Air pollution, weather and positive airway pressure treatment adherence in adults with sleep apnea: a retrospective community‐based repeated‐measures longitudinal study
Notice bibliographique
Résumé
Summary We assessed the relation between air pollution, weather, and adherence to positive airway pressure (PAP) therapy in a retrospective community‐based repeated‐measures study of adults with obstructive sleep apnea who purchased PAP devices from a registered provider between 2013 and 2017 (Ottawa, Ontario, Canada) and had at least one day of data. Daily PAP‐derived data, air pollution, and weather databases were linked using postal code. The exposures were mean nocturnal (8:00 p.m. to 8:00 a.m.) (i) residential concentrations of nitrogen dioxide (NO 2 ), fine particulate matter <=2.5 μm (PM 2.5 ), ozone (O 3 ), and Air Quality Health Index (AQHI), and (ii) temperature, relative humidity, and barometric pressure. Covariates in the main model were demographics, season, exposure year, and PAP therapy mode. We analysed 8148 adults (median age of 54 years and 61% men) and 2,071,588 days of data. Based on daily data, the median (interquartile range) daily PAP usage was 416 (323–487) min. Using mixed‐effect regression analyses to incorporate daily data and clustering by individuals, we found a statistically significant decrease in adherence for increased levels of NO 2 , PM 2.5 , and AQHI. The largest effect was for NO 2 : a decrease in daily PAP use while comparing the highest versus lowest quartiles (Qs) was 3.4 (95% confidence interval [CI] 2.8–3.9) min. Decreased PAP adherence was also associated with increased temperature (Q4 versus Q1: 2.6 [95% CI: 1.5–3.7] min) and decreased barometric pressure (Q1 versus Q4: 2.0 [95% CI 1.5–2.5] min). We observed modest but statistically significant acute effects of air pollution and weather on daily PAP adherence.
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 | 0,004 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,003 |
| 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 ».