Children’s Health in Latin America: The Influence of Environmental Exposures
Notice bibliographique
Résumé
BACKGROUND: Chronic diseases are increasing among children in Latin America. OBJECTIVE AND METHODS: To examine environmental risk factors for chronic disease in Latin American children and to develop a strategic initiative for control of these exposures, the World Health Organization (WHO) including the Pan American Health Organization (PAHO), the Collegium Ramazzini, and Latin American scientists reviewed regional and relevant global data. RESULTS: Industrial development and urbanization are proceeding rapidly in Latin America, and environmental pollution has become widespread. Environmental threats to children's health include traditional hazards such as indoor air pollution and drinking-water contamination; the newer hazards of urban air pollution; toxic chemicals such as lead, asbestos, mercury, arsenic, and pesticides; hazardous and electronic waste; and climate change. The mix of traditional and modern hazards varies greatly across and within countries reflecting industrialization, urbanization, and socioeconomic forces. CONCLUSIONS: To control environmental threats to children's health in Latin America, WHO, including PAHO, will focus on the most highly prevalent and serious hazards-indoor and outdoor air pollution, water pollution, and toxic chemicals. Strategies for controlling these hazards include developing tracking data on regional trends in children's environmental health (CEH), building a network of Collaborating Centres, promoting biomedical research in CEH, building regional capacity, supporting development of evidence-based prevention policies, studying the economic costs of chronic diseases in children, and developing platforms for dialogue with relevant stakeholders.
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».