Impact of heat on respiratory hospitalizations among older adults living in 120 large US urban areas
Notice bibliographique
Résumé
ABSTRACT Objectives A nationwide study of the impact of high temperature on respiratory disease hospitalizations among older adults (65+) living in large urban centers. Methods Daily rates of short-stay, inpatient respiratory hospitalizations were examined with respect to variations in ZIP-code-level daily mean temperature in the 120 largest US cities between 2000-2017. For each city, we estimated cumulative associations (lag-days 0-6) between warm-season temperatures (June-September) and cause-specific respiratory hospitalizations using time-stratified conditional quasi-Poisson regression with distributed lag non-linear models. We estimated nationwide associations using meta-regression and updated city-specific associations via best linear unbiased prediction. With stratified models, we explored effect modification by age, sex, and race (Black/white). Results were reported as percent change in hospitalizations at high temperatures (95th percentile) compared to median temperatures for each outcome, demographic-group, and metropolitan area. Excess hospitalization rates were estimated for days above median temperatures. Results At high temperatures, we observed increases in the percent of all-cause respiratory hospitalizations [1.2 (0.4, 2.0)], primarily driven by an increase in respiratory tract infections [1.8 (0.6, 3.0)], and chronic respiratory diseases/respiratory failure [1.2 (0.0, 2.4)]. East North Central, New England, Mid-Atlantic, and Pacific cities accounted for 98.5% of the excess burden. By demographic group, we observed disproportionate burdens of heat-related respiratory hospitalizations among the oldest beneficiaries (85+ years), and among Black beneficiaries living in South Atlantic cities. Conclusion This study found robust impacts of high temperature on respiratory failure and chronic inflammatory and fibrotic diseases among older adults. The geographic variation suggests that contextual factors account for disproportionate burdens.
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 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 ».