MétaCan
Menu
← Retour à la cohorte
Enregistrement W4405319386 · doi:10.2196/57495

Elevated Ambient Temperature Associated With Reduced Infectious Disease Test Positivity Rates: Retrospective Observational Analysis of Statewide COVID-19 Testing and Weather Across California Counties

2024· article· en· W4405319386 sur OpenAlexvenueno aff
Nicholas Kwok, Joshua M. Pevnick, Keith Feldman

Notice bibliographique

RevueJMIR Public Health and Surveillance · 2024
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueClimate Change and Health Impacts
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésObservational studyEnvironmental healthMedicinePublic healthCoronavirus disease 2019 (COVID-19)DemographyDiseaseInfectious disease (medical specialty)Pathology

Résumé

récupéré en direct d'OpenAlex

Background: From medication usage to the time of day, a number of external factors are known to alter human body temperature (BT), even in the absence of underlying pathology. In select cases, clinical guidance already suggests the consideration of clinical and demographic factors when interpreting BT, such as a decreased threshold for fever as age increases. Recent work has indicated factors impacting BT extend to environmental conditions including ambient temperature. However, the effect sizes of these relationships are often small, and it remains unclear if such relationships result in a meaningful impact on real-world health care practices. Objective: Temperature remains a common element in public health screening efforts. Leveraging the unique testing and reporting infrastructure developed around the COVID-19 pandemic, this paper uses a unique resource of daily-level statewide testing data to assess the relationship between ambient temperatures and positivity rates. As fever was a primary symptom that triggered diagnostic testing for COVID-19, this work hypothesizes that environmentally mediated BT increases would not reflect pathology, leading to decreased COVID-19 test positivity rates as temperature rises. Methods: Statewide COVID-19 polymerase chain reaction testing data curated by the California Department of Public Health were used to obtain the daily number of total tests and positivity rates for all counties across the state. These data were combined with ambient temperature data provided by the National Centers for Environmental Information for a period of 133 days between widespread testing availability and vaccine approval. A mixed-effects beta-regression model was used to estimate daily COVID-19 test positivity rate as a function of ambient temperature, population, and estimates of COVID prevalence, with nested random effects for a day of the week within unique counties across the state. Results: Considering over 19 million tests performed over 4 months and across 45 distinct counties, adjusted model results highlighted a significant negative association between daily ambient temperature and testing positivity rate (P<.001). Results of the model are strengthened as, using the same testing data, this relationship was not present in a sensitivity analysis using random daily temperatures drawn from the range of observed values (P=.52). Conclusions: These results support the underlying hypothesis and demonstrate the relationship between environmental factors and BT can impact an essential public health activity. As health care continues to operate using thresholds of BT as anchor points (ie, ≥100.4 as fever) it is increasingly important to develop approaches to integrate the array of factors known to influence BT measurement. Moreover, as weather data are not often readily available in the same systems as patient data, these findings present a compelling case for future research into when and how environmental context can best be used to improve the interpretation of patient data.

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)0,001
score de la tête « metaresearch » (Gemma)0,003
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,125
Score d'incertitude au seuil0,248

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,003
Méta-épidémiologie (sens strict)0,0000,001
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,002
Études des sciences et des technologies0,0010,000
Communication savante0,0010,000
Science ouverte0,0010,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,058
Tête enseignante GPT0,346
Écart entre enseignants0,288 · 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'étudeObservationnel
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 revueJMIR Public Health and Surveillance→Même sujetClimate Change and Health Impacts→Travaux en français237 207→