How urban characteristics affect vulnerability to heat and cold: a multi-country analysis
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
BACKGROUND: The health burden associated with temperature is expected to increase due to a warming climate. Populations living in cities are likely to be particularly at risk, but the role of urban characteristics in modifying the direct effects of temperature on health is still unclear. In this contribution, we used a multi-country dataset to study effect modification of temperature-mortality relationships by a range of city-specific indicators. METHODS: We collected ambient temperature and mortality daily time-series data for 340 cities in 22 countries, in periods between 1985 and 2014. Standardized measures of demographic, socio-economic, infrastructural and environmental indicators were derived from the Organisation for Economic Co-operation and Development (OECD) Regional and Metropolitan Database. We used distributed lag non-linear and multivariate meta-regression models to estimate fractions of mortality attributable to heat and cold (AF%) in each city, and to evaluate the effect modification of each indicator across cities. RESULTS: Heat- and cold-related deaths amounted to 0.54% (95% confidence interval: 0.49 to 0.58%) and 6.05% (5.59 to 6.36%) of total deaths, respectively. Several city indicators modify the effect of heat, with a higher mortality impact associated with increases in population density, fine particles (PM2.5), gross domestic product (GDP) and Gini index (a measure of income inequality), whereas higher levels of green spaces were linked with a decreased effect of heat. CONCLUSIONS: This represents the largest study to date assessing the effect modification of temperature-mortality relationships. Evidence from this study can inform public-health interventions and urban planning under various climate-change and urban-development scenarios.
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.
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 | 0,002 |
| 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 découle