Ambient Particulate Matter and Paramedic Assessments of Acute Diabetic, Cardiovascular, and Respiratory Conditions
Notice bibliographique
Résumé
BACKGROUND: Ambulance data provide a useful source of population-based and spatiotemporally resolved information for assessing health impacts of air pollution in nonhospital settings. We used the clinical records of paramedics to quantify associations between particulate matter (PM2.5) and diabetic, cardiovascular, and respiratory conditions commonly managed by those responding to calls for emergency ambulance services. METHODS: We evaluated 394,217 paramedic assessments from three states in Southeastern Australia (population 13.2 million) and daily PM2.5 concentrations modeled at 5 km resolution from 2009 to 2014. We used a time-stratified, case-crossover analysis adjusted for daily meteorology to estimate the odds ratios (ORs) and 95% confidence intervals (CIs) for each clinical outcome per 10 µg/m increase in daily PM2.5 at lags from 0 to 2 days. RESULTS: Increased PM2.5 was associated with increased odds of paramedic assessments of hypoglycemia (OR = 1.07; 95% CI = 1.02, 1.12, lag 0), arrhythmia (OR = 1.05; 95% CI = 1.02, 1.09, lag 0), heart failure (OR = 1.07; 95% CI = 1.02, 1.12, lag 1), faint (OR = 1.09; 95% CI = 1.04-1.13, lag 0), asthma (OR = 1.06; 95% CI = 1.01, 1.11, lag 1), chronic obstructive pulmonary disease (OR = 1.07; 95% CI = 1.01, 1.13, lag 1), and croup (OR = 1.09; 95% CI = 1.02, 1.17). We did not identify associations with cerebrovascular outcomes. CONCLUSIONS: Ambulance data enable the evaluation of important clinical syndromes that are often initially managed in nonhospital settings. Daily PM2.5 was associated with hypoglycemia, faint, and croup in addition to the respiratory and cardiovascular outcomes that are better established.
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 | 0,002 | 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 | 0,001 |
| 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) | 0,001 | 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 ».