Direct and indirect health impacts of climate change on the vulnerable elderly population in East China
Notice bibliographique
Résumé
The latest scientific advances on the impacts of climate change on the health of the elderly in East China were reviewed consulting peer-reviewed publications from 2000 to 2017. The direct impacts of climate change result from rising temperatures, heat waves, and increases in the frequency of complex extreme weather events such as windstorms, floods, and droughts. The health and social consequences of these events are far reaching, ranging from reduced labour productivity and heat-related deaths through to direct physical injury during extreme weather events, the spread of infectious diseases, and mental health effects following widespread flooding or prolonged drought. Research has indicated that climate change will have the greatest impact on vulnerable groups of people, including the elderly population. However, there is a dearth of empirical evidence, a lack of focus on vulnerable segments of the population (especially elderly), limited understanding of how health status will change in the future, and lack of acknowledgement of how different regions in China vary in terms of the consequences of climate change. The main risk in East China that climate change may exacerbate is flooding (sea level rise, coastal and riverine, flood risk). However in some regions of East China such as in the provinces of Anhui, Jiangsu, Hebei, and Shandong the biggest climate change risk is considered to be drought. Main health risks linked to climate change are evident as cardiovascular and respiratory diseases (heat stroke, exhaustion, and asthma), often caused by interactions between heat wave episodes and concurrent poor air quality.
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 | 0,000 |
| 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) | 0,001 | 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 ».