Air pollution and meteorology as risk factors for COVID-19 death in a cohort from Southern California
Notice bibliographique
Résumé
Recent evidence links ambient air pollution to COVID-19 incidence, severity, and death, but few studies have analyzed individual-level mortality data with high quality exposure models. We sought to assess whether higher air pollution exposures led to greater risk of death during or after hospitalization in confirmed COVID-19 cases among patients who were members of the Kaiser Permanente Southern California (KPSC) healthcare system (N=21,415 between 06-01-2020 and 01-31-2022 of whom 99.85 % were unvaccinated during the study period). We used 1 km resolution chemical transport models to estimate ambient concentrations of several common air pollutants, including ozone, nitrogen dioxide, and fine particle matter (PM2.5). We also derived estimates of pollutant exposures from ultra-fine particulate matter (PM0.1), PM chemical species, and PM sources. We employed Cox proportional hazards models to assess associations between air pollution exposures and death from COVID-19 among hospitalized patients. We found significant associations between COVID-19 death and several air pollution exposures, including: PM2.5 mass, PM0.1 mass, PM2.5 nitrates, PM2.5 elemental carbon, PM2.5 on-road diesel, and PM2.5 on-road gasoline. Based on the interquartile (IQR) exposure increment, effect sizes ranged from hazard ratios (HR) = 1.12 for PM2.5 mass and PM2.5 nitrate to HR ∼ 1.06–1.07 for other species or source markers. Humidity and temperature in the month of diagnosis were also significant negative predictors of COVID-19 death and negative modifiers of the air pollution effects. Air pollution exposures and meteorology were associated the risk of COVID-19 death in a cohort of patients from Southern California. These findings have implications for prevention of death from COVID-19 and for future pandemics.
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 | 0,001 | 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) | 0,015 | 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 ».