Spatial Analysis of Air Pollution and Mortality in California
Notice bibliographique
Résumé
RATIONALE: Although substantial scientific evidence suggests that chronic exposure to ambient air pollution contributes to premature mortality, uncertainties exist in the size and consistency of this association. Uncertainty may arise from inaccurate exposure assessment. OBJECTIVES: To assess the associations of three types of air pollutants (fine particulate matter, ozone [O3], and nitrogen dioxide [NO2]) with the risk of mortality in a large cohort of California adults using individualized exposure assessments. METHODS: For fine particulate matter and NO2, we used land use regression models to derive predicted individualized exposure at the home address. For O3, we estimated exposure with an inverse distance weighting interpolation. Standard and multilevel Cox survival models were used to assess the association between air pollution and mortality. MEASUREMENTS AND MAIN RESULTS: Data for 73,711 subjects who resided in California were abstracted from the American Cancer Society Cancer Prevention II Study cohort, with baseline ascertainment of individual characteristics in 1982 and follow-up of vital status through to 2000. Exposure data were derived from government monitors. Exposure to fine particulate matter, O3, and NO2 was positively associated with ischemic heart disease mortality. NO2 (a marker for traffic pollution) and fine particulate matter were also associated with mortality from all causes combined. Only NO2 had significant positive association with lung cancer mortality. CONCLUSIONS: Using the first individualized exposure assignments in this important cohort, we found positive associations of fine particulate matter, O3, and NO2 with mortality. The positive associations of NO2 suggest that traffic pollution relates to premature death.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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) | 0,000 | 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 ».