The Relationship Between Diabetes Mellitus and Traffic-Related Air Pollution
Notice bibliographique
Résumé
OBJECTIVE: Air pollution is associated with an increased risk for cardiovascular events. Many of the biological pathways involved could also promote diabetes mellitus (DM). We therefore investigated the association between DM prevalence and exposure to traffic-related air pollution (nitrogen dioxide [NO 2]). METHODS: Study participants were patients who attended two respiratory clinics in Hamilton (n = 5228) and Toronto (n = 2406). The diagnosis of DM was ascertained by linkage to administrative databases of the Ontario universal Health Insurance Plan for patients aged 40 years and above. Geographic Information systems methodology was used to assign individual estimates of NO2 based on a network of samplers in each city. Logistic regression was used to estimate the relations between NO2 exposures and the odds of DM diagnosis. RESULTS: After adjusting for age, body mass index, and neighborhood income there were positive effects in women on the odds ratio for DM for each 1 ppb NO2 exposure in Toronto (OR 1.055, 95% CI: 0.99 to 1.11) and Hamilton (OR 1.029, 95% CI: 0.98 to 1.08). In a meta-analytic model including both cities, there was a significant effect in women (OR = 1.04; 95% CI: 1.00 to 1.08). Across the inter-quartile range (approximately 4 ppb NO2) there was nearly a 17% increase in the odds of DM for women. There were no positive associations among men. CONCLUSIONS: Exposure to NO2, a marker of traffic-related air pollutants, was associated with DM prevalence among women. Exposure estimate errors in men may explain the apparent gender difference. These results suggest that common air pollutants are associated with DM and warrant more investigation to determine if this is a cause-and-effect relationship.
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 | 0,001 | 0,001 |
| 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 ».