Gelombang Panas dan Kelahiran Dini: Menjelajahi Kerentanan Berdasarkan Faktor-Faktor pada Tingkat Individu dan Wilayah

Abstrak
Panas ekstrem telah dikaitkan dengan banyak dampak kesehatan, termasuk kelahiran prematur dan kelahiran dini. Kami meneliti hubungan antara paparan gelombang panas akut dan risiko kelahiran prematur (PTB) (28–36 minggu) atau kelahiran dini (ETB) (37–38 minggu), yang dikelompokkan berdasarkan faktor tingkat individu dan tingkat wilayah. Suhu rata-rata harian dikaitkan dengan tempat tinggal ibu dalam catatan vital negara bagian untuk kelahiran prematur dan kelahiran dini di California, Florida, Georgia, Kansas, Nevada, New Jersey, North Carolina, dan Oregon antara tahun 1990 dan 2017. Gelombang panas diidentifikasi selama jendela paparan empat hari sebelum kelahiran menggunakan suhu rata-rata persentil ke-97,5 untuk area tabulasi kode pos (ZCTA). Kami menggunakan desain kasus-silang yang dikelompokkan berdasarkan waktu, dibatasi pada musim hangat (Mei hingga September) dan dikelompokkan berdasarkan usia ibu, pendidikan ibu, tutupan lahan kedap air tingkat ZCTA atau indeks deprivasi sosial. Kami menggabungkan estimasi rasio peluang di seluruh negara bagian menggunakan pembobotan varians terbalik. Analisis PTB dan ETB mencakup hingga 945.836 dan 2.966.661 kasus, masing-masing. Risiko ETB terkait panas secara konsisten tertinggi di antara wanita <25 tahun, wanita dengan pendidikan ≤sekolah menengah, dan wanita yang tinggal di daerah dengan deprivasi sosial yang lebih tinggi dan tutupan lahan kedap air. Hubungan PTB juga meningkat dalam subkelompok ini, tetapi hubungan positif juga diamati di antara ibu yang lebih tua, lebih berpendidikan, dan di daerah dengan deprivasi sosial yang lebih sedikit. Di semua subkelompok dan hasil, perubahan peluang yang terkait dengan gelombang panas berkisar dari tidak ada peningkatan hingga peningkatan 7,9%. Risiko kelahiran dini terkait panas ditingkatkan di antara subkelompok yang terkait dengan kerugian sosial ekonomi, tetapi pola kerentanan kurang konsisten untuk kelahiran prematur.

Poin-poin Utama

Gelombang panas dikaitkan dengan peningkatan akut yang sederhana pada risiko kelahiran prematur dan kelahiran dini (ETB)

Ringkasan Bahasa Sederhana
Penelitian sebelumnya menunjukkan bahwa paparan gelombang panas dapat memicu kelahiran dini pada ibu hamil. Kami meneliti bagaimana kekuatan hubungan ini dapat bervariasi di berbagai tingkat usia ibu dan pendidikan serta tinggal di daerah dengan tutupan lahan yang lebih kedap air (memerangkap panas), seperti beton dan trotoar, dan daerah dengan deprivasi sosial yang lebih besar (misalnya, kemiskinan dan pengangguran yang lebih tinggi dan kepemilikan mobil yang lebih rendah). Kami memeriksa hampir 1 juta kelahiran prematur dan hampir 3 juta kelahiran dini di delapan negara bagian AS. Kami mendefinisikan gelombang panas berdasarkan kelompok 2,5% hari terpanas yang terjadi di lokasi tertentu dari tahun 1990 hingga 2017. Kami menentukan apakah gelombang panas lebih mungkin terjadi selama periode empat hari sebelum kelahiran prematur atau dini dibandingkan dengan minggu-minggu lain di bulan yang sama. Metode ini mengendalikan semua faktor tingkat individu, seperti usia ibu atau faktor risiko obstetrik. Kami menemukan bahwa hubungan gelombang panas/kelahiran dini lebih kuat di antara ibu yang lebih muda, memiliki pendidikan yang lebih rendah, dan tinggal di daerah dengan deprivasi sosial yang lebih tinggi dan lebih banyak tutupan lahan yang memerangkap panas. Hasil untuk kelahiran prematur kurang konsisten terkait dengan kerugian sosial ekonomi.

