MétaCan
Menu
Retour à la cohorte
Enregistrement W3035815877 · doi:10.1101/2020.06.19.20135871

Adverse health impacts of cooking with kerosene: A multi-country analysis within the Prospective Urban and Rural Epidemiology Study

2020· preprint· en· W3035815877 sur OpenAlexaff
Raphael E. Arku, Michael Bräuer, MyLinh Duong, Wei Li, Bo Hu, Lap Ah Tse, Prem Mony, P. V. M. Lakshmi, Rajamohanan K Pillai, Viswanathan Mohan, Karen Yeates, Iolanthé M. Kruger, Sumathy Rangarajan, Salim Yusuf, Perry Hystad

Notice bibliographique

RevuemedRxiv · 2020
Typepreprint
Langueen
DomaineEnvironmental Science
ThématiqueEnergy and Environment Impacts
Établissements canadiensHamilton Health SciencesPopulation Health Research InstituteQueen's UniversityUniversity of British Columbia
Organismes subventionnairesnon disponible
Mots-clésKeroseneMedicineProspective cohort studyEnvironmental healthEpidemiologyOdds ratioDemographySurgeryInternal medicine

Résumé

récupéré en direct d'OpenAlex

Abstract Background Kerosene, which was until recently considered a relatively clean household fuel, is still widely used in low and middle-income countries for cooking and lighting. However, there is little data on its health effects. We examined cardiorespiratory effects and mortality in households using kerosene as their primary cooking fuel within the Prospective Urban Rural Epidemiology (PURE) study. Methods We analyzed baseline and follow-up data on 31,490 individuals from 154 communities in China, India, South Africa, and Tanzania where there was at least 10% kerosene use for cooking at baseline. Baseline comorbidities and health outcomes during follow-up (median 9.4 years) were compared between households with kerosene versus clean (gas or electricity) or solid fuel (biomass and coal) use for cooking. Multi-level marginal regression models adjusted for individual, household, and community level covariates. Results Higher rates of prevalent respiratory symptoms (e.g. 34% [95% CI:15-57%] more dyspnea with usual activity, 44% [95% CI: 21-72%] more chronic cough or sputum) and lower lung function (differences in FEV 1 : -46.3 ml (95% CI: -80.5; -12.1) and FVC: -54.7 ml (95% CI: -93.6; -15.8)) were observed at baseline for kerosene compared to clean fuel users. The odds of hypertension was slightly elevated but no associations were observed for blood pressure. Prospectively, kerosene was associated with elevated risks of all-cause (HR: 1.32 (95% CI: 1.14-1.53)) and cardiovascular (HR: 1.34 (95% CI: 1.00-1.80)) mortality, as well as major fatal and incident non-fatal cardiovascular (HR: 1.34 (95% CI: 1.08-1.66)) and respiratory (HR: 1.55 (95% CI: 0.98-2.43)) diseases, compared to clean fuel use. Further, compared to solid fuel users, those using kerosene had 20 – 47% higher risks for the above outcomes. Conclusions Kerosene use for cooking was associated with higher rates of baseline respiratory morbidity and increased risk of mortality and cardiorespiratory outcomes during follow-up when compared to either clean or solid fuels. Replacing kerosene with cleaner-burning fuels for cooking is recommended. Highlights Kerosene was (until 2014) considered a relatively clean household fuel for cooking and lighting Though the WHO discouraged kerosene use, evidence in support of this position are still scarce We prospectively examined the effects of kerosene use on cardiorespiratory morbidity and mortality Kerosene use for cooking was associated with higher rates of baseline respiratory morbidity Prospectively, kerosene use was associated with increased risk of mortality and incident cardiorespiratory outcomes compared to clean fuel or solid fuel use Replacing kerosene with cleaner-burning fuels for cooking is recommended

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,134
Score d'incertitude au seuil0,999

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,001
Communication savante0,0000,000
Science ouverte0,0000,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,024
Tête enseignante GPT0,284
Écart entre enseignants0,260 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations7
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuemedRxivMême sujetEnergy and Environment ImpactsTravaux en français237 207