Research on COVID-19 and air pollution: A path towards advancing exposure science
Notice bibliographique
Résumé
The COVID-19 pandemic has resulted in an extraordinary incidence of morbidity and mortality, with almost 6 million deaths worldwide at the time of this writing (https://covid19.who.int/). There has been a pressing need for research that would shed light on factors - especially modifiable factors - that could reduce risks to human health. At least several hundred studies addressing the complex relationships among transmission of SARS-CoV-2, air pollution, and human health have been published. However, these investigations are limited by available and consistent data. The project goal was to seek input into opportunities to improve and fund exposure research on the confluence of air pollution and infectious agents such as SARS-CoV-2. Thirty-two scientists with expertise in exposure science, epidemiology, risk assessment, infectious diseases, and/or air pollution responded to the outreach for information. Most of the respondents expressed value in developing a set of common definitions regarding the extent and type of public health lockdown. Traffic and smoking ranked high as important sources of air pollution warranting source-specific research (in contrast with assessing overall ambient level exposures). Numerous important socioeconomic factors were also identified. Participants offered a wide array of inputs on what they considered to be essential studies to improve our understanding of exposures. These ranged from detailed mechanistic studies to improved air quality monitoring studies and prospective cohort studies. Overall, many respondents indicated that these issues require more research and better study design. As an exercise to solicit opinions, important concepts were brought forth that provide opportunities for scientific collaboration and for consideration for funding prioritization. Further conversations on these concepts are needed to advance our thinking on how to design research that moves us past the documented limitations in the current body of research and prepares us for the next pandemic.
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 | 0,120 | 0,095 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,005 | 0,006 |
| Études des sciences et des technologies | 0,005 | 0,016 |
| Communication savante | 0,015 | 0,031 |
| Science ouverte | 0,003 | 0,012 |
| Intégrité de la recherche | 0,010 | 0,025 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,018 | 0,003 |
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 ».