Long-term exposure to ambient air pollution and cognitive function in older US adults
Notice bibliographique
Résumé
Background: Air pollution effects on cognitive function have been increasingly recognized. Little is known about the impact of different sources of fine particulate (PM 2.5 ). We aim to evaluate the associations between long-term air pollution exposure, including source-specific components in PM 2.5 , and cognition in older adults. Methods: Cognitive assessment, including the Cognitive Abilities Screening Instrument (CASI), Digit Symbol Coding (DSC), and Digit Span (DS), was completed in 4392 older participants in the United States during 2010–2012. Residence-specific air pollution exposures (i.e., oxides of nitrogen [NO 2 /NO x ], PM 2.5 and its components: elemental carbon [EC], organic carbon [OC], sulfur [S], and silicon [Si]) were estimated by geo-statistical models. Linear and logistic regression models were used to estimate the associations between each air pollutants metric and cognitive function. Results: An interquartile range (IQR) increase in EC (0.8 μg/m 3 ) and Si (23.1 ng/m 3 ) was associated with −1.27 (95% confidence interval [CI]: −0.09, −2.45) and −0.88 (95% CI: −0.21, −1.54) lower CASI scores in global cognitive function. For each IQR increase in Si, the odds of low cognitive function (LCF) across domains was 1.29 times higher (95% CI: 1.04, 1.60). For other tests, NO X was associated with slower processing speed (DSC: −2.01, 95% CI: −3.50, −0.52) and worse working memory (total DS: −0.4, 95% CI: −0.78, −0.01). No associations were found for PM 2.5 and two PM 2.5 components (OC and S) with any cognitive function outcomes. Conclusion: Higher exposure to traffic-related air pollutants including both tailpipe (EC and NO x ) and non-tailpipe (Si) species were associated with lower cognitive function in older adults.
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) | 0,001 | 0,002 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».