1 Pendahuluan
Kelahiran dini merupakan salah satu kontributor utama terhadap kematian bayi dan berbagai dampak kesehatan dan perilaku (Kardatzke et al., 2017 ; Manuck et al., 2016 ; Saigal & Doyle, 2008 ; Shapiro-Mendoza et al., 2008 ). Meskipun konsekuensi kesehatan dari kelahiran prematur (ETB) biasanya tidak separah kelahiran prematur (PTB), dampaknya memengaruhi hampir tiga kali lebih banyak bayi di AS (29% vs. 10%) (Osterman et al., 2023 ), yang mengakibatkan morbiditas yang signifikan, baik jangka pendek maupun jangka panjang, pada tingkat populasi (Crump et al., 2013 ; Martin et al., 2019 ; Melamed et al., 2009 ). Semakin banyak literatur yang menunjukkan bahwa paparan gelombang panas akut pada hari-hari atau minggu terakhir kehamilan dikaitkan dengan kelahiran prematur dan kelahiran prematur (Bekkar et al., 2020 ; Chersich et al., 2020 ; Fitch et al., 2025 ). Besarnya hubungan tersebut bervariasi di berbagai penelitian dan tampaknya bergantung pada berbagai faktor, termasuk desain penelitian, definisi gelombang panas, dan populasi penelitian.

Penelitian sebelumnya telah menunjukkan bahwa efek akut paparan panas ekstrem pada kelahiran dini dapat bervariasi di antara berbagai subkelompok populasi berdasarkan karakteristik sosiodemografi seperti usia ibu, ras/etnis, pendapatan, atau tingkat pendidikan (Chersich et al., 2020 ; Huang et al., 2021 ; Ilango et al., 2020 ; Son et al., 2022 ; Sun et al., 2019 ). Beberapa penelitian telah menemukan bahwa deprivasi tingkat area, selain kerugian sosial ekonomi tingkat individu, juga mengubah asosiasi (Cushing et al., 2022 ; Jiao et al., 2023 ).

Mengingat gelombang panas meningkat dalam frekuensi, intensitas, dan durasi (US EPA, 2021 ), penting untuk mengidentifikasi faktor risiko dan perlindungan yang dapat dimodifikasi, seperti penghijauan perumahan atau praktik mitigasi panas lainnya, yang dapat menjadi target intervensi. Ada alasan untuk percaya bahwa perbedaan tutupan lahan, termasuk permukaan dan struktur yang memerangkap panas atau menghasilkan panas atau ruang hijau, dapat memperburuk atau mengurangi dampak peristiwa panas ekstrem (Gunawardena et al., 2017 ). Akibatnya, ada kemungkinan bahwa hubungan antara panas ekstrem dan kelahiran dini juga dapat dimodifikasi oleh tutupan lahan; namun, bukti untuk ini agak terbatas dan beragam (Cushing et al., 2022 ; Jiao et al., 2023 ; Son et al., 2022 ; Sun et al., 2019 , 2020 ).

Dalam studi ini, kami melakukan analisis lintas kasus berstrata waktu untuk memperkirakan hubungan antara paparan gelombang panas akut dan kelahiran dini dalam analisis berstrata yang mengeksplorasi faktor pengubah tingkat individu dan wilayah. Kami menggunakan kumpulan data meteorologi beresolusi tinggi yang baru dan kelompok kelahiran multinegara bagian kontemporer yang besar, yang mencakup hampir satu juta kelahiran prematur dan hampir tiga juta kelahiran dini di delapan negara bagian.

