衍生性污染物健康風險評估之基本調查

Table of contents

• 疾病發生率調查方法
  • 篩選各鄉鎮市區民眾就醫看診紀錄
    • 圖1 鄉鎮市區民眾就醫看診紀錄與就醫承保紀錄篩選流程圖
    • 表1 5種主要疾病對應之ICD-9/10編碼
  • 計算地區人口數
  • 串接承保檔資料與門診資訊
  • 計算地區疾病粗發生率及標準化發生率
• 疾病發生率與PM_2.5年均值之相關性分析
  • 所有疾病結果
    • 表2 南部鄉鎮區之疾病發生率與PM_2.5年均值之相關性分析
  • 慢性阻塞性肺疾病罹病斜率
    • 圖2 南部地區各鄉鎮區COPD發生率與PM_2.5回歸分析之斜率
• 疾病發生率與O₃年均值之相關性分析
  • 所有疾病結果
    • 表3 南部鄉鎮區之疾病發生率與O₃年均值之相關性分析
  • 糖尿病罹病斜率
    • 圖3 南部地區各鄉鎮區糖尿病發生率與O₃回歸分析之斜率

---

本章建立衍生性空氣品質項目(衍生性PM_2.5、O₃等)之光化模式，應用在大範圍之健康風險計算，建立以疾病發生率(而不是死亡率)為指標的健康風險模型。本評估工作不考慮軌跡、箱型模式等其他選項，檢討現行應用中與發展中的模式，選擇合適的模式進行評估；其次依據目前可取得最完整的原始資料以建立模式所需要的排放、氣象、邊界、初始以及地理檔案。

本評估工作探討興達電廠鄰近區域，其與空氣污染物暴露相關之慢性疾病發生率在時間與空間上之變異與分佈，以評估電廠污染物減量所對應之疾病負擔。方法及步驟依序為：

1. 解析興達發電廠週遭鄉鎮市區，其主要慢性疾病發生率之空間分佈。
2. 以單一年份為時間解析度，探討興達發電廠週遭鄉鎮市區，其主要慢性疾病發生率之時間趨勢。
3. 利用次級健康資料庫(secondary health database)，透過合適流行病學調查方法設計，如生態研究法(ecological study)或世代追蹤法(cohort study)，並結合空氣污染模式推估結果，評估衍生性空氣污染物暴露與主要慢性疾病發生率之相關性研究。

根據美國健康影響研究所(Health Effects Institute, HEI)公布2020年全球空氣品質報告(State of Global Air Report)，與PM_2.5長期暴露有較高相關性的5種疾病為缺血性心臟病、中風、下呼吸道感染、慢性阻塞性肺疾病及第二型糖尿病，本評估工作分析上述5種疾病近幾年發生率之時間與空間分佈結果後，再以基底為臺南市、高雄市及屏東縣各行政區之模擬年平均PM_2.5濃度，建立臺灣地區本土化之疾病發生機率風險係數，評估單位污染物濃度增減，衍生疾病發生率之變化。

疾病發生率調查方法

篩選各鄉鎮市區民眾就醫看診紀錄

由全民健康保險研究資料庫的200萬人抽樣檔中之「全民健保處方及治療明細檔_門急診」檔案，來篩選研究疾病2005到2017年在臺南市、高雄市及屏東縣的看診紀錄，並計算得病人數。研究疾病為缺血性心臟病、中風、下呼吸道感染、慢性阻塞性肺疾病及第二型糖尿病等5種，篩選流程如圖1。

圖1 鄉鎮市區民眾就醫看診紀錄與就醫承保紀錄篩選流程圖

• 首先排除看診者為20歲以下的看診資料，根據每一筆看診紀錄的疾病分類代碼(ICD9、ICD10)來找出當年度研究疾病的看診紀錄，各疾病分類代碼如表1所示。
• 由於一年中同一人可能會因同一疾病看診多次，在此依照ID欄位去除同一人重複看診的資料後，同一個人只會留下一筆資料，即為當年度研究疾病的看診人數。
• 再依據資料庫中地區欄位篩選出研究區域之看診紀錄。
• 完成以上篩選流程後依照年齡分為五個區間，20歲至29歲為第1組、30歲至39歲為第2組、40歲至49歲為第3組、50歲至59歲為第4組、60歲以上為第5組，
• 依照前述年齡分組以及性別計算當年度各種疾病在研究區域各個組別的看診人數。

