Hospitalization risks associated with floods in a multi-country study
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Floods of unprecedented intensity and frequency have been observed. However, evidence regarding the impacts of floods on hospitalization remains limited. Here we collected daily hospitalization counts during 2000-2019 from 747 communities in Australia, Brazil, Canada, Chile, New Zealand, Taiwan, Thailand and Vietnam. For each community, flooded days were defined as days from the start dates to the end dates of flood events. Lag-response associations between flooded day and daily hospitalization risks were estimated for each community using a quasi-Poisson regression model with a distributed lag nonlinear function. The community-specific estimates were then pooled using a random-effects meta-analysis. Based on the pooled estimates, attributable fractions of hospitalizations due to floods were calculated. We found that hospitalization risks increased and persisted for up to 210 days after flood exposure, with the overall relative risks being 1.26 (95% confidence interval 1.15-1.38) for all causes, 1.35 (1.21-1.50) for cardiovascular diseases, 1.30 (1.13-1.49) for respiratory diseases, 1.26 (1.10-1.44) for infectious diseases, 1.30 (1.17-1.45) for digestive diseases, 1.11 (0.98-1.25) for mental disorders, 1.61 (1.39-1.86) for diabetes, 1.35 (1.21-1.50) for injury, 1.34 (1.21-1.48) for cancer, 1.34 (1.20-1.50) for nervous system disorders and 1.40 (1.22-1.60) for renal diseases. The associations were modified by climate types, flood severity, age, population density and socioeconomic status. Flood exposure contributed to hospitalizations by up to 0.27% from all causes. This study revealed that flood exposure was associated with increased all-cause and ten cause-specific hospitalization risks within up to 210 days after exposure.
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.
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 découle