Epidemiologic studies have established associations between various air pollutants and adverse health outcomes for adults and children. Due to high costs of monitoring air pollutant concentrations for subjects enrolled in a study, statisticians predict exposure concentrations from spatial models that are developed using concentrations monitored at a few sites. In the absence of detailed information on when and where subjects move during the study window, researchers typically assume that the subjects spend their entire day at home, school, or work. This assumption can potentially lead to large exposure assignment bias. In this study, we aim to determine the distribution of the exposure assignment bias for an air pollutant (ozone) when subjects are assumed to be static as compared to accounting for individual mobility. To achieve this goal, we use cell-phone mobility data on approximately 400,000 users in the state of Connecticut, USA during a week in July 2016, in conjunction with an ozone pollution model, and compare individual ozone exposure assuming static versus mobile scenarios. Our results show that exposure models not taking mobility into account often provide poor estimates of individuals commuting into and out of urban areas: the average 8-h maximum difference between these estimates can exceed 80 parts per billion (ppb). However, for most of the population, the difference in exposure assignment between the two models is small, thereby validating many current epidemiologic studies focusing on exposure to ozone. Supplementary materials accompanying this paper appear online.

中文翻译：

---

使用蜂窝设备网络的康涅狄格州通勤时间人体暴露于臭氧的分布

流行病学研究已经建立了各种空气污染物与成人和儿童不良健康结果之间的关联。由于监测参与研究的受试者的空气污染物浓度的成本很高，统计学家根据空间模型预测暴露浓度，这些模型是使用在几个地点监测的浓度开发的。由于缺乏关于受试者在研究窗口期间何时何地移动的详细信息，研究人员通常假设受试者一整天都在家里、学校或工作中度过。这种假设可能会导致较大的暴露分配偏差。在这项研究中，我们的目标是确定当受试者被假定为静态时，与考虑个人流动性相比，空气污染物（臭氧）的暴露分配偏差的分布。为了实现这一目标，我们在 2016 年 7 月的一周内使用美国康涅狄格州大约 400,000 名用户的手机移动数据，并结合臭氧污染模型，比较了假设静态场景和移动场景的个人臭氧暴露情况。我们的结果表明，未考虑流动性的暴露模型通常对进出城市地区的个人提供较差的估计：这些估计之间的平均 8 小时最大差异可能超过十亿分之八十 (ppb)。然而，对于大多数人群而言，两种模型之间暴露分配的差异很小，从而验证了当前许多侧重于臭氧暴露的流行病学研究。本文随附的补充材料出现在网上。美国在 2016 年 7 月的一周内，结合臭氧污染模型，并在假设静态与移动场景的情况下比较个人臭氧暴露。我们的结果表明，未考虑流动性的暴露模型通常对进出城市地区的个人提供较差的估计：这些估计之间的平均 8 小时最大差异可能超过十亿分之八十 (ppb)。然而，对于大多数人群而言，两种模型之间暴露分配的差异很小，从而验证了当前许多侧重于臭氧暴露的流行病学研究。本文随附的补充材料出现在网上。美国在 2016 年 7 月的一周内，结合臭氧污染模型，并比较假设静态和移动场景的个人臭氧暴露。我们的结果表明，未考虑流动性的暴露模型通常对进出城市地区的个人提供较差的估计：这些估计之间的平均 8 小时最大差异可能超过十亿分之八十 (ppb)。然而，对于大多数人群而言，两种模型之间暴露分配的差异很小，从而验证了当前许多侧重于臭氧暴露的流行病学研究。本文随附的补充材料出现在网上。我们的结果表明，不考虑流动性的暴露模型通常对进出城市地区的个人提供较差的估计：这些估计之间的平均 8 小时最大差异可能超过十亿分之八十 (ppb)。然而，对于大多数人群而言，两种模型之间暴露分配的差异很小，从而验证了当前许多侧重于臭氧暴露的流行病学研究。本文随附的补充材料出现在网上。我们的结果表明，不考虑流动性的暴露模型通常对进出城市地区的个人提供较差的估计：这些估计之间的平均 8 小时最大差异可能超过十亿分之八十 (ppb)。然而，对于大多数人群而言，两种模型之间暴露分配的差异很小，从而验证了当前许多侧重于臭氧暴露的流行病学研究。本文随附的补充材料出现在网上。从而验证了当前许多侧重于臭氧暴露的流行病学研究。本文随附的补充材料出现在网上。从而验证了当前许多侧重于臭氧暴露的流行病学研究。本文随附的补充材料出现在网上。