Fluctuating risk of acute kidney injury-related mortality for four weeks after exposure to air pollution: A multi-country time-series study in 6 countries
Notice bibliographique
Résumé
Recent studies have reported that air pollution is related to kidney diseases. However, the global evidence on the risk of death from acute kidney injury (AKI) owing to air pollution is limited. Therefore, we investigated the association between short-term exposure to air pollution—particulate matter ≤2.5μm (PM2.5), ozone (O3), and nitrogen dioxide (NO2)—and AKI-related mortality using a multi-country dataset. This study included 41,379 AKI-related deaths in 136 locations in six countries during 1987–2018. A novel case time-series design was applied to each air pollutant during 0–28 lag days to estimate the association between air pollution and AKI-related deaths. Moreover, we calculated AKI deaths attributable to non-compliance with the World Health Organization (WHO) air quality guidelines. The relative risks (95% confidence interval) of AKI-related deaths are 1.052 (1.003, 1.103), 1.022 (0.994, 1.050), and 1.022 (0.982, 1.063) for 5, 10, and 10 µg/m3 increase in lag 0–28 days of PM2.5, warm-season O3, and NO2, respectively. The lag-distributed association showed that the risk appeared immediately after exposure to air pollution, decreased, and then increased again reaching the peak approximately 20 days after exposure to PM2.5 and O3. We also found that 1.9%, 6.3%, and 5.2% of AKI deaths were attributed to PM2.5, warm-season O3, and NO2 concentrations above the WHO guidelines. This study provides evidence that public health policies to reduce air pollution may alleviate the burden of death from AKI and suggests the need to investigate the several pathways between air pollution and AKI death.
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 | 0,001 | 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) | 0,003 | 0,001 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».