究对象的职业并结合工作暴露矩阵 (JEM) 的信息。 职业噪声暴露是根据瑞典开发的 JEM 估算的。 JEM 基于职业测量，并指定了五个暴露等级中每日 8 小时等效 A 加权声压级的年平均值。 噪声水平在时间段上是匹配的，因为不同时间职业内的噪声水平不同。 使用招募时的职业噪声暴露，如果有的话，在随访期间的某些时间窗口内进行暴露。 职业暴露于燃烧颗粒的处理方式与噪声相同，但基于经过修改的芬兰 JEM。

协变量：协变量的选择是基于现有文献、生物学合理性以及跨队列的可协调变量的可用性而先验完成的。 队列参与者在招募时填写了包含饮食和生活方式变量的调查问卷，包括吸烟状况、吸烟强度、饮酒量和闲暇时的体力活动。 个人教育水平和婚姻状况是从国家登记册或调查问卷中获得的，地区层面（社会经济同质的小地区，约有 1000-2000 名居民）的平均收入来自登记册。 绿地面积是根据卫星图像进行评估的，主要使用标准化差异植被指数。

结果评估

T2D 发病率：每个队列中收集的所有相关信息均用于确定基线时糖尿病的流行病例（这些病例将被排除在纵向分析之外）以及随访期间直至 2020 年的事件病例。 这包括与患者和处方药物登记册相关联，以及在基线和随访期间在问卷和生物标志物测量（主要是空腹血糖和糖化血红蛋白）中使用自我报告的糖尿病。 用于识别 T2D 病例的方法已成功用于我们项目中的队列。 在瑞典，患者登记册自 1987 年起就已全面覆盖，但自 2001 年起才包含全面的门诊患者数据，而处方药登记册则于 2005 年启动。 在丹麦，患者和处方药物登记册几乎在其队列的整个随访期间都进行了全面覆盖。 此外，瑞典和丹麦也有国家T2D登记，但在大部分随访期间并没有全面覆盖。 总体而言，缺乏一些用于识别 T2D 病例的登记来源，主要是针对随访早期阶段的瑞典队列。 然而，如果这与所研究的暴露无关，则不会影响研究结果的有效性。

人体测量：在大多数队列中，由训练有素的护士在招募时对身高、体重和腰围进行测量，而其余队列中的相应信息由自我报告。 在随访期间，对两个队列进行了重复测量，从而能够纵向评估人体测量特征。 在中介分析中，基于招募时的人体测量信息的超重/肥胖数据将与随访期间的 T2D 事件相结合。

临床生物标志物和测量：对于瑞典的五个队列，在招募研究对象时可以获得基于训练有素的护士测量的血压信息，以及临床生物标志物（包括血清葡萄糖和血脂）信息。 在 SNAC-K 队列中，从 2001 年到 2019 年，每 3-6 年进行一次糖化血红蛋白 (HbA1c) 水平测量。 对于 SDPP 参与者，在随访期间在三个不同的场合进行了口服葡萄糖耐量测试。 生物标志物信息能够在适当考虑治疗的情况下准确确定 T2D 和糖尿病前期，并且还将用于验证登记和基于问卷的信息，主要是为了确定诊断不足的程度。

人口归因风险：风险评估基于使用上述高分辨率建模技术对参与群体（奥尔胡斯、哥本哈根、丹麦、马尔默、斯德哥尔摩和乌普萨拉）的集水区人口暴露于交通噪声和职业噪声的估计。 这将与项目中获得的暴露反应函数相结合，以估计由交通和职业噪音引起的 T2D 病例数。 特别是对与交通噪声和空气污染之间的相互作用以及职业暴露相关的案例数量进行了评估。

项目组织

参与该项目的项目组由Göran Pershagen（卡罗林斯卡医学院（KI）环境医学研究所（IMM）教授，重点研究噪声和空气污染流行病学）、Sofia Carlsson（IMM副教授兼高级讲师）组成，重点研究 T2D 流行病学）、Petter Ljungman（IMM 副教授、Danderyd 医院心脏病科高级医师，重点研究空气污染流行病学）和 Mette Sörensen（丹麦癌症协会高级研究员、兼职教授） ，罗斯基勒大学自然科学与环境系，重点研究噪声流行病学）。 此外，哥德堡大学的声学家 Mikael Ögren 以及所有参赛队伍的代表也参与其中。 该项目将聘请一名博士后研究员。

数据分析与统计

主要使用逻辑回归和 Cox 回归技术以及样条评估来估计九个队列的汇总分析中的暴露-反应关系。 据估计，在随访期间，队列中将总共发现超过 15 000 例新发 T2D 病例。 普通的功效分析没有意义，因为其目标比仅仅检测暴露和未暴露之间的风险差异更为雄心勃勃，在合理的假设下，统计功效为 100%。 主要目标是以足够的精度估计交通噪声和 T2D 的暴露响应函数。 一项关于交通噪音和中风的研究，包括 11 000 例病例，基于我们大多数队列的汇总分析，显示在常见的交通噪音暴露范围内，风险估计的置信区间很窄，为 95%，这表明研究规模为充足的。 此外，还使用交互项和分层进行交互分析，例如交通噪声源之间和空气污染之间的交互分析。 所有分析都会产生特定性别的结果。 广泛收集有关 T2D 风险因素的信息有助于仔细控制混杂因素。 特别是，社会经济因素的混杂是根据个人和背景数据进行评估的，这可能会影响居住地的选择。

因果中介分析用于探索超重/肥胖在交通或职业噪声暴露与 T2D 发病率之间的关联中的潜在中介作用。 开发了两个模型：交通噪声暴露和超重/肥胖的逻辑回归模型，以及噪声暴露和 T2D 事件的 Cox 比例风险模型，以超重/肥胖为条件，协变量与前瞻性分析类似。 总效应（交通噪声对 T2D 事件的影响）、直接效应（独立于超重/肥胖的效应）、间接效应（噪声对肥胖/超重影响的效应）以及介导比例（超重/肥胖的比例）计算间接效应对总效应的影响。 对于与交通噪音和 T2D 之间关联的睡眠障碍也将进行类似的中介分析。