MétaCan
Menu
Retour à la cohorte
Enregistrement W4386897821 · doi:10.1136/bmjresp-2023-001716

Reductions in inhaler greenhouse gas emissions by addressing care gaps in asthma and chronic obstructive pulmonary disease: an analysis

2023· article· en· W4386897821 sur OpenAlex

Pourquoi ce travail est dans la base

Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.

affAu moins un auteur déclare une institution canadienne dans l'instantané OpenAlex épinglé.
aboutLe titre ou le résumé porte un signal canadien du lexique géographique.

Notice bibliographique

RevueBMJ Open Respiratory Research · 2023
Typearticle
Langueen
DomaineMedicine
ThématiqueInhalation and Respiratory Drug Delivery
Établissements canadiensUniversity of TorontoSt. Michael's Hospital
Organismes subventionnairesnon disponible
Mots-clésInhalerGreenhouse gasAsthmaMedicineCarbon footprintCOPDEnvironmental healthIntensive care medicineEnvironmental scienceInternal medicine

Résumé

récupéré en direct d'OpenAlex

INTRODUCTION: Climate change from greenhouse gas (GHG) emissions represents one of the greatest public health threats of our time. Inhalers (and particularly metred-dose inhalers (MDIs)) used for asthma and chronic obstructive pulmonary disease (COPD), constitute an important source of GHGs. In this analysis, we aimed to estimate the carbon footprint impact of improving three distinct aspects of respiratory care that drive avoidable inhaler use in Canada. METHODS: We used published data to estimate the prevalence of misdiagnosed disease, existing inhaler use patterns, medication class distributions, inhaler type distributions and GHGs associated with inhaler actuations, to quantify annual GHG emissions in Canada: (1) attributable to asthma and COPD misdiagnosis; (2) attributable to overuse of rescue inhalers due to suboptimally controlled symptoms; and (3) avoidable by switching 25% of patients with existing asthma and COPD to an otherwise comparable therapeutic option with a lower GHG footprint. RESULTS: We identified the following avoidable annual GHG emissions: (1) ~49 100 GHG metric tons (MTs) due to misdiagnosed disease; (2) ~143 000 GHG MTs due to suboptimal symptom control; and (3) ~262 100 GHG MTs due to preferential prescription of strategies featuring MDIs over lower-GHG-emitting options (when 25% of patients are switched to lower GHG alternatives). Combined, the GHG emission reductions from bridging these gaps would be the equivalent to taking ~101 100 vehicles off the roads each year. CONCLUSIONS: Our analysis shows that the carbon savings from addressing misdiagnosis and suboptimal disease control are comparable to those achievable by switching one in four patients to lower GHG-emitting therapeutic strategies. Behaviour change strategies required to achieve and sustain delivery of evidence-based real-world care are complex, but the added identified incentive of carbon footprint reduction may in itself prove to be a powerful motivator for change among providers and patients. This additional benefit can be leveraged in future behaviour change interventions.

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.

Prédiction distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,086
Score d'incertitude au seuil0,930

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0030,005
Études des sciences et des technologies0,0010,000
Communication savante0,0000,001
Science ouverte0,0000,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,143
Tête enseignante GPT0,461
Écart entre enseignants0,318 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle