Attributable Mortality Risk of Temperature: A Multi-Country Study.
Notice bibliographique
Résumé
INTRODUCTION: while few studies investigated the attributable mortality risk for either heat or cold in selected countries, none so far has provided estimates for the whole temperature range in different climates. METHODS: we collected data for 326 cities in Australia (1988–2009), Canada (1986–2009), China (1996–2008), Italy (1987–2010), Japan (1972–2009), Korea (1992–2010), Spain (1990–2010), Taiwan (1994–2007), Thailand (1999–2008), UK (1993–2006), and USA (1985–2009), totalling over 48 million deaths. A standard time series Poisson model was fit in each city controlling for trend and day of the week. The temperature-mortality relationship was estimated with a distributed lag non-linear model through a bi-dimensional spline, then reduced to the overall risk cumulated over lag 0–21. City-specific best linear unbiased predictions were computed from a multivariate meta-analytical model. Attributable risk were calculated for heat and cold, defined as temperatures above and below the point of minimum mortality. RESULTS: temperature is attributed in total 6.31% (95% CI 6.05–6.50%) of mortality, with substantial inter-country variation, from 3.3% in Thailand to 11.3% in China. The temperature percentile of minimum mortality varies from around 60 th in (sub)tropical countries (Thailand and Taiwan) to around 80 th -90 th in the other countries. Most of the attributable deaths are due to cold, with a fraction of 5.90% (5.65–6.09%), if compared to 0.41% (0.37–0.44%) due to heat, a ratio relatively stable across countries. Sensitivity analyses show that the estimates are robust to modelling choices and confounding control.
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 | 0,006 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,005 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».