Temperature-mortality associations by age and cause: a multi-country multi-city study
Notice bibliographique
Résumé
Background: Heterogeneity in temperature-mortality relationships across locations may partly result from differences in the demographic structure of populations and their cause-specific vulnerabilities. Here we conduct the largest epidemiological study to date on the association between ambient temperature and mortality by age and cause using data from 532 cities in 33 countries. Methods: We collected daily temperature and mortality data from each country. Mortality data was provided as daily death counts within age groups from all, cardiovascular, respiratory, or noncardiorespiratory causes. We first fit quasi-Poisson regression models to estimate location-specific associations for each age-by-cause group. For each cause, we then pooled location-specific results in a dose-response multivariate meta-regression model that enabled us to estimate overall temperature-mortality curves at any age. The age analysis was limited to adults. Results: We observed high temperature effects on mortality from both cardiovascular and respiratory causes compared to noncardiorespiratory causes, with the highest cold-related risks from cardiovascular causes and the highest heat-related risks from respiratory causes. Risks generally increased with age, a pattern most consistent for cold and for nonrespiratory causes. For every cause group, risks at both temperature extremes were strongest at the oldest age (age 85 years). Excess mortality fractions were highest for cold at the oldest ages. Conclusions: There is a differential pattern of risk associated with heat and cold by cause and age; cardiorespiratory causes show stronger effects than noncardiorespiratory causes, and older adults have higher risks than younger adults.
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 | 0,000 |
| 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) | 0,002 | 0,001 |
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 ».