Effects of Extreme Humidity and Heat on Ventricular Arrhythmia Risk in Patients With Cardiac Devices
Notice bibliographique
Résumé
Background: Climate change is increasing the frequency of high heat and high humidity days. Whether these conditions can trigger ventricular arrhythmias [ventricular tachycardia/ventricular fibrillation, VT/VF] in susceptible persons is unknown. Objectives: The purpose of this study was to determine the relationship between warm-season weather conditions and risk of VT/VF in individuals with pacemakers and defibrillators. Methods: Baseline clinical and device data from 5,944 patients in North Carolina (2010-2021) were linked to daily weather data geocoded to individuals' residential addresses. Associations between extreme humidity, temperature, and VT/VF overall and by patient, community, and built environment factors were estimated using a case time-series design with distributed lag nonlinear models, adjusting for temporal trends and individual factors. Results: VT/VF events occurred on 4,486 of the 484,988 person-days. Extreme humidity (95th percentile: 90% relative humidity) increased odds of VT/VF in the 7 days following exposure (aOR 1.23 [95% CI: 1.00-1.51]). Humidity-associated VT/VF risk was highest among those who were male (aOR: 1.38 [95% CI: 1.08-1.76]), age 67 to 75 years (aOR: 1.65 [95% CI: 1.16-2.35]) with coronary artery disease (aOR: 1.79 [95% CI: 1.25-2.57]), heart failure (aOR: 1.72 [95% CI: 1.2-2.46]), diabetes (aOR: 3.01 [95% CI: 1.99-4.56]), hypertension (aOR: 2.06 [95% CI: 1.48-2.88]), and prior myocardial infarction (aOR: 1.75 [95% CI: 1.23-2.48]). Communities with high socioeconomic deprivation (aOR: 1.83 [95% CI: 1.28-2.62]), high income inequality (aOR: 1.56 [95% CI: 1.19-2.04]), and urban areas with less greenspace (aOR: 1.29 [95% CI: 0.93-1.78]) also had increased VT/VF risk. High temperatures were not associated with VT/VF. Conclusions: In patients with preexisting cardiovascular disease, exposure to extreme humidity increased VT/VF risk, especially among vulnerable individuals, disadvantaged communities, and urban areas with less green space. These findings emphasize the need for policies that address environmental risks in susceptible individuals and communities.
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 | 0,000 | 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) | 0,000 | 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 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 ».