2 Metode
2.1 Sumber Data
2.1.1 Data Hasil Kesehatan
Data kelahiran hingga 28 tahun dari tahun 1990 hingga 2017 (kecuali dinyatakan lain) diperoleh dari catatan vital negara bagian untuk delapan negara bagian: California, Florida (2004–2017), Georgia (1994–2017), Kansas, Nevada (1991–2017), New Jersey, North Carolina (2002–2015), dan Oregon (lihat Gambar S1 di peta Informasi Pendukung S1 ). Negara-negara bagian ini dipilih untuk mencapai beberapa keragaman geografis dan karena memperoleh data kelahiran layak secara logistik dan finansial. Tahun bervariasi di seluruh negara bagian karena kelengkapan data tempat tinggal ibu dalam catatan kelahiran. Kelahiran hidup, tunggal disertakan jika tempat tinggal ibu dalam catatan kelahiran dapat dihubungkan ke ZCTA dari shapefile Sensus AS 2010 (Biro Sensus AS, 2012 ) dan jika kovariat yang digunakan untuk stratifikasi tersedia. Kami memeriksa PTB (28–36 minggu) dan ETB (37–38 minggu) sebagai hasil yang terpisah. Penugasan paparan (dijelaskan di bawah) didasarkan pada tempat tinggal ibu dalam catatan kelahiran: di enam negara bagian, kode pos ibu dihubungkan ke poligon ZCTA; di New Jersey dan North Carolina, alamat jalan lengkap disediakan dalam catatan kelahiran dan ini diplot agar selaras dengan poligon ZCTA agar konsisten dengan penugasan paparan di enam negara bagian lainnya.

2.1.2 Data Paparan
Kami memperoleh estimasi grid 1 km × 1 km dari suhu maksimum dan minimum harian dari kumpulan Data Meteorologi Perkotaan Resolusi Tinggi untuk Dampak (HUMID) baru dari tahun 1990 hingga 2017 (A. Newman et al., 2024a ). HUMID menggabungkan model tajuk perkotaan keseimbangan energi ke dalam sistem pemodelan permukaan tanah berbasis fisika dan menggunakan proses koreksi bias untuk memastikan representasi yang tepat dari variabilitas spasial dalam suhu di area perkotaan dan di seluruh pemisah perkotaan-pedesaan (metode terperinci dirangkum dalam AJ Newman et al. ( 2024b )). Kami merepresentasikan estimasi ini sebagai titik dalam R 4.3.2 dan, untuk setiap hari dalam periode studi, kami merata-ratakan suhu minimum dan maksimum harian di antara semua titik grid yang berada dalam setiap batas poligon ZCTA di setiap negara bagian dalam studi kami menggunakan shapefile negara bagian ZCTA Sensus 2010 (Kantor Sensus AS, 2012 ). Kami kemudian mengekspor data ke SAS 9.4 untuk analisis yang tersisa dan menghitung suhu rata-rata harian untuk setiap ZCTA. Rata-rata, ZCTA di negara bagian kami berisi sekitar 200 titik grid.

Kami membandingkan shapefile di ArcGIS Pro dan menentukan bahwa memperhitungkan perubahan batas ZCTA dari waktu ke waktu tidak akan meningkatkan penugasan paparan. Shapefile ZCTA tidak tersedia sebelum tahun 2000, dan shapefile tahun 2000 bermasalah karena ZCTA mencakup badan air besar, taman nasional dan hutan (misalnya, Death Valley), dan area tak berpenduduk lainnya yang suhunya tidak secara akurat mencerminkan nilai untuk area pemukiman dalam ZCTA yang sama. Karena alasan ini, kami menggunakan batas ZCTA tahun 2010 untuk menetapkan paparan untuk seluruh periode studi.

