Estimating disease burden attributable to household air pollution: new methods within the Global Burden of Disease Study
Notice bibliographique
Résumé
Background Despite a substantial reduction in the use of solid fuels worldwide, exposure to household air pollution (HAP) from use of these fuels for cooking remains a leading risk factor for global disease burden. Among environmental risk factors, the contribution of HAP to disease burden is second only to ambient particulate matter pollution. We present updates to our modeling methodology as well as our latest findings on attributable burden estimates. Methods We estimated HAP-attributable burden for cataract, chronic obstructive pulmonary disease, ischaemic heart disease, lower respiratory infections, lung cancer, neonatal disorders, stroke, and type 2 diabetes for 204 countries and territories from 1990 to 2019. We used spatio-temporal Gaussian Process Regression to model data from observational surveys and censuses reporting primary cooking fuel to estimate the proportion of individuals using a specific solid-fuel type (wood, coal/charcoal, agricultural residues, or dung) by location. We converted the fuel exposure estimates to year, location, and sex/age-specific PM 2·5 exposures with a regression mapping function using household air pollution measurements. Using a Bayesian meta-regression tool, we estimated relative risk as a function of PM 2·5 exposure for each disease based upon a systematic review of the epidemiological literature on indoor and ambient air pollution. We then combined our exposure estimates and relative risks to estimate population attributable fractions and attributable burden for each cause. Findings In 2019, 91·5 million global disability-adjusted life years (DALYs) (95% uncertainty interval 67·0–119) were attributable to HAP, a decline of more than 50% from 1990. We estimated 2·31 million (1·63–3·12) global deaths were attributable to HAP and accounted for over 4% of all deaths in 2019. HAP-attributable burden remains highest in sub-Saharan Africa and south Asia, with 3770·3 (2876·4–4720·2) and 2068·0 (1412·5–2799·7) age-standardised DALYs per 100 000 population, respectively. Interpretation Although the disease burden attributable to HAP decreased considerably between 1990 and 2019, it remains a significant risk factor. Our internally consistent methodology and comprehensive approach to estimation of HAP-attributable burden provides a robust resource for global health interventions. Efforts to transition to cleaner household energy sources should be accelerated. Funding Bill & Melinda Gates Foundation.
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 | 0,061 | 0,141 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,004 | 0,007 |
| Bibliométrie | 0,008 | 0,011 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,004 | 0,004 |
| Science ouverte | 0,004 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 ».