The association between temperature variability and mortality: an international collaborative study
Notice bibliographique
Résumé
Introduction: The evidence is limited for the impacts of temperature variability (TV) within or between days on mortality. In this study, we applied a novel method to calculate TV, and investigated the TV-mortality associations using a large multi-country data set. Methods: We collected daily time series data of temperature and mortality from 372 locations in 12 countries/regions with a wide range of climates (Australia, Brazil, Canada, China, Japan, Moldova, South Korea, Spain, Taiwan, Thailand, UK, and USA). We developed a novel method to calculate TV using the standard deviation of current day’s and preceding days’ minimum and maximum temperatures. Two-stage analyses were used to assess the relation between TV and mortality. Firstly, a Poisson regression model allowing over-dispersion was used to estimate the community-specific TV-mortality relation, after controlling for a long-term trend, seasonality, day of the week, and main effects of daily mean temperature up to 21 days. In the second stage, a meta-analysis was used to pool the effects within each country. Results: There was a significant association between TV and mortality in all countries, even after controlling for the effects of daily mean temperature. In stratified analyses, TV was still significantly associated with mortality in cold, hot, and moderate seasons. Mortality risks related to TV were higher in hot areas than cold areas when using short TV exposure (0–1 days), while TV-related mortality risks were higher in moderate areas than cold and hot areas when using longer TV exposure days (0–7 days). Conclusion: This large multi-country analysis suggests that TV has significant impacts on mortality. Results indicate that more attention should be paid to unstable weather conditions in order to protect health. These findings may have implications for developing public health policies for managing health risks of climate change.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,011 | 0,019 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,004 |
| Bibliométrie | 0,003 | 0,007 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 source (Gemma direct ou Codex distillé), 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 ».