Bahasa Indonesia: Untuk mengidentifikasi gelombang panas di setiap ZCTA, pertama-tama kami menggunakan ambang batas relatif untuk mengidentifikasi hari-hari panas: suhu rata-rata persentil ke-97,5 khusus ZCTA selama tahun 1990–2017. Kemudian kami mengidentifikasi periode panas multi-hari, menilai (a) jumlah hari berturut-turut dalam jendela 4 hari di mana suhu harian rata-rata melampaui ambang batas, dalam definisi yang menekankan durasi gelombang panas dan (b) derajat rata-rata di atas ambang batas (AAT) selama periode 4 hari, dalam definisi yang menangkap intensitas dan durasi gelombang panas. Jika AAT negatif, maka ditetapkan ke nol. (Ini masing-masing dijelaskan sebagai HW2 dan HW3, dalam pekerjaan kami sebelumnya (Darrow et al., 2024 ; Huang et al., 2021 ; Richards et al., 2022 )).

2.2 Desain Penelitian
Kami melakukan desain case-crossover berstrata waktu dengan hari PTB atau ETB sebagai hari kejadian dan tiga atau empat hari referensi dalam bulan yang sama, yang disesuaikan dengan hari dalam seminggu. Analisis dibatasi pada musim hangat, yang didefinisikan sebagai 1 Mei hingga 30 September. Case-crossover adalah desain kasus saja di mana kasus berfungsi sebagai kontrolnya sendiri, yang secara alami mengendalikan semua pengganggu yang tidak bergantung waktu (Maclure & Mittleman, 2000 ). Faktor risiko ibu dan terkait kehamilan, seperti hipertensi atau interval antar kehamilan, secara inheren disesuaikan karena kontrasnya terjadi dalam satu orang. Meskipun ini adalah desain kasus saja, kami menggunakan semua kelahiran di setiap negara bagian untuk menyusun set risiko kehamilan harian guna menyesuaikan perubahan temporal dalam risiko seperti yang dijelaskan di bawah ini.

2.3 Pendekatan Analisis
Kami menghitung rasio peluang menggunakan regresi logistik kondisional (SAS 9.4) dan kemudian mengumpulkan estimasi khusus negara bagian menggunakan pembobotan varians terbalik (R 4.3.2) untuk memperoleh ukuran ringkasan (lihat Persamaan S1 dalam Informasi Pendukung S1 ) (Fleiss, 1993 ).

Penelitian sebelumnya di area ini telah menunjukkan potensi bias karena perubahan dalam jendela pada risiko kelahiran dini karena tren musiman dalam konsepsi (Darrow et al., 2009 ; Huang et al., 2023 ) serta tren dalam jendela dalam kesalahan klasifikasi usia kehamilan karena preferensi digit dalam pelaporan periode menstruasi terakhir (yaitu, tanggal 15 setiap bulan) (Frazier, 1959 ; Waller et al., 2000 ). Untuk mengendalikan ini, kami menyesuaikan rasio peluang untuk probabilitas rata-rata kelahiran pada setiap hari di antara kehamilan yang sedang berlangsung dengan risiko PTB/ETB menggunakan pendekatan yang kami adaptasi dari analisis deret waktu Vicedo-Cabrera et al. ( 2014 ). Untuk hasil PTB, variabel penyesuaian W i dihitung sebagai
, di mana Z ig adalah jumlah janin berisiko PTB pada tingkat ZCTA pada minggu gestasi g pada hari kalender i ; Z i adalah jumlah semua janin pada tingkat ZCTA pada hari i ; dan W g adalah probabilitas kelahiran pada setiap minggu gestasi g , dihitung dari semua catatan kelahiran di negara bagian selama periode studi. Istilah penyesuaian untuk ETB dihitung dengan cara yang sama, tetapi untuk 37–38 minggu gestasi yang berisiko:
.

Kami menyertakan semua kelahiran prematur dan cukup bulan, terlepas dari apakah induksi persalinan diindikasikan pada catatan kelahiran karena kondisi janin dan ibu yang memotivasi intervensi medis mungkin disebabkan oleh atau diperburuk oleh gelombang panas (misalnya, pecahnya selaput ketuban sebelum waktunya, masalah plasenta, penyakit kronis ibu). Dalam analisis sebelumnya dari kondisi ini, kami tidak melihat perbedaan yang berarti dalam estimasi ketika kelahiran yang diinduksi (sekitar 11% kasus) dikecualikan (Fitch et al., 2025 ).

