MétaCan
Menu
Retour à la cohorte
Enregistrement W2886121884 · doi:10.1371/journal.pmed.1002623

Life cycle environmental emissions and health damages from the Canadian healthcare system: An economic-environmental-epidemiological analysis

2018· article· en· W2886121884 sur OpenAlexaffabout
Matthew J. Eckelman, Jodi D. Sherman, Andrea J. MacNeill

Notice bibliographique

RevuePLoS Medicine · 2018
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueClimate Change and Health Impacts
Établissements canadiensUniversity of British Columbia
Organismes subventionnairesnon disponible
Mots-clésGreenhouse gasEnvironmental healthDamagesPollutantHealth carePublic healthAir pollutionNatural resource economicsLife-cycle assessmentEnvironmental scienceCriteria air contaminantsEnvironmental pollutionBusinessEnvironmental protectionMedicineProduction (economics)Economic growthAir pollutantsEconomics

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Human health is dependent upon environmental health. Air pollution is a leading cause of morbidity and mortality globally, and climate change has been identified as the single greatest public health threat of the 21st century. As a large, resource-intensive sector of the Canadian economy, healthcare itself contributes to pollutant emissions, both directly from facility and vehicle emissions and indirectly through the purchase of emissions-intensive goods and services. Together these are termed life cycle emissions. Here, we estimate the extent of healthcare-associated life cycle emissions as well as the public health damages they cause. METHODS AND FINDINGS: We use a linked economic-environmental-epidemiological modeling framework to quantify pollutant emissions and their implications for public health, based on Canadian national healthcare expenditures over the period 2009-2015. Expenditures gathered by the Canadian Institute for Health Information (CIHI) are matched to sectors in a national environmentally extended input-output (EEIO) model to estimate emissions of greenhouse gases (GHGs) and >300 other pollutants. Damages to human health are then calculated using the IMPACT2002+ life cycle impact assessment model, considering uncertainty in the damage factors used. On a life cycle basis, Canada's healthcare system was responsible for 33 million tonnes of carbon dioxide equivalents (CO2e), or 4.6% of the national total, as well as >200,000 tonnes of other pollutants. We link these emissions to a median estimate of 23,000 disability-adjusted life years (DALYs) lost annually from direct exposures to hazardous pollutants and from environmental changes caused by pollution, with an uncertainty range of 4,500-610,000 DALYs lost annually. A limitation of this national-level study is the use of aggregated data and multiple modeling steps to link healthcare expenditures to emissions to health damages. While informative on a national level, the applicability of these findings to guide decision-making at individual institutions is limited. Uncertainties related to national economic and environmental accounts, model representativeness, and classification of healthcare expenditures are discussed. CONCLUSIONS: Our results for GHG emissions corroborate similar estimates for the United Kingdom, Australia, and the United States, with emissions from hospitals and pharmaceuticals being the most significant expenditure categories. Non-GHG emissions are responsible for the majority of health damages, predominantly related to particulate matter (PM). This work can guide efforts by Canadian healthcare professionals toward more sustainable practices.

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)0,005
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,954
Score d'incertitude au seuil0,331

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,005
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,002
Bibliométrie0,0040,007
Études des sciences et des technologies0,0010,001
Communication savante0,0020,001
Science ouverte0,0020,002
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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 Opus0,110
Tête enseignante GPT0,337
Écart entre enseignants0,226 · 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'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

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

En bref

Citations339
Publié2018
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revuePLoS MedicineMême sujetClimate Change and Health ImpactsTravaux en français237 207