Temperature variability and common diseases of the elderly in China: a national cross-sectional study
Notice bibliographique
Résumé
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 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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| 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 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 ».