RAPPORT
Sociale analyses jongerencampagnes Steunpunt Milieu en Gezondheid 2007‐2011 Bert Morrens, Liesbeth Bruckers, Ilse Loots, Elly Den Hond Veldwerkcomité Steunpunt Milieu en Gezondheid
Oktober 2012
1
STEUNPUNT MILIEU EN GEZONDHEID ISBN 978‐90‐572‐8399‐4 D/2012/12.293/38 Bert Morrens Universiteit Antwerpen Faculteit Politieke en Sociale Wetenschappen Sint Jacobstraat 2 2000 Antwerpen tel: 03‐265.55.40 e‐mail:
[email protected] http://www.ua.ac.be http://www.milieu‐en‐gezondheid.be
Het onderzoek, dat wordt uitgevoerd door het Steunpunt Milieu en Gezondheid, is een initiatief van de Vlaamse Regering. De Vlaamse ministers bevoegd voor Volksgezondheid en Leefmilieu, de afdeling Toezicht Volksgezondheid van het Vlaams Agentschap Zorg en Gezondheid, de dienst Milieu en Gezondheid van het departement Leefmilieu, Natuur en Energie en de administratie Wetenschapsbeleid volgen de werkzaamheden van het Steunpunt op.
2
Samenvatting Wanneer we de biomerkerwaarden van blootstelling aan chemische stoffen bij 606 jongeren (14‐ 15jaar) uit 3 meetcampagnes (Vlaamse referentie, hotspot Genk‐Zuid en hotspot regio Menen) stratificeren naar sociale klasse (van laag naar hoog), dan stellen we sociale verschillen vast in beide richtingen: we vinden negatieve sociale gradiënten voor de zware metalen cadmium, koper, lood en antimoon: jongeren met een lage sociaal‐economische status (SES) – berekend met opleidingsparameters – hebben een hogere blootstelling (na correctie voor geslacht, leeftijd, rookgedrag en meetcampagne) dan jongeren met een hoge SES. Voor enkele andere zware metalen zoals toxisch relevant arseen, kwik en methylkwik vinden we een positieve sociale gradiënt: lagere SES zijn lager blootgesteld. Ook voor de persistente stoffen (POP’s) vinden we zulke sociale gradiënten in blootstelling: jongeren met een lage SES hebben een lagere blootstelling aan het pesticide HCB en aan PCB’s, na correctie voor geslacht, leeftijd, BMI, rookgedrag en meetcampagne dan jongeren met een hoge SES. Voor twee polluenten die samenhangen met verbrandingsprocessen (benzeen en PAK’s) vinden we opnieuw negatieve sociale gradiënten. We stellen vast dat het effect van SES op blootstelling aan bijna alle polluenten niet beïnvloed wordt door de regio waar jongeren wonen (en daarmee samenhangend wellicht ook de externe milieudruk). We zien ook geen interactie‐effecten met meetgebied. Dit suggereert dat vooral levensstijl‐ en voedingsfactoren samenhangen met sociale verschillen in blootstelling (bv: het krijgen van borstvoeding). Kijken we meer gedetailleerd naar de resultaten binnen één meetgebied (Genk‐ Zuid) dan wordt deze stelling bevestigd: patronen in de sociale distributie van blootstelling aan polluenten kunnen niet verklaard worden door patronen in de spatiale distributie (afstand tot industrie). In Genk‐Zuid blijkt de etnische status van jongeren vaak een groter effect te hebben dan de sociale status (wat naast de invloed van levensstijl ook een meer biologische invloed lijkt te suggereren). De vastgestelde sociale gradiënten in blootstelling blijkt ook afhankelijk te zijn van de gebruikte SES‐ indicator. Dit wijst erop dan het onderwijstype van jongeren en het opleidingsniveau van ouders andere invloedfactoren bevatten. Hypothese kan hier zijn dat het onderwijstype van jongeren meer verband houdt met blootstelling aan schadelijke stoffen (denk aan contact met uitlaatgassen in technische richtingen), terwijl het opleidingsniveau van de ouders een betere proxy is voor de sociaal‐economische status, en de daaraan gerelateerde levensstijlfactoren en gezondheidsbeïnvloedend gedrag en kennis.
3
Inhoud 1. Inleiding ............................................................................................................................................... 5 2. Methodologie ...................................................................................................................................... 6 3. Resultaten............................................................................................................................................ 7 3.1 Sociaal‐economisch profiel deelnemers ....................................................................................... 7 3.2 Sociale gradiënten in invloedfactoren........................................................................................... 8 3.3 Sociale gradiënten in biomerkers van blootstelling ...................................................................... 9 4. Conclusie ........................................................................................................................................... 11 5. Focus op de resultaten voor Genk‐Zuid ............................................................................................ 13
4
1. Inleiding Dit rapport beschrijft de resultaten van de sociale analyses van de 3 jongerencampagnes binnen het tweede Steunpunt Milieu en Gezondheid 2007‐2011 (Vlaamse referentie, Genk‐Zuid en regio Menen). In een Engelstalige publicatie (toegevoegd als hoofdstuk 5) wordt meer in detail ingegaan op de analyses in de hotspot Genk‐Zuid. De analyses werden uitgevoerd door Universiteit Hasselt en Universiteit Antwerpen en werden gepresenteerd op het veldwerkcomité van 5 december 2011. We kozen voor de jongerencampagnes om 3 redenen: 1) In deze leeftijdsgroep werden de meeste deelnemers onderzocht (600 t.o.v. 200 in de andere leeftijdsgroepen). Dit vergroot de power van onze statistische berekeningen. De rekrutering van jongeren in de hotspots laat bovendien toe om bij deze doelgroep ook vergelijkingen te maken tussen diverse gebieden. 2) De jongerencampagnes vertonen de grootste spreiding in sociaal profiel (15% in de laagste sociale klasse). Deze spreiding is kleiner bij de pasgeborenen en volwassenen (resp. 8,7% en 1,5% lage SES). Hoe groter de spreiding in sociale klasse, hoe betrouwbaarder de resultaten. 3) De sociale analyses uit het eerste steunpunt (2002‐2006) gebeurde in de drie leeftijdsgroepen, maar werden enkel grondig uitgewerkt voor de jongerencampagne. Vergelijkingen met de resultaten van het eerste Steunpunt gebeuren dan ook best voor de leeftijdsgroep van jongeren. Na een korte beschrijving van de methodologie (hoofdstuk 2), bespreken we in hoofdstuk 3 de beschrijvende cijfers over het sociaaleconomische profiel van de deelnemers (3.1) en de sociale verschillen die samenhangen met bepaalde invloedsfactoren (3.2). Daarna bespreken we resultaten van de biomerkers van blootstelling (3.3). In hoofdstuk 4 geven we enkele conclusies mee. Hoofdstuk 5 tot slot biedt een meer gedetailleerd zicht op de resultaten van de jongerencampagne in Genk‐ Zuid. De hieronder beschreven analyses kaderen in het ondersteunend onderzoeksproject ‘participatie en sociale ongelijkheid’. Belangrijkste deliverables van het luik sociale ongelijkheid (2007‐2011) zijn: Rapporten Morrens B, Bruckers L, Keune H, Loots I,‐ Op zoek naar sociaal‐economische gradiënten in het humaan biomonitoringsprogramma 2002‐2006: verkennende analyses naar het verband tussen sociale status en milieu‐ en gezondheidsfactoren Antwerpen: Steunpunt Milieu & Gezondheid, 2009.