Impact of a long‐term air pollution exposure on the case fatality rate of COVID‐19 patients—A multicity study
Notice bibliographique
Résumé
Abstract Evidence in the literature suggests that air pollution exposure affects outcomes of patients with COVID‐19. However, the extent of this effect requires further investigation. This study was designed to investigate the relationship between long‐term exposure to air pollution and the case fatality rate (CFR) of patients with COVID‐19. The data on air quality index (AQI), PM2.5, PM10, SO 2 , NO 2 , and O 3 from 14 major cities in China in the past 5 years (2015–2020) were collected, and the CRF of COVID‐19 patients in these cities was calculated. First, we investigated the correlation between CFR and long‐term air quality indicators. Second, we examined the air pollutants affecting CFR and evaluated their predictive values. We found a positive correlation between the CFR and AQI (1, 3, and 5 years), PM2.5 (1, 3, and 5 years), and PM10 (1, 3, and 5 years). Further analysis indicated the more significant correlation for both AQI (3 and 5 years) and PM2.5 (1, 3, and 5 years) with CFR, and moderate predictive values for air pollution indicators such as AQI (1, 3, and 5 years) and PM2.5 (1, 3, and 5 years) for CFR. Our results indicate that long‐term exposure to severe air pollution is associated with higher CFR of COVID‐19 patients. Air pollutants such as PM2.5 may assist with the prediction of CFR for COVID‐19 patients.
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 | 0,004 | 0,005 |
| 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 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».