The probability of diabetes and hypertension by levels of neighborhood walkability and traffic-related air pollution across 15 municipalities in Southern Ontario, Canada: A dataset derived from 2,496,458 community dwelling-adults
Notice bibliographique
Résumé
Individuals’ risk for cardiovascular disease is shaped by lifestyle factors such as participation in physical activity. Some studies have suggested that rates of physical activity may be higher in walkable neighborhoods that are more supportive of engaging in physical activity in daily life. However, walkable neighborhoods may also contain increased levels of traffic-related air pollution (TRAP). Traffic-related air pollution, often measured through a surrogate marker (e.g. NO2), has been associated cardiovascular disease risk and risk factors [1], [2], [3], [4]. The higher levels of TRAP in walkable neighborhoods may in turn increase the likelihood of developing conditions like hypertension and diabetes. Our recent work assessed how walkability and TRAP jointly affect the odds of diabetes and hypertension in a sample of community-dwelling adults from Southern Ontario, Canada [5]. This article contains additional data on the probability and odds of hypertension and diabetes according to their walkability and TRAP exposures. Data on cardiovascular risk factors were collected using health administrative databases and environmental exposures were assessed using national land use regression models predicting ground level concentrations of NO2 and validated walkability indices. The included data were generated using logistic regression accounting for exposures, covariates, and neighborhood clustering. These data may be used as primary data in future health risk assessments and systematic reviews, or to aid in the design of studies examining interactions between built environment and TRAP exposures (e.g. sample size calculations).
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 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».