The effect of average temperature on suicide rates in five urban California counties, 1999–2019: an ecological time series analysis
Notice bibliographique
Résumé
BACKGROUND: Suicide is among the top 10 leading causes of premature morality in the United States and its rates continue to increase. Thus, its prevention has become a salient public health responsibility. Risk factors of suicide transcend the individual and societal level as risk can increase based on climatic variables. The purpose of the present study is to evaluate the association between average temperature and suicide rates in the five most populous counties in California using mortality data from 1999 to 2019. METHODS: Monthly counts of death by suicide for the five counties of interest were obtained from CDC WONDER. Monthly average, maximum, and minimum temperature were obtained from nCLIMDIV for the same time period. We modelled the association of each temperature variable with suicide rate using negative binomial generalized additive models accounting for the county-specific annual trend and monthly seasonality. RESULTS: There were over 38,000 deaths by suicide in California's five most populous counties between 1999 and 2019. An increase in average temperature of 1 °C corresponded to a 0.82% increase in suicide rate (IRR = 1.0082 per °C; 95% CI = 1.0025-1.0140). Estimated coefficients for maximum temperature (IRR = 1.0069 per °C; 95% CI = 1.0021-1.0117) and minimum temperature (IRR = 1.0088 per °C; 95% CI = 1.0023-1.0153) were similar. CONCLUSION: This study adds to a growing body of evidence supporting a causal effect of elevated temperature on suicide. Further investigation into environmental causes of suicide, as well as the biological and societal contexts mediating these relationships, is critical for the development and implementation of new public health interventions to reduce the incidence of suicide, particularly in the face increasing temperatures due to climate change.
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| 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 | 0,001 |
| 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 ».