Impact of diurnal temperature range on rhinitis in Lanzhou, China: Accounting for COVID-19 effects
Notice bibliographique
Résumé
Rhinitis is a global public health issue. A distributed lag non-linear model (DLNM) was used to examine the impact of diurnal temperature range (DTR) on nonallergic rhinitis (NAR) and allergic rhinitis (AR) in Lanzhou, China. Stratified analyses by age, gender, seasons, and the COVID-19 period were conducted, alongside extreme-DTR and attributable risk analyses . Using 37,225 cases, we found: 1. The nonlinear DTR-rhinitis relationship: high- and low-DTR acutely impacted AR, while primarily high DTR moderately affected NAR during full and pre-COVID-19 periods. 2. COVID-19 transformed the adverse impact of low-DTR into protective effects. 3. In full study period, AR showed age heterogeneity, and NAR displayed age and gender differences . In pre-COVID-19 study period, AR had age and gender variations. The age < 18 group, vulnerable to NAR and AR, requires concerns. 4. Low-DTR exhibits protective effects during cold seasons, while it poses adverse effects and increased risks in warm seasons. 5. Moderate high DTR contributed most to rhinitis outpatients. In conclusion, NAR and AR demonstrate distinct responses to short-term DTR exposure, which may be influenced by COVID-19 and seasonal factors. Future research is essential to assess the long-term impacts of DTR and COVID-19 effects on NAR and AR.
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 | 0,003 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,003 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| 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) | 0,001 | 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 ».