Exposure to traffic related air pollutants: self reported traffic intensity versus GIS modelled exposure
Notice bibliographique
Résumé
BACKGROUND: In epidemiological studies of the potential health effects of traffic related air pollution, self reported traffic intensity is a commonly used, but rarely validated, exposure variable. METHODS: As part of a study on the impact of Traffic Related Air Pollution on Childhood Asthma (TRAPCA), data from 2633 and 673 infants from the Dutch and the German-Munich cohorts, respectively, were available. Parents subjectively assessed traffic intensity at the home address. Objective exposures were estimated by a combination of spatial air pollution measurements and geographic information system (GIS) based modelling using an identical method for both cohorts. RESULTS: The agreement rates between self reported and GIS modelled exposure--accumulated over the three strata of self assessed traffic intensity--were 55-58% for PM(2.5), filter absorbance (PM(2.5) abs), and nitrogen dioxide in Munich and 39-40% in the Netherlands. Of the self reported low traffic exposed group, 71-73% in Munich and 45-47% in the Netherlands had low modelled exposure to these three air pollutants. Of the self assessed high exposed subgroups in Munich (15% of the total population) and the Netherlands (22% of the total population), only 22-33% and 30-32% respectively had high modelled exposure to the three air pollutants. The subjective assessments tend to overestimate the modelled estimates for PM(2.5) and NO2 in both study areas. When analysis was restricted to the portion of the Dutch cohort living in non-urban areas, the agreement rates were even lower. CONCLUSIONS: Self reported and modelled assessment of exposure to air pollutants are only weakly associated.
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 | 0,000 | 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) | 0,004 | 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 ».