在无法实施临床干预试验的情况下，如何评估某种干预措施的实际效果？这一直是流行病学和公共卫生研究中的难点。2025年11月24日，中山大学的研究团队在医学领域权威期刊《BMC Medicine》（影响因子8.3，医学1区）发表了一项创新性研究，利用因果推断方法——参数g公式，探索了11种饮食模式的假设性干预对空气污染物混合暴露所导致慢性疾病及死亡风险的影响。

由于长期、大规模的饮食干预在现实中难以实现，传统的随机对照试验往往不可行。该研究巧妙地采用参数g公式，在观察性数据基础上模拟真实世界的饮食干预情境，并评估其潜在健康效益。这一方法为无法开展实验研究的问题提供了强有力的替代分析路径。

研究设计：基于UK Biobank的前瞻性队列模拟干预

本研究依托英国生物银行（UK Biobank）开展，是一项前瞻性队列研究，共纳入17,254名参与者（女性占比57.8%，平均年龄56.6 ± 7.8岁），随访时间从2009年持续至2022年。

主要结局指标涵盖与多种空气污染物（包括PM_2.5、PM₁₀、NO₂、NO_X、SO₂和苯）混合暴露相关的主要慢性病及全因死亡率，具体包括：心血管疾病、糖尿病、癌症、慢性肾脏病、慢性阻塞性肺疾病、痴呆以及全因死亡。

膳食模式评分与干预策略设定

研究人员基于五轮24小时膳食回顾法，计算了11种饮食模式的依从性得分，其中包括：替代地中海饮食（AMED）、饮食抗氧化指数（DAI）、饮食多样性得分（DDS）、能量调整的饮食炎症指数（E-DII）等。

针对每种饮食模式，研究设定了三种模拟干预方式：

• 第75百分位数干预（P75）：将个体饮食依从性提升至人群中等偏高水平，代表中等依从性策略；
• 第90百分位数干预（P90）：提升至较高水平，以期获得更大健康收益，属于高依从性策略；
• 静态最佳干预：所有参与者的饮食模式得分均被设定为理论上的最优值，即“最佳依从性策略”。

空气污染混合物与健康风险的关系

通过量化g计算方法结合多元广义倾向评分（mvGPS）模型，研究发现空气污染物的复合暴露与各类慢性疾病及死亡风险显著正相关，证实了环境污染对公共健康的深远影响。

饮食干预对污染相关健康结局的影响

为了评估不同干预策略的效果，研究者从原始样本中有放回地随机抽取30,000人构建模拟数据集。在此基础上，依据设定的干预规则，在每个随访时间点动态更新11种饮食模式的评分。

随后，研究估算了各时间点的疾病发生风险，进而比较三种干预策略在13年内对空气污染相关疾病的累积风险影响，并与无干预情形进行对比，得出风险差（Risk Difference, RD）。

参数化g公式作为一种先进的因果推断工具，能够构建“如果实施干预会怎样”的反事实场景（counterfactual），从而更准确地估计干预的净效应。

关键发现：优化饮食可缓解污染健康危害

研究结果显示，相较于无干预状态：

• AMED、DDS、DAI 和 E-DII 四种饮食模式在所有干预条件下均显著降低各类健康结局的风险；
• 除健康低碳饮食（HLCD）外，其余10种饮食模式的干预策略均能有效减少与空气污染相关的慢性病和死亡的13年累计风险；
• 其中，“最佳依从性策略”带来的健康获益最为明显。

例如，当饮食多样性得分（DDS）分别提高到≥10、≥12和18时，心血管疾病（CVD）的13年累计风险下降幅度达到每千人减少0.48至2.14例。

总结与意义

本研究通过参数g公式的应用表明，提升健康饮食模式的依从性——尤其是AMED、DDS、DAI和E-DII——可在理论上显著降低由空气污染混合暴露引发的慢性疾病和全因死亡风险，且依从性越高，保护作用越强。

在短期内难以彻底改善空气质量的现实背景下，这种基于饮食的“可操作缓冲策略”具有重要的公共卫生价值。同时，该研究展示了如何利用高质量纵向观察数据，通过先进统计方法实现类似随机试验的因果推断效果。

相比传统回归模型，参数化g公式具备多重优势：支持多干预策略模拟、有效控制混杂因素（如年龄、性别、BMI、吸烟状况等），并直接输出绝对效应指标（如RD），更具政策制定参考价值。

这项研究不仅拓展了因果推断在环境与营养交叉领域的应用边界，也为未来类似非实验条件下的干预效果评估提供了方法学范本。后续我们将深入解析本文所使用的统计技术细节，敬请期待。