MétaCan
Menu
Retour à la cohorte
Enregistrement W4403762617 · doi:10.1089/derm.2024.0358

Parsnip Phytophotodermatitis

2024· article· en· W4403762617 sur OpenAlexvenueno aff
Allison Holt, Colleen K. Gabel, Kelly E. Flanagan, Nikki Levin

Notice bibliographique

RevueDermatitis · 2024
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiquePlant chemical constituents analysis
Établissements canadiensnon disponible
Organismes subventionnairesMinisterium für Kultur und Wissenschaft des Landes Nordrhein-WestfalenBundesministerium für Bildung und Forschung
Mots-clésMedicineDermatology

Résumé

récupéré en direct d'OpenAlex

Background: There is no doubt that global warming, with its extreme heat events, is having an increasing impact on human health.Heat is not independent of ambient temperature but acts synergistically with relative humidity (RH) to increase the risk of several diseases, such as cardiovascular and pulmonary diseases.Although the skin is the organ in direct contact with the environment, it is currently unknown whether skin health is similarly affected.Objective: While mechanistic studies have demonstrated the mechanism of thermal aging, this is the first epidemiological study to investigate the effect of long-term exposure to heat index (HI) as a combined function of elevated ambient temperature and RH on skin aging phenotypes in Indian women.Methods: The skin aging phenotypes of 1510 Indian women were assessed using the Score of Intrinsic and Extrinsic Skin Aging (SCINEXAÔ) scoring tool.We used data on ambient temperature and RH, combined into an HI with solar ultraviolet radiation (UVR), and air pollution (particulate matter <2.5 mm [PM 2.5] ; nitrogen dioxide [NO 2 ]) from secondary data sources with a 5-year mean residential exposure window.An adjusted ordinal multivariate logistic regression model was used to assess the effects of HI on skin aging phenotypes.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Étude de cas · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,008
Score d'incertitude au seuil0,028

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0080,001

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.

Tête enseignante Opus0,012
Tête enseignante GPT0,204
Écart entre enseignants0,192 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeÉtude de cas
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueDermatitisMême sujetPlant chemical constituents analysisTravaux en français237 207