‐ 51 p. Morrens B, Keune H, Loots I,‐ Sociale ongelijkheid en humane biomonitoring: literatuurstudie over de invloed van sociaal‐economische factoren in verband met milieu en gezondheid ISBN 978‐90‐5728‐169‐3 ‐ Antwerpen: Steunpunt Milieu & Gezondheid, 2008 Artikels en hoofdstukken uit boek Morrens, B, et al., Social distribution of internal exposure to environmental pollution in Flemish adolescents. Int. J. Hyg. Environ. Health (2012), vol 215 (4): 474‐481. Morrens B, Loots I, Bruckers L, Programme flamand de biomonitoring sur les adolescents : les gradients sociaux observés diffèrent d'un polluant à l'autre, Education Santé, Hors‐série Juin 2011, ISSN 0766‐2623, p 10‐13. Morrens B, Loots I, Bruckers L, Keune H, den Hond E, Nelen V, Schoeters G, Baeyens W, van Larebeke N.‐ Iedereen gelijk voor de gezondheidsimpact van milieuvervuiling? Armoede en sociale uitsluiting: jaarboek 2009 / Vranken, Jan [edit.]; et al. [edit.] ‐ ISBN 978‐90‐334‐7604‐4 ‐ Leuven, Acco, 2009, p. 215‐233
5
Congressen Morrens B, Environmental justice under our skin? Socio‐stratifying human biomonitoring results of adolescents living near an industrial hotspot in Flanders Belgium. 11th Global Conference Environmental Justice and Global Citizenship, Mansfield College, Oxford University, UK, 3‐5 July 2012. Morrens B, Loots I, Bruckers L. Social Inequality in Human Exposure to POPs in Adolescents? Socio‐stratifying Results of the First Flemish Human Biomonitoring Campaign, DioXin 2011, 31st International Symposium on Halogenated Persistent Organic Pollutants, Brussels, Belgium, 25 August 2011. Morrens B, Loots I, Bruckers L. Socio‐stratified results of the Flemish biomonitoring program. (Invited speaker), Congres Européen ‘La santé environnementale et les vulnérabilités sociales’, Namur (Belgium), 21‐22 October 2010. Morrens B, Loots I, Bruckers L, Keune H, Den Hond E, Schoeters G, Nelen V, Van Larebeke N, Baeyens W. Socio‐stratified results of the Flemish human biomonitoring campaing on adolescents. Poster presentation, European Congress ‘From human biomonitoring to policy: a sustainable ‘marriage’ between health and environment’, Brussels (Belgium), 27‐28 October 2010. Morrens B, Loots I, Sociale ongelijkheid en milieugezondheid: (hoe) zijn ze verbonden? Dag van de Sociologie, Groningen, Nederland, 10 juni 2010. Morrens B, Loots I, Bruckers L, Sociale ongelijkheid en milieugezondheid: (hoe) zijn ze verbonden? 2de Vlaams‐Nederlandse congresdag Milieu en Gezondheid, Antwerpen, 23 april 2010.
2. Methodologie Databanken We bekijken de sociale gradiënten in biomerker resultaten bij jongeren uit de drie campagnes: ‐ ‐ ‐
referentiebiomonitoring Vlaanderen: 210 jongeren hotspot Genk‐Zuid: 197 jongeren hotspot Menen: 199 jongeren
Het beschrijvende deel toont resultaten per campagne, het verklarende deel toont resultaten van de drie campagnes samen (n=606). Sociaal economische status Om sociale gradiënten in biomerker resultaten vast te stellen, werd van elke jongere de sociaal‐ economische status (SES) bepaald op basis van twee indicatoren: ‐ ‐
Onderwijstype jongeren: ASO, TSO of BSO Hoogste opleidingsniveau ouders: lager secundair, hoger secundair, hoger onderwijs
Het opleidingsniveau wordt met consensus beschouwd als een kernindicator van de sociaal economische status. In Europese milieu‐ en gezondheidsstudies is het hoogste opleidingsniveau van de ouders één van de meest gebruikte en meest betrouwbare proxies voor het bepalen van de SES bij kinderen en jongeren1. Biomerkers van blootstelling
Bolte, G., Kohlhuber, M., Weiland, S.K., Zuurbier, M., Stansfeld, S., Heinrich, J., 2005. Socioeconomic factors in EU‐funded studies of children's environmental health. European Journal of Epidemiology 20(4), 289‐291. 1
6
Alle biomerkers van blootstelling die in alle drie de campagnes gemeten werden, worden in onze analyses opgenomen. We kijken steeds naar effectief gemeten waarden van de biomerkers (dus geen indeling in boven of onder P50 of P90). -
Zware metalen: cadmium, koper, lood, antimoon, mangaan, thallium, nikkel, toxisch relevant arseen, kwik en methylkwik POP’s: DDE, HCB, PCB’s (merker PCB’s = som van PCB 138, 153 en 180), dioxineachtige PCB’s, dioxines en furanen Verbrandingsproducten en vluchtige stoffen: PAK’s en benzeen
Confounders De relaties tussen blootstelling en SES worden onderzocht door middel van regressiemodellen. Telkens worden 2 modellen beschouwd: ‐ ‐
Model 1 ‐confounders: geslacht, leeftijd, rookgedrag (voor de POP’s ook BMI) Model 2 – confounders en meetgebied: geslacht, leeftijd, rookgedrag (voor de POP’s ook BMI) en campagne. De interactie tussen SES en meetgebied wordt in dit model ook onderzocht.
We rapporteren in de figuren en tabellen enkele de biomerkers die significant verband houden met SES op het 5% significantie niveau. De uitgebreide resultaten zijn te vinden in de bijlage.
3. Resultaten 3.1 Sociaaleconomisch profiel deelnemers Onderstaande tabellen tonen de verdeling van de jongeren naar sociaal‐economische status en de samenhang tussen beide indicatoren van SES. Tabel 1: verdeling sociaal economische status per meetcampagne, percentages Sociaal‐economische status Onderwijstype jongere BSO TSO ASO Opleidingsniveau ouders Lager secundair Hoger secundair Hoger onderwijs
Referentie N=210 9,7 41,5 48,8 12,1 31,9 56,0
Genk‐Zuid N=197 20,4 22,5 57,1 19,7 31,6 48,7
Menen N= 199 14,2 32,0 53,8 15,3 27,6 57,1
Totaal N= 606 14,6 32,3 53,1 16,5 30,4 54,0
7
Tabel 2: samenhang tussen 2 indicatoren van sociaal economische status, per campagne, percentages Referentie BSO TSO ASO Genk‐Zuid BSO TSO ASO Menen BSO TSO ASO
Opleidingsniveau ouders LS HS 16.0 52.0 32.0 42.9 42.9 14.3 30.0 33.3 36.7
19.7 43.9 36.4 28.3 26.7 45.0 25.9 37.0 37.0
HO
2.7 37.2 60.2 6.5 12.0 81.5 3.6 28.2 68.2
LS HS HO LS HS HO LS HS HO
Onderwijstype jongeren BSO TSO 20.0 65.0 15.0 39.5 44.7 15.8 33.3 51.9 14.8
15.5 34.5 50.0 35.7 38.1 26.2 16.4 32.8 50.8
ASO 8.0 24.0 68.0 4.7 25.2 70.1 10.4 18.9 70.8
Hoewel beide variabelen sterk correleren (p<0.001) toont tabel 2 dat niet alle jongeren in dezelfde categorie worden ondergebracht bij de twee proxies van SES. Vooral in de laagste sociale klasse en vooral in de referentiecampagne zien we grote verschillen: van alle jongeren met laagopgeleide ouders (maximaal lager secundair) zit slechts 16% in het BSO. In de hotspots Genk‐Zuid en Menen liggen deze percentages duidelijk hoger, wat erop kan wijzen dat de sociale mobiliteit in deze gebieden kleiner is dan gemiddeld in Vlaanderen.
