Cross-sectional associations between residential environmental exposures and cardiovascular diseases
Notice bibliographique
Résumé
BACKGROUND: Prior research examining neighbourhood effects on cardiovascular diseases (CVDs) has focused on the impact of neighbourhood socio-economic status or a few selected environmental variables. No studies of cardiovascular disease outcomes have investigated a broad range of urban planning related environmental factors. This is the first study to combine multiple neighbourhood influences in an integrated approach to understanding the association between the built and social environment and CVDs. By modeling multiple neighbourhood level social and environmental variables simultaneously, the study improved the estimation of effects by accounting for potential contextual confounders. METHODS: Data were collected using a cross-sectional survey (n = 2411) across 87 census tracts (CT) in Toronto, Canada, and commercial and census data were accessed to characterize the residential environment. Multilevel regressions were used to estimate the associations of neighbourhood factors on the risk of CVD. RESULTS: Exposure to violent crimes, environmental noise, and proximity to a major road were independently associated with increased odds of CVDs (p < 0.05) in the fully adjusted model. While reduced access to food stores, parks/recreation, and increased access to fast food restaurants were associated with increased odds of CVDs in partially adjusted models (p < 0.05), these associations were fully attenuated after adjusting for BMI and physical activity. Housing disrepair was not associated with CVD risk. CONCLUSIONS: These findings illustrate the importance of measuring and modeling a broad range of neighborhood factors--exposure to violent crimes, environmental noise, and traffic, and access to food stores, fast food, parks/recreation areas--to identify specific stressors in relation to adverse health outcomes. Further research to investigate the temporal order of events is needed to better understand the direction of causation for the observed associations.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».