Within-City Variation in Reactive Oxygen Species from Fine Particle Air Pollution and COVID-19
Notice bibliographique
Résumé
Abstract Rationale Evidence linking outdoor air pollution with coronavirus disease (COVID-19) incidence and mortality is largely based on ecological comparisons between regions that may differ in factors such as access to testing and control measures that may not be independent of air pollution concentrations. Moreover, studies have yet to focus on key mechanisms of air pollution toxicity such as oxidative stress. Objectives To conduct a within-city analysis of spatial variations in COVID-19 incidence and the estimated generation of reactive oxygen species (ROS) in lung lining fluid attributable to fine particulate matter (particulate matter with an aerodynamic diameter ⩽2.5 μm [PM2.5]). Methods Sporadic and outbreak-related COVID-19 case counts, testing data, population data, and sociodemographic data for 140 neighborhoods were obtained from the City of Toronto. ROS estimates were based on a mathematical model of ROS generation in lung lining fluid in response to iron and copper in PM2.5. Spatial variations in long-term average ROS were predicted using a land-use regression model derived from measurements of iron and copper in PM2.5. Data were analyzed using negative binomial regression models adjusting for covariates identified using a directed acyclic graph and accounting for spatial autocorrelation. Measurements and Main Results A significant positive association was observed between neighborhood-level ROS and COVID-19 incidence (incidence rate ratio = 1.07; 95% confidence interval, 1.01–1.15 per interquartile range ROS). Effect modification by neighborhood-level measures of racialized group membership and socioeconomic status was also identified. Conclusions Examination of neighborhood characteristics associated with COVID-19 incidence can identify inequalities and generate hypotheses for future studies.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».