Systemic autoimmune rheumatic diseases and multiple industrial air pollutant emissions: A large general population Canadian cohort analysis
Notice bibliographique
Résumé
Past investigations of air pollution and systemic autoimmune rheumatic diseases (SARDs) typically focused on individual (not mixed) and overall environmental emissions. We assessed mixtures of industrial emissions of fine particulate matter (PM2.5), nitrogen dioxide (NO2), and sulfur dioxide (SO2) and SARDs onset in Ontario, Canada. We assembled an open cohort of over 12 million adults (without SARD diagnoses at cohort entry) based on provincial health data for 2007–2020 and followed them until SARD onset, death, emigration, or end of study (December 2020). SARDs were identified using physician billing and hospitalization diagnostic codes for systemic lupus, scleroderma, myositis, undifferentiated connective tissue disease, and Sjogren’s. Rheumatoid arthritis and vasculitis were not included. Average PM2.5, NO2, and SO2 industrial emissions from 2002 to one year before SARDs onset or end of study were assigned using residential postal codes. A quantile g-computation model for time to SARD onset was developed for the industrial emission mixture, adjusting for sex, age, income, rurality index, chronic obstructive pulmonary disease (as a proxy for smoking), background (environmental overall) PM2.5, and calendar year. We conducted stratified analyses across age, sex, and rurality. We identified 43,931 new SARD diagnoses across 143,799,564 person-years. The adjusted hazard ratio for SARD onset for an increase in all emissions by one decile was 1.018 (95% confidence interval 1.013–1.022). Similar positive associations between SARDs and the mixed emissions were observed in most stratified analyses. Industrial PM2.5 contributed most to SARD risk. Industrial air pollution emissions were associated with SARDs risk.
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 | 0,000 | 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) | 0,004 | 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 tête enseignante, 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 ».