The Combined Effects of Short-Term Exposure to Multiple Meteorological Factors on Unintentional Drowning Mortality: Large Case-Crossover Study
Notice bibliographique
Résumé
BACKGROUND: Drowning is a serious public health problem worldwide. Previous epidemiological studies on the association between meteorological factors and drowning mainly focused on individual weather factors, and the combined effect of mixed exposure to multiple meteorological factors on drowning is unclear. OBJECTIVE: We aimed to investigate the combined effects of multiple meteorological factors on unintentional drowning mortality in China and to identify the important meteorological factors contributing to drowning mortality. METHODS: Unintentional drowning death data (based on International Classification of Diseases, 10th Edition, codes W65-74) from January 1, 2013, to December 31, 2018, were collected from the Disease Surveillance Points System for Guangdong, Hunan, Zhejiang, Yunnan, and Jilin Provinces, China. Daily meteorological data, including daily mean temperature, relative humidity, sunlight duration, and rainfall in the same period were obtained from the Chinese Academy of Meteorological Science Data Center. We constructed a time-stratified case-crossover design and applied a generalized additive model to examine the effect of individual weather factors on drowning mortality, and then used quantile g-computation to estimate the joint effect of the mixed exposure to meteorological factors. RESULTS: A total of 46,179 drowning deaths were reported in the 5 provinces in China from 2013 to 2018. In an effect analysis of individual exposure, we observed a positive effect for sunlight duration, a negative effect for relative humidity, and U-shaped associations for temperature and rainfall with drowning mortality. In a joint effect analysis of the above 4 meteorological factors, a 2.99% (95% CI 0.26%-5.80%) increase in drowning mortality was observed per quartile rise in exposure mixture. For the total population, sunlight duration was the most important weather factor for drowning mortality, with a 93.1% positive contribution to the overall effects, while rainfall was mainly a negative factor for drowning deaths (90.5%) and temperature and relative humidity contributed 6.9% and -9.5% to the overall effects, respectively. CONCLUSIONS: This study found that mixed exposure to temperature, relative humidity, sunlight duration, and rainfall was positively associated with drowning mortality and that sunlight duration, rather than temperature, may be the most important meteorological factor for drowning mortality. These findings imply that it is necessary to incorporate sunshine hours and temperature into early warning systems for drowning prevention in the future.
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 | 0,006 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».