3.2 Sociale gradiënten in invloedfactoren De tabel hieronder bekijkt in hoeverre de SES van jongeren (n=606) samenhangt met een aantal factoren die de blootstelling aan milieuvervuilende stoffen en de gerelateerde gezondheidseffecten mogelijk kunnen beïnvloeden zoals BMI, rookgedrag en (borst)voeding. Deze zijn te beschouwen als directe (vb: rookgedrag) of indirecte (vb: borstvoeding, stookgedrag) levensstijlfactoren. Tabel 3: sociale verdeling van invloedsfactoren, in percentages BMI (gemiddelde) Borstvoeding gekregen Actief roken (ooit gerookt) Passief roken Stoken binnen‐ of buitenhuis Lokale groenten moestuin
Lager secundair 21.07 49.5 15.2 35.5 29.3 19.4
Hoger secundair 21.05 57.3 20.4 17.7 30.1 23.2
Hoger onderwijs 19.84 72.4 7.8 7.2 44.4 23.0
Totaal
P‐waarde
20.40 64.3 12.8 14.8 37.8 22.5
<0.001 <0.001 0.004 <0.001 0.002 0.023
8
3.3 Sociale gradiënten in biomerkers van blootstelling Onderstaande tabel toont per campagne de significante verbanden (p‐waarden) tussen biomerkers en SES volgens onderwijstype jongeren (SES jongere) en volgens opleidingsniveau ouders (SES ouders). Rode vakjes duiden op een negatief verband: lagere SES hebben een hogere blootstelling; blauwe vakjes op een positief verband: lagere SES hebben een lagere blootstelling. Tabel 4: relatie tussen sociaal‐economische status en biomerkers van blootstelling per campagne, p‐waarden Biomerkers
Zware metalen Cadmium (µg/L) Koper (µg/L) Lood (µg/L) Antimoon (µg/g crt) TR arseen (µg/g crt) Kwik (µg/g) POP’s (ng/g vet) DDE HCB Som PCB’s Dioxineachtige PCB’s Dioxines en furanen Verbrandingspr (ng/L) PAK’s Benzeen
Referentie SES jongere SES ouders 0.001 0.011 0.006 0.053 0.039 0.07 0.017
Genk‐Zuid SES SES jongere ouders 0.001 0.003 0.033 0.023 0.010 0.01 0.03 0.006 0.068 0.005 0.05 0.023 0.013
Menen SES SES jongere ouders 0.008 0.019 0.001 0.003 0.010 0.004 0.036 0.007 0.05 0.075 0.011 0.023
Voor 4 zware metalen zien we negatieve verbanden: cadmium vertoont in de drie campagnes een negatief verband met het onderwijstype van de jongeren. Een lagere SES is in de hotspots geassocieerd met een hogere blootstelling aan koper en lood (in Genk‐Zuid zowel voor onderwijstype als opleidingsniveau, in Menen enkel voor opleidingsniveau). Antimoon is daarnaast ook in Menen negatief geassocieerd met SES. Voor toxisch relevant arseen en kwik vinden we in de referentiecampagne een positief verband met SES: de hogere sociale klassen blijken hoger blootgesteld (in Menen geldt dit ook voor kwik). Andere metalen die geen significante relatie met SES vertonen zijn mangaan, thallium, nikkel en methylkwik. Verder valt ook op dat we significante verbanden zien voor cadmium, koper en lood gemeten in bloed, maar niet in urine. Wat wijst op een sociale gradiënt in recente, maar niet in historische blootstelling voor deze metalen. Voor 5 POP’s zien we positieve verbanden met SES: blootstelling aan HCB en PCB’s stijgt in de drie campagnes met een stijgende SES. DDE vertoont ook in de referentiecampagne en in Genk‐Zuid een positief verband, maar niet in Menen. Kijken we naar het onderwijstype van de jongeren, dan zien we een positief verband met blootstelling aan dioxineachtige PCB’s in Genk‐Zuid en aan dioxines en furanen in de referentiecampagne. Voor PAK’s en benzeen zien we enkele negatieve verbanden met SES in Menen (opmerking: de p‐ waarde is significant maar de sterkte van het effect bekijken we in de tabel niet echt). Een dalende SES gaat daar samen met een stijgende blootstelling (zowel voor onderwijstype als opleidingsniveau). 9
Voor PAK’s zien we een randsignificant verband met onderwijstype ouders. In Genk‐Zuid is er een negatief verband tussen SES (onderwijstype) en PAK’s. De tabel hieronder toont de resultaten van een lineaire regressie. Tabel 5: relatie tussen sociaal‐economische status en biomerkers van blootstelling alle campagne samen, na controle voor confounders, regressiecoëfficiënten (als percentages) Biomerkers
Onderwijstype jongeren
Opleidingsniveau ouders
zonder gebied*
met gebied**
BSO
BSO
TSO
zonder gebied*
TSO
LS
met gebied**
HS
LS
HS
Zware metalen
Cadmium (µg/L)
+22,0%
+5,0%
+19,5%
+6,8%
Koper (µg/L)
+6,9%
+5,0%
+6,4%
+5,8%
+2,6%
+5,0%
+2,1%
+5,1%
Lood (µg/L)
+15,9%
+4,2%
+16,1%
+3,5%
+18,5%
+4,9%
+18,9%
+4,4%
Antimoon (µg/g crt)
+9,7%
+23,4%
+10,8%
+20,9%
TR arseen (µg/g crt)
‐14,3%
‐21,1%
‐16,6%
‐19,4%
Kwik (µg/g)
‐35,5%
‐27,6%
‐34,4%
‐27,9%
Methylkwik (µg/g)
‐27,6%
‐21,8%
‐26,9%
‐21,7%
POP’s (ng/g vet)
HCB
‐16,8%
‐19,1%
‐16,8%
‐19,2%
Som PCB’s
‐23,1%
‐12,3%
‐20,9%
‐16,6%
‐20,6%
‐17,3%
‐18,2%
‐17,7%
Dioxineachtige PCB’s
‐19,4%
‐10,3%
Dioxines en furanen
‐9,3%
‐20,0%
Verbrandingspr.
