Estimating the impacts of nonoptimal temperatures on mortality: A study in British Columbia, Canada, 2001–2021
Notice bibliographique
Résumé
Background: Studies show that more than 5.1 million deaths annually are attributed to nonoptimal temperatures, including extreme cold and extreme heat. However, those studies mostly report average estimates across large geographical areas. The health risks attributed to nonoptimal temperatures in British Columbia (BC) are reported incompletely or limit the study area to urban centers. In this study, we aim to estimate the attributable deaths linked to nonoptimal temperatures in all five regional health authorities (RHAs) of BC from 2001 to 2021. Methods: We applied the widely used distributed lag nonlinear modeling approach to estimate temperature-mortality association in the RHAs of BC, using daily all-cause deaths and 1 × 1 km gridded daily mean temperature. We evaluated the model by comparing the model-estimated attributable number of deaths during the 2021 heat dome to the number of heat-related deaths confirmed by the British Columbia Coroners Service. Results: Overall, between 2001 and 2021, we estimate that 7.17% (95% empirical confidence interval = 3.15, 10.32) of deaths in BC were attributed to nonoptimal temperatures, the majority of which are attributed to cold. On average, the mortality rates attributable to moderate cold, moderate heat, extreme cold, and extreme heat were 47.04 (95% confidence interval [CI] = 45.83, 48.26), 0.94 (95% CI = 0.81, 1.08), 2.88 (95% CI = 2.05, 3.71), and 3.10 (95% CI = 1.79, 4.4) per 100,000 population per year, respectively. Conclusions: Our results show significant spatial variability in deaths attributable to nonoptimal temperatures across BC. We find that the effect of extreme temperatures is significantly less compared to milder nonoptimal temperatures between 2001 and 2021. However, the increased contribution of extreme heat cannot be ruled out in the near future.
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 | 0,002 | 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) | 0,005 | 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 ».