代谢综合征（metabolic syndrome，MetS）是以腹部肥胖、空腹血糖升高、甘油三酯水平升高、高密度脂蛋白胆固醇水平降低以及高血压聚集发病为主要表现，严重影响机体健康的临床症候群 [1]。MetS患者死亡风险是非MetS者的两倍，心肌梗死或中风风险更是非MetS者的三倍以上[2]。MetS是全球范围内导致死亡和残疾的主要原因之一，尤其是在中低收入国家[3]。中国15岁以上人群MetS总患病率为24.5%，并随着年龄增长而增加[4]。因此，MetS被认为是重要的公共卫生问题之一，深入研究影响MetS患病率的可变危险因素，并制定针对性的预防和干预策略，对于改善人群健康和减轻疾病负担具有重要意义。
全球疾病负担研究（Global Burden of Disease，GBD）2021结果显示，细颗粒物（particulate matter 2.5，PM2.5）空气污染已成为全球伤残调整寿命年（disability-adjusted life year，DALYs）的首要归因危险因素和致死的第二大危险因素[5]。2021年，中国归因于PM2.5空气污染的死亡人数约为230万，DALYs为4 670万人年[6]。研究表明，民众在室内度过的时间超过80%，且暴露于主要由烹饪、加热以及吸烟等行为引起的室内空气污染中[7]。同时，GBD显示，由固体燃料燃烧造成的室内空气污染占全球DALYs总量的3.9%[5]，因此相较于室外环境，室内空气污染中PM2.5暴露与人群健康结局的关联更加密切[8]。我国农村地区由于传统生活方式和固体燃料的广泛使用，室内PM2.5污染水平远超世界卫生组织（WHO）标准[9-10]，因此我国农村地区面临着更加严峻的室内空气污染问题。
近年来，多项研究发现暴露于较高浓度的PM2.5环境中会增加MetS患病风险[11-13]。一项系统评价汇总了全球13项研究结果，发现长期PM2.5暴露增加MetS风险，且在人群层面约12.28%的MetS发生归因于PM2.5暴露[12]。现有研究多依赖大型空气监测站数据或模型预测方法探讨室外环境PM2.5与慢性疾病的关系[14]，对室内环境中空气污染物对健康的影响知之甚少，且在少量关注室内空气污染对MetS影响的研究中，存在研究对象单一、研究地点多集中于城市且难以获取个体层面的暴露数据等局限[15-17]。因此，本研究旨在评估中国三省农村地区30岁以上成年人室内PM2.5暴露与MetS的关系，为农村室内空气污染干预措施的开发以及MetS的预防提供证据支持。
1 资料与方法
1.1 研究背景
本研究基于中国农村社区成年人共患病研究（以下简称“共患病研究”）[18]，该研究在三省（山西省、湖北省、黑龙江省）六县（长治市上党区和壶关县、枝江市和宜都市、佳木斯市桦川县和郊区）的240个村（每个省2个县，每个县40个村）开展。研究地点的选择基于当地经济发展水平、地理位置和既往研究合作基础。
1.2 研究对象
纳入标准：①年龄≥30岁；②常住居民（本村居住半年及以上）。排除标准：①孕妇；②因身体原因无法做出知情同意或不愿参加；③无法正常交流而不能完成调查问卷；④因自身身体原因不能完成血液、尿液的采集。
本研究样本来自于共患病研究[18]中随机抽取的子样本群体。为保证研究对象代表性并考虑研究实施成本，本研究沿用共患病研究的分层抽样设计，以性别（男性、女性）和年龄（30~ 59岁、≥60岁）为分层变量，共划分为四个层级。在每个村中，每层随机抽取1名研究对象，共4人，预计总样本量为960人。该研究已获得哈尔滨医科大学伦理委员会审核批准（批号：HMUIRB2022005PRE）。数据收集前，研究团队向研究对象详细说明了研究目的、潜在益处及个人信息的保密性，并在获得书面知情同意后开展工作。
1.3 资料收集
数据收集工作涵盖问卷调查、体格检查、血液样本采集以及室内PM2.5暴露收集四个主要部分。研究对象的社会人口学资料、生活习惯、自我报告的20种疾病史以及用药史数据均来源于共患病研究，本研究补充收集了居住环境特征和PM2.5室内监测数据。居住环境特征包括：①住宅特征（住宅结构、房屋建造时间、房屋主体建筑材料）；②居民室内行为（通风频率、打扫频率、每天烹饪时长、燃料使用类型）；③影响室内空气质量的相关设施（抽油烟机、空调、加湿器）。居住环境特征主要调查过去一年中研究对象的常规情况，不论季节。问卷调查经专业培训的调查员采用面对面个人访谈的方式进行。室内PM2.5暴露数据利用数字式通用颗粒物浓度传感器（Zefan，PLANTOWER PMS5003）[19]进行采集。在取得研究对象同意后，监测仪器放置于常住房屋室内（通常是卧室）距离地面1.0~1.5米的高处，进行连续7 d不间断的动态PM2.5数据收集。PM2.5数据收集工作均在暖季（2023年4月至2023年8月）完成，PM2.5数据校准工作在2023年9月至2023年10月完成。