PAK’s (ng/g crt)
+24,2%
+11,0%
+22,1%
+11,4%
+51,5%
+7,5%
+51,2%
+6,8%
Benzeen (µg/g crt)
Het effect van SES (apart voor jongere en ouders) op de biomerkerwaarden van jongeren uit de 3 campagnes wordt telkens bekeken in twee modellen: na controle voor geslacht, leeftijd, rookgedrag (voor de POP’s ook BMI), en daarnaast nog eens bijkomend voor gebied (de verschillende campagnes). De percentages geven bij de significante verbanden de sterkte en de richting van het effect op het geometrisch gemiddelde weer. De hoogste SES klasse is telkens de referentiecategorie. We zien een negatief effect van SES op blootstelling aan cadmium, koper en lood. Jongeren uit het BSO hebben een gemiddelde cadmiumwaarde die 22% hoger ligt dan jongeren uit het ASO, na correctie voor geslacht, leeftijd en rookgedrag. De blootstelling bij jongeren uit het TSO is gemiddeld 5% hoger. Het effect van SES blijft bestaan na bijkomende correctie voor de verschillende campagnes. Voor koper en lood zijn de negatieve effecten significant voor de twee indicatoren van SES. Kijken we naar het onderwijstype van jongeren dan blijkt het effect van SES op blootstelling aan koper ongeveer even sterk voor BSO als TSO (ten opzichte van ASO), terwijl het effect op blootstelling aan lood duidelijk sterker is voor BSO dan voor TSO. Kijken we naar het onderwijstype van de ouders, dan zien we voor koper een sterker effect voor hoger dan voor lager secundair (ten opzichte van hoger onderwijs). Voor lood zien we het omgekeerd: sterkere effecten voor de laagste dan voor de middelste SES categorie.
10
Blootstelling bij jongeren aan antimoon vertoont een sterk effect met het opleidingsniveau van de ouders. Het effect is het sterkst tussen jongeren met ouders uit het hoger secundair en het hoger onderwijs, en blijft na bijkomende correctie voor gebied. Blootstelling aan toxisch relevant arseen, kwik en methylkwik is lager bij lagere SES. Het effect is het sterkst voor jongeren uit het TSO: zij hebben gemiddeld een arseen waarde die 19,4% lager ligt dan jongeren uit het ASO (na correctie voor leeftijd, geslacht, rookgedrag en gebied). Voor blootstelling aan kwik en methylkwik zien we sterke effecten met het opleidingsniveau van ouders (maar niet met het onderwijstype van de jongere): jongeren met laagopgeleid ouders hebben een blootstelling aan kwik en methylkwik die respectievelijk 34,4% en 26,9% lager is dan jongeren met hoogopgeleide ouders. Ook blootstelling aan POP’s is lager in de lagere SES‐klassen. Voor PCB’s zien we dit effect voor de beide SES‐indicatoren, voor HCB enkel voor onderwijstype van de jongeren. De blootstelling aan PCB’s bij jongeren met een lage SES in meer dan 20% lager dan bij jongeren met een hoge SES. Blootstelling aan dioxineachtige PCB’s en dioxines en furanen is eveneens lager bij lagere SES, maar dit effect verdwijnt indien we corrigeren voor gebied. Blootstelling aan PAK’s en benzeen zijn hoger in de lagere SES‐klassen: vooral bij benzeen zien we een sterk verband: jongeren uit het BSO hebben een waarde die meer dan 50% hoger ligt dan jongeren uit het ASO (na correctie voor leeftijd, geslacht, rookgedrag en gebied). Bij PAK’s ligt de gemiddelde blootstelling meer dan 20% hoger.
4. Conclusie
De resultaten van de sociale analyses in de jongerencampagne van het tweede steunpunt bevestigen in grote lijnen de resultaten van dezelfde analyses uit het eerste steunpunt. o Een negatieve sociale gradiënt voor zware metalen cadmium, koper, lood en antimoon: jongeren met lage SES hebben een hogere blootstelling, na correctie voor geslacht, leeftijd, rookgedrag en meetgebied. We vinden voor deze biomerkers een effect van SES voor de concentraties in bloed, maar niet in urine (wat wijst op een verband met recente, maar niet met historische blootstelling). Voor toxisch relevant arseen, kwik en methylkwik waarvoor we een positieve sociale gradiënt vinden: lagere SES in lager blootgesteld. Voor mangaan, thallium en nikkel vinden we geen verband. o Een positieve sociale gradiënt voor POP’s: HCB en som PCB’s. jongeren met lage SES hebben een lagere blootstelling, na correctie voor geslacht, leeftijd, BMI, rookgedrag en meetgebied. Nieuw ten opzichte van de resultaten uit het 1ste Steunpunt is dat er nu ook een negatieve sociale gradiënt gevonden wordt voor PAK’s en benzeen. We vinden de meest consistente verbanden voor koper, lood en PCB’s indien we ons baseren op de 2 SES‐indicatoren (significante verbanden bij onderwijstype jongeren en opleidingsniveau ouders). Baseren we ons op de diverse campagnes, dan zien we de meest consistente verbanden voor cadmium, HCB en PCB’s (significant in de referentiecampagne, in Genk‐Zuid en in Menen). Koper en lood vertonen een consistent verband in de twee hotspots. We vinden de sterkste effecten van SES op blootstelling aan benzeen (+50%) en kwik (‐35%).
11
We stellen vast dat sociale gradiënten (meestal) significant blijven na correctie voor meetgebied: het effect van SES op blootstelling aan polluenten wordt niet beïnvloed door de regio waar jongeren wonen (en daarmee samenhangend wellicht ook de externe milieudruk). We zien ook geen interactie‐effecten met meetgebied. Dit suggereert dat vooral levensstijlfactoren samenhangen met sociale verschillen in blootstelling. We stellen vast de resultaten vaak afhankelijk zijn van de gebruikte SES‐indicator. Dit wijst erop dan het onderwijstype van jongeren en het opleidingsniveau van ouders andere invloedfactoren bevatten. Hypothese kan hier zijn dat het onderwijstype van jongeren meer verband houdt met blootstelling aan schadelijke stoffen (denk aan contact met uitlaatgassen in technische richtingen), terwijl het opleidingsniveau van de ouders een betere proxy is voor de sociaal‐economische status, en de daaraan gerelateerde levensstijlfactoren en gezondheidsbeïnvloedend gedrag en kennis.
12
5. Focus op de resultaten voor GenkZuid Dit hoofdstuk bevat de integrale tekst van een publicatie (forthcoming) naar aanleiding van een internationaal congres over Environmental Justice aan de universiteit van Oxford (juli 2012). De tekst gaat meer in detail in op de sociale analyses op de resultaten van de jongerencampagne in Genk‐ Zuid.