表1 5種主要疾病對應之ICD-9/10編碼

計算地區人口數

由全民健康保險研究資料庫的200萬人抽樣檔中之「全民健保處方及治療明細檔_門急診」檔案，來篩選研究疾病2005~2017年在臺南市、高雄市及屏東縣的看診紀錄，並計算得病人數。研究疾病為缺血性心臟病、中風、下呼吸道感染、慢性阻塞性肺疾病及第二型糖尿病等5種，篩選流程如圖1(b)。

串接承保檔資料與門診資訊

取得上述兩個步驟的資料集後，便可依據臺南市、高雄市及屏東縣各個鄉鎮市區、5個年齡分組以及男女性別後，串接各分組之罹病人數及總人口數，最後形成一個以地區、年齡與性別分組的資料表。此資訊也會使用於後續分析目標區與對照區疾病之發生差異，以及了解空氣污染暴露與疾病相關性分析。

計算地區疾病粗發生率及標準化發生率

疾病粗發生率(crude incidence)之計算方法為一地區各組得病人數總和除以該地區各組人口數，而針對年齡及性別校正之標準化發生率(standardized incidence)之計算方法，為利用該組得病人數除以該組人口數，再乘上全國該組人口數除以全國總人口數之總和，兩者公式如下：

\[\begin{align*} & 粗發生率 = \sum_{i=1}^{5} {\frac {N_i} {P_i}} \\ & 標準化發生率 = \sum_{i=1}^{5} {\frac {N_i} {P_i}} \times {\frac {Pop_i} {Pop_{total}}} \\ \\ & N_i︰單一分組的病人數 \\ & P_i︰單一分組人口數 \\ & Pop_i︰全國單一分組人口數 \\ & Pop_{total}︰全國總人口數 \end{align*}\]

最後分析出3縣市各鄉鎮市區的5種疾病標準化疾病發生率之時間與空間分佈，作為後續以疾病發生率為指標的健康風險模型輸入參數之用。

疾病發生率與PM_2.5年均值之相關性分析

所有疾病結果

此處分析南部鄉鎮區疾病發生率與對應年度PM_2.5年均值之相關性，共分析臺南市、高雄市及屏東縣等3縣市108個鄉鎮區，年度含蓋2007~2017年共11年，PM_2.5濃度乃讀自CAM-chem (Community Atmosphere Model) 模式模擬結果，並以環保署在縣市測站之年平均值進行校正，作為相關性分析之依據。結果如表2所示。

表2 南部鄉鎮區之疾病發生率與PM_2.5年均值之相關性分析

由表中可以發現，並非所有疾病的發生率與PM_2.5年均值都有顯著的正相關，以鄉鎮區平均而言，中風及糖尿病為負相關，呈現正相關的行政區數，只占3縣市的24.07%~29.63%，即約僅有1/4鄉鎮區是有正相關的關係。大多數地區因社經條件的改善，因生活、工作壓力、飲食習慣的變遷，反而造成疾病發生率提高，而此趨勢伴隨空品逐年改善，發生2組數據有負相關，卻無因果關係可言。

前3項疾病之地區平均斜率絕對值為正值，每種疾病有其嚴重程度及發生率之特性，以下呼吸道感染(LRTI)最高，慢性阻塞性肺疾病(COPD)次之、缺血性心臟病(IHD)最低。大致上地區有近半數以上鄉鎮區的斜率是大於0的，其中以COPD占比最高，達63.89%，值得重視。

將各行政區的疾病發生率以11年之平均值予以常態化，探討各年度的變動與PM_2.5年均值的關係，其斜率正負分布情形與前述發生率之斜率有很大的出入，地區平均值僅有COPD維持正值，其餘疾病則皆為負值，顯示各行政區間的疾病發生率絕對值有很大的差異，且絕對值斜率正值很大，因此造成地區平均為正值，而常態化後則又變負值。

慢性阻塞性肺疾病罹病斜率

由上述討論可以得知，5項疾病中以CODP與PM_2.5的正相關較為顯著，同時討論常態化發生率似有較合理的趨勢，以下就CODP二者發生率對PM_2.5之斜率空間分布結果進一步討論。

就發生率的絕對值而言，圖5.6.2-1(a)顯示較大值均發生在山地，由北到南自高雄市的桃源區沿著山脈延伸至屏東縣春日鄉、牡丹鄉與恆春鎮，最大斜率發生在屏東縣牡丹鄉達17.6 %/yr/(10 μg/m³)。南部地區全體的平均值也有0.61 %/yr/(10 μg/m³)。依據臺灣胸腔暨重症加護醫學會的衛教知識，COPD與長期吸煙、二手煙有最大的關係，近年來政府在山地鄉的衛教工作顯有成就，逐步改善了該地區COPD的發生。搭配背景PM_2.5濃度的降低，因而顯示出正向的相關性。