体格检查使用统一的体重秤和卷尺测量研究对象的身高、体重和腰围，并使用电子血压计（Omron J710）测量两次血压（测量之间最小间隔为5 min），血压计算为两次测量的平均值。吸烟定义为过去一年中超过183 d抽过烟。家庭二手烟暴露指在家中看到或闻到家庭成员或访客在室内吸烟[20]。饮酒指过去12个月内饮用过含酒精饮料。体力活动等级通过国际体力活动量表（International Physical Activity Questionnaire，IPAQ）进行评估[21]。体重指数（body mass index，BMI）的计算方法是体重（kg）除以身高（m）的平方。
血液样本采集严格遵循空腹静脉采血标准，样本采集后2 h内完成离心处理。实验室检测指标包括空腹血糖（fasting plasma glucose，FPG）和血脂四项[总胆固醇（total cholesterol，TC）、甘油三酯（triglyceride，TG）、高密度脂蛋白胆固醇（high-density lipoprotein cholesterol，HDL-C）、低密度脂蛋白胆固醇（low-density lipoprotein cholesterol，LDL-C）]，所有样本均在中心实验室进行检测。
1.4 MetS定义与PM2.5标准化处理
1.4.1 代谢综合征定义
本研究采用美国心脏协会（American Heart Association，AHA）对MetS的定义，并结合国家卫生健康委办公厅发布的《成人肥胖食养指南（2024年版）》对腹部肥胖定义进行了调整 [22- 23]。满足以下五项指标中的三项或以上的研究对象被定义为患有MetS：①腹部肥胖：男性腰围 ≥90 cm，女性腰围≥85 cm；②TG升高：空腹TG水平≥1.7 mmol/L（150 mg/dL），或正在使用降低TG的药物；③HDL-C降低：男性HDL-C水平＜1.03 mmol/L（40 mg/dL），女性HDL-C水平＜1.29 mmol/L（50 mg/dL），或正在使用提升HDL-C的药物；④高血压：收缩压 ≥130 mmHg或舒张压≥80 mmHg，或正在使用降压药物或由医生诊断；⑤FPG升高：FPG水平≥5.6 mmol/L（100 mg/dL），或正在使用降糖药物。本研究采用腰围、血压测量、空腹静脉血生化指标（血脂检测、FPG检测）并结合医生诊断的疾病史和用药史评估MetS患病情况。
1.4.2 室内PM2.5数据处理
根据既往文献综述报道，中国农村地区室内PM2.5浓度范围为62~1 944 μg/m3，卧室PM2.5浓度为63~2 334 μg/m3[9]，结合对低成本激光散射颗粒物监测仪性能的评估，监测仪器可监测高达2 000 ug/m3的颗粒物浓度[24]，因此本研究将2 000 μg/m3作为数据异常的判定标准。部分研究对象未能收集完整7 d数据，可能因人为拔出仪器充电或仪器故障所致。持续高浓度读数可能由监测仪内颗粒物悬浮或直接光源干扰引起，而持续低浓度读数可能与进气口受阻（如被衣物覆盖）有关[25]。所有仪器在投入现场使用前及使用后均进行了校准工作，通过决定系数（R2）评估仪器准确性[26]。R2值为监测仪与参考监测站（本研究参考站为北京市海淀区万柳国家监测站）线性回归曲线的拟合度。R2接近1表示完全一致，代表仪器准确度高，而接近0表示缺乏相关性。
本研究遵循以下数据校准与清理原则：①排除因仪器传感器故障导致无记录的数据；②排除读数为0占比超过总监测时长（7 d/168 h）50%的数据；③排除校准决定系数R2＜0.6的仪器数据；④排除监测时长不足总时长60%的数据；⑤ 排除PM2.5数值持续超过2 000 μg/m3且占比超过总时长50%的数据；⑥因仪器运行初期和末期数据存在不稳定，统一排除每位研究对象监测开始后的前60 min和最后60 min的数据[27-30]。经上述清理流程后，本研究采用研究对象有效监测期间PM2.5暴露的平均值作为暴露水平指标。共有822名研究对象（占总样本的85.8%）的数据有效。对于室内PM2.5暴露缺失的研究对象数据，本研究采用多重插补法进行补充。
1.5 统计学分析
使用R 4.2.2软件进行分析。符合正态分布的计量资料以均数和标准差（
