Air pollution and pregnancy outcomes based on exposure evaluation using a land use regression model: A systematic review
Notice bibliographique
Résumé
This review systematically assessed those studies investigating the association between air pollution and birth outcomes using land use regression (LUR) models for exposure assessment. Fifty-four studies were identified which were published between 2007 and 2019. Most of these were conducted in America, Spain and Canada, while only five were conducted in China. One hundred and ninety-seven LUR models were developed for different pollutants. The main pollutants that these studies assessed were NO2 and PM2.5, and the main pregnancy outcomes investigated were preterm birth (PTB), small for gestational age (SGA) and birth weight. Studies consistently found that NO2 exposure during pregnancy was associated with reduced fetal growth and development. The effect of NO2 on other adverse pregnancy outcomes is unclear. In addition, it was found that increased PM2.5 (aerodynamic equivalent diameter ≤ 2.5 um) exposure during pregnancy reduced birth weight. The effect of PM2.5 on other adverse pregnancy outcomes is also unclear. The relationship between other pollutants and adverse pregnancy outcomes is uncertain based on the existing research. Exposure assessment with LUR modeling has been widely used in Europe and North America, but used less in China. Future studies are recommended to use LUR modeling for individual exposure evaluation in China to better characterize the relationship between air pollution and adverse pregnancy outcomes. In addition, further research is required given that a lot of the associations looked at in the review were inconclusive.
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 | 0,007 | 0,035 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,006 | 0,010 |
| Bibliométrie | 0,007 | 0,009 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 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 ».