How Much, How Long, What, and Where: Air Pollution Exposure Assessment for Epidemiologic Studies of Respiratory Disease
Notice bibliographique
Résumé
Epidemiology has played an important role in the understanding of air pollution as a risk factor for respiratory disease and in the evidence base for air quality standards. With the widespread availability of genetic information and increasingly sophisticated measurements of molecular markers of adverse effects, there is a need for more specific and precise assessment of exposure to maximize the potential information to be derived from epidemiologic studies. Here advances in air pollution exposure assessment and their applications to studies of respiratory disease are reviewed, with a focus on recent studies of traffic-related air pollution and asthma. Although continuous measurements of personal exposures for all study subjects for a complete study period might be considered the desired "gold standard" for exposure, this is rarely, if ever, achieved due to feasibility constraints. Given this, exposure is typically estimated using models. Recent applications of geospatial (e.g., land use regression) models to studies of respiratory disease have made possible new study designs focused on spatial variability in exposure within urban areas and have provided new insights into the potential role of traffic-related air pollution (TRAP) as a risk factor for the development of childhood asthma. Substantial uncertainty remains, however, regarding what agent(s) within TRAP might be responsible for the observed associations. Future research will require increasing the specificity of exposure assessment to identify the potential roles of individual air pollution components, to elucidate potential mechanisms, and to facilitate studies of mixtures and gene-air pollution interactions.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,003 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».