Environmental justice under our skin? Socio‐stratifying human biomonitoring results of adolescents living near an industrial hotspot in Flanders, Belgium Bert Morrens, Liesbeth Bruckers, Ilse Loots, Elly Den Hond, Vera Nelen, Nik Van Larebeke, Isabelle Sioen, Greet Schoeters, Willy Baeyens Abstract Environmental justice research suggests that inequalities in the distribution of environmental quality systematically disadvantage the lower social strata of society. The effects of these inequalities on the human exposure to specific chemical pollution remain however to a large extend unknown, especially in hotspot areas were surrounding neighbourhoods are exposed to a mixture of diverse pollution. In Flanders, the northern part of Belgium, a community‐based participatory approach was set up between 2009‐2010 to collect blood, urine and hair samples of 197 socially and ethnically diverse adolescents (14‐15 years of age) living in the close proximity of a non‐ferro industrial area. We conduct a socio‐stratification of human biomonitoring results by associating the internal body concentration of three types of chemical pollution (heavy metals, POPs and volatile compounds) with individual socioeconomic status (SES) and ethnic background. Social gradients in exposure to these chemicals are assessed with geometric means, using multiple regression models, controlling for covariates and confounders. Our results show that, depending on the (type of) pollutant, adolescents with a lower SES can either have higher or lower internal concentrations. Socially constructed factors, such as dietary and lifestyle habits, play an important role in these relations. We conclude that when assessing the human exposure concentrations of pollutants, more complex patterns of social stratification emerge than can be assumed on the basis of the environmental justice hypothesis. It therefore remains important to consider the chemical environment in relation to the social environment when monitoring environmental health risks. By emphasizing on transparent communication and relevant interaction between residents, local stakeholders and scientists, monitoring environmental health could enhance the empowerment of socioeconomically disadvantaged communities. Key words: Human biomonitoring, socioeconomic status, adolescents, environmental justice, internal environmental exposure, community‐based participatory approach 13
1. Introduction Environmental justice research suggests that inequalities in the distribution of environmental exposure to chemical pollution systematically disadvantage the lower social strata of society.i However, a majority of these studies only looks at potential environmental exposure, linking the spatial distribution of pollution sources or emission concentrations to aggregated socio‐demographic characteristics of neighbourhoods or city wards. The usefulness of these rough methodologies with aggregated data seems to be rather limited, because analysed group‐level associations between social determinants and (potential) external exposure to pollutants may not reflect the individual experience. These so called ‘first generation’ii environmental justice studies are therefore criticised for only giving a very partial view of the processes involved in environmental inequalities. Little research exists on the social distribution of internal pollutant exposure concentrations, measured by human biomonitoring, and available evidence shows inconsistent results which do not always support the environmental justice hypothesis.iii In this paper we attempt to tackle this research gap by socio‐stratifying the results of a human biomonitoring study in Flanders, the northern part of Belgium. Between 2009‐2010, a community‐ based participatory approach was set up to collect blood, urine and hair samples of 197 socially and ethnically diverse adolescents living in the close proximity of an industrial hotspot area ‘Genk‐Zuid’. This industrial zone – one of the largest in Flanders – is characterised by a mixture of industrial activity and emissions: a stainless steel plant, a car assembly plant and its suppliers, a glue production plant, a coal and biomass‐powered electricity facility. Concentrations of heavy metals nickel and chrome in fine particulate matter have been found to be particularly high in comparison with levels measured in other Flemish locations. The industrial zone is entirely surrounded by residential areas, some of which concentrate a high proportion of ethnic minorities (mainly Turks and Moroccans), a high degree of poverty, high unemployment rates, and a lot of social housing (often in bad conditions). From a ‘first generation’ (aggregated) viewpoint, the coexistence of socioeconomic and environmental burdens in this industrial area is a clear example of environmental injustice. The effects of these inequalities on the individual exposure to pollution remain however to a large extend unknown. The purpose of this study is to assess social gradients in human biomarkers of exposure and determine whether these gradients can be explained by specific underlying factors related to both exposure and socioeconomic status (SES). The hypothesis is to find negative social gradients: lower SES having higher body concentrations. 2. Method Data presented in this paper are gathered from the second Flemish Environment and Health Survey (FLEHS II), a human biomonitoring program carried out by the Flemish Centre for Expertise on Environment and Health. Within this Centre, researchers from all Flemish universities and two research institutes provide different expertises: medical, environmental and statistical as well as social scientific. The main focus of FLEHS II was the geographical distribution of internal exposure by measuring the body concentrations of pollutants in adolescents living in Genk‐Zuid and compare
14
their concentrations to Flemish reference values of the same age group. In this paper we focus on the social distribution of internal exposure in the adolescents of Genk‐Zuid. A. Study area and participants Based on plume emission calculations and population data, an oval study area was delineated around the industrial zone. The program selected adolescents (aged 14‐15 years) since their physical and mental development makes them a particularly susceptible and relevant subgroup to study the adverse influence of environmental pollution. Via schools, community workers, GPs and door‐to‐ door visits, we recruited 197 adolescents (a response rate of 34%) who lived at least five years in the study area, between January‐November 2010. B. Measures of internal exposure A blood, urine and hair sample was taken from each participant to carry out various chemical analyses and assess the internal concentration of different biomarkers of exposure, classified into three broad categories: i) heavy metals (cadmium, lead, nickel, chromium, copper, manganese, thallium, antimony, arsenic and mercury), ii) persistent organic pollutants (POPs) (PCBs, pesticides HCB and DDE (a metabolite of DDT), dioxins and brominated flame retardants (BDE47 and BDE153)), and iii) metabolites of volatile compounds (PAHs and benzene). Research has shown that a lot of heavy metals are carcinogenic, nephrotoxic and neurotoxic and have been associated with fertility problems. POPs and PAHs have hormone‐disrupting, immune‐disrupting, neurotoxic and carcinogenic properties. C. Measurement of socioeconomic status Based on (minimal) information in the self‐administered questionnaires, individual SES is defined by two indicators: educational level of the parents and of the adolescent. Parental educational level, based on the highest attainment of father and mother, was classified into three categories: primary (both parents did not complete high school), secondary (at least one parent completed high school), and tertiary education (at least one parent completed higher education). Adolescents’ educational level was classified into vocational, technical or general education. In our analyses, the categories of both indicators correspond, respectively, to adolescents with a low, middle or high SES. Complementary to SES, we determined the ethnic background of the adolescent, based on parental birth country. We defined three categories: both parents born in Belgium, only one parent born in Belgium, or both parents not born in Belgium. The vast majority of foreign born parents were from Turkey or Morocco. D. Statistical methodology For each biomarker, the relationship with SES is investigated using linear regression models, correcting for confounders and covariates. The natural log transformed internal concentration is used as the dependent variable in these models. As such, the average exposure is quantified by the geometric mean (GM) for each category of SES; and the strength of the relation is quantified by the ratio of the GM of two SES categories. For each biomarker the following regression models were considered: a model correcting for confounders sex and age, a model additionally correcting for distance between coordinates of participants home address and emission stations (distance to pollution source), a model additionally correcting for smoking status (for heavy metals) or body mass
