Impact of Air Pollution on Cognitive Impairment in Older People: A Cohort Study in Rural and Suburban China
Notice bibliographique
Résumé
Background: The impact of air pollution on cognitive impairment in older people has not been fully understood. It is unclear which air pollutants are the culprit. Objective: We assessed the associations of six air pollutants and air quality index (AQI) with cognitive impairment. Methods: We examined 7,311 participants aged ≥60 years from the ZJMPHS cohort in China. They were interviewed for baseline socio-demographic and disease risk factors in 2014, and re-interviewed in 2015 and 2016, respectively. The presence of cognitive impairment was determined by the Chinese version of the Mini-Mental State Examination. Daily area-level data monitored for air pollution during 2013–2015 was then examined for associations with cognitive impairment in logistic regression models. Results: Over the two years follow-up, 1,652 participants developed cognitive impairment, of which 917 were severe cases. Continuous air pollution data showed the risk of cognitive impairment increased with exposure to PM2.5 (fully adjusted odds ratio [aOR] 1.04, 95%CI 1.01–1.08), PM10 (1.03, 1.001–1.06), and SO2 (1.04, 1.01–1.08), but not with NO2, CO, O3, and AQI. Categorized data analysis for low, middle, and high level exposure demonstrated that the aOR increased with PM2.5 and AQI, somehow with PM10 and CO, but not significantly with SO2 and NO2, and decreased with O3. The patterns for these associations with severe cognitive impairment were stronger. Conclusion: Lowering PM2.5, PM10, SO2, and CO level could reduce the risk of cognitive impairment in older Chinese. Strategies to target most important air pollutants should be an integral component of cognitive interventions.
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) | 0,001 | 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) | 0,001 | 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 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 ».