Statistical modeling of complex health outcomes and air pollution data: Application of air quality health indexing for asthma risk assessment
Notice bibliographique
Résumé

 Background: Statistical models for complex health outcome data analyses with; zero inflation, autocorrelation, confounding, seasonality and delayed exposures, play an important role in accurately assessing air pollution risk, especially in public health warning using national air quality health indices (NAQHI). NAQHI assessment generalizes model estimates across all geographies and seasons and neglects area and season specific variations. The aim is to develop complex statistical models, specific to the complex data structures and to demonstrate effectiveness of the model estimates in public health massage delivery.
 Methods: A time series model was fitted to asthma hospital admissions and ambient air pollution data from two sites, Halifax, an urban, traffic and industry polluted site and Sydney, a rural waste disposal polluted site, in the province of Nova Scotia, Canada. I fitted zero inflated, auto regressive, Poisson and Negative Binomial models with lagged effects for sparse asthma admissions and air pollution data and compared the model risk estimates with that of the NAQHI.
 Results: NAQHI used three pollutants, Nitrogen Dioxide, Ozone and particulate matter. I found Carbon monoxide in the urban site and lead in the waste disposal site as prominent pollutants and there were seasonal differences. The findings demonstrated severe under-assessment of asthma relative risk by NAQHI, when prominent pollutants are neglected and also when auto correlation and zero inflation are ignored. 
 Conclusion: This study demonstrated the importance of complex statistical model use and the consequences of lack of such modelling that accounted for data structures in public health risk assessments.
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 | 0,028 | 0,003 |
| 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 | 0,001 | 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) | 0,000 | 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 ».