MétaCan
Menu
Retour à la cohorte
Enregistrement W2883148625 · doi:10.1371/journal.pmed.1002619

Mortality attributable to hot and cold ambient temperatures in India: a nationally representative case-crossover study

2018· review· en· W2883148625 sur OpenAlexafffund
Sze Hang Fu, Antonio Gasparrini, Peter S. Rodriguez, Prabhat Jha

Notice bibliographique

RevuePLoS Medicine · 2018
Typereview
Langueen
DomaineEnvironmental Science
ThématiqueClimate Change and Health Impacts
Établissements canadiensUniversity of TorontoCentre for Global Health ResearchSt. Michael's Hospital
Organismes subventionnairesFogarty International CenterNational Institutes of HealthUniversity of TorontoMedical Research CouncilBill and Melinda Gates Foundation
Mots-clésDemographyEnvironmental healthMedicineGeography

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Most of the epidemiological studies that have examined the detrimental effects of ambient hot and cold temperatures on human health have been conducted in high-income countries. In India, the limited evidence on temperature and health risks has focused mostly on the effects of heat waves and has mostly been from small scale studies. Here, we quantify heat and cold effects on mortality in India using a nationally representative study of the causes of death and daily temperature data for 2001-2013. METHODS AND FINDINGS: We applied distributed-lag nonlinear models with case-crossover models to assess the effects of heat and cold on all medical causes of death for all ages from birth (n = 411,613) as well as on stroke (n = 19,753), ischaemic heart disease (IHD) (n = 40,003), and respiratory diseases (n = 23,595) among adults aged 30-69. We calculated the attributable risk fractions by mortality cause for extremely cold (0.4 to 13.8°C), moderately cold (13.8°C to cause-specific minimum mortality temperatures), moderately hot (cause-specific minimum mortality temperatures to 34.2°C), and extremely hot temperatures (34.2 to 39.7°C). We further calculated the temperature-attributable deaths using the United Nations' death estimates for India in 2015. Mortality from all medical causes, stroke, and respiratory diseases showed excess risks at moderately cold temperature and hot temperature. For all examined causes, moderately cold temperature was estimated to have higher attributable risks (6.3% [95% empirical confidence interval (eCI) 1.1 to 11.1] for all medical deaths, 27.2% [11.4 to 40.2] for stroke, 9.7% [3.7 to 15.3] for IHD, and 6.5% [3.5 to 9.2] for respiratory diseases) than extremely cold, moderately hot, and extremely hot temperatures. In 2015, 197,000 (121,000 to 259,000) deaths from stroke, IHD, and respiratory diseases at ages 30-69 years were attributable to moderately cold temperature, which was 12- and 42-fold higher than totals from extremely cold and extremely hot temperature, respectively. The main limitation of this study was the coarse spatial resolution of the temperature data, which may mask microclimate effects. CONCLUSIONS: Public health interventions to mitigate temperature effects need to focus not only on extremely hot temperatures but also moderately cold temperatures. Future absolute totals of temperature-related deaths are likely to depend on the large absolute numbers of people exposed to both extremely hot and moderately cold temperatures. Similar large-scale and nationally representative studies are required in other low- and middle-income countries to better understand the impact of future temperature changes on cause-specific mortality.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,004
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Synthèse · Signal consensuel: aucune
Score de désaccord entre enseignants0,020
Score d'incertitude au seuil0,041

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,004
Méta-épidémiologie (sens strict)0,0000,001
Méta-épidémiologie (sens large)0,0010,002
Bibliométrie0,0010,002
Études des sciences et des technologies0,0010,001
Communication savante0,0010,000
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,186
Tête enseignante GPT0,439
Écart entre enseignants0,254 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations167
Publié2018
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revuePLoS MedicineMême sujetClimate Change and Health ImpactsTravaux en français237 207