Use of GIS to Direct Public Health Interventions for Heat-Related Illness
Notice bibliographique
Résumé
ISEE-326 Objective: The aim of this study was to demonstrate how geographic information systems (GIS) can be used to identify urban areas with a high burden of heat-related illness (HRI) and subsequently direct public health interventions to mitigate associated morbidity and mortality. Material and Methods: This study used 911 ambulance dispatch data to assess the geospatial distribution of HRI in Toronto, Canada from 2002 to 2005 to (i) assess any heterogeneity in burden between neighborhoods and (ii) to detect clusters or “hot spots” of HRI calls where public health interventions might best be targeted. The proportion of HRI calls to all emergency calls was mapped for each of the 4 study summers using the latitude and longitude values provided for each call using the software, MapInfo. Results: There is clear geospatial heterogeneity in the burden of HRI in Toronto. Areas with high rates of HRI include those located along the waterfront, particularly areas centered around summer outdoor recreational activities. Other areas within the downtown core experience high rates of HRI 911 calls. Although the reasons for proportionately higher rates are unclear, possible explanations may include poorer housing type and ventilation, particular local heat islands, and social factors like homelessness and low socioeconomic status. Each of these will be further explored in our research program. Conclusions: GIS is a useful tool to describe the geospatial distribution of HRI in a major urban centre. By identifying hot spots that experience the highest burden of HRI it is possible to advise public health stakeholders as to where to best target interventions such as distributing water bottles, guiding community agencies, and opening cooling stations to care for at-risk populations.
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 | 0,006 | 0,004 |
| 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) | 0,001 | 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 ».