就常態化後之發生率而言，圖5.6.2-1(b)中斜率大多在±5%/(10 μg/m³)之間，最大值389%/(10 μg/m³)發生在高雄市桃源區，可能係背景PM_2.5濃度差異不大導致較為敏感。其他地區斜率並不高，因而區域平均值約在0.03 (1/μg/m³)左右。正值較大地區以內陸、偏鄉居多，屏東縣有較多行政區是正值。

圖中也顯示負值較大之行政區周邊似搭配有正值較大之行政區，如屏東縣南端的滿州鄉負值大，然周邊的牡丹與車城鄉則顯示較大的正值，臺南市東南邊界的南化區有較大的負值，而周邊的左鎮區及龍崎區則有較大的正值，似與偏鄉醫療資源不足與跨區就醫情形有關。即使取鄰近行政區的平均，這2區似仍能維持正值。

圖2 南部地區各鄉鎮區COPD發生率與PM_2.5回歸分析之斜率

疾病發生率與O₃年均值之相關性分析

所有疾病結果

此處分析南部鄉鎮區疾病發生率與對應年度O₃年均值之相關性，共分析臺南市、高雄市及屏東縣等3縣市108個鄉鎮區，年度含蓋2007~2017年共11年，O₃濃度乃讀自CAM-chem (Community Atmosphere Model) 模式模擬結果，作為相關性分析之依據。結果如表3所示。

表3 南部鄉鎮區之疾病發生率與O₃年均值之相關性分析

由表中可以發現，大多數疾病的發生率與O₃年均值大略呈現出負相關。以年度平均值進行常態化後，呈現正相關的行政區數，占3縣市108個鄉鎮區的34%~58%，表示應有少數負相關太過強烈致平均值為負，顯示部分地區疾病發生率與O₃年均值相反，這些負相關的現象實不宜以空氣品質趨勢來解釋。

5項疾病中以糖尿病的正相關最為顯著，斜率及相關係數皆很可觀，後續將據以進一步探討電廠的可能影響。

將各行政區的疾病發生率以11年平均值予以常態化，探討各年度的變動與O₃年均值的關係，其斜率正負分布情形與前述發生率之斜率差異不大，地區平均值亦僅有糖尿病維持正值，其餘疾病則皆為負值。

糖尿病罹病斜率

由上述討論可以得知，5項疾病中以糖尿病與O₃的正相關較為顯著，同時常態化發生率也有相同的趨勢。依據國家公共衛生數據，臺灣地區糖尿病發生率正快速增加之中，且多數患者(3~4成)並沒有病識感。

第2型糖尿病發病機制中空氣污染物的參與過程，目前還處於假說階段。大致上當吸入氧化性的空氣污染物時，身體會產生一連串發炎反應，生成活性氧化物(reactive oxygen species, ROS)，導致肝臟糖質新生(gluconeogenesis)增加升高血糖、白色脂肪組織(white adipose tissue)發炎、棕色脂肪組織(brown adipose tissue)的粒線體失能、肌肉利用糖分的效率下降、而造成胰臟過度勞累之典型第2型糖尿病，同時血管收縮發炎、血栓形成，最後造成也可能造成心臟病。(Rajagopalan, S. and Brook, R.D., 2012)

以下就糖尿病發生率對O₃斜率之分析結果空間分布(圖3)進一步討論。

圖3 南部地區各鄉鎮區糖尿病發生率與O₃回歸分析之斜率

就發生率的絕對值而言，圖3(a)顯示南部地區普遍都有正值，最大值則發生在山地屏東縣之霧臺鄉，其值達3%/yr/ppb。其次為高雄市燕巢區其值約2.5%/yr/ppb。最普遍情況落在0.07%/yr/ppb ~ 0.5%/yr/ppb之間，以致平均值為0.19%/yr/ppb。

就常態化後之發生率而言，圖3(b)中斜率大多在±5%/ppb之間，最大值24.7%/ppb也是發生在屏東縣之霧臺鄉。然其他高值與前述絕對值有較大的差異，次高與第三高分別為臺南市龍崎區與屏東縣新埤鄉，這是因為考慮偏鄉罹病後有可能到都會區就診，經該鄉鎮區本身所有年度平均值常態化後，年度間相對變動的比例隨之放大。

黎友苓 (2021) 追蹤台北市居民世代與環保署監測值的關係，結果顯示O₃每增加一個IQR (3.028 ppb)其糖尿病前期的罹病勝算比為1.270 (95%CI 1.080, 1.494，p=0.004)。換算每ppb將增加罹病9%/ppb，比此處南高屏地區之常態化發生率之斜率平均值2.9%/ppb還高，然尚屬同一數量級。

---