2.4 Stratifikasi
2.4.1 Usia dan Pendidikan Ibu
Kami melakukan dua set analisis berstrata untuk mengeksplorasi modifikasi efek berdasarkan faktor-faktor individual yang diperoleh dalam catatan kelahiran: usia ibu (<25, 25–34, dan 35+ tahun) dan tingkat pendidikan ibu (kurang dari sekolah menengah (<HS), ijazah sekolah menengah/Sertifikat Pengembangan Pendidikan Umum (HS/GED), dan lebih dari sekolah menengah (>HS)). Analisis yang dikelompokkan berdasarkan tingkat pendidikan mencakup tujuh dari delapan negara bagian; Carolina Utara dikecualikan karena kategori tingkat pendidikan ini tidak tersedia dalam catatan kelahiran. Kami melakukan uji Wald post-hoc secara terpisah untuk usia dan pendidikan guna mengevaluasi keberadaan modifikasi efek untuk setiap definisi dan hasil gelombang panas (lihat Persamaan S2 dalam Informasi Pendukung S1 ).

2.4.2 Indeks Deprivasi Sosial
Faktor tingkat area pertama yang kami jelajahi adalah kerugian sosial ekonomi. Kami menggunakan Indeks Deprivasi Sosial (SDI) (Butler et al., 2013 ; Robert Graham Center, nd ), yang merupakan ukuran komposit berdasarkan tujuh variabel yang tersedia dalam Survei Komunitas Amerika Sensus AS: persentase populasi yang hidup di bawah garis kemiskinan federal, persentase populasi dengan pendidikan kurang dari 12 tahun, persentase populasi usia 16–64 tahun yang menganggur, persentase rumah tangga di unit yang ditempati penyewa, persentase rumah tangga di unit perumahan padat, persentase rumah tangga tanpa kendaraan, dan persentase keluarga orang tua tunggal dengan tanggungan di bawah umur. SDI adalah ukuran yang lebih disukai untuk studi kami karena dirancang khusus untuk analisis tingkat ZCTA. Kami mengekstrak nilai “SDI_score” dari tabel SDI 2012 (rgcsdi-2008–2012-zcta.csv) untuk setiap ZCTA di delapan negara bagian. Skor SDI berkisar dari satu hingga 100, yang mewakili persentil. Kami membagi ZCTA menjadi apa yang selanjutnya kami sebut sebagai kategori “deprivasi rendah” (skor SDI < 70) dan “deprivasi tinggi” (skor SDI ≥ 70). Batasan ini dipilih untuk memastikan jumlah kasus yang sebanding di setiap kelompok. Kami menghitung skor Z dari estimasi gabungan dan galat standar untuk setiap definisi dan hasil gelombang panas untuk mengevaluasi apakah perbedaan antara strata berbeda secara signifikan (lihat Persamaan S2 dalam Informasi Pendukung S1 ).

2.4.3 Penutup Lahan
Analisis tingkat area kedua difokuskan pada tutupan lahan kedap air. Kami menggunakan data tutupan lahan dari National Neighborhood Data Archive (National Neighborhood Data Archive (NaNDA), 2020 ). Kami menentukan proporsi area ZCTA yang diklasifikasikan sebagai pembangunan perkotaan berintensitas sedang atau tinggi (berdasarkan tutupan lahan kedap air) dan kemudian dikategorikan ke dalam tiga kelompok: <25%, 25%–66%, dan >66%. Batasan ini dipilih untuk mencapai variabilitas yang berarti dalam tutupan lahan kedap air sekaligus juga mencakup sedikitnya 20% kasus di setiap strata untuk memastikan daya yang cukup. Rincian lebih lanjut disediakan dalam Gambar S3 di Informasi Pendukung S1 . Peta dari tiga kota yang disertakan dalam analisis disediakan sebagai contoh tumpang tindih spasial dan variabilitas kategori SDI dan tutupan lahan (lihat Gambar S4 di Informasi Pendukung S1 ). Kami melakukan uji Wald post-hoc untuk mengevaluasi apakah perbedaan antara strata tutupan lahan signifikan untuk setiap definisi dan hasil gelombang panas.