）表示，不符合正态分布的计量资料以中位数和四分位数[M（P25，P75）]表示；计数资料以例数和百分比或构成比（n，%）表示。计量资料组间比较采用t检验或方差分析，计数资料组间比较采用χ2检验。本研究采用多重插补法处理数据缺失问题，基于填补后的完整数据集，应用多元Logistic回归模型评估不同暴露水平（PM2.5 ＜25 μg/ m3、25 μg/ m3≤PM2.5＜35 μg/ m3、PM2.5≥35 μg/ m3） [31]与MetS之间的关联强度，进一步采用限制立方条图（restricted cubic splines，RCS）检验PM2.5与MetS的剂量反应关系。考虑既往研究中被广泛认可为MetS或PM2.5暴露的混杂因素以及是否患MetS组间有显著差异的变量 [11]，模型调整了年龄、性别、婚姻状况、教育水平、年收入水平、吸烟、饮酒、体力活动等协变量。为验证结果的稳健性，本研究通过排除有缺失变量的研究对象数据行敏感性分析，通过绘制Bland-Altman图评估两种分析方法的结果一致性。同时，考虑到与MetS患病风险以及与室内PM2.5暴露密切相关的变量，本研究选取年龄、性别、教育水平、年收入水平、吸烟、饮酒、家庭二手烟暴露、体力活动等级、燃料使用类型以及每天烹饪时长变量进行了亚组分析，以识别潜在高危人群。以较低水平的室内PM2.5暴露（＜35 μg/ m3）作为参考，探讨不同亚组中PM2.5暴露与MetS的关系。统计分析的检验水准均为α=0.05，P值＜0.05表示差异有统计学意义。
2 结果
2.1 一般情况
共纳入958名研究对象，平均年龄为（58.09±10.29）岁，其中男性491人（51.25%）。MetS患病率为54.91%，男性占比49.43%。MetS组成成分中，高血压比例最高（92.40%），其次为HDL-C降低（78.33%）和腹部肥胖（76.24%）。室内PM2.5暴露水平中位数为23.31（15.69，37.67）μg/m3。教育水平、BMI、室内PM2.5暴露、住宅结构、抽油烟机使用情况等变量在是否患MetS组间存在显著差异（P＜ 0.05）（表1）。
-
表格1 患和未患MetS研究对象基线特征比较（n，%）
Table1.Comparison of baseline characteristics of subjects with MetS and without MetS（n, %）
注：*符合正态分布的计量资料以均数和标准差（x ± s）表示；#不符合正态分布的计量资料以中位数和四分位数[M（P25，P75）]表示。
2.2 PM2.5与MetS的关系
在对年龄、性别、婚姻状态、教育水平、家庭年收入、BMI、吸烟饮酒状态、体力活动、住宅结构、住宅建造时间和抽油烟机使用情况进行调整后，多元Logistic回归模型分析结果显示，与暴露于PM2.5较低水平的研究对象相比，暴露于较高水平者（≥35 μg/m3）MetS患病风险显著增加[OR=1.62，95%CI（1.16，2.26）]（表2）。同时RCS分析结果提示，随着PM2.5浓度的升高，患MetS的风险逐渐增加，P均＜0.05（图1）。
-
图1 PM2.5暴露与MetS之间的浓度-反应曲线
Figure1.Concentration-response curves between PM2.5 exposure and MetS
注：模型1未调整任何变量；模型2调整了年龄、性别、婚姻状态、教育水平、家庭年收入和BMI变量；模型3在模型2基础上还调整了吸烟、饮酒、体力活动等级、住宅结构、住宅建造时间和抽油烟机使用变量；P-overall表示PM2.5水平与MetS之间总体关联的统计学显著性，该值＜0.05表明变量间总体关联具有统计学意义。
-
表格2 室内不同暴露水平的PM2.5与MetS的关系
Table2.Association between different indoor exposure levels of PM2.5 and MetS
注：模型1未调整任何变量；模型2调整了年龄、性别、婚姻状态、教育水平、家庭年收入和BMI变量；模型3在模型2基础上还调整了吸烟、饮酒、体力活动等级、住宅结构、住宅建造时间和抽油烟机使用变量。
2.3 亚组分析
进一步亚组分析发现，女性[OR=2.28，95%CI（1.39，3.75）]、50~＜60岁[OR=2.08，95%CI（1.14，3.80）]、教育水平为小学及以下[OR=1.99，95%CI（1.33，3.52）]、年收入水平＜ 9 999元[OR=2.26，95%CI（1.20，4.25）]、暴露于家庭二手烟[OR=1.58，95%CI（1.10，2.27）]、烹饪时长为1~2 h/d [OR=1.78，95%CI=（1.12，2.82）]、轻度体力活动等级[OR=1.55，95%CI（1.07，2.26）]的人群中，较高水平的PM2.5暴露（≥ 35 μg/m3）与MetS风险升高存在显著关联（表3）。
