The carbon footprints of home and in‐center maintenance hemodialysis in the United Kingdom
Notice bibliographique
Résumé
Climate change presents a global health threat. However, the provision of healthcare, including dialysis, is associated with greenhouse gas emissions. The aim of this study was to determine the carbon footprints of the differing modalities and treatment regimes used to deliver maintenance hemodialysis (HD), in order to inform carbon reduction strategies at the level of both individual treatments and HD programs. This was a component analysis study adhering to PAS2050. Emissions factors were applied to data that were collected for building energy use, travel and procurement. Thrice weekly in-center HD has a carbon footprint of 3.8 ton CO2 Eq per patient per year. The majority of emissions arise within the medical equipment (37%), energy use (21%), and patient travel (20%) sectors. The carbon footprint of providing home HD varies with the regime. For standard machines: 4 times weekly (4 days, 4.5 hours), 4.3 ton CO2 Eq; 5 times weekly (5 days, 4 hours), 5.1 ton CO2 Eq ; short daily (6 days, 2 hours), 5.2 ton CO2 Eq; nocturnal (3 nightly, 7 hours), 3.9 ton CO2 Eq; and nocturnal (6 nightly, 7 hours), 7.2 ton CO2 Eq. For NxStage equipment: short daily (5.5 days, 3 hours), 1.8 ton CO2 Eq; 6 nightly nocturnal (2.1 ton CO2 Eq). The carbon footprint of HD is influenced more by the frequency of treatments than by their duration. The anticipated rise in the prevalence of home HD patients, dialyzing more frequently and for longer than in-center patients, will increase the emissions associated with HD programs (despite reductions in patient travel emissions). Emerging technologies, such as NxStage, might offer a solution to this problem.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».