Temporal trends and demographic risk factors for hospital admissions due to carbon monoxide poisoning in England
Notice bibliographique
Résumé
Unintentional non-fire related (UNFR) carbon monoxide (CO) poisoning is a preventable cause of morbidity and mortality. Epidemiological data on UNFR CO poisoning can help monitor changes in the magnitude of this burden, particularly through comparisons of multiple countries, and to identify vulnerable sub-groups of the population which may be more at risk. Here, we collected data on age- and sex- specific number of hospital admissions with a primary diagnosis of UNFR CO poisoning in England (2002-2016), aggregated to small areas, alongside area-level characteristics (i.e. deprivation, rurality and ethnicity). We analysed temporal trends using piecewise log-linear models and compared them to analogous data obtained for Canada, France, Spain and the US. We estimated age-standardized rates per 100,000 inhabitants by area-level characteristics using the WHO standard population (2000-2025). We then fitted the Besag York Mollie (BYM) model, a Bayesian hierarchical spatial model, to assess the independent effect of each area-level characteristic on the standardized risk of hospitalization. Temporal trends showed significant decreases after 2010. Decreasing trends were also observed across all countries studied, yet France had a 5-fold higher risk. Based on 3399 UNFR CO poisoning hospitalizations, we found an increased risk in areas classified as rural (0.69, 95% CrI: 0.67; 0.80), highly deprived (1.77, 95% CrI: 1.66; 2.10) or with the largest proportion of Asian (1.15, 95% CrI: 1.03; 1.49) or Black population (1.35, 95% CrI: 1.20; 1.80). Our multivariate approach provides strong evidence for the identification of vulnerable populations which can inform prevention policies and targeted interventions.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».