-
表格3 PM2.5暴露与MetS关系的亚组分析
Table3.Subgroup analysis of the relationship between PM2.5 exposure and MetS
注：分析调整了年龄、性别、婚姻状态、教育水平、家庭年收入、BMI、吸烟、饮酒、体力活动等级、住宅结构和抽油烟机使用。
2.4 敏感性分析
排除变量缺失的研究对象数据后进行敏感性分析，在调整协变量后，多元Logistic回归结果显示，PM2.5高暴露组（≥35 μg/m3）仍显著增加MetS患病风险[OR=1.59，95%CI（1.10，2.30）]，差异具有统计学意义（P＜0.05），说明本研究结果较为稳健。本研究也通过绘制Bland-Altman图评估两种分析方法的结果一致性，如图2所示，两种分析方法的log（OR）值之间的差异均落在95%一致性界限范围内，表明两种分析方法具有良好的一致性。
-
图2 主分析与敏感性分析log（OR）结果一致性的Bland-Altman图
Figure2.Bland-Altman analysis of log(OR) consistency between main and sensitivity analysis
注：模型1未调整任何变量；模型2调整了年龄、性别、婚姻状态、教育水平、家庭年收入和BMI变量；模型3在模型2基础上还调整了吸烟、饮酒、体力活动等级、住宅结构、住宅建造时间和抽油烟机使用变量。
3 讨论
近年来，MetS在全球范围内患病率持续上升 [32-35]，已成为重要的公共卫生问题。一项基于中国居民营养与健康调查（CNNHS）的全国代表性横断面研究显示，中国成人MetS的患病率为24.2%[36]，另一项覆盖28个省份、纳入13 418名研究对象的全国性研究报告MetS患病率为30.1%[37]。本研究结果显示，MetS患病率为54.91%，高于既往研究结果，可能与人群特征、生活习惯以及MetS诊断标准有关。上述研究对象来自于城市和农村地区，而本研究研究对象均来自农村地区，由于农村居民高血压、糖尿病的知晓率、治疗率及控制率均明显低于城市居民 [38]，并且已有全国性调查证实中国农村地区MetS及其各组分（如高血压等）的患病率普遍高于城市 [39-40]，因此，本研究中MetS患病率较高。同时，本研究与既往研究MetS诊断标准主要区别在于对高血压的界定。既往与MetS相关的研究通常采用血压≥130/85 mmHg作为阈值，而本研究依据最新AHA指南，将血压 ≥130/80 mmHg作为MetS中高血压的阈值，在一定程度上解释了MetS患病率高于既往文献报道的原因。
本研究中室内PM2.5暴露水平远超WHO空气质量指导值（24 h平均值为15 μg/ m3），此结果与2018年一项关于中国农村室内空气污染暴露的综述研究结果一致[9]。中国农村地区室内PM2.5暴露水平较高的主要原因是固体燃料（如煤炭、生物质燃料）的烹饪和取暖使用，以及通风条件较差和室内行为（如打扫卫生、吸烟等）的影响 [41]。且从地区差异来看，山西省和黑龙江省室内PM2.5浓度较高，而湖北省暴露水平最低。山西省和黑龙江省地处北方，冬季气候寒冷，居民对取暖需求较高，固体燃料使用普遍，且房屋多为密闭结构以减少热量流失，进一步限制了通风换气，导致PM2.5在室内累积。而湖北省地处南方，气候相对温和，居民取暖对固体燃料的依赖较低，且部分地区房屋通风条件较好，因而室内PM2.5暴露水平较低。
大量基础研究已证实PM2.5可通过氧化应激、内分泌紊乱等多种生物学机制影响MetS的发生发展[42-43]。本研究基于个体层面数据进一步证实了PM2.5暴露显著增加MetS的患病风险，且高于既往研究报告的风险水平。Rajkumar团队[17]通过直接监测厨房及个体PM2.5暴露浓度发现，PM2.5浓度每升高一个IQR，MetS患病风险比增加16%。另一项针对北京妇女的研究表明，高水平PM2.5暴露可增加MetS患病风险[15]。本研究观察到更为显著的结果可能与研究对象与室内空气污染监测方法密切相关。首先，研究选取地点为中国农村，由于传统的生活习惯，尤其是生物质燃料的广泛使用导致室内PM2.5暴露水平较高。其次，本研究通过连续7 d的PM2.5污染监测，考虑到个体在工作日和休息日的室内PM2.5暴露的动态变化，降低了暴露测量偏差。本研究是首次在中国农村地区通过颗粒物监测设备进行个体层面的PM2.5暴露收集，更加准确评估室内PM2.5与MetS的关系。本研究也将住宅环境特征纳入模型调整，充分考虑到不同人群的住宅特征、暴露特征及其对健康的影响，提升了结果的可信度。