15
index (for POPs), and a final model which additionally includes biomarker specific covariates. All analyses are done at a 5% level of significance with SAS version 9.2. 3. Results All figures and tables are available in the appendix. Significant social gradients were found for 7 biomarkers of exposure: 3 heavy metals (cadmium, lead and copper), 3 POPs (BDE153, DDE and PCBs) and 1 volatile compound (PAHs). All other biomarkers measured, including the most problematic for the industrial hotspot of Genk‐Zuid (namely chrome, thallium, and arsenic), do not differ across social groups. The internal exposure to cadmium, lead and copper follows a negative social gradient: adolescents with low SES have higher concentrations compared to adolescents with higher SES. Social differences based on adolescents’ educational level are larger than differences based on parental educational level. The social gradient is most prominent for lead: the concentration of adolescents with a low SES is 22,8% or 25,1% higher (depending on SES‐indicator) than that of adolescents with high SES. For copper, social differences are smaller but significant for both indicators of SES. For cadmium, only a significant social gradient is found for the adolescents own educational level. This gradient is however not decreasing monotonically: adolescents with a middle SES have slightly higher exposure than adolescents with low SES and a much higher exposure than adolescents with high SES. For BDE153, DDE and PCBs, figure 2 (appendix) shows positive social gradients: higher SES is associated with higher exposure level. Social gradients are largest for BDE153. Depending on the SES‐ indicator, the relation with POP exposure differs: when we look at parental education, the relation with BDE153 is more or less linear. For DDE and PCBs, the lowest social category is more exposed than the middle, but the highest levels are found in the high SES class. For adolescents’ education we see the opposite: a monotonic increasing relation with DDE and PCBs, but a non‐monotonic increasing relation with BDE153. Shown in table 2 are (1) the ratio of GM expressed relative to the high SES category, (2) the p‐ value for the SES indicator in the linear regression model. Negative social gradients based on parental education are only significant for lead and copper. For copper, the significance disappears after controlling for sex and age (model 1). Girls have higher mean exposure levels for copper than boys (p=0.001) and are more represented in the low and middle SES category (p=0.120) (data not shown). For lead, the relation remains, even after controlling for pollution distance (model 2), but disappears after additionally correcting for smoking behaviour (model 3). For cadmium, lead and copper, the significant negative relation with adolescents’ education remains after correcting for sex and age. Additionally controlling for the distance to pollution source does not explain the social gradients in exposure, but correcting for smoking behaviour does explain social differences for lead. Correcting for parameters related to dietary habits (consumption of fruit, vegetables and meat), time spent in traffic and iron status (serum ferritin) explains social differences for cadmium, but not for copper. A lower iron status is associated with higher cadmium exposure and with lower SES. When we look at ethnic background in separate regression models (data not shown), we see significant relations with lead and copper exposure: adolescents with a different ethnic background 16
have higher body concentrations. These relations cannot be explained by the above confounders and covariates. When SES indicators are included in the models, ethnic differences in exposure remain significant. For lead and copper, ethnicity explains a larger proportion of the variance than SES. For BDE153, DDE and PCBs, the significant positive relation with SES remains after correcting for sex and age (model 1) and distance to pollution source (model 2), except for the relation between DDE and parental educational level which disappears after controlling for sex and age. Additionally controlling for BMI (model 3) explains social gradients in exposure to DDE and PCBs based on adolescents’ educational level. A higher BMI is associated with lower concentrations of POPs (p<0.01) and with a lower SES (p<0.01). When dietary parameters are included (model 4), all other social relations disappear. For BDE153, a higher vegetable and meat consumption is associated with a higher body concentration and a higher SES. For PCBs, a higher meat consumption and more breastfeeding by the adolescent’s mother explain social gradients in exposure. When we look at ethnic background in separate regression models (data not shown) we see significant relations with BDE153, which could not be explained by confounders and covariates, and with PCBs which are explained by sex and age. Ethnicity explains a larger proportion of the variance of BDE153 compared to SES. 4. Discussion In this paper we tested the general environmental justice hypothesis that people of lower socioeconomic strata are more exposed to environmental pollution than people of higher social strata. Our results show that associations between socioeconomic status (SES) and body concentrations of environmental pollutants in Flemish adolescents living near an industrial zone are more complex than can be assumed on the basis of that hypothesis. Four conclusions can be made. 1. Depending on the (type of) pollutant, adolescents with a lower SES have higher or lower internal concentrations. Exposure to some heavy metals (lead, cadmium and copper) is negatively associated with SES, while exposure to POPs (PCBs, pesticide DDE and flame retardant BDE153) is positively associated with SES. Surprisingly, pollutants which are most problematic for the industrial hotspot of Genk‐Zuid (which are most increased compared to Flemish reference value), are not associated with SES. This may indicate that when local emission reach a certain threshold, even (a healthy) lifestyle can’t counter exposure and residents of all social groups are affected. From a researcher perspective, this also indicates that issues of social diversity in exposure to pollution may not always be identified from a more general comparable perspective (i.c. Genk‐Zuid versus Flanders). Or in other words: not accounting for SES in environmental health research may underemphasise or even conceal high risk groups. 2. Distance to (suspected) pollution sources is not a principal factor in this observed social differences in exposure. This is consistent with earlier biomonitoring data on 1.679 adolescents living in eight areas with different patterns of pollution in Flanders.iv Observed social gradients in human exposure to heavy metals and POPs could not be explained by controlling for residential area, indicating that the spatial distribution of exposure – although important in determining internal exposure concentrations in Flanders – is no primary determinant of the social distribution of exposure.v 17
3. Lifestyle factors and dietary behaviours appear to be important determinants of social gradients in internal exposure. Although for some biomarkers, social gradients could also be explained by demographic (sex, age) or biometric factors (BMI). The ethnic background of adolescents seems to be an associated underlying characteristic of the observed social gradients. Our data suggests that – although ethnic background is strongly correlated with SES – ethnic background should not primarily be considered only a proxy for factors associated with social deprivation. In order to explain ethnical differences in exposure, biological or cultural oriented hypotheses perhaps seem more plausible. If we consider ethnic background as a construct for a shared genetic heritage then ethnicity could be associated with biological mechanism which may induce absorption of pollutants. For instance, research found that pubertal development starts earlier in Turkish and Moroccan girls than in other West‐European populations.vi Consequently girls with an Arabic background will suffer earlier risks of iron deficiencies leading to faster absorption of heavy metals. This mechanism specifically may be relevant at the age of 14 to 15 years, since this is the age when menarche starts. Yet, it seems also plausible that ethnicity is more a cultural construct taking into account specific dietary and religious habits which may be associated to exposure risks. For instance, Arabic persons often drink tea brewed in traditional metallic teapots which have recently been identified as a possible source of lead and nickel.vii Also, the daily living in Turkish and Moroccan households is more situated on the floor level, so that fine particles in the environment are perhaps more easily transferred to living areas or more easily inhaled or absorbed by household members. 