Multinational prediction of household and personal exposure to fine particulate matter (PM2.5) in the PURE cohort study
Notice bibliographique
Résumé
Use of polluting cooking fuels generates household air pollution (HAP) containing health-damaging levels of fine particulate matter (PM2.5). Many global epidemiological studies rely on categorical HAP exposure indicators, which are poor surrogates of measured PM2.5 levels. To quantitatively characterize HAP levels on a large scale, a multinational measurement campaign was leveraged to develop household and personal PM2.5 exposure models. The Prospective Urban and Rural Epidemiology (PURE)-AIR study included 48-hour monitoring of PM2.5 kitchen concentrations (n = 2,365) and male and/or female PM2.5 exposure monitoring (n = 910) in a subset of households in Bangladesh, Chile, China, Colombia, India, Pakistan, Tanzania and Zimbabwe. PURE-AIR measurements were combined with survey data on cooking environment characteristics in hierarchical Bayesian log-linear regression models. Model performance was evaluated using leave-one-out cross validation. Predictive models were applied to survey data from the larger PURE cohort (22,480 households; 33,554 individuals) to quantitatively estimate PM2.5 exposures. The final models explained half (R2 = 54%) of the variation in kitchen PM2.5 measurements (root mean square error (RMSE) (log scale):2.22) and personal measurements (R2 = 48%; RMSE (log scale):2.08). Primary cooking fuel type, heating fuel type, country and season were highly predictive of PM2.5 kitchen concentrations. Average national PM2.5 kitchen concentrations varied nearly 3-fold among households primarily cooking with gas (20 μg/m3 (Chile); 55 μg/m3 (China)) and 12-fold among households primarily cooking with wood (36 μg/m3 (Chile)); 427 μg/m3 (Pakistan)). Average PM2.5 kitchen concentration, heating fuel type, season and secondhand smoke exposure were significant predictors of personal exposures. Modeled average PM2.5 female exposures were lower than male exposures in upper-middle/high-income countries (India, China, Colombia, Chile). Using survey data to estimate PM2.5 exposures on a multinational scale can cost-effectively scale up quantitative HAP measurements for disease burden assessments. The modeled PM2.5 exposures can be used in future epidemiological studies and inform policies targeting HAP reduction.
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 | 0,006 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».