亚组分析结果表明，50~60岁、女性、家庭收入水平低，教育水平低、暴露于家庭二手烟、每日烹饪时长为1~2 h、轻度体力活动的人群更容易受到高水平PM2.5暴露的健康危害。Rajkumar等[17]研究发现，大于40岁人群中PM2.5暴露与MetS呈现更强的剂量效应，与本研究结果基本一致。一项关于中国细颗粒物空气污染疾病负担分析结果显示，女性因使用固体燃料导致的家庭PM2.5归因百分比为4.2%，高于男性的3.1% [6]，主要原因在于女性因长期承担家庭烹饪任务，暴露于更多的室内PM2.5[44]。而Du等[15]研究也表明较高的烹饪时长与MetS患病风险增加有关，与本研究结果一致。家庭收入水平低以及教育水平低的人群通常居住在通风条件较差的房屋中，并更多依赖固体燃料（如生物质燃料或煤炭）进行烹饪和取暖，增加了室内PM2.5暴露风险[45]。此外，暴露于家庭二手烟也被认为是室内PM2.5暴露的一个重要来源，即使在实施室内禁烟政策的国家，因二手烟造成的室内PM2.5浓度仍是室外的1.05~14.93倍[46]。已有研究证实，暴露于二手烟可增加MetS的患病风险[47]，与本研究发现一致。同时本研究也进一步证实了轻度体力活动者更容易受高水平PM2.5污染影响，这与Tsai等[48]和Yang等[49]研究结果相符。此外，在不吸烟不饮酒的亚组中，高PM2.5暴露与MetS患病风险显著增加相关，这一发现可能与人群的人口学特征差异有关。已有证据表明[50]，遵循此类健康生活方式的个体中女性占比较高。考虑到女性通常因烹饪活动或被动接触家庭二手烟，可能面临更为复杂和高水平的室内PM2.5暴露。因此，该亚组所观察到的更高 MetS 风险，可能并非源于健康行为本身，而是由其性别构成差异及与之相关的特定室内污染源共同驱动。
本研究也存在一定局限。由于不可抗的原因导致部分仪器在现场使用过程中发生故障，损失了部分研究对象数据，但本研究已采用多重插补法将缺失数据补充完整，且敏感性分析结果稳健。其次尽管对研究对象年龄进行了分层，但可能由于年轻人外出工作等原因导致30~39岁年龄组人数较少，亚组分析无法准确评估这部分人群PM2.5暴露与MetS的关系。最后，尽管本研究进行了持续7 d的监测数据收集，但考虑到横断面研究设计以及现场实施的可行性，研究仅在暖季进行了数据收集，因此本研究PM2.5暴露数据无法代表全年平均暴露水平，无法推断PM2.5与MetS风险之间的因果关系。研究团队已经计划在后续的研究中通过对研究对象的随访，补充其他季节的环境监测数据。
综上所述，女性、低教育和低收入人群以及暴露于家庭二手烟的人群更易受到室内PM2.5污染的健康危害。建议未来在农村地区进一步推进清洁能源改造工程，加强健康宣传教育，提高居民对室内空气污染的认知，指导居民正确使用能够改善室内空气质量的相关设施。室内PM2.5污染引发的健康危害问题依然严峻，亟需针对高风险和弱势群体制定并实施更具针对性的干预措施，以有效改善现状并促进健康公平。
伦理声明：研究已获得哈尔滨医科大学伦理委员会批准（批号：HMUIRB2022005PRE），且所有研究对象均已签署知情同意书
作者贡献：研究设计：田懋一、张馨艺、张汉彬；数据清理：田伟、张汉彬、计清源；数据分析与论文撰写：计清源；研究建议：叶鹏鹏、刘廷卓、杜雪、王腾逸、李小滢；论文审定：田懋一、张馨艺
数据获取：本研究使用和（或）分析的数据可联系通信作者获取
利益冲突声明：无
致谢：本研究对加拿大麦吉尔大学的 Prof. Jill Baumgartner团队及科罗拉多州州立大学的Prof. Ellison Carter团队提供空气污染采样器设备表示衷心感谢。感谢中国科学院大学薛凯兵同学帮助协调本研究的空气污染采样器物流。感谢北京大学环境学院朱彤教授及左澎老师为本研究空气污染采样器校准提供支持和指导。作者张汉彬在进行此研究期间受英国医学研究理事会环境与健康中心授予的职业早期研究员基金资助（资助编号：MR/T502613/1）
1.Eckel RH, Grundy SM, Zimmet PZ. The metabolic syndrome[J]. Lancet, 2005, 365(9468): 1415-1428. DOI: 10.1016/S0140-6736(05)66378-7.
