Racial and Ethnic Disparities in Phthalate Exposure and Preterm Birth: A Pooled Study of Sixteen U.S. Cohorts
Notice bibliographique
Résumé
BACKGROUND: Phthalate exposures are ubiquitous during pregnancy and may contribute to racial and ethnic disparities in preterm birth. OBJECTIVES: ) exposure-response models stratified by race and ethnicity. METHODS: We pooled individual-level data on 6,045 pregnancies from 16 U.S. cohorts. We investigated covariate-adjusted differences in nine urinary phthalate metabolite concentrations by race and ethnicity [non-Hispanic White (White, 43%), non-Hispanic Black (Black, 13%), Hispanic/Latina (38%), and Asian/Pacific Islander (3%)]. Using g-computation, we estimated changes in the probability of preterm birth under hypothetical interventions to eliminate disparities in levels of urinary phthalate metabolites by proportionally lowering average concentrations in Black and Hispanic/Latina participants to be approximately equal to the averages in White participants. We also used race and ethnicity-stratified logistic regression to characterize associations between phthalate metabolites and preterm birth. RESULTS: -butyl and monoisobutyl phthalate), with positive associations that were larger in magnitude observed among Black or Hispanic/Latina participants. CONCLUSIONS: Phthalate metabolite concentrations differed substantially by race and ethnicity. Our results show hypothetical interventions to reduce population-level racial and ethnic disparities in biomarkers of phthalate exposure could potentially reduce the probability of preterm birth. https://doi.org/10.1289/EHP12831.
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 | 0,004 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».