3 Hasil
3.1 Hasil Deskriptif
Analisis kelahiran prematur yang dikelompokkan berdasarkan usia ibu, pendidikan, SDI, dan tutupan lahan mencakup antara 871.146 dan 945.836 kasus. Analisis kelahiran dini mencakup antara 2.738.119 dan 2.966.661 kasus. Jumlah kasus bervariasi karena data yang hilang untuk variabel stratifikasi (sangat banyak karena data pendidikan yang hilang di North Carolina). Sekitar 50% dari populasi studi untuk kedua hasil berasal dari catatan kelahiran California. Tabel 1 menunjukkan jumlah total dan proporsi kasus di setiap subkelompok demografi dan tingkat area. Tabel S1 dalam Informasi Pendukung S1 mencakup data yang sama yang dipecah berdasarkan negara bagian. Tabel 1 juga menunjukkan proporsi agregat dari semua kelahiran di delapan negara bagian yang prematur dan dini menurut subkelompok. Proporsi PTB lebih tinggi di antara ibu yang lebih muda dan lebih tua, mereka yang berpendidikan rendah, mereka yang berada di daerah dengan tutupan lahan yang lebih kedap air, dan di daerah dengan tingkat deprivasi yang lebih tinggi. Proporsi ETB tertinggi terdapat pada ibu-ibu yang berusia lebih tua dan sedikit lebih tinggi di daerah dengan tingkat kekurangan yang tinggi, tetapi tidak ada perbedaan berarti yang terlihat pada subkelompok lainnya.

Kelahiran prematur = usia kehamilan 28–36 minggu.
b Kelahiran cukup bulan = usia kehamilan 37–38 minggu.
c Proporsi agregat semua kelahiran di semua negara bagian (untuk periode studi) yang prematur (28–36 minggu) dan cukup bulan (37–38 minggu).

Sekitar 6,5% hari dalam analisis prematur dan 6,7% hari dalam analisis awal (keduanya terbatas pada Mei–September) memenuhi definisi gelombang panas paling konservatif yaitu >2 hari berturut-turut di atas ambang batas. Sekitar 3,1% dan 3,2% hari dalam analisis prematur dan awal, masing-masing, memenuhi definisi >3 hari berturut-turut. Hanya 1,3% dan 1,4% hari dalam analisis prematur dan awal, masing-masing, memenuhi definisi paling ekstrem dari semua 4 hari dalam jendela paparan di atas ambang batas. Sekitar 4% hari memiliki nilai positif untuk definisi gelombang panas berkelanjutan dari derajat rata-rata di atas ambang batas (AAT). Di antara hari-hari dengan AAT positif, nilai rata-ratanya sekitar 0,9°C.

3.2 Hasil
Dengan hanya beberapa pengecualian, pola dalam hasil sangat konsisten di seluruh definisi gelombang panas. Demi kejelasan dan konsistensi, kami meringkas hasil yang bertingkat menggunakan definisi gelombang panas tunggal: rasio peluang yang terkait dengan peningkatan satu derajat (Celcius) dalam suhu rata-rata 4 hari di atas suhu rata-rata ambang persentil ke-97,5 (AAT) khusus area. Hasil untuk keempat definisi gelombang panas ditunjukkan pada Gambar 1 dan 2 , dan hasil numerik lengkap disajikan dalam Tabel S2 dalam Informasi Pendukung S1 . Hasil khusus negara bagian untuk definisi gelombang panas AAT berkelanjutan disajikan dalam Gambar S5 dalam Informasi Pendukung S1 untuk menunjukkan variabilitas dan presisi estimasi di seluruh negara bagian. Hasil numerik khusus negara bagian disajikan dalam Tabel S3–S6 dalam Informasi Pendukung S1 . Secara Keseluruhan Karena ETB mencakup tiga kali jumlah kasus seperti PTB, estimasi jauh lebih tepat untuk hasil ETB dalam semua analisis.