Long-term exposure to atmospheric metals assessed by mosses and mortality in France
Notice bibliographique
Résumé
BACKGROUND: Long-term exposure to air pollution affects health, but little is known about exposure to atmospheric metals. Estimating exposure to atmospheric metals across large spatial areas remains challenging. Metal concentrations in mosses could constitute a useful proxy. Here, we linked moss biomonitoring and epidemiological data to investigate the associations between long-term exposure to metals and mortality. METHODS: We modelled and mapped 13 atmospheric metals from a 20-year national moss biomonitoring program to derive exposure estimates across France. In the population-based Gazel cohort, we included 11,382 participants from low to intermediate population density areas and assigned modelled metals to their residential addresses. We distinguished between airborne metals that are primarily of natural origin and those primarily of anthropogenic origin. Associations were estimated between exposure to metals and mortality (natural-cause, cardiovascular and respiratory), using Cox models, with confounder adjustment at individual level. FINDINGS: Between 1996 and 2017, there were 1313 deaths in the cohort (including 181 cardiovascular and 33 respiratory). Exposure to the anthropogenic metals was associated with an increased risk of natural-cause mortality (hazard ratio of 1.16 [1.08-1.24] per interquartile range of exposure), while metals from natural sources were not. INTERPRETATION: Some atmospheric anthropogenic metals may be associated with excess mortality - even in areas with relatively low levels of exposure to air pollution. Consistent with the previous literature, our findings support the use of moss biomonitoring as a tool to assess health effects of air pollution exposure at individual level.
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) | 0,005 | 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 ».