Long-Term Exposure to Traffic-Related Air Pollution and Diabetes: A Systematic Review and Meta-Analysis
Notice bibliographique
Résumé
Objectives: We report results of a systematic review on the health effects of long-term traffic-related air pollution (TRAP) and diabetes in the adult population. Methods: An expert Panel appointed by the Health Effects Institute conducted this systematic review. We searched the PubMed and LUDOK databases for epidemiological studies from 1980 to July 2019. TRAP was defined based on a comprehensive protocol. Random-effects meta-analyses were performed. Confidence assessments were based on a modified Office for Health Assessment and Translation (OHAT) approach, complemented with a broader narrative synthesis. We extended our interpretation to include evidence published up to May 2022. Results: We considered 21 studies on diabetes. All meta-analytic estimates indicated higher diabetes risks with higher exposure. Exposure to NO 2 was associated with higher diabetes prevalence (RR 1.09; 95% CI: 1.02; 1.17 per 10 μg/m 3 ), but less pronounced for diabetes incidence (RR 1.04; 95% CI: 0.96; 1.13 per 10 μg/m 3 ). The overall confidence in the evidence was rated moderate, strengthened by the addition of 5 recently published studies. Conclusion: There was moderate evidence for an association of long-term TRAP exposure with diabetes.
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 | 0,009 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,005 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».