Impact of a long‐term air pollution exposure on the case fatality rate of COVID‐19 patients—A multicity study
Notice bibliographique
Résumé
Abstract Background There is preliminary evidence of the long-term exposure to air pollution will affect the outcome of patients with COVID-19. More information is needed about relationship between long-term exposure to air pollution and case fatality rate (CFR) of patients with COVID-19.Methods In this study, we have collected the data of Air Quality Index (AQI), PM2.5, PM10, SO2, NO2 and O3 from 14 representative cities in China in the past 5 years, and calculated the case fatality rate of COVID-19 in the corresponding city. First, we explored correlation relationship between CFR and long-term air quality indicators. Then, we try to point out the air pollutants that affect the level of CFR and evaluated their predictive value.Results We have observed a positive correlation between the CFR and AQI (1-year, 3-year, 5-year), PM2.5 (1-year, 3-year, 5-year), and PM10 (1-year, 3-year, 5-year). Meanwhile, AQI (3-year, 5-year) and PM2.5 (1-year, 3-year, 5-year) were significantly higher in the high CFR group. Moderate predictive value of air pollution indicator to CFR such as AQI (1-year, 3-year, 5-year), PM2.5 (1-year, 3-year, 5-year) have been found.Conclusions Our results indicate that long-term exposure to the environment with severe air pollution is associated with CFR of COVID-19. Air pollutants such as PM2.5 may have potential ability to predict the CFR of COVID-19.
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 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 ».