4. Various SES indicators give different results. Education is a consistent and commonly used indicator of SES in environmental health research and epidemiology,viii especially for children and adolescents, because it is associated with health‐related knowledge and behaviour. In our paper we based SES on two indicators: the educational level of the parents and of the adolescent. Conventionally children are classified according to the social status of their parents. However, as children grow up, they follow different educational trajectories, bound with social mobility. Moreover in Flanders, pupils as young as 13–14 years (or their parents) already select an educational level that determines to a large extent their future career. With respect to internal exposure to environmental pollutants, we find social gradients based on the educational level of the adolescents to be larger and more often significant than social gradients based on parental education. This may indicate that both indicators are proxies for different aspects of socioeconomic status (e.g. dietary habits, consumption products) or that the adolescents’ education (general, technical or vocational) is in itself a determinant of actual exposure (e.g. exposure to heavy metals and diesel exhaust for pupils with a technical education in industrial techniques). Our study suggests that when looking at the internal exposure of environmental chemicals a complex and nuanced picture emerges in which social gradients differ in function of the chemicals under study. Although our findings support only partly the environmental justice hypothesis, the results are consistent with other available studies in children’s and adolescent populationsix and adult populations.x Therefore we conclude with a wise comment of David Briggsxi saying that “What determines levels of exposure is consequently not just the distribution of pollution within the environment, but also human behaviours and lifestyles, and thus the sorts of exposure environments in which people spend their time. By the same token, exposure is not only an environmental process, it is also a social, demographic and economic one”.xii 18
Notes i Gary W. Evans and Elyse Kantrowitz, ‘Socioeconomic status and health: The potential role of environmental risk exposure’, Annual Review of Public Health 23 (2002): 303‐331. ii Gordon Walker, ‘Beyond Distribution and Proximity: Exploring the Multiple Spatialities of Environmental Justice’, Antipode 41, 4 (2009): 614‐636. iii Martine Vrijheid, et al. ‘Socioeconomic Status and Exposure to Multiple Environmental Pollutants During Pregnancy: Evidence for Environmental Inequity?’, Journal of Epidemiology and Community Health 66, 2 (2012): 106‐113. iv Bert Morrens, et al., ‘Social Distribution of Internal Exposure to Environmental Pollution in Flemish Adolescents’, International Journal of Hygiene and Environmental Health 215, 4 (2012): 474‐481. v Ibid. vi Serap Semiz, et al., ‘Pubertal Development of Turkish Children’, Journal of Pediatric Endocrinology & Metabolism 21, 10 (2008): 951‐61. vii Fabien Bolle, et al., ‘Tea Brewed in Traditional Metallic Teapots as a Significant Source of Lead, Nickel and Other Chemical Elements’, Food Additives and Contaminants Part a‐Chemistry Analysis Control Exposure & Risk Assessment 28, 9 (2011): 1287‐93. viii Bruna Galobardes, et al., ‘Indicators of Socioeconomic Position (Part 1)’, Journal of Epidemiology and Community Health 60, 1 (2006): 7‐12. ix Morrens, Social distribution pollution Flemish adolescents. And Marike Kolossa‐Gehring, et al., ‘German Environmental Survey for Children (Geres Iv) ‐ First Results’ International Journal of Hygiene and Environmental Health 210, 5 (2007): 535‐40. x Vrijheid, Socioeconomic status pollutants pregnancy. xi David Briggs, ‘Environmental Pollution and the Global Burden of Disease’, British Medical Bulletin 68 (2003): 1‐24. xii Ibid, 10. Bibliography Bolle Fabien, Brian Wendy, Petit Daniel, Boutakhrit Khalid, Feraille Guillaume, Van Loco Joris, ‘Tea Brewed in Traditional Metallic Teapots as a Significant Source of Lead, Nickel and Other Chemical Elements’. Food Additives and Contaminants Part a‐Chemistry Analysis Control Exposure & Risk Assessment 28, 9 (2011): 1287‐93. Briggs David, ‘Environmental Pollution and the Global Burden of Disease’. British Medical Bulletin 68 (2003): 1‐24. Evans Gary W., and Kantrowitz Elyse, ‘Socioeconomic status and health: The potential role of environmental risk exposure’. Annual Review of Public Health 23 (2002): 303‐331. Galobardes Bruna, Shaw Mary, Lawlor Debbie A., Lynch John W., Davey Smith George, ‘Indicators of Socioeconomic Position (Part 1)’. Journal of Epidemiology and Community Health 60, 1 (2006): 7‐ 12. 19
Kolossa‐Gehring Marike, Becker Kerstin, Conrad André, Lüdecke Anja, Riedel Stefan, Seiwert Margarete, Schulz Christine, Szewzyk Regine, ‘German Environmental Survey for Children (Geres Iv) ‐ First Results’. International Journal of Hygiene and Environmental Health 210, 5 (2007): 535‐ 40. Morrens Bert, Bruckers Liesbeth, Den Hond Elly, Nelen Vera, Schoeters Greet, Baeyens Willy, Van Larebeke Nicolas, Keune Hans, Bilau Maaike, Loots Ilse, ‘Social Distribution of Internal Exposure to Environmental Pollution in Flemish Adolescents’. International Journal of Hygiene and Environmental Health 215, 4 (2012): 474‐481. Miquel Porta, Bosch de Basea Magda, Benavides Fernando G., López Tomàs, Fernandez Esteve, Marco Esther, Alguacil Juan, Grimalt Joan O., Puigdomènech Elisa, ‘Differences in serum concentrations of organochlorine compounds by occupational social class in pancreatic cancer’. Environmental Research, 108, 3 (2008): 370‐379. Semiz Serap, Kurt Funda, Kurt Devrim Taml, Zencir Mehmet, Sevinc Özgür, ‘Pubertal Development of Turkish Children’. Journal of Pediatric Endocrinology & Metabolism 21, 10 (2008): 951‐61. Vrijheid Martine, Martinez David, Aguilera Inma, Ballester Ferran, Basterrechea Mikel, Esplugues Ana, Guxens Monica, Larranãga Maribel,Lertxundi Aitana, Mendez Michelle, Murcia Mario, Santa Marina Loreto, Villanueva Cristina M., Sunyer Jordi, ‘Socioeconomic Status and Exposure to Multiple Environmental Pollutants During Pregnancy: Evidence for Environmental Inequity?’. Journal of Epidemiology and Community Health 66, 2 (2012): 106‐113. Walker Gordon, ‘Beyond Distribution and Proximity: Exploring the Multiple Spatialities of Environmental Justice’. Antipode 41, 4 (2009): 614‐636. Appendix Table 1 – Sociodemographics of study population (n=197) Sex (%) Boys Girls Socioeconomic status (SES) Parental education (%) Primary Secondary Tertiary Adolescent’s education (%) Vocational Technical General Ethnic background Parental birth country (%) Both not Belgium One not Belgium Both Belgium
89 (45,2) 108 (54,8) 38 (19,7) 61 (31,6) 94 (48,7) 39 (20,4) 43 (22,5) 109 (57,1) 39 (20,6) 22 (11,6) 128 (67,7)
20
Figure 1 – social gradients in exposure to heavy metals (expressed as ratio of GM of high SES)
Figure 2 – social gradients in exposure to POPs (expressed as ratio of GM of high SES)
Table 2 – Linear regression models for heavy metals (ratio of GM expressed relative to the high SES category) Geometric mean Model 1a Low SES Middle SES p‐value Model 2b Low SES Middle SES p‐value c Model 3 Low SES
Cadmium (µg/L) AE PE 1,23 n.s. 1,28 n.s. 0,01 n.s. 1,22 n.s. 1,28 n.s. 0,01 n.s. 1,18 n.s.
Lead (µg/L) AE PE 1,26 1,23 1,09 1,20 0,01 0,01 1,23 1,16 1,05 1,18 0,03 0,04 1,21 1,14
Cupper (µg/L) AE PE 1,10 1,04 1,07 1,06 0,01 0,10 1,10 n.s. 1,06 n.s. 0,01 n.s. 1,09 n.s.
21
Middle SES p‐value Model 4d Low SES Middle SES p‐value
1,25 0,03 1,15 1,22 0,06
n.s. n.s. n.s. n.s. n.s.
1,04 0,05 n.s. n.s. n.s.
1,16 0,06 n.s. n.s. n.s.
1,06 0,02 1,09 1,05 0,05
n.s. n.s. n.s. n.s. n.s.
AE: adolescents’ education PE: parental education n.s.: not significant a adjusted for sex and age b additionally adjusted for distance to pollution sources c additionally adjusted for smoking behaviour d additionally adjusted for consumption of fruit, vegetables and meat, time spent in traffic and serum ferritin
Table 3 – Linear regression models for POPs (ratio of GM expressed relative to the high SES category) Geometric mean Model 1a Low SES Middle SES p‐value Model 2b Low SES Middle SES p‐value Model 3c Low SES Middle SES p‐value Model 4d Low SES Middle SES p‐value
BDE153(ng/g lipid AE PE 0,81 0,65 0,69 0,75 0,01 0,00 0,82 0,66 0,69 0,74 0,01 0,00 0,87 0,70 0,74 0,80 0,03 0,01 0,88 0,79 0,79 0,89 0,15 0,23
DDE (ng/g lipid) AE PE 0,67 0,85 0,77 0,74 0,02 0,07 0,67 n.s. 0,77 n.s. 0,02 n.s. 0,73 n.s. 0,81 n.s. 0,08 n.s. n.s. n.s. n.s. n.s. n.s. n.s.
