Exploring vulnerability patterns in heat-related preterm birth: a multi-country multi-city analysis
Notice bibliographique
Résumé
Evidence suggests that high temperatures may trigger preterm birth (PTB), which is associated with a higher risk of infant mortality and morbidity during childhood and adult life. However, there is limited evidence on the role of sociodemographic factors on the vulnerability of pregnant women. In a multi-location setting, we aimed to assess 1) the effect of heat on PTB of different gestational ages (extreme, very, late, standard preterm births) and at-term births and 2) how mother and child characteristics (sex, ethnicity, parity, age, education, marital status, socioeconomic class) influence the association between heat and PTB.The analysis included all singleton births born in the warm season (5 warmer months) in 243 cities in 13 countries between 1979-2019. A two-stage design was applied with conditional quasi-Poisson regression with distributed lag nonlinear models to estimate the association between daily mean temperature and PTB or at-term birth (lags 0-4 days) in each location and for each category of characteristic of the mother and child. Then, a random-effects multilevel metaanalytical model was applied to report overall effects and by country level. Extreme heat effects were measured as the percentage change (ch%, 95%CI) in the outcome when the mean temperature increased from 1% to the 95% percentile.Heat was positively associated with all endpoints, except for extreme or very PTB whose risks were very imprecise, with larger risks for late-PTB (5%, 0.8-9.3) and smaller in at term births (2%, 1-3.1). Younger, Caucasian mothers and those with low socioeconomic class seemed to be more vulnerable to heat. Female fetal gender was associated with higher risk than males.This is the largest multi-location study assessing vulnerability patterns of heat-related PTB. It emphasises the need to integrate evidence from vulnerability assessments in designing public health interventions to face climate change effects.
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 | 0,018 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,005 | 0,030 |
| Bibliométrie | 0,005 | 0,008 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,005 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».