Air pollution mixture complexity and its effect on PM2.5-related mortality: A multicountry time-series study in 264 cities
Notice bibliographique
Résumé
Background: Fine particulate matter (PM 2.5 ) occurs within a mixture of other pollutant gases that interact and impact its composition and toxicity. To characterize the local toxicity of PM 2.5 , it is useful to have an index that accounts for the whole pollutant mix, including gaseous pollutants. We consider a recently proposed pollutant mixture complexity index (PMCI) to evaluate to which extent it relates to PM 2.5 toxicity. Methods: The PMCI is constructed as an index spanning seven different pollutants, relative to the PM 2.5 levels. We consider a standard two-stage analysis using data from 264 cities in the Northern Hemisphere. The first stage estimates the city-specific relative risks between daily PM 2.5 and all-cause mortality, which are then pooled into a second-stage meta-regression model with which we estimate the effect modification from the PMCI. Results: We estimate a relative excess risk of 1.0042 (95% confidence interval: 1.0023, 1.0061) for an interquartile range increase (from 1.09 to 1.95) of the PMCI. The PMCI predicts a substantial part of within-country relative risk heterogeneity with much less between-country heterogeneity explained. The Akaike information criterion and Bayesian information criterion of the main model are lower than those of alternative meta-regression models considering the oxidative capacity of PM 2.5 or its composition. Conclusions: The PMCI represents an efficient and simple predictor of local PM 2.5 -related mortality, providing evidence that PM 2.5 toxicity depends on the surrounding gaseous pollutant mix. With the advent of remote sensing for pollutants, the PMCI can provide a useful index to track air quality.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,002 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».