2.Alkhulaifi F, Darkoh C. Meal timing, meal frequency and metabolic syndrome[J]. Nutrients, 2022, 14(9): 1719. DOI: 10.3390/nu14091719.
3.O'Neill S, O'Driscoll L. Metabolic syndrome: a closer look at the growing epidemic and its associated pathologies[J]. Obes Rev, 2015, 16(1): 1-12. DOI: 10.1111/obr.12229.
4.Li R, Li W, Lun Z, et al. Prevalence of metabolic syndrome in mainland China: a Meta-analysis of published studies[J]. BMC Public Health, 2016, 16(1): 296. DOI: 10.1186/s12889-016-2870-y.
5.GBD 2021 Risk Factors Collaborators. Global burden and strength of evidence for 88 risk factors in 204 countries and 811 subnational locations, 1990-2021: a systematic analysis for the Global Burden of Disease Study 2021[J]. Lancet, 2024, 403(10440): 2162-2203. DOI: 10.1016/S0140-6736(24)00933-4.
6.Yu T, Jiang Y, Chen R, et al. National and provincial burden of disease attributable to fine particulate matter air pollution in China, 1990-2021: an analysis of data from the Global Burden of Disease Study 2021[J]. Lancet Planetary Health, 2025, 9(3): e174-e185. DOI: 10.1016/S2542-5196(25)00024-5.
7.Klepeis NE, Nelson WC, Ott WR, et al. The national human activity pattern survey (NHAPS): a resource for assessing exposure to environmental pollutants[J]. J Expo Anal Environ Epidemiol, 2001, 11(3): 231-252. DOI: 10.1038/sj.jea.7500165.
8.Li C, Zhou Y. Residential environment and depressive symptoms among Chinese middle- and old-aged adults: a longitudinal population-based study[J]. Health Place, 2020, 66: 102463. DOI: 10.1016/j.healthplace.2020.102463.
9.Du W, Li X, Chen Y, et al. Household air pollution and personal exposure to air pollutants in rural China - a review[J]. Environ Pollut, 2018, 237: 625-638. DOI: 10.1016/j.envpol.2018.02.054.
10.Yun X, Shen G, Shen H, et al. Residential solid fuel emissions contribute significantly to air pollution and associated health impacts in China[J]. Sci Adv, 2020, 6(44): eaba7621. DOI: 10.1126/sciadv.aba7621.
11.Lee S, Park H, Kim S, et al. Fine particulate matter and incidence of metabolic syndrome in non-CVD patients: a nationwide population-based cohort study[J]. Int J Hyg Environ Health, 2019, 222(3): 533-540. DOI: 10.1016/j.ijheh.2019.01.010.
12.Ning J, Zhang Y, Hu H, et al. Association between ambient particulate matter exposure and metabolic syndrome risk: a systematic review and Meta-analysis[J]. Sci Total Environ, 2021, 782: 146855. DOI: 10.1016/j.scitotenv.2021.146855.
13.Wallwork RS, Colicino E, Zhong J, et al. Ambient fine particulate matter, outdoor temperature, and risk of metabolic syndrome[J]. Am J Epidemiol, 2017, 185(1): 30-39. DOI: 10.1093/aje/kww157.
14.Hu K, Keenan K, Hale JM, et al. A longitudinal analysis of PM2.5 exposure and multimorbidity clusters and accumulation among adults aged 45-85 in China[J]. PLoS Glob Public Health, 2022, 2(6): e0000520. DOI: 10.1371/journal.pgph.0000520.
15.Du Y, Liu Q, Du J, et al. Association between household and outdoor air pollution and risk for metabolic syndrome among women in Beijing, China[J]. Int J Environ Health Res, 2024, 34(7): 2830-2842. DOI: 10.1080/09603123.2023.2275658.
16.Xue J, Chen S, Jiang Y, et al. Association between solid cooking fuels exposure and metabolic syndrome: evidence from China[J]. Ecotoxicol Environ Saf, 2025, 289: 117648. DOI: 10.1016/j.ecoenv.2024.117648.
17.Rajkumar S, Young BN, Clark ML, et al. Household air pollution from biomass-burning cookstoves and metabolic syndrome, blood lipid concentrations, and waist circumference in Honduran women: a cross-sectional study[J]. Environ Res, 2019, 170: 46-55. DOI: 10.1016/j.envres.2018.12.010.
18.Zhang X, Liu T, Li Z, et al. Using primary and routinely collected data to determine prevalence and patterns of multimorbidity in rural China: a representative cross-sectional study of 6474 Chinese adults[J]. Lancet Reg Health West Pac, 2025, 54: 101272. DOI: 10.1016/j.lanwpc.2024.101272.
