The concentration-response functions for short-term exposure to ambient air pollution
Notice bibliographique
Résumé
Introduction. There are a few statistical approaches to estimate health impacts of the ambient air pollution concentrations. Air health effects are often studied in short-term exposure. In this context two main techniques are used; time-series and case-crossover (CC). This work focuses on the CC methodology. In the standard method risk is estimated using log-linear models. Aim. This work proposes other types of the models. Material and methods. The CC design is applied with various transformations of air pollution concentration. The mortality data are used for the period from 1987 to 2015 for Toronto, Canada. Daily concentration level of ambient ozone is considered as an exposure. The ozone concentration is transformed and used in the statistical models. The transformation is a product of two parts; a simple function such as logarithm and a logistic function as a weight. The transformed concentration is used in the CC statistical models. The models estimate the coefficient related to transformed concentration. It allows to construct the concentration-response function. The generated models are assessed using the Akaike information criterion (AIC). Results. The relative risks (RR), reported at 75th percentile of the concentration (55 ppb) are different. The standard CC model gives RR=1.0195 with the 95% confidence interval (1.0035, 1.0358), whereas the model with the transformation gives better fit and estimates RR=1.0054 (1.0026, 1.0082). Conclusions. The proposed methodology allows to construct an accurate approximation of the concentration-response functions. These functions provide adequate approximations and also identify a potential threshold.
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 | 0,006 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».