Association between Multiple Environmental Factors with Neurological Diseases in Metro Vancouver, British Columbia, Canada
Notice bibliographique
Résumé
Background: Limited evidence suggests the potential for associations between air pollution with neurodegenerative disorders such as Multiple Sclerosis (MS), Parkinson’s Disease (PD) and dementia. Further, other environmental factors such as noise and green spaces have yet to be examined.Objectives: We aim to assess the effects of spatially co-varying environmental exposures - noise, nitrogen dioxide (NO2), fine particulate matter(PM2.5) and green space - on the incidence of MS, PD and dementia in the Vancouver, British Columbia (BC), Canada metropolitan region. Here we present initial analyses for MS.Methods: Cases and age- and sex-matched controls were identified in a population-based (N = 674,176) cohort of adults derived from health insurance records. Incident cases from 1999 to 2002 were identified by relevant diagnostic codes and pharmaceutical dispensation data. Environmental exposures were assigned to each study subject based on their residential postal codes, accounting for changes in residence. We applied conditional logistic regression to estimate the increased odds of developing MS, PD and dementia in relation to an interquartile range increase in exposures, while adjusting for neighborhood level median income level.Results: Compared to their matched controls, MS cases (N = 289) were increased by 21% (95% CI: 0.79, 1.86) in relation to noise exposure, and by 11% (95% CI: 0.79, 1.55) and 7% (95% CI: 0.76, 1.52) for NO2 and PM2.5 respectively. A change in neighborhood green space was associated with a 38% decrease in the odds of a MS case (OR= 0.62, 95% CI: 0.38, 0.98).Conclusions: Noise and air pollution exposure may increase the risk of MS incidence while neighborhood green space had a protective effect.
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 | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».