19.Ouimette J, Arnott WP, Laven P, et al. Fundamentals of low-cost aerosol sensor design and operation[J]. Aerosol Sci Technol, 2024, 58(1): 1-15. DOI: 10.1080/02786826.2023.2285935.
20.石建辉,徐露婷,李玉青,等. 2014—2019年北京市≥15岁人群家庭二手烟暴露情况分析[J]. 中国慢性病预防与控制, 2022, 30(10): 772-775. [Shi JH, Xu LT, Li YQ, et al. Analysis of household exposure to secondhand smoke among≥15-year-olds in Beijing from 2014 to 2019[J]. Chinese Journal of Prevention and Control of Chronic Diseases, 2022, 30(10): 772-775.]. DOI: 10.16386/j.cjpccd.issn.1004-6194.2022.10.012.
21.Craig CL, Marshall AL, Sjöström M, et al. International physical activity questionnaire: 12-country reliability and validity[J]. Med Sci Sports Exerc. 2003, 35(8): 1381-1395. DOI: 10.1249/01.MSS.0000078924.61453.FB.
22.国家卫生健康委办公厅. 成人肥胖食养指南(2024年版) [R/ OL]. (2024-02-07) [2025-02-28]. http://www.nhc.gov.cn/sps/s7887k/202402/4a82f053aa78459bb88e35f812d184c3/files/99c7c0bd037748d9b06e43042ff0f107.pdf
23.American Heart Association. What Is Metabolic Syndrome?[R]. [2025-02-28]. https://www.heart.org/en/health-topics/metabolic-syndrome/about-metabolic-syndrome
24.Tamire M, Kumie A, Addissie A, et al. High levels of fine particulate matter (PM2.5) concentrations from burning solid fuels in rural households of Butajira, Ethiopia[J]. Int J Environ Res Public Health, 2021, 18(13): 6942. DOI: 10.3390/ijerph18136942.
25.Datta A, Saha A, Zamora ML, et al. Statistical field calibration of a low-cost PM2.5 monitoring network in Baltimore[J]. Atmos Environ (1994), 2020, 242: 117761. DOI: 10.1016/j.atmosenv.2020.117761.
26.Varaden D, Leidland E, Lim S, et al. "I am an air quality scientist"- using citizen science to characterise school children's exposure to air pollution[J]. Environ Res, 2021, 201: 111536. DOI: 10.1016/j.envres.2021.111536.
27.Hammond D, Croghan C, Shin H, et al. Cardiovascular impacts and micro-environmental exposure factors associated with continuous personal PM2.5 monitoring[J]. J Expo Sci Environ Epidemiol, 2014, 24(4): 337-345. DOI: 10.1038/jes.2013.46.
28.Chan KH, Xia X, Liu C, et al. Characterising personal, household, and community PM2.5 exposure in one urban and two rural communities in China[J]. Sci Total Environ, 2023, 904: 166647. DOI: 10.1016/j.scitotenv.2023.166647.
29.Huang Y, Wang J, Chen Y, et al. Household PM2.5 pollution in rural Chinese homes: levels, dynamic characteristics and seasonal variations[J]. Sci Total Environ, 2022, 817: 153085. DOI: 10.1016/j.scitotenv.2022.153085.
30.Ródenas García M, Spinazzé A, Branco PTBS, et al. Review of low-cost sensors for indoor air quality: features and applications[J]. Appl Spectrosc Rev, 2022, 57(9-10): 747-779. DOI: 10.1080/05704928.2022.2085734.
31.Li H, Zhao Y, Wang L, et al. Association between PM2.5 and hypertension among the floating population in China: a cross-sectional study[J]. Int J Environ Health Res, 2024, 34(2): 943-955. DOI: 10.1080/09603123.2023.2190959.
32.Woo HD, Shin A, Kim J. Dietary patterns of Korean adults and the prevalence of metabolic syndrome: a cross-sectional study[J]. PLoS One, 2014, 9(11): e111593. DOI: 10.1371/journal.pone.0111593.
33.Liu B, Chen G, Zhao R, et al. Temporal trends in the prevalence of metabolic syndrome among middle-aged and elderly adults from 2011 to 2015 in China: the China health and retirement longitudinal study (CHARLS)[J]. BMC Public Health, 2021, 21(1): 1045. DOI: 10.1186/s12889-021-11042-x.
34.Scuteri A, Laurent S, Cucca F, et al. Metabolic syndrome across Europe: different clusters of risk factors[J]. Eur J Prev Cardiol, 2015, 22(4): 486-491. DOI: 10.1177/2047487314525529.
35.Vidigal Fde C, Ribeiro AQ, Babio N, et al. Prevalence of metabolic syndrome and pre-metabolic syndrome in health professionals: LATINMETS Brazil study[J]. Diabetol Metab Syndr, 2015, 7(1): 6. DOI: 10.1186/s13098-015-0003-x.
