The role of cities in reducing the cardiovascular impacts of environmental pollution in low- and middle-income countries
Notice bibliographique
Résumé
BACKGROUND: As low- and middle-income countries urbanize and industrialize, they must also cope with pollution emitted from diverse sources. MAIN TEXT: Strong and consistent evidence associates exposure to air pollution and lead with increased risk of cardiovascular disease occurrence and death. Further, increasing evidence, mostly from high-income countries, indicates that exposure to noise and to both high and low temperatures may also increase cardiovascular risk. There is considerably less research on the cardiovascular impacts of environmental conditions in low- and middle-income countries (LMICs), where the levels of pollution are often higher and the types and sources of pollution markedly different from those in higher-income settings. However, as such evidence gathers, actions to reduce exposures to pollution in low- and middle-income countries are warranted, not least because such exposures are very high. Cities, where pollution, populations, and other cardiovascular risk factors are most concentrated, may be best suited to reduce the cardiovascular burden in LMICs by applying environmental standards and policies to mitigate pollution and by implementing interventions that target the most vulnerable. The physical environment of cities can be improved though municipal processes, including infrastructure development, energy and transportation planning, and public health actions. Local regulations can incentivize or inhibit the polluting behaviors of industries and individuals. Environmental monitoring can be combined with public health warning systems and publicly available exposure maps to inform residents of environmental hazards and encourage the adoption of pollution-avoiding behaviors. Targeted individual or neighborhood interventions that identify and treat high-risk populations (e.g., lead mitigation, portable air cleaners, and preventative medications) can also be leveraged in the very near term. Research will play a key role in evaluating whether these approaches achieve their intended benefits, and whether these benefits reach the most vulnerable. CONCLUSION: Cities in LMICs can play a defining role in global health and cardiovascular disease prevention in the next several decades, as they are well poised to develop innovative, multisectoral approaches to pollution mitigation, while also protecting the most vulnerable.
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 | 0,001 | 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 | 0,000 |
| 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 ».