The gender, age and risk factor distribution differs in self-reported allergic and non-allergic rhinitis: a cross-sectional population-based study
Notice bibliographique
Résumé
BACKGROUND: Few population-based studies have assessed the prevalence and the risk factors of non-allergic rhinitis (NAR) in comparison to allergic rhinitis (AR). Moreover, epidemiologic data on rhinitis in the elderly subjects and in southern Europe are scarce. OBJECTIVE: This study aimed at estimating the prevalence and at comparing the risk factor distribution of AR and NAR in a general population sample aged 20-84 years in Italy. METHODS: A questionnaire on respiratory symptoms and risk factors was administered to random samples of the Italian population aged 20-44 (n = 10,494) 45-64 (n = 2167) and 65-84 (n = 1030) in the frame of the Gene Environment Interactions in Respiratory Diseases (GEIRD) study. Current AR and NAR were defined according to the self-reported presence of nasal allergies or of nasal symptoms without a cold or the flu. RESULTS: NAR showed a significant descending pattern in females from 12.0 % (95 % CI 11.1, 13.1) in the 20-44 year age class, to 7.5 % (5.4, 10.3) in the 65-84 year age class (p = 0.0009), and a roughly stable pattern in males, from 10.2 % (9.3, 11.2) to 11.1 % (8.4, 13.9) (p = 0.5261). AR decreased from 26.6 % (25.7, 27.6) in 20-44 years age class to 15.6 % (13.3, 18.0) in the 65-84 years age class (p < 0.0001), without gender difference. Subjects living near industrial plants and ex- and current smokers had a higher risk of NAR. Current smokers had a lower risk and subjects living in a Mediterranean climate a higher risk of AR. CONCLUSION: AR and NAR are fairly distinct conditions, as they have a different age, gender and risk factor distribution.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 |
| 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 ».