A cohort study of the multipollutant effects of PM2.5, NO2, and O3 on C-reactive protein levels during pregnancy
Notice bibliographique
Résumé
Background: PM 2.5, NO 2 , and O 3 contribute to the development of adverse pregnancy complications. While studies have investigated the independent effects of these exposures, literature on their combined effects is limited. Our objective was to study the multipollutant effects of PM 2.5 , NO 2 , and O 3 on maternal systemic C-reactive protein (CRP) levels. Methods: We used data from 1170 pregnant women enrolled in the Maternal-Infant Research on Environmental Chemicals Study (MIREC) study in Canada. Air pollution exposures were assigned to each participant based on residential location. CRP was measured in third-trimester blood samples. We fit multipollutant linear regression models and evaluated the effects of air pollutant mixtures (14-day averages) using repeated-holdout Weighted Quantile Sum (WQS) regression and by calculating the Air Quality Health Index (AQHI). Results: In multipollutant models adjusting for NO 2, O 3 , and green space, each interquartile range (IQR) increase in 14-day average PM 2.5 (IQR: 6.9 µg/m 3 ) was associated with 27.1% (95% confidence interval [CI] = 6.2, 50.7) higher CRP. In air pollution mixture models adjusting for green space, each IQR increase in AQHI was associated with 37.7% (95% CI = 13.9, 66.5) higher CRP; and an IQR increase in the WQS index was associated with 78.6% (95% CI = 29.7, 146.0) higher CRP. Conclusion: PM 2.5 has the strongest relationship of the individual pollutants examined with maternal blood CRP concentrations. Mixtures incorporating all three pollutants, assessed using the AQHI and WQS index, showed stronger relationships with CRP compared with individual pollutants and illustrate the importance of conducting multipollutant analyses.
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 | 0,001 |
| 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) | 0,000 | 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 ».