36.LI Y, Zhao L, YU D, et al. Metabolic syndrome prevalence and its risk factors among adults in China: a nationally representative cross-sectional study[J]. PLoS One, 2018, 13(6): e0199293. DOI: 10.1371/journal.pone.0199293.
37.Guo Q, Zhao Y, Zhao J, et al. Physical activity attenuated the associations between ambient air pollutants and metabolic syndrome (MetS): a nationwide study across 28 provinces[J]. Environ Pollut, 2022, 315: 120348. DOI: 10.1016/j.envpol.2022.120348.
38.Wang Z, Chen Z, Zhang L, et al. Status of hypertension in China: results from the China hypertension survey, 2012-2015[J]. Circulation, 2018, 137(22): 2344-2356. DOI: 10.1161/CIRCULATIONAHA.117.032380.
39.Li W, Song F, Wang X, et al. Prevalence of metabolic syndrome among middle-aged and elderly adults in China: current status and temporal trends[J]. Ann Med, 2018, 50(4): 345-353. DOI: 10.1080/07853890.2018.1464202.
40.Li Y, Yang L, Wang L, et al. Burden of hypertension in China: a nationally representative survey of 174,621 adults[J]. Int J Cardiol, 2017, 227: 516-523. DOI: 10.1016/j.ijcard.2016.10.110.
41.石晶金, 袁东, 赵卓慧. 我国住宅室内PM2.5来源及浓度的影响因素研究进展[J]. 环境与健康杂志, 2015, 32(9): 825-829. [Shi JJ, Yuan D, Zhao ZH. Residential indoor PM2.5 sources, concentration and influencing factors in China[J]. Journal of Environment and Health, 2015, 32(9): 825-829.] DOI: 10.16241/j.cnki.1001-5914.2015.09.020.
42.Poursafa P, Kamali Z, Fraszczyk E, et al. DNA methylation: a potential mediator between air pollution and metabolic syndrome[J]. Clin Epigenetics, 2022, 14(1): 82. DOI: 10.1186/s13148-022-01301-y.
43.Peng C, Bind MC, Colicino E, et al. Particulate air pollution and fasting blood glucose in nondiabetic individuals: associations and epigenetic mediation in the normative aging study, 2000-2011[J]. Environ Health Perspect, 2016, 124(11): 1715-1721. DOI: 10.1289/EHP183.
44.Fang X, Strodl E, Wu C, et al. Maternal cooking during pregnancy may increase hyperactive behaviors among children aged at around 3 years old[J]. Indoor Air, 2020, 30(1): 126-136. DOI: 10.1111/ina.12614.
45.彭丹璐,王志成,王丽敏,等. 居民烹饪燃料使用与教育和收入关系及对慢性阻塞性肺疾病的影响[J]. 环境与健康杂志, 2018, 35(9): 757-761. [Peng DL, Wang ZC, Wang LM, et al. Influence of cooking fuel disparity among different income and educational levels on chronic obstructive pulmonary disease[J]. Journal of Environment and Health, 2018, 35(9): 757-761.] DOI: 10.16241/j.cnki.1001-5914.2018.09.002.
46.Nandasena S, Wickremasinghe AR, Lee K, et al. Indoor fine particle (PM2.5) pollution exposure due to secondhand smoke in selected public places of Sri Lanka[J]. Am J Ind Med, 2012, 55(12): 1129-1136. DOI: 10.1002/ajim.22040.
47.Chen HJ, Li GL, Sun A, et al. Age differences in the relationship between secondhand smoke exposure and risk of metabolic syndrome: a Meta-analysis[J] Int J Environ Res Public Health, 2019, 16(8): 1409. DOI: 10.3390/ijerph16081409.
48.Tsai HH, Tantoh DM, Lu WY, et al. Cigarette smoking and PM2.5 might jointly exacerbate the risk of metabolic syndrome[J]. Front Public Health, 2024, 11: 1234799. DOI: 10.3389/fpubh.2023.1234799.
49.Yang BY, Qian ZM, Li S, et al. Long-term exposure to ambient air pollution (including PM1) and metabolic syndrome: the 33 communities Chinese health study (33CCHS)[J]. Environ Res, 2018, 164: 204-211. DOI: 10.1016/j.envres.2018.02.029.
50.祝楠波, 周密, 余灿清, 等. 中国成年人健康生活方式状况分析[J]. 中华高血压杂志, 2019, 27(10): 1000. [Zhu NB, Zhou M, Yu CQ, et al. Prevalence of'healthy lifestyle'in Chinese adults[J]. Chinese Journal of Epidemiology, 2019, 27(10): 1000.] DOI: 10.16439/j.cnki.1673-7245.2019.10.031.
欢迎访问中南医学期刊社系列期刊网站！
