Identifying sensitive windows of airborne lead exposure associated with behavioral outcomes at age 12
Notice bibliographique
Résumé
Background: Despite the precipitous decline of airborne lead concentrations following the removal of lead in gasoline, lead is still detectable in ambient air in most urban areas. Few studies, however, have examined the health effects of contemporary airborne lead concentrations in children. Methods: We estimated monthly air lead exposure among 263 children (Cincinnati Childhood Allergy and Air Pollution Study; Cincinnati, OH; 2001–2005) using temporally scaled predictions from a validated land use model and assessed neurobehavioral outcomes at age 12 years using the parent-completed Behavioral Assessment System for Children, 2nd edition. We used distributed lag models to estimate the effect of airborne lead exposure on behavioral outcomes while adjusting for potential confounding by maternal education, community-level deprivation, blood lead concentrations, greenspace, and traffic related air pollution. Results: We identified sensitive windows during mid- and late childhood for increased anxiety and atypicality scores, whereas sensitive windows for increased aggression and attention problems were identified immediately following birth. The strongest effect was at age 12, where a 1 ng/m 3 increase in airborne lead exposure was associated with a 3.1-point (95% confidence interval: 0.4, 5.7) increase in anxiety scores. No sensitive windows were identified for depression, somatization, conduct problems, hyperactivity, or withdrawal behaviors. Conclusions: We observed associations between exposure to airborne lead concentrations and poor behavioral outcomes at concentrations 10 times lower than the National Ambient Air Quality Standards set by the US Environmental Protection Agency.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».