Multi-pollutant case-crossover models of all-cause and cause-specific mortality and hospital admissions by age group in 47 Canadian cities
Notice bibliographique
Résumé
Most of the existing epidemiological studies have investigated adverse health effects of multiple air pollutants for a limited number of cities, thus the evidence of the health impacts is limited and it is challenging to compare these results because of different modeling approaches and potential publication bias. In this paper, we expand the number of Canadian cities, with the use of the most recent available health data. A multi-pollutant model in a case-crossover design is used to investigate the short-term impacts of air pollution on various health outcomes in 47 Canadian main cities, comparing three age groups (all-age, senior (age 66+), non-senior). The main findings are that a 14 ppb increase of O3 was associated with a 0.17%–2.78% (0.62%–1.46%) increase in the odds of all-age respiratory mortality (hospitalization). A 12.8 ppb increase of NO2 was associated with a 0.57%–1.47% (0.68%–1.86%) increase in the odds of all-age (non-senior) respiratory hospitalization. A 7.6 μgm−3 increase of PM2.5 was associated with a 0.19%–0.69% (0.33%–1.1%) increase in the odds of all-age (non-senior) respiratory hospitalization.
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 | 0,017 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,007 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,006 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».