Weather data can predict the number of heat stroke patient
Notice bibliographique
Résumé
目的：熱中症救急搬送数を気象データから予測可能か否かにつき検討を行った。対象・方法：2013年7月1日から9月30日において気象データと日別の熱中症救急搬送者数を集計した。 収集項目は，日別の平均気温，最高気温，最低気温，平均湿度，日照時間，平均風速，降水量で東京都，神奈川県，大阪府の3地域を対象地域とし，消防庁の日別の熱中症救急搬送者数を使用した。東京都のデータから予測式を作成し，3地域で評価を行い，次に補正を加えた予測式を作成した。結果：熱中症救急搬送者数yiは，当日データの平均気温と最高気温の2つに対して相関が高かった（それぞれ0.75）。平均気温を用いて指数関数型の予測式yi ~ f (Tav,i) ≡ a exp (b Tav,i) + c = 0.3800 exp (0.00007 Tav,i)を作成し，実救急搬送者数と比較したところ，8月以降についての予測は概ね良好であったのに対し，7月のピークを過小評価していたため，さらに最高気温と最低気温を用いた補正を加えた。 補正を加えた予測式yi ~ f (Tav,i) + Δf (xi) ≡ (a exp (b Tav,i) + c) + (α T*,i + β)={0.3800 exp (0.00007 Tav,i) + 1.209 Thigh,i − 33.47 （最高気温Thighの時）={0.3800 exp (0.00007 Tav,i) + 1.416 Tlow,i − 28.59 （最低気温Tlowの時）で3地域とも7月をより正確に予測することが可能となった。考察：気象条件に基づいた救急搬送者数の予測は，具体的な数字を示すことで，よりインパクトの高い注意を社会に喚起でき，熱中症の予防につながることが期待される。これまでの報告では，予測式を考案し，実症例数と単純に比較検討したものに留まっていた。今回，より実症例数に近似させる予測式を考案し，熱中症の予防に役立つデータとなるよう心がけた。結語：熱中症の発生を予防するうえで有効な熱中症救急搬送者数の予測式を気象データから考案した。より実数に近似させるための補正を行ったことにより，シーズン初期のピークも予測することが可能であった。
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,002 |
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 ».