MétaCan
Menu
Retour à la cohorte
Enregistrement W4320065593 · doi:10.1289/isee.2022.o-op-252

Association between long-term exposure to ambient air pollution and COVID-19 severity - A prospective cohort study of confirmed SARS-CoV-2 cases in Ontario, Canada

2022· article· en· W4320065593 sur OpenAlexaffabout
Chen Chen, John Wang, Jeff Kwong, Jin-Hee Kim, Aaron van Donkelaar, Randall V. Martin, Perry Hystad, Yushan Su, Éric Lavigne, Megan Kirby-McGregor, Jay S. Kaufman, Tarik Benmarhnia, Hong Chen

Notice bibliographique

RevueISEE Conference Abstracts · 2022
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueCOVID-19 impact on air quality
Établissements canadiensHealth CanadaMcGill UniversityMinistry of the Environment, Conservation and ParksPublic Health Ontario
Organismes subventionnairesnon disponible
Mots-clésInterquartile rangeMedicineConfidence intervalEnvironmental healthConfoundingCohort studyCohortIntensive care unitCoronavirus disease 2019 (COVID-19)Logistic regressionProspective cohort studyEmergency medicineIntensive care medicineInternal medicineDisease

Résumé

récupéré en direct d'OpenAlex

Background and aim: Coronavirus disease 2019 (COVID-19) is causing a tremendous health burden globally. Identification of the determinants of COVID-19 severity is important for prevention and intervention. This study aims to explore long-term exposure to ambient air pollution as a potential contributors to COVID-19 severity given its known impact on the pulmonary system. Methods: Using a cohort of all confirmed severe acute respiratory syndrome coronavirus 2 (SARS-CoV-2) cases aged ≥20 years and not residing in a long-term care facility in Ontario, Canada during 2020, we evaluated the association between long-term exposure to fine particulate matter (PM2.5), nitrogen dioxide (NO2), and ground-level ozone (O3) and risk of COVID-19-related hospitalization, intensive care unit (ICU) admission and death separately. Participants’ long-term exposures to each air pollutant were ascertained based on their residential addresses from 2015 to 2019. We used logistic regression and adjusted for confounding and selection bias using various individual and contextual covariates obtained through data linkage. Results: Among the 151,105 confirmed SARS-CoV-2 cases in 2020, we observed 8,630 hospitalizations, 1,912 ICU admissions and 2,137 deaths related to COVID-19. For each interquartile range increase in exposure to PM2.5 (1.70 µg/m3), we estimated ORs of 1.06 (95% confidence interval (CI): 1.01 to 1.12), 1.09 (95% CI: 0.98 to 1.21) and 1.00 (95% CI: 0.90 to 1.11) for hospitalization, ICU admission and death, respectively. Estimates were smaller for NO2 but larger for O3. Conclusions: In this large population-based study in Ontario during 2020, we found that chronic exposure to air pollution may contribute to severe outcomes following SARS-CoV-2 infection, with stronger evidence found with O3. Keywords: COVID-19 severity, long-term exposure to air pollution, death, hospitalization, intensive care unit admission

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)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
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 enseignants0,013
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,001
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)0,0010,000

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 Opus0,047
Tête enseignante GPT0,311
Écart entre enseignants0,264 · 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.

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

Citations0
Publié2022
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueISEE Conference AbstractsMême sujetCOVID-19 impact on air qualityTravaux en français237 207