Long-term exposure to PM2.5 major components and mortality in the southeastern United States
Notice bibliographique
Résumé
Long-term exposure to fine particulate matter (PM2.5) mass has been associated with adverse health effects. However, the health effects of PM2.5 components have been less studied. There is a pressing need to better understand the relative contribution of components of PM2.5, which can lay the scientific basis for designing effective policies and targeted interventions. We conducted a population-based cohort study, comprising all Medicare enrollees aged 65 or older in the southeastern United States from 2000 to 2016, to explore the associations between long-term exposure to PM2.5 major components and all-cause mortality among the elderly. Based on well-validated prediction models, we estimated ZIP code-level annual mean concentrations for five major PM2.5 components, including black carbon (BC), nitrate (NIT), organic matter (OM), sulfate (SO4), and soil particles. Data were analyzed using Cox proportional hazards models, adjusting for potential confounders. The cohort comprised 13,590,387 Medicare enrollees and a total of 107,191,652 person-years. In single-component models, all five major PM2.5 components were significantly associated with elevated all-cause mortality. The hazard ratios (HR) per interquartile range (IQR) increase in exposure were 1.027 (95% CI: 1.025–1.030), 1.012 (95% CI: 1.010–1.013), 1.018 (95% CI: 1.017–1.020), 1.021 (95% CI: 1.017–1.024), and 1.004 (95% CI: 1.003–1.006) for BC, NIT, OM, SO4, and soil particles, respectively. While the effect estimate of soil component was statistically significant, it is much smaller than those of combustion-related components. Our study provides epidemiological evidence that long-term exposure to major PM2.5 components is significantly associated with elevated mortality.
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 | 0,000 | 0,000 |
| 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 | 0,000 | 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) | 0,003 | 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 ».