Predicting Hospitalization for Heat-Related Illness at the Census-Tract Level: Accuracy of a Generic Heat Vulnerability Index in Phoenix, Arizona (USA)
Notice bibliographique
Résumé
BACKGROUND: Vulnerability mapping based on vulnerability indices is a pragmatic approach for highlighting the areas in a city where people are at the greatest risk of harm from heat, but the manner in which vulnerability is conceptualized influences the results. OBJECTIVES: We tested a generic national heat-vulnerability index, based on a 10-variable indicator framework, using data on heat-related hospitalizations in Phoenix, Arizona. We also identified potential local risk factors not included in the generic indicators. METHODS: To evaluate the accuracy of the generic index in a city-specific context, we used factor scores, derived from a factor analysis using census tract-level characteristics, as independent variables, and heat hospitalizations (with census tracts categorized as zero-, moderate-, or high-incidence) as dependent variables in a multinomial logistic regression model. We also compared the geographical differences between a vulnerability map derived from the generic index and one derived from actual heat-related hospitalizations at the census-tract scale. RESULTS: We found that the national-indicator framework correctly classified just over half (54%) of census tracts in Phoenix. Compared with all census tracts, high-vulnerability tracts that were misclassified by the index as zero-vulnerability tracts had higher average income and higher proportions of residents with a duration of residency < 5 years. CONCLUSION: The generic indicators of vulnerability are useful, but they are sensitive to scale, measurement, and context. Decision makers need to consider the characteristics of their cities to determine how closely vulnerability maps based on generic indicators reflect actual risk of harm.
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) | 0,001 | 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 ».