Estimating long-term pollution exposure effects through inverse probability weighting methods with Cox proportional hazards models
Notice bibliographique
Résumé
Background: Fine particulate matter (PM 2.5 ) is associated with negative health outcomes in both the short and long term. However, the cohort studies that have produced many of the estimates of long-term exposure associations may fail to account for selection bias in pollution exposure as well as covariate imbalance in the study population; therefore, causal modeling techniques may be beneficial. Methods: Twenty-nine years of data from the National Health Interview Survey (NHIS) was compiled and linked to modeled annual average outdoor PM 2.5 concentration and restricted-use mortality data. A series of Cox proportional hazards models, adjusted using inverse probability weights, yielded causal risk estimates of long-term exposure to ambient PM 2.5 on all-cause and cardiopulmonary mortality. Results: Covariate-adjusted estimated relative risks per 10 μg/m 3 increase in PM 2.5 exposure were estimated to be 1.117 (1.083, 1.152) for all-cause mortality and 1.232 (1.174, 1.292) for cardiopulmonary mortality. Inverse probability weighted Cox models provide relatively consistent and robust estimates similar to those in the unweighted baseline multivariate Cox model, though they have marginally lower point estimates and higher standard errors. Conclusions: These results provide evidence that long-term exposure to PM 2.5 contributes to increased mortality risk in US adults and that the estimated effects are generally robust to modeling choices. The size and robustness of estimated associations highlight the importance of clean air as a matter of public health. Estimated confounding due to measured covariates appears minimal in the NHIS cohort, and various distributional assumptions have little bearing on the magnitude or standard errors of estimated causal associations.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 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 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 ».