Adapting non-parametric spline representations of outdoor air pollution health effects associations for use in public health benefits assessment
Notice bibliographique
Résumé
Abstract The magnitude and shape of the association between outdoor air pollution concentrations and health need to be characterized in order to estimate public health benefits from proposed mitigation strategies. Specialized parametric functions have been proposed for this characterization. However, non-parametric spline models offer more flexibility, less bias, and predictive power, in describing these associations and are thus preferred over relatively simple parametric formulations. Unrestricted spline representations are often reported but many are not suitable for benefits analysis due to their erratic concentration-response behavior and are usually not presented in a format consistent with the requirements necessary to conduct a benefits analysis. We propose a method to adapt non-parametric spline representations of concentration-response associations that are suitable for public health benefits analysis by transforming spline predictions and its uncertainty over the study exposure range to a new spline formulation that is both monotonically increasing and restricted to concentration-response patterns suitable for use in health benefits assessment. We selected two examples of the association between long-term exposure to fine particulate matter and mortality in Canada and the USA that displayed spline fits that were neither monotonically increasing nor suitable, we suggest, for benefits analysis. We suggest our model is suitable for benefits analysis and conduct such analyses for both Canada and the USA, comparing benefits estimates to traditional models. Finally, we provide guidance on how to report spline fitting results such they can be used either in benefits analysis directly, or to fit our new model.
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 | 0,013 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».