MétaCan
Menu
Retour à la cohorte
Enregistrement W4313644071 · doi:10.1186/s12940-023-00959-y

Temperature variability and common diseases of the elderly in China: a national cross-sectional study

2023· article· en· W4313644071 sur OpenAlexaff
Bo Wen, Bin Su, Jiahui Xue, Junqing Xie, Yao Wu, Li Chen, Yanhui Dong, Xiaolan Wu, Mengfan Wang, Yi Song, Jun Ma, Xiaoying Zheng

Notice bibliographique

RevueEnvironmental Health · 2023
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueClimate Change and Health Impacts
Établissements canadiensUniversity of Toronto
Organismes subventionnairesnon disponible
Mots-clésMedicineAsthmaContext (archaeology)Cross-sectional studyDiseaseDiabetes mellitusLogistic regressionDemographyPopulationEnvironmental healthInternal medicinePathology

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: In the context of climate change, it has been well observed that short-term temperature variability (TV) could increase the overall and cause-specific mortality and morbidity. However, the association between long-term TV and a broader spectrum of diseases is not yet well understood, especially in the elderly. METHODS: Our study used data from the fourth Urban and Rural Elderly Population (UREP) study. Long-term TV was calculated from the standard deviation (SD) of daily minimum and maximum temperatures within the study periods (2010-2014, 2011-2014, 2012-2014, 2013-2014, and 2014). Ten self-reported diseases and conditions were collected by questionnaire, including cataract, hypertension, diabetes, cardio-cerebrovascular diseases, stomach diseases, arthritis, chronic lung disease, asthma, cancer, and reproductive diseases. The province-stratified logistic regression model was used to quantify the association between long-term TV and the prevalence of each disease. RESULTS: A total of 184,047 participants were included in our study. In general, there were significant associations between TV and the prevalence of most diseases at the national level. Cardio-cerebrovascular disease (OR: 1.16, 95% CI: 1.13, 1.20) generated the highest estimates, followed by stomach diseases (OR: 1.15, 95% CI: 1.10, 1.19), asthma (OR: 1.14, 95% CI: 1.06, 1.22), chronic lung diseases (OR: 1.08, 95% CI: 1.03, 1.13), arthritis (OR: 1.08, 95% CI: 1.05, 1.11), and cataract (OR: 1.06, 95% CI: 1.02, 1.10). Moreover, the associations varied by geographical regions and across subgroups stratified by sex, household income, physical activity, and education. CONCLUSIONS: Our study showed that long-term exposure to TV was associated with the prevalence of main diseases in the elderly. More attention should be paid to the elderly and targeted strategies should be implemented, such as an early warning system.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,001
Score d'incertitude au seuil0,498

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,029
Tête enseignante GPT0,338
Écart entre enseignants0,309 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations19
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueEnvironmental HealthMême sujetClimate Change and Health ImpactsTravaux en français237 207