Air pollution exposure and IPF: prevention when there is no cure
Notice bibliographique
Résumé
The clinical management of idiopathic pulmonary fibrosis (IPF) is challenging. For patients with a progressive disease with no known cure, realistic goals include slowing the rate of disease progression, optimising comorbidities and functional status, managing symptoms, and preventing what is preventable. The latter is short however, mainly including smoking cessation and infection prevention measures. Despite adherence to recommended management, most patients deteriorate over time, with some experiencing acute exacerbation (AE), and the majority dying due to their IPF.1 Identifying modifiable risk factors that limit disease progression or death could change clinical practice, offering preventative tools with which to achieve the goal of improving patient quality and quantity of life. Air pollution exposure is ubiquitous and a well-established risk factor for a wide range of adverse health outcomes including cardiovascular disease and all-cause mortality.2–4 Arguably the most common target is the respiratory system, given its exposure to the inhaled environment. Indeed, air pollution exposures are associated with increased risk of developing and exacerbating airway diseases, bronchiolitis obliterans post lung transplant, as well as being diagnosed with and dying from lung cancer.5–11 IPF was a relative latecomer to the world of air pollution epidemiology, although a number of plausible mechanisms exist to suggest a relationship.12 While it is unlikely that air pollution is the sole driver of disease, it may represent one form of environmental insult that precipitates or accelerates fibrosis in an already vulnerable lung. In Thorax , Sese and colleagues contribute novel data to a growing body of literature …
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 | 0,000 | 0,000 |
| 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 | 0,001 | 0,001 |
| 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 ».