지역변수를 고려한 서울의 대기오염과 정신건강수준의 상관성 분석, 2008-2016:Cross-sectional study

학위논문(석사)--서울대학교 대학원 :보건대학원 보건학과(보건학전공),2020. 2. 김호.국문초록 지역변수를 고려한 서울의 대기오염과 정신건강수준의 상관성 분석 , 2008-2016:Cross-sectional study 서다은 보건학과 보건통계학전공 서울대학교 보건대학원 １． 연구배경 최근 대기오염은 정신건강에 영향을 미쳐 그로 인한 사망률까지 높임으로써, 세계적으로 가장 문제시되는 환경보건문제 중 하나로 떠오르고 있다. 대기오염물질이 신경독성물질로서 뇌에 도달하여 인지적∙정신적 장애를 야기할 수 있으며, 더 나아가 수면장애, 우울증이나 자살행동까지 유발할 수도 있다는 점에서 더욱 관심이 필요하다. 하지만 정신건강에 미치는 대기오염의 단기적 영향력에 대한 많은 기존연구와 달리 장기적 영향에 대한 연구는 비교적 부족하다. 따라서 본 연구에서는 대기오염과 정신건강수준 사이에 어떤 장기적 연관성이 있는지를 파악하고 개인의 인구학적, 경제적, 환경적 요소가 대기오염과 정신건강수준에 여향을 미치는지에 대하여 분석하였다. ２． 연구목적 본 연구는 서울시에서 연간 농축된 대기오염이 자기표현 우울감, 수면시간, 자살율과 같은 정신건강수준에 미치는 장기적 영향을 알아보고자 한다. 3. 연구방법 본 연구는 정신건강수준에 대한 대기오염의 영향을 추정하기 위해 2008년부터 2016년까지 질병관리본부에서 수집된 지역사회건강조사 자료를 이용하여 서울시 25개 지역의 약 22,500명의 만 19세 이상 성인을 대상으로 연구하였다. 대기오염농도는 해당인구가 속한 지역의 연평균 값을 이용하였으며, 1년, 2년, 3년, 4년, 5년간의 평균농도를 노출로 평가하여 linear mixed regression model 분석을 하였다. 또한, 대기오염과 정신건강수준사이에 5가지 공변량이 각각 영향을 주는지 알아보기 위하여 선형상호작용을 분석하였다. 4. 결과 본 연구에서는 대기오염이 정신건강수준에 미치는 장기적 영향에 대해 파악해보았다. 연구결과, 연간 PM10과 NO2가 높을수록 자살율이 각각 3.2 %, 0.3 %로 매우 유의미하게 증가함을 관찰할 수 있었다. 또한 성비가 높고 지역내총생산이 높을수록 더 큰 연관성이 있음이 나타났다. O3와 자살율 및 우울감 사이에는 긍정적인 관련이 있었으나 통계적 유의성을 보이진 않았다. 대기오염수치가 높을수록 평균 수면시간이 줄어드는 경향을 보였고, 높은 녹지율이 PM10과 자기표현 우울감 사이에 강한 연관성을 나타냈다. 한편, 이외의 비만율 등 사회인구학적 공변량은 대기오염의 정신건강수준에 대한 퍼센티지를 증가시키는 경향을 보였으나 통계적으로 유의하지는 않았다. 5. 결론 서울시 25개 지역사회에서 대기오염은 정신건강수준과 장기적 상호연관성이 있으며, 사회인구학적요소가 정신건강수준에 대한 대기오염의 효과에 영향을 미칠 수 있다.Abstract Da-eun SEO Department of Biostatistics and Epidemiology Graduate School of Public Health Seoul National University Background : Air pollution has become one of the worlds largest environmental health concerns in the past few years, causing a large proportion of morbidity and increased mortality due to poor mental health. However, little attention has been paid to the long-term effects of air pollution on the risk of poor mental health. Objectives : We examined the long-term association between the yearlong exposures to concentrations of air pollutants (PM10, NO2, and O3) and mental health state in terms of self-expressed depression, sleeping time and suicide rate, using population-based health data from Seoul, Republic of Korea. Method: We used annual community-level mental health data and the study periods were from 2008 to 2016 in Seoul, Republic of Korea. A linear mixed regression model (LMM) was mainly used for simultaneous consideration of spatio-temporal variation in the mental health variables, air pollutions and other confounders/covariates. We regarded the annual average concentration (1, 2, 3, 4, 5 years) as an exposure. The effect of air pollution on the risk of mental health variables was estimated as percentile increases (PIs, %) for the suicide and experienced depression rates and as minute increase for the average amount of daily sleep with 95% confidence intervals (CIs). Result : Higher annual PM10 and NO2 concentrations were significantly associated with higher suicide rate over multiple years; PI per 10μg/m3 increase in PM10 was 3.2% (95% confidence interval [CI]: 0.5 to 5.9%) and PI per 1 ppm increase in NO2 was 0.3% (95% CI: 0.1 to 0.5%). The observed associations were enhanced among individuals with high sex ratio and logged GRDP. The relationship between O3 and suicide and the experienced depression rate each had positive association. Although the higher air pollution levels were associated with the lower average amount of daily sleep, these associations were not statistically significant. In addition, the higher NDVI was strongly associated with lower PM10-experienced depression rate. Meanwhile, obesity rate showed opposite modification patterns on the NO2-suicide and NO2-experienced depression relationships. Conclusion : we found suggestive evidence for long-term association between air pollutions and mental health variables in 25 communities within Seoul, Republic of Korea. Keywords : Air pollution, Mental Health, Depression, Suicide, Sleep disorder , long-term exposure, Republic of KoreaChapter 1. Introduction. 1 Chapter 2. Materials and Methods. 4 2.1 Data. 4 2.1.1 Mental health data 4 2.1.2 Air pollution data. 5 2.1.3 Confounders/Covariates 5 2.2 Statistical analysis 6 2.3 Sensitivity analysis 8 Chapter 3. Results. 9 Chapter 4. Discussion. 16 Chapter 5. Conclusion 23 Appendix 24 References 29Maste