Centralizing environmental datasets to support (inter)national chronic disease research
Notice bibliographique
Résumé
Whereas environmental data are increasingly available, it is often not clear how or if datasets are available for health research. Exposure metrics are typically developed for specific research initiatives using disparate exposure assessment methods and no mechanisms are put in place for centralizing, archiving, or distributing environmental datasets. In parallel, potentially vast amounts of environmental data are emerging due to new technologies such as high resolution imagery and machine learning. OBJECTIVES: The Canadian Urban Environmental Health Research Consortium (CANUE) and the Geoscience and Health Cohort Consortium (GECCO) provide a proof of concept that centralizing and disseminating environmental data for health research is valuable and can accelerate discovery. In this essay, we argue that more efficient use of exposure data for environmental epidemiological research over the next decade requires progress in four key areas: metadata and data access portals, linkage with health databases, harmonization of exposure measures and models over large areas, and leveraging "big data" streams for exposure characterization and evaluation of temporal changes. DISCUSSION: Optimizing the use of existing environmental data and exploiting emerging data streams can provide unprecedented research opportunities in environmental epidemiology through a better characterization of individuals' exposures and the ability to study the intersecting impacts of multiple environmental features or urban attributes across different populations around the world. Proper documentation, linkage, and dissemination of new and emerging exposure data leads to a better awareness of data availability, a reduction of duplication of effort and increases research output.
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 | 0,005 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,051 | 0,029 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».