Examining the Relationship between Trace Lithium in Drinking Water and the Rising Rates of Age-Adjusted Alzheimer’s Disease Mortality in Texas
Notice bibliographique
Résumé
BACKGROUND: Alzheimer's disease (AD) mortality rates have steadily increased over time. Lithium, the current gold standard treatment for bipolar disorder, can exert neuroprotective effects against AD. OBJECTIVE: We examined the relationship between trace levels of lithium in drinking water and changes in AD mortality across several Texas counties. METHODS: 6,180 water samples from public wells since 2007 were obtained and averaged for 234 of 254 Texas counties. Changes in AD mortality rates were calculated by subtracting aggregated age-adjusted mortality rates obtained between 2000-2006 from those obtained between 2009-2015. Using aggregated rates maximized the number of counties with reliable mortality data. Correlational analyses between average lithium concentrations and changes in AD mortality were performed while also adjusting for gender, race, education, rural living, air pollution, physical inactivity, obesity, and type 2 diabetes. RESULTS: Age-adjusted AD mortality rate was significantly increased over time (+27%, p < 0.001). Changes in AD mortality were negatively correlated with trace lithium levels (p = 0.01, r = -0.20), and statistical significance was maintained after controlling for most risk factors except for physical inactivity, obesity, and type 2 diabetes. Furthermore, the prevalence of obesity and type 2 diabetes positively correlated with changes in AD mortality (p = 0.01 and 0.03, respectively), but also negatively correlated with trace lithium in drinking water (p = 0.05 and <0.0001, respectively). CONCLUSION: Trace lithium in water is negatively linked with changes in AD mortality, as well as obesity and type 2 diabetes, which are important risk factors for AD.
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) | 0,000 | 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) | 0,000 | 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 ».