PCBs (ng/g lipid) AE PE 0,78 0,80 0,79 0,71 0,01 0,00 0,77 0,80 0,79 0,72 0,01 0,00 0,84 0,87 0,85 0,79 0,10 0,03 n.s. 1,07 n.s. 0,88 n.s. 0,14
AE: adolescents’ education PE: parental education n.s.: not significant a adjusted for sex and age b additionally adjusted for distance to pollution sources c additionally adjusted for BMI d additionally adjusted for consumption of meat, vegetables and eggs
22
6. Bijlage Tabel B1: relatie tussen sociaal‐economische status en biomerkers van blootstelling alle campagne samen, na controle voor confounders, regressiecoëfficiënten
Biomerker
Zware metalen Cadmium (µg/L) Cadmium (µg/g crt) Koper (µg/L) Koper (µg/g crt) Mangaan (µg/L) Lood (µg/L) Thallium (µg/L) Thallium (µg/g crt) Nikkel (µg/g crt) Antimoon (µg/g crt) Kwik (µg/g) Methylkwik (µg/g) TR arseen µg/g crt
Model 1 BSO (ASO=ref.)
TSO (ASO=ref.)
SES: opleiding kind (p)
Model 2 BSO TSO (ASO=ref.) (ASO=ref.)
Aantal deelnemers
SES: opleiding kind (p)
590
0.02960
492
0.64192
0.1986496 0.0484608 (p=0.0084) (p=0.3452) / /
0.04442 0.1779156 0.0658696 0.4534 (p=0.0179) (p=0.2032) 0.60011 / / 0.5377
591 490
0.00017 0.0671101 0.0487670 (p=0.0015) (p=0.0007) 0.13282 / /
0.00005 0.0615810 0.0564053 0.4689 (p=0.0027) (p<.0001) 0.21009 / / 0.1985
591
0.66140
/
/
591
0.01089
591
0.09296
0.1476963 (p=0.0029) /
0.54196 0.00973
492
0.62299
492
Interactie SES‐ gebied? (p)
/
/
0.8970
0.1494698 (p=0.0024) /
0.0345453 (p=0.3506) /
0.4328 0.7790
/
0.0414203 (p=0.2558) / 0.15971 / 0.63230
/
/
0.2223
/
/
0.98146
/
/
0.4758
492
0.97562 0.11419
/
/
0.07744
/
/
0.0052
580
0.19393
/
/
/
/
0.9826
568
0.50785
/
/
0.13399 0.43954
/
/
0.9236
560
0.00596
‐ 0.1810626 (p=0.0489)
‐ 0.2160811 (p=0.0045)
0.5518
‐ 0.2363327 (p=0.0028)
0.00550
‐ 0.1546223 (p=0.0875)
DDE 586 (ng/g vet) Dioxineachtige 552 PCB’s (pg BEQ/g vet) HCB 586 (ng/g vet)
0.27616
/
/
0.08273
/
/
0.2080
0.00465
0.0981152 (p=0.1171)
0.21979
/
/
0.2328
0.00138
‐ 0.1838411 (p=0.0045) /
‐ 0.2135151 (p=<.0001) /
0.9602
553
‐ 0.2113755 (p=<.0001) 0.1824320 (p=0.0027)
0.00002
Dioxines en furanen (pg BEQ/g vet) Som PCB’s (ng/g vet)
586
0.00030
‐ 0.1310007 (p=0.0103)
0.00005
Vluchtige stoffen
‐ 0.2157149 (p=0.0180) ‐ 0.1849366 (p=0.0041) ‐ 0.0978223 (p=0.2433) ‐ 0.2624015 (p=0.0002)
‐ 0.2338319 (p=0.0003)
‐ 0.1810152 (p=0.0006)
POP’s
0.00002
0.38155
0.0932
0.6152
23
PAK’s (ng/g crt) Benzeen (µg/g crt)
561
0.24288
/
/
0.45287
/
/
0.3174
563
0.00155
0.4155851 (p=0.4216) Model 1
0.0722593 (p=0.0003)
0.00176
0.4137588 0.0662013 (p=0.0004) (p=0.4607) Model 2
Aantal deelnemers
HS (ASO=ref.)
SES: opleiding ouders
Interactie SES‐ gebied? (p)
0.4867
Zware metalen Cadmium bloed (µg/L) Cadmium (µg/g crt) Koper in bloed (µg/L) Koper (µg/g crt) Mangaan (µg/L) Lood (µg/L) Thallium (µg/L) Thallium (µg/g crt) Nikkel (µg/g crt) Antimoon (µg/g crt) Kwik (µg/g)
SES: opleiding LS ouders (HO=ref.) (p)
591
0.26410
0.37625
0.7913
495
0.64653
/
/
0.71124
/
/
0.6326
592
0.00652
493
0.71834
592
0.50608
0.00277
0.27516
0.0253997 0.0485128 0.00568 0.0206396 0.0491748 0.6291 (p=0.1796) (p=0.0018) (p=0.2796) (p=0.0014) / / 0.75791 / / 0.0161 / / 0.44521 / / 0.2150 0.1701524 0.0474557 0.00260 0.1732133 0.0426233 0.0392 (p=0.0007) (p=0.1900) (p=0.0006) (p=0.2350) / / 0.08651 / / 0.6830
495
0.98460
/
/
0.97674
/
/
0.1434
495
0.07325
/
/
0.05445
/
/
0.1716
495
0.00744
Methylkwik (µg/g)
571
0.00228
TR arseen µg/g crt POP’s
561
0.49745
0.44992
0.1022313 (p=0.1663) ‐ 0.4209544 (p<.0001) ‐ 0.3129910 (p=0.0061) /
0.1899994 (p=0.0034) ‐ 0.3269644 (p=0.0001) ‐ 0.2451225 (p=0.0085) /
0.0804
0.00000
0.2103219 (p=0.0018) ‐ 0.3227788 (p=0.0001) ‐ 0.2454280 (p=0.0079) /
0.01216
582
0.0922998 (p=0.2206) ‐ 0.4382361 (p<.0001) ‐ 0.3226422 (p=0.0044) /
Biomerker
0.00000
0.00307
LS (HO=ref.)
HS (ASO=ref.)
0.1593
0.7773
0.4109
DDE (ng/g vet) Dioxineachtige PCB’s (pg BEQ/g vet) HCB (ng/g vet) Dioxines en furanen (pg BEQ/g vet) Som PCB’s (ng/g vet)
587
0.90774
/
/
0.87372
/
/
0.2872
551
0.14008
/
/
0.43184
/
/
0.7699
587
0.17132
/
/
0.15988
/
/
0.8797
552
0.60576
/
/
0.74055
/
/
0.5958
587
0.00008
‐ 0.2013455 (p=0.0015)
‐ 0.1950818 (p=0.0002)
0.3338
‐ 0.1898856 (p=0.0007)
0.00011
Vluchtige stoffen PAK’s (ng/g crt) Benzeen (µg/g crt)
‐ 0.2309137 (p=0.0003)
563
0.02038 0.06697
0.1047072 (p=0.0792) /
0.02247
565
0.2163734 (p=0.0078) /
0.1998041 (p=0.0102) /
0.1082488 (p=0.0621) /
0.3